ミツカリを導入する前の課題

弊社の採用や人材配置は勘と経験を研ぎ澄まして行っていました。人事について勘が鋭いことで有名だった役員ですら、社員数が1,000名を超えてきて「このままでは適材適所は難しい」と感じるほど組織が拡大し把握が難しくなっていました。人材サービスの会社として人への投資は惜しまないカルチャーもあり、ピープルアナリティクス(以降PA)を本格的に推し進めてデータを採用・配属などに活かしていこうという気運に繋がりました。

弊社ではパフォーマンス（活躍）の公式として、個人の性格などのパーソナリティ、内部環境、外部環境に分けて考えています。ベースとなるデータを取得するため、まずは重要な要素である性格のデータの取得を目的に、採用だけでなく社員向けで全社に展開できるようなアセスメントを探し始めました。

ミツカリを選んだ理由

まずPAを行う際にはデータ量が大切になります。ミツカリのデータは32軸7段階と簡易に取得できる割に項目が多く、データが一様に近い分布をしているため分析に適したデータということもわかり、導入の決め手となりました。ミツカリを採用ではすでに使っていたことや費用面で社員のデータ取得が安価にできることも大きかったです。検討していた別の適性検査は費用が高くてデータ量を増やすのに課題があったり、取得できる項目数が少なく分析に向かないこともあり、ミツカリは性格データを用いたPAを始めるのに適していると感じました。 　

ミツカリ導入後の効果や期待すること

PAを活かせる場所は多岐に渡るのですが、新卒採用と配属の場面でのモデル作りを最初に行いました。施策を打ちやすく、中途新卒問わず新人の早期戦力化、早期離職に課題があったことが最初に取り組んだ理由です。

苦労した点はパフォーマンスの定義を事業部の目線ときちんと揃えることでした。最大で10近い部署と「何をもって活躍しているのか?」という客観的な定義を満足いくまで議論し、その定義に基づいた活躍者の特徴を分析しました。この擦り合わせをしっかりやったことで、その特性を持つ人材なら採用したいしモデルとして信じられるという意見が挙がり、スムーズに部署に導入につながったと思います。

2年間運用し、モデルを元に採用になった社員が1年経ったので効果検証をした結果、従来の採用活動・配属では活躍者の割合が30%程度だったところ、ミツカリのモデルを参考に採用を行うとほぼ倍の55%になるまで精度を高めることができました。活躍者のモデル化だけでなく、本部から支店への配属時の上司部下の関係性を見るところなどミツカリの活用が社内で広まっています。毎年データをアップデートしモデルの精度を上げて、いきいきと活躍する社員をデータの力でもサポートできたらと思っています。