エクサウィザーズ石山洸氏が取り組む「AIと働き方」

エクサウィザーズ代表取締役社長の石山洸氏は、静岡大学の客員教授、東京大学未来ビジョン研究センター客員准教授、パーソルグループ全体のデジタル戦略アドバイサー、厚生労働省労働政策審議会労働政策基本部会の委員という顔も持つ。

労働政策基本部会では「今年度はAIと働き方をテーマにしている。その報告書もみてほしい」と石山氏と前置きで自らの経歴を紹介し、石山氏の講演は始まった。

▲株式会社エクサウィザーズ 代表取締役社長 石山 洸氏

石山氏はデジタルトランスフォーメーションを3回経験している。もともと文系の出身で理科系に転身した石山氏は、自身のデジタルトランスフォーメーションと称し、これまでのキャリアについて語った。

新卒でリクルートに入社した2006年当時の売上高は5000億円。修士課程で論文18本書いていた石山氏が、HOT PEPPERの飛び込み営業を行ったくらい、完全にアナログの会社だった。

2014年に売上が1兆円になり、広告のデジタル化が進み、時価総額が2兆円に成長した。そして、2018年にはAIを事業に活用。売上は2兆円、時価総額は5兆円の企業となった。売上が10年間で4倍になる、時価総額が4年で3倍になるというのがAIの活用インパクトだという。

石山氏がエクサウィザーズで掲げるミッションは、「AIを用いた社会課題解決を通じて、幸せな社会を実現する」こと。2017年には社員40人だったのが、2年間で4倍の人数になった。介護業界など、それまでデジタル化されていなかった分野をAIでデジタルトランスフォーメーションし、社会課題の解決に取り組んでいる。

AI時代に求められるデータ・ドリブンな戦略人事

「AI時代に求められるデータ・ドリブンな戦略人事とは、デジタルトランスフォーメーション（DX）経営ができる人のこと。現在の戦略策定のあり方は、高齢化の進展や社会保障費の増大、労働人口の減少などの外部環境変化・社会課題がある中で、経営戦略とDX戦略と組織戦略が三位一体となり、経営戦略をどう実現するかが重要になります」（石山氏）

同社内には各領域のスペシャリストが集結し、社会課題解決に向けたビジネス開発を推進するとともに、DXの経験者が本気でDXをコンサルティングしている。例えば会長の春田氏や社外取締役の新貝氏は、これまでの経歴の中で、CFO的な役割を担ってきたという。

「『CFOは財務的なツールを使いながら経営をするのがCFOの仕事だ』と教わりました。これはCHROも同じ。CHROも経営をする人なのです。人事の施策は一つの手段でしかありません。社長の目線で経営戦略を見ながら、組織戦略について踏み込んで考えられるのが戦略人事として重要なポイントです」

経営戦略から中長期計画を作成。これを実現するための財務ターゲットを決める。次に、中計に記載された経営課題にミートするDX/AIのテーマを作成していく。

「デジタル戦略はDX/AIのテーマを実現するため、新規AI投資と既存IT投資を行います。獲得したデータでビジネスモデルとプロダクトを開発します。そして中計で描いた利益を実現していく。これができないと嘘のDXとなります。つまり、新規AI投資と既存IT投資に対して、プロダクトで実現した利益が、インベストメントとリターンの関係となり、ROIが決まります。このようなモデルをきっちり作成した上で、組織開発を実行していきます」

このような世界を実現するために必要なのが、スキルアセスメントだという。まずは自社にデジタルスキルを持っている人材が何人ぐらいいるかを把握する。そしてGAFAに勝てる個の育成をし、次世代のデジタルオフィサーを育てて行くこと。そして全体の経営戦略と整合性がとれているかを確認しながら、組織開発してくことが必要になると石山氏は語る。

「デジタルイノベータの能力をアセスメントするのは容易ではありません。そこでエクサウィザーズではデジタル人材のスキルを可視化する『HR君DIA』を開発し、提供しています。このツールでアセスメントしながら、採用・配置・教育を行い、DX組織開発を行っていきます。

DX組織にするには、デザインシンキングやドメイン知識も必要です。社内の人材だけで難しければ、オープンイノベーションも検討していかなければなりません。これらを考えるのがAI時代の戦略人事なのです」

最近、注目が集まっている「ディープテック」。ディープテックとは、地球規模の課題をテクノロジーで解決していこうという取り組みだ。そういった地球規模の課題であるディープテックから新しいHRテックを生むことが必要だと、石山氏は指摘する。

日本は明治維新以降50歳以上が2割で、50歳以下が8割という労働人口の社会から超高齢化が進行、2045年頃には50歳以上が6割、50歳以下が4割という構造になっていくと言われている。

19世紀型の社会から21世紀型社会に対応するには、AIを活用した持続可能なトランスフォーメーションが必要になる。日本は世界で一番高齢化が進んでいるため、この日本のディープHRテックの取り組みは世界も注目をしているのだという。

介護領域におけるディープHRテック事例を紹介

介護領域におけるディープHRテック事例も紹介された。

「昨年、人工知能学会にAIを活用した非構造化データの解析によるエビデンス・ベースド・ケア『Alpha KaiGo』に関する論文を書きました。するとこの考え方は国の戦略にも採用されました。応用例として、介護の現場では人間らしさを大切にするケア手法『ユマニチュード』が実践されています」

ユマニチュードで大事にされているモダリティは、「見る」 「話す」 「触れる」 「立つ」という4つの基本動作だという。この研究では、ベテラン介護士と初心者の介護士の「見る」「話す」「触れる」のモダリティと認知症、行動心理症状、介護拒否の有無の関連性を解析し、クオリティの差を可視化している。

さらに福岡で実証実験を実施。家庭で介護をしている人を100人集めて2時間、ベテラン介護士のモダリティのトレーニングをしたところ、認知症の行動心理症状が20％低下、介護者負担感も28％低下するなど、今までできなかった効果が現れた。

「介護人材を増やしていくことにもAIが活用できるという結果となり、現在、AI搭載型の介護のソーシャルネットワークを作っています。AIを活用することで、2025年に介護費が20兆円になるという予測を16兆円にできるかもしれません。

またHRテック的には介護者負担が20％低下すると、退職率はどうなるのかも見ています。現在、大手の介護施設だと採用人数5000人規模ですが、3年後の離職率が50％程度と非常に高い数値となってるケースがあります」

もしこの離職率を20％改善できると、採用費も含めると年間4.5億円ぐらいのコスト削減効果があるという。

「介護士の離職率は経営課題でもあり、社会課題でもある。だからこそ、イノベーションのチャンスがある。次世代の戦略人事であれば、こういうレベル感までトライしていただきたいと思います」

データ・ドリブン人事への変化を語るパネルディスカッション

続いて、エクサウィザーズ石山洸氏がモデレータを務めるパネルディスカッションが開催された。パネラーとして登壇したのは、元メルカリの友部博教氏、ソフトバンク 人材戦略部 デジタルHR推進課 課長 中村亮一氏、パーソルホールディングス グループ人事本部 人事企画部 タレントマネジメント室 室長の山崎涼子氏だ。

▲左から、パーソルホールディングス グループ 山崎涼子氏、ソフトバンク 中村亮一氏、友部博教氏

石山：皆さんは、今「データ・ドリブン人事に移行している」という実感はありますか。

友部：データ・ドリブンと一口に言っても、会社によって特徴が異なります。DeNAとメルカリは対称的。DeNAは私が在籍していた時はデータやプロダクトにゴリゴリ携わっていたメンバーが人事に半分ぐらいいました。だから、非常にデータ・ドリブン。僕が「人事で活用したいので、データを集めてほしい」と言うと、すぐにデータが集まりました。

一方、メルカリでは私がジョインした時は「会社に良いと思えることがあればやろう」というスタンス。サーベイシステムはありますが、データを見られる人はいませんでした。そこで、「データ・ドリブンとはどういうことをすればいいのか」という啓蒙活動から始めました。今はメルカリもデータ・ドリブンの会社だと言えるカルチャーができています。

ただ、データ・ドリブンでも懸念していることがあります。それは一度作ったKPIを大事にしすぎること。メルカリの最初の採用におけるKPIは採用数でした。その後、新しいKPIを作ったのですが、フェーズが変わっても、そのままそのKPIを追い続けるんです。データがあればうまくいくと信じ込んでしまう。その点は非常に怖いと思います。

石山：なぜ、KPIを追い続けてしまうのでしょうか。

友部：目の前の数字に追われることで、今起こっていることを肌感で感じることができなくなるからでしょう。現状で起こっていることをキャッチアップしている人は、そのKPIを追い続けていることがおかしいと気づきますからね。

中村：僕がデータ・ドリブン人事を意識し始めたのは、前職の会社で採用領域でのピープルアナリティクスを始めたころです。ある時、面接官に、なぜこの人材を採用したのか聞いたのです。すると面接官は「今までこういうタイプの人材を採用していたから」と答えたんです。

当時会社の事業が大きく変わろうとしており、今までと同じタイプの人材を採用するのは得策ではありません。そこで従来の人物像を変えるために、データを活用しようと思ったのです。

私自身が分析に長けているわけではないので、分析できる部門のデータサイエンティストをチームに参画してもらい進めてきました。当初はデータや部門との連携などの活動をすることが珍しかったので、人事の中でも特異な存在に見られていましたが、専門部署を作ってもらって以降は、非常に前向きにとらえてもらえるようになりましたね。

石山：楽しそうに仕事していると思っていましたが、苦労もされているのですね。

友部：幹部にサーベイやデータ設計の説明するのは大変でしたね。データを集めてみなければわからないことも多いので、そこにかなり時間を使いました。

山崎：当社の人事は以前からペーパーレス化が進んでいて、結果的に自然と人事関連のデータがたまっていました。人事役員などと対話する中で、『これらのデータを、マーケティングと同じように、人事の意思決定に活かせるのでは』という仮説を持ったのが、人事におけるデータ活用開始のきっかけでした。私自身はデータを扱えないので、統計的知見を持つ人を採用し、二人三脚でさまざまな実験に取り組んでいます。

初めに取り組んだのは、社員のリテンションを予測する仕組みです。基幹システム内に蓄積された、社員の属性や人事考課等の人事データを用い、機械学習手法により社員の退職可能性を予測する予測モデルを構築しました。

しかし、実際に現場で役立ったかというと、予想したほどの効果はありませんでした。 退職しそうな人を検知したところで、その人がなぜ辞めたいかがわからないと手の打ちようがありません。高度な技術を使った仕組みを開発しても、現場で使われなければ意味がないと思いました。

個人の時代と言われてきているこれからは、データが活用できなければ人を理解する難易度は上がっていきます。だから人を理解するためのデータ活用は追い風になると思います。

石山：退職予測はもうすぐ辞めそうな人を予測するのでしょうか。それとも、もう少しロングタームで辞めるリスクを求めるのか。どのくらいの時間軸をターゲットとして予測するとうまくいくのでしょう。

山崎：時間軸はあまり考えられていませんでした。人事システムに入っている過去在籍していた全社員のデータを教師データにして、その人と似ているという類似度を測定しました。

将来的に辞めるかどうかもわかりませんが、それを「退職可能性」と定義しました。近未来に辞める人が予測できるような仕組みであれば、活用が促進された可能性はあります。

中村：退職予測はそもそも辞めるか？辞めないか？の50％の確率なので、その精度をどこまで上げることができるかがポイントです。ターゲットを決めずに退職予測をすると、エンゲージメントの低い人をモデルにして機械学習が進んでしまいます。そうするとエンゲージメントは高いけど、次のチャレンジのためにと前向きに退職してしまう人の予測は難しくなります。

想定される退職タイプ別にいくつかモデルを作らなければ、使える退職予測にならないと思います。また退職リスクに関してはどれくらい先に辞めるかという時間軸が重要です。この予測をするには、人事が持っている現在の静的データでは不十分と感じており、パルスサーベイや、メールなどの動的データ集めに注力しています。

各社人事データの利活用事例について

石山：続いて、データの利活用事例の紹介をお願いします。

友部：私は今、KPIを設計するという業務に従事しています。KPIはHR各ファンクションの施策が機能しているか、端的にわかるものが望ましいですね。人事であれば、ある数字を追いかけていくと、それだけで良くなっていく。そのようなKPIを新たに生み出していく仕事です。

課題解決は「①現状把握→②あるべき姿とのギャップを把握・課題導出→③解決策の検討・選択→④施策実行→⑤結果の評価」というプロセスをたどります。結果の評価でKPIが悪ければ、③の解決策の検討・選択に戻る。これをぐるぐる回すのです。

KPIの設計ではあるべき姿が決まっていないことが多いのですが、HRファンクションからあるべき姿を引き出し、言語化して、定量的に測定できるようにデータをデザインしていきます。

このプロセスはプロダクト開発でも人事でも変わりませんが、より人事の方があるべき姿があいまいになりがちなので要注意です。誰をどのようにしたいのかと聞くと、「●●さんが伸び悩んでいるので、イキイキさせたい」と言われるとします。イキイキしているとはどんな状態なのか、その辺をコミュニケーションしながら言語化していくのです。

またもう一つの事例が、ネットワーク図による組織間関係の可視化です。これは「SPYSEE」の技術を応用しています。SPYSEEはインターネット上で人の名前を検索すると、どんな人とつながっているかを表示するサービスで、関係の強さを指標化しています。

見えにくい人間関係を含めて定量化できるのが特徴です。メルカリではチームビルディングのためのランチ制度がありました。その制度を活用するには、誰とランチしたかを会社に申告するようになっていたので、そのデータを使い、関係性を指標化してネットワーク図として可視化したんですね。

どの組織がつながっているか、どの組織がコミュニケーション取れていないかなど、密度を人事が直観的に感じ取れるスタイルにし、仮説構築などに利用しました。さらにネットワーク指標とエンゲージメントサーベイなどのデータと紐付けして、コミュニケーションとエンゲージメントの関連性を分析し、コミュニケーション施策に活用しています。

石山：巻き込み力が高い人が見つかったりするのでしょうか。

友部：カンパニーごとに色分けしています。色の違う人とつながっている人は、カンパニーを超えてコミュニケーションしていることがわかります。この人が抜けると、この中のコミュニケーションがバラバラになるかも、などと考えることもできます。

石山：結合度合いが高ければ、良いというわけではないのでしょうね。

友部：結合が強すぎると、疎外感を感じる人や組織がでてきたりしますからね。たとえ、離れたとしても、事業として盛り上がるのなら良いという考えです。

ソフトバンクのデータ・ドリブンな人事戦略

中村：採用から退職までのエンプロイージャーニーマップを意識してデータレイクを作ろうとしています。最近では性格データを活用し、新卒の初期配属におけるアンマッチを防ぐための取り組みをしています。

分析を進める中で教師データとなるパフォーマンスの定義作りに時間を要しました。分析手法を精度や適合率などで確認し、実際に活用する人事部門にルールの納得感を確認し、実際の運用に回しました。

実際の分析ではパフォーマンスが高くなる配置モデルの精度より、パフォーマンスが出にくい配置モデルの方が精度よく作成することができました。実験的ではありますが作ったモデルに納得感が得られたこともあり、少しずつ現場で使われ始めています。

パーソルグループのデータ・ドリブンな人事戦略

山崎：私は社員が応募から採用、退職に至るまでの各フローから生まれるデータを、組み合わせて分析することで社員をより理解し、人事施策を促進させる目的でデータ活用に取り組んでいます。

意思決定につながるデータを効率的な収集、タレントマネジメントシステム（TMS）などを活用したデータ管理方法の企画、統計分析や予測技術を活用した分析を行っています。技術を進歩させるため、大学やHRテックの企業と共同研究を行い、自分たちでは取れないような動的データの取得にチャレンジしたいと考えています。

またグループ会社の人事とは、共同プロジェクトを立ち上げています。ひとつは、集計です。BIツールを活用し、採用チャネルやリードタイムを可視化し、タイムリーな効果検証と改善を実行しています。

可視化の手段としてクラスタ分析なども活用しています。マネジメントの特性が取得できるサーベイを実施し、人材タイプを抽出。これにより、自社内の人材の特徴が可視化され、育成や配置プランの策定する際の議論の材料として活用しています。

予測技術の活用にもチャレンジしています。蓄積された人事情報から、キャリアに悩む社員の意思決定に役立つ情報を提供したいと考えています。システムに蓄積されている約7万人の社員の異動履歴を活用し、どんな異動先でどんな人が活躍しているのかをモデルに学習させます。

ポイントは、予測モデルはそのまま使えないということ。予測モデルの推薦結果と人事の勘の融合させることで運用を考えています。

石山：クラスタ分析はM＆Aした際のオペレーションにも活用できそうですね。今後どのようなことをしていきたいですか？

山崎：例えば、今後は動的なデータや行動ログを社員のために活用していくためにも、社員に対するコミュニケーションの在り方を検討していきたいと考えています。 また、グループ全体にデータ活用を浸透させていくためにも努力を重ねていきたいです。 「データを使うと、こんなことができる」と、わかりやすく伝えたり、寄り添って一緒にやってみたりしています。泥臭いですが、そうした積み重ねが必要だと感じています。

昨年度にグループ会社約30社とのデータ分析プロジェクトを実施しました。その結果、データを集めることは必要だと納得してもらうことができました。早く始められるスモールスタートでやってみるのは効果があるので、ぜひ試してほしいですね。

石山：ありがとうございました。みなさんの参考になれば幸いです。