勤怠データを活用し、AIで従業員の異変を早期察知！
6ヶ月後の離職・休職リスクを予測します※
離職リスクを見える化して 早期の離職対策を
社内に眠っているデータを活用し、従業員の離職・休職を先回りして予防する「離職予測AI
」で離職防止の新しいアプローチを！経験や勘だけでない客観的なデータに基づく意思決定をサポートします。
※予測する期間は、要望に応じて調整可能です。
こんな課題はありませんか？
-
社員が定着しない離職がもたらすコスト（採用、育成、欠員、退職）の負担が大きい。一人当たりの採用にかかる費用の平均は、新卒「93.6万円」 中途「103.3万円」。（※１）。
-
メンタルヘルス不調での
休職が増えているメンタルヘルスの知識や認識を持っていないため、兆候に気づくことができない。 メンタル面等の理由での求職者1人あたりに追加的にかかるコストは422万円（※2）。
-
離職・休職する従業員の傾向や
働き方の傾向を把握したい離職の原因やその背景を理解していないため、適切な施策を講じることができない。
※１：出典:リクルート「就職白書2020」
※2：
一定の過程を置いて定量的なコスト面での試算を行ったものであり、個別企業の実際のコストは異なります。
出典：平成20年4月9日発表「企業が仕事と生活の調和に取り組むメリット」.
男女共同参画会議
仕事と生活の調和（ワーク・ライフ・バランス）に関する専門調査会
離職予測AIとは
従業員の勤怠データ、離職‧休職者データからAIモデルを作成し、従業員⼀⼈ひとりの離職‧休職リスクを予測します。
AIモデルを⽤いることで、⼈の経験や感覚だけでは⾒逃してしまう従業員の不調の兆候を捉えることができます。
開発の背景
メンタルヘルスの重要性の⾼まり
近年、従業員のメンタルヘルスは重要性が⼀段と⾼まっています。ストレスの多い職場環境、⻑時間労働、⼈間関係のトラブルが従業員の⼼の健康を損ない、結果として不本意な離職や休職に追い込まれるケースが増えています。
職場でのパワーハラスメントやセクシャルハラスメントなどのハラスメントは、メンタルヘルスに深刻な影響を及ぼし、退職や休職を余儀なくされる状況も⽣じています。このような望まない離職や休職は、経済的困難を引き起こし、最悪の場合、貧困へのリスクを⾼めることになります。
より良い組織づくりの必要性
これらの問題を解決するためには、より良い組織を作り、未然に防⽌することが重要と考えます。従業員のメンタルヘルスを守り、ハラスメントによる離職や休職を減らすことは、組織の持続可能性と競争⼒を維持する上で重要な課題です。
サービスへの取り組み
私たちは、従業員が安⼼して働ける職場環境の構築をサポートするサービスを提供しています。この取り組みを通じて、組織の健康と従業員の幸福を⾼めることを⽬指しています。⼀⼈ひとりが満⾜して働ける環境を実現することで、組織全体の成⻑と発展に繋がると信じています。
離職予測AIが選ばれる4つの理由
従業員の継続的な活躍は、企業の成⻑に不可⽋です。
⼈事データや勤怠データなどを基に、各従業員の離職‧休職リスクを分析‧分類することにより、リスクの背後にあるパターンを明確に捉え、パターン毎に具体的な施策の提案が可能となります。
離職や休職の早期の要因特定と適切なサポートにより、組織の健全性を向上させ、従業員の定着率を⾼めることが期待できます。
-
1
効果的な⼈事施策の策定
離職リスクの⾼い従業員や部⾨を特定し、ターゲットを絞った⼈事施策を実施できます。従業員の抱える問題や悩みを早期に把握し、より的確なサポートや研修を提供できます。
-
2
データに基づく意思決定
客観的なデータに基づき、⼈事戦略の優先順位を決定することができます。
-
3
⼿間の軽減
従業員はアンケートやサーベイの記入などの追加作業が不要なため、業務に集中することができます。
-
4
継続的なモニタリング
勤怠データは継続的に収集されるため、⻑期的なトレンドや変化をモニタリングすることができます。
離職予測AIの特徴
特徴 1
「どの段階で」「どの程度悪くなった」「良くなったか」を把握することができます。
特定の時期に離職‧休職リスクの数値が悪化した場合、その時期に何が起こったのかを詳しく調査することで、離職の原因を特定しやすくなります。
特徴 2
どのような離職、休職者がいるのか、⼈の感覚ではとらえにくいパターンを⾒つけだします。どのような退職パターンがあり、どのような施策が効率的‧効果的なのか把握することができます。
特徴 3
各従業員に合わせた
最適な施策を実践
各パターンに合わせた最適な施策を打つことが可能になります。
離職、休職リスクの⾼い従業員にフォーカスしてケアできるため、施策のコストを最⼩限に抑えることができます。
サービスの流れ
- 1
- 過去2年分の従業員の人事・勤怠データと離職者‧休職者データを提供頂きます
- 2
- 勤怠情報と離職者‧休職者情報から予測モデルを構築します
- 3
- 構築したモデルを利⽤して、勤怠データから離職リスクを算出します
- 4
-
レポートを提出します
- 5
-
レポートを元に施策を実施
- 6
- 実施後、離職‧休職リスクを予測、施策の効果があるかを検証します
共同研究の取り組み
中退予防のための教育データ分析を研究されている
⽩⿃成彦先⽣(東京都市大学
共通教育部教授)と共同研究に取り組んでいます。
専⾨的な知⾒‧経験を開発に反映し、組織⼒の向上を⽀援します。
東京都市大学 共通教育部 教授
2009年3月慶應義塾大学 政策・メディア研究科
後期博士課程単位取得退学、2023年東京工業大学
環境・社会理工学院修了、博士（工学）。2009年から2023年まで嘉悦大学に所属、2024年から現職。
高等教育機関におけるデータをもとにした中退防止施策を研究テーマにしている。競争的資金として「大学における中退防止を目的とした教育サービス評価モデルの提案」、「
教学データに学生の学内外の人間関係データを組み込んだ中退予測モデルの開発」等を頂いて研究を進めており、大学における中退がなぜ起きるのか、中退をどのように防止できるのかを考え、データサイエンスと人工知能研究をベースにおいた教学施策、中退防止施策の実践を行っている。
よくある質問
- どのような勤怠データが必要ですか？
- 基本的な出勤・退勤時間、休暇取得記録、遅刻・早退の履歴などが必要です。詳細なデータ要件は、お問い合わせください。
- 何年分の勤怠データを提供する必要がありますか？
-
分析の精度を高めるためには、少なくとも2年分の勤怠データを提供していただくことを推奨しています。
より長期間のデータがあれば、従業員の勤務パターンや傾向をより詳細に分析できるため、より正確な予測が可能になります。
- 提供する勤怠データのデータ形式を教えてください。
-
主にCSVやExcel（.xlsx）形式のデータを受付けています。
API連携可能な勤怠管理システム（KING OF TIME、ハーモス勤怠 等）を利⽤されている場合は、出⼒サポートも可能です。お打ち合わせ時にお問い合わせください。
- データ管理は安全でしょうか？
-
356 ビットの⾼度暗号化標準 Galois/Counter Mode (AES-GCM)
を使⽤して、暗号化して保存し、アクセス権限を厳密に管理しています。
データへのアクセスログを全て記録しており、万が⼀不正アクセスがあった場合は迅速に検出する仕組みを構築しています。
- 予測の精度はどの程度ですか？
- 現在、当サービスはPoC段階にあり、予測の精度は継続的に改善されています。 精度はデータの質に大きく依存しますが、お客様と協力してデータの品質を向上させ、精度を高めることに努めています。
- レポートはどのくらいの頻度で提供されますか？
-
当サービスでは、レポートの提供頻度をお客様のニーズに合わせて柔軟に設定できます。
月次または四半期ごとに分析レポートを提供していますが、お客様の要望に応じて調整することが可能です。お気軽にご相談ください。
導⼊の流れ
-
1お問い合わせまずはお問い合わせフォームよりご連絡ください。2営業⽇以内に、担当者より折り返しご連絡いたします。
-
2お打ち合わせお客様のニーズのヒアリングやサービスの概要説明などを⾏います。
-
3サービスの開始納得いただければ、すぐにβ版トライアル実施に向けた準備を開始します。