従業員データを収集分析するときにまずは属性データが必要です。属性データ自体の分析はもちろんのこと、属性データはグルーピングするデータになります。

具体的な属性データは以下です。

年齢

２０歳未満、２０歳〜３０歳、３０歳〜４０歳などの年齢グループに分けて傾向が分析できます。例えば年齢×売り上げを分析する場合は、年齢グループごとの売り上げ、利益、利益率などがわかるので会社に貢献している年齢グループがわかるので、その年齢グループの背景（その年度の採用担当者が優秀だった？時代的背景？）などを調べることで会社に貢献してくれる人物像の仮説が立てられます。

性別

男性、女性、性別なしに分けて傾向が分析できます。例えば、性別×部署を分析する場合は、部署ごとの性別の偏りがわかるでしょう。問題がなければ良いですが例えば男性の比率が異常に高い部署で女性社員の成績が芳しくない時は女性が活躍しにくい雰囲気になっているのでは？という仮説が立てられます。

地域

国・県・市町村に分けて傾向が分析できます。例えば、全国チェーン店で地域×顧客満足度を分析する場合は、地域別の顧客満足度がわかります。顧客満足度が高い地域のエリアマネージャーの方針が優れているのでは？それとも地域性の問題なのでは？などの仮説が立てられます。

職業

従業員数が多い場合はあらゆる部署・職種の方がいらっしゃると思いますが、職業に分けて傾向が分析できます。職業×離職率を分析する場合は職業ごとの離職率がわかるでしょうし、さらに1年、2年などのスパンで見ることで何年ぐらいで離職してしまうのか？という傾向がわかります。エンジニアが3年ごとに転職するケースが多い場合は3年目に差し掛かったエンジニアには、将来のなりたいビジョンなどをヒヤリングして、望む道を一緒に考える、などの対策が立てられます。

入社日

入社日がわかれば入社歴がわかります。入社歴×役職×年収を見ることで入社歴ごとに社内評価の高い社員と社内評価の低い社員がわかります。ハイパフォーマンス社員には管理職や教育係になっていただき、ローパフォーマンス社員は配置転換やモチベーションの確認などの対策が考えられます。

以上、属性データでした。属性データ×行動データや属性データ×行動データを掛け合わせることで人的資源の分析が可能になります。