Power BI HR 分析ダッシュボード: Workforce Intelligence ガイド

人事レポート (何が起こったのか) から人材分析 (なぜそれが起こったのか、それにどう対処するか) への移行は、問題に対応する人事部門と問題を防ぐ人事部門の違いです。エンジニアの離職率が毎年第 1 四半期に急増していること、特定のマネージャーのチームの離職率が同僚の 3 倍であること、または勤続 3 年の時点で女性従業員の退職率が男性従業員よりも高いことがわかった場合は、次の退職前に介入できます。

このガイドでは、データ モデル、重要な DAX 測定、各分析ドメインの視覚化設計、従業員の機密データの実装に関する考慮事項など、Power BI の HR 分析ダッシュボードの完全なアーキテクチャについて説明します。

---

HR 分析のデータ モデル

コアテーブル

人事分析データ モデルは、従業員データがストック (特定時点の数) とフロー (イベント ベースの変化) の両方の特性を持っているため、財務モデルや販売モデルとは異なります。

従業員ディメンション (DimEmployee)。 現在の従業員属性を含む中央ディメンション テーブル。主要な列には、EmployeeID、FullName、Department、Team、JobTitle、JobLevel (個人貢献者、マネージャー、ディレクター、副社長、経営幹部)、Manager (直属マネージャーの EmployeeID)、HireDate、TerminationDate (現役従業員の場合は null)、所在地、国、性別、民族、年齢グループ、TenureBand (1 年未満、1 ～ 3 年、3 ～ 5 年、 5 ～ 10 年、10 年以上)、EmploymentType (フルタイム、パートタイム、請負業者)、IsActive (ブール値)、BaseSalary、TotalCompensation、CompaRatio (給与を市場の中間点で割ったもの)、および PerformanceRating (最新)。

人数スナップショット ファクト テーブル (FactHeadcountSnapshot)。 部門、場所、人口統計属性ごとの人数の月次スナップショット。各行は月末の従業員数を表します。列には、SnapshotDate、Department、Location、Gender、Ethnicity、ActiveCount、および FTECount が含まれます。従業員ディメンションは現在の状態のみを反映するため、スナップショットを使用すると、正確な履歴傾向分析が可能になります。

イベント ファクト テーブル (FactHREvent)。 すべての重要な HR イベントを記録します。列には、EventID、EmployeeID、EventDate、EventType (採用、解雇、昇進、異動、給与変更、休職)、FromValue (例: 前の部署、前の給与)、ToValue (例: 新しい部署、新しい給与)、および Reason (退職理由、昇進理由、異動理由) が含まれます。

採用ファクト テーブル (FactRecruitment)。 求人の掲載からオファーの受諾までの採用パイプラインを追跡します。列には、RequisitionID、PostingDate、Department、JobTitle、Source (求人掲示板、紹介、代理店、キャリア ページ)、ApplicationDate、CandidateName、StageID (応募、電話画面、面接、オファー、承諾、拒否、撤回)、StageDate、HireDate、および CostIncurred が含まれます。

調査ファクト テーブル (FactSurvey)。 従業員エンゲージメントおよび満足度調査の回答。列には、SurveyID、EmployeeID、SurveyDate、QuestionCategory (エンゲージメント、満足度、マネージャー、成長、文化)、スコア (1 ～ 5 または 1 ～ 10)、および IsAnonymous が含まれます。

日付ディメンション (DimDate)。 会計カレンダーのサポートを備えたすべてのファクト テーブルで共有される標準の日付テーブル。

---

従業員数の傾向

有効従業員数の測定

Active Headcount =
CALCULATE(
    COUNTROWS(DimEmployee),
    DimEmployee[IsActive] = TRUE()
)

Headcount End of Period =
CALCULATE(
    MAX(FactHeadcountSnapshot[ActiveCount]),
    FILTER(
        FactHeadcountSnapshot,
        FactHeadcountSnapshot[SnapshotDate] = MAX(DimDate[Date])
    )
)

FTE Count =
CALCULATE(
    SUM(FactHeadcountSnapshot[FTECount]),
    FILTER(
        FactHeadcountSnapshot,
        FactHeadcountSnapshot[SnapshotDate] = MAX(DimDate[Date])
    )
)

New Hires (Period) =
CALCULATE(
    COUNTROWS(FactHREvent),
    FactHREvent[EventType] = "Hire"
)

Terminations (Period) =
CALCULATE(
    COUNTROWS(FactHREvent),
    FactHREvent[EventType] = "Termination"
)

Net Headcount Change = [New Hires (Period)] - [Terminations (Period)]

従業員数の視覚化

面グラフは、24 か月にわたる月ごとの従業員数を示し、ゼロ線より上に採用数が積み上げられ、ゼロ線より下に解雇数が積み上げられています。このウォーターフォール スタイルのビューでは、成長の軌跡と、採用と定着の相対的な寄与が明らかになります。

部門の内訳。部門ごとの従業員数を時系列で示す積み上げ棒グラフを使用します。これにより、どの部門が成長しているのか、縮小しているのか、または安定しているのかが明らかになります。

場所別の従業員数は、地理的な従業員の分布を示す地図ビジュアル上に表示されます。バブルのサイズは従業員数を表します。色は成長率を表すことができます (成長している場所は緑、縮小している場所は赤)。

---

消耗分析

離職率の計算

離職率の計算式は一見単純ですが、誤った計算は HR 分析で最も一般的なエラーの 1 つです。

Average Headcount =
(
    CALCULATE(MAX(FactHeadcountSnapshot[ActiveCount]),
        FILTER(FactHeadcountSnapshot,
            FactHeadcountSnapshot[SnapshotDate] = MIN(DimDate[Date])
        )
    ) +
    CALCULATE(MAX(FactHeadcountSnapshot[ActiveCount]),
        FILTER(FactHeadcountSnapshot,
            FactHeadcountSnapshot[SnapshotDate] = MAX(DimDate[Date])
        )
    )
) / 2

Attrition Rate =
DIVIDE([Terminations (Period)], [Average Headcount], 0)

Annualized Attrition Rate =
VAR MonthsInPeriod =
    DATEDIFF(MIN(DimDate[Date]), MAX(DimDate[Date]), MONTH) + 1
RETURN
    (1 - POWER(1 - [Attrition Rate], 12 / MonthsInPeriod))

Voluntary Attrition Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactHREvent),
        FactHREvent[EventType] = "Termination",
        FactHREvent[Reason] IN {"Resignation", "Retirement", "Personal Reasons"}
    ),
    [Average Headcount],
    0
)

Involuntary Attrition Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactHREvent),
        FactHREvent[EventType] = "Termination",
        FactHREvent[Reason] IN {"Performance", "Restructuring", "Misconduct"}
    ),
    [Average Headcount],
    0
)

人員削減の詳細な視覚化

部門別の人員削減。割合 (最高から最低) で並べ替えられた棒グラフを使用します。組織平均を上回る率を持つ部門を強調表示します。これにより、問題のある箇所がすぐに特定されます。

縦棒グラフを使用した在職期間別の減少数。一般的なパターンとしては、初年度の離職率の高さ (新人研修の失敗)、2 ～ 3 年での離職率の急増 (キャリア成長の挫折)、5 年以上で離職率の増加 (燃え尽き症候群または停滞) が挙げられます。

マネージャーによる離職は最も機密性の高いビューですが、多くの場合、最も実用的なビューです。各マネージャーのチーム規模、解雇、離職率を示す表から、一貫して人材を保持するマネージャーもいれば、一貫して才能を失うマネージャーもいることがわかります。この分析を慎重に適用し、懲罰的な行動ではなくコーチングやサポートに使用してください。

離職率ヒートマップは、部門と月を軸に、離職率を色の濃さとして組み合わせたものです。これにより、季節的なパターンが明らかになります（退職者はボーナス支給後の 1 月と、子供たちが学校に戻る 9 月に急増することがよくあります）。

理由分析。終了理由の分布を示すドーナツ チャートまたはツリーマップ チャートを使用します。自発的な退職の場合、その理由としては、より良い機会、報酬、ワークライフバランス、上司との関係、キャリアの成長、転勤、退職などが挙げられます。

生存分析

生存曲線は、従業員が在職期間の各マイルストーンで組織に残る確率を示します。 6 か月、1 年、2 年、3 年、5 年の維持率を計算してこれを構築します。

Retention Rate at 1 Year =
DIVIDE(
    CALCULATE(
        COUNTROWS(DimEmployee),
        DATEDIFF(DimEmployee[HireDate], TODAY(), MONTH) >= 12,
        OR(DimEmployee[IsActive] = TRUE(),
           DATEDIFF(DimEmployee[HireDate], DimEmployee[TerminationDate], MONTH) >= 12)
    ),
    CALCULATE(
        COUNTROWS(DimEmployee),
        DATEDIFF(DimEmployee[HireDate], TODAY(), MONTH) >= 12
    ),
    0
)

生存曲線を部門、職務レベル、雇用元ごとにセグメント化して、最も安定している母集団と最も安定していない母集団を特定します。

---

ダイバーシティとインクルージョンの指標

表現ダッシュボード

多様性メトリクスは、情報を提供し、敬意を払うように慎重に設計する必要があります。個人レベルの人口統計の詳細ではなく、集計データを表示します。

性別の表現。部門および職務レベルごとの性別分布を示す積み上げ棒グラフを使用します。重要な洞察は、全体的なジェンダーバランスではなく、上級レベルで代表が変化するかどうかです（「壊れた横木」または「ガラスの天井」分析）。

同様の積み上げバーを使用した民族表現。組織の人口統計を、所在地や業界に関連する労働市場のベンチマークと比較します。

Gender Ratio (Female) =
DIVIDE(
    CALCULATE(COUNTROWS(DimEmployee), DimEmployee[Gender] = "Female", DimEmployee[IsActive] = TRUE()),
    CALCULATE(COUNTROWS(DimEmployee), DimEmployee[IsActive] = TRUE()),
    0
)

Diversity Index =
-- Simpson's Diversity Index: probability that two randomly selected employees are from different groups
1 - SUMX(
    VALUES(DimEmployee[Ethnicity]),
    VAR GroupCount = CALCULATE(COUNTROWS(DimEmployee), DimEmployee[IsActive] = TRUE())
    VAR TotalCount = CALCULATE(COUNTROWS(DimEmployee), DimEmployee[IsActive] = TRUE(), ALL(DimEmployee[Ethnicity]))
    RETURN POWER(DIVIDE(GroupCount, TotalCount, 0), 2)
)

断面分析

性別または民族性の分析を集計するだけでは、格差を隠すことができます。横断分析では、組み合わせを調べます。たとえば、エンジニアリング部門における女性の離職率とエンジニアリング部門の男性の離職率、またはマネージャーレベルで過小評価されている少数派の昇進率と非少数派の昇進率などです。

行に人口統計属性、列に指標 (離職率、昇進率、平均勤続年数、平均報酬) を含むマトリックス ビジュアルを構築します。条件付き書式では、統計的に有意な差が強調表示されます。

ダイバーシティパイプライン

従業員のライフサイクルの各段階で多様性を追跡します。応募者、面接対象者、内定者、採用者、昇進者、解雇者の何パーセントが各人口統計グループに属しますか?これらのパーセンテージを示すファネルを見ると、どこで多様性が失われているかがわかります。応募者全体の 45% が女性であるにもかかわらず、採用率が 30% である場合、選考または面接プロセスに調査する価値のあるバイアスがある可能性があります。

---

報酬分析

公平な支払いの概要

Average Salary =
CALCULATE(
    AVERAGE(DimEmployee[BaseSalary]),
    DimEmployee[IsActive] = TRUE()
)

Average Total Comp =
CALCULATE(
    AVERAGE(DimEmployee[TotalCompensation]),
    DimEmployee[IsActive] = TRUE()
)

Compa-Ratio Average =
CALCULATE(
    AVERAGE(DimEmployee[CompaRatio]),
    DimEmployee[IsActive] = TRUE()
)

Salary Range Penetration =
-- How far through the salary range the employee has progressed
DIVIDE(
    AVERAGE(DimEmployee[BaseSalary]) - MIN(DimPayBand[RangeMinimum]),
    MAX(DimPayBand[RangeMaximum]) - MIN(DimPayBand[RangeMinimum]),
    0
)

給与格差分析

給与格差分析では、人口統計グループ間の報酬を比較します。生の（調整されていない）給与格差は平均給与を比較します。調整された給与格差は、正当な要因 (職務レベル、勤続年数、パフォーマンス、勤務地) を管理し、潜在的なバイアスに起因する残留格差を明らかにします。

Power BI は、回帰ベースの給与均等分析の出力を視覚化できます。回帰モデル自体は通常、Python、R、または専用の報酬分析ツールで構築されます。モデルの結果 (予測給与、実際の給与、残差) を Power BI にインポートします。

視覚化: 人口統計グループごとに色分けされた、X 軸に予測給与、Y 軸に実際の給与を示す散布図。対角線より上のポイントは、モデルの予測値を上回って支払われます。以下のポイントは支払われます。線より下の特定の人口統計グループのクラスターは、潜在的な賃金不平等を示しています。

報酬配分

ボックス プロットまたはバイオリン プロットは、部門および職務レベルごとの給与分布を示します。これらにより、報酬が密集しているか (一貫した給与慣行)、広範囲に分散しているか (潜在的な不一致) が明らかになります。外れ値は、リテンション リスク (支払不足) または支払過多の状況を示している可能性があります。

---

採用ファネル分析

ファネル指標

Applications =
CALCULATE(
    COUNTROWS(FactRecruitment),
    FactRecruitment[StageID] = "Applied"
)

Screen Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Phone Screen"),
    [Applications],
    0
)

Interview Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Interview"),
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Phone Screen"),
    0
)

Offer Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Offer"),
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Interview"),
    0
)

Offer Acceptance Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Accepted"),
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Offer"),
    0
)

Time to Fill =
AVERAGEX(
    FILTER(FactRecruitment, FactRecruitment[StageID] = "Accepted"),
    DATEDIFF(FactRecruitment[PostingDate], FactRecruitment[HireDate], DAY)
)

Cost per Hire =
DIVIDE(
    SUM(FactRecruitment[CostIncurred]),
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Accepted"),
    0
)

ソースの有効性

各採用ソース (LinkedIn、Indeed、紹介、代理店、キャリア ページ、大学) を、応募、採用、採用単価、採用までの時間、および 1 年間の定着率の列とともに表示するマトリックス ビジュアルにより、どのソースが最も効率的に優秀な人材を提供しているのかがわかります。

採用の質 は、究極の採用指標です。各ソースからの採用者の業績評価、昇進率、定着率を追跡することで評価します。 1 年以内に退職する人材を安価で迅速に提供する人材源は、長期勤続の優秀な人材を輩出する高価な人材源よりも価値がありません。

採用ダッシュボードのレイアウト

採用ページには、ステージ間のコンバージョン率を示すファネルの視覚化、未完了の求人の KPI カード、平均応募時間、採用あたりのコスト、内定承諾率、ソース有効性テーブル、および未完了の求人と過去の採用率に基づいた予測を伴う経時的な採用量を示す傾向線を備えている必要があります。

---

エンゲージメントと満足度

アンケート分析

Average Engagement Score =
CALCULATE(
    AVERAGE(FactSurvey[Score]),
    FactSurvey[QuestionCategory] = "Engagement"
)

eNPS =
-- Employee Net Promoter Score
VAR Promoters =
    CALCULATE(COUNTROWS(FactSurvey), FactSurvey[Score] >= 9, FactSurvey[QuestionCategory] = "Engagement")
VAR Detractors =
    CALCULATE(COUNTROWS(FactSurvey), FactSurvey[Score] <= 6, FactSurvey[QuestionCategory] = "Engagement")
VAR Total =
    CALCULATE(COUNTROWS(FactSurvey), FactSurvey[QuestionCategory] = "Engagement")
RETURN
    DIVIDE(Promoters - Detractors, Total, 0) * 100

エンゲージメントと離職の相関関係

ピープル分析における最も強力な分析は、エンゲージメント スコアとその後の減少との関係です。部門またはチームを一方の軸にエンゲージメント スコア、もう一方の軸にその後の四半期の離職率をプロットして表示するビジュアライゼーションを作成します。強い負の相関関係は、エンゲージメント調査が離職率を予測することを証明しており、エンゲージメントは、離職が発生する前に人事部が対応できる先行指標となっています。

調査傾向分析

複数の調査管理にわたってエンゲージメント スコアを追跡します (四半期または毎年)。カテゴリレベルの傾向 (エンゲージメント、マネージャーとの関係、成長機会、報酬満足度、文化) を示す折れ線グラフにより、従業員エクスペリエンスのどの側面が向上または低下しているかが明らかになります。

---

データのプライバシーとセキュリティ

機密データの取り扱い

人事データは、あらゆる組織の中で最も機密性の高いデータの 1 つです。堅牢なセキュリティ対策を実施します。

行レベルのセキュリティ は、組織単位ごとにデータ アクセスを制限します。 HR ビジネス パートナーには、割り当てられた部門のみが表示されます。経営幹部は、部下の階層を確認します。 CHRO と HR 分析チームはすべてを把握しています。ユーザー ID を組織単位に接続するセキュリティ マッピング テーブルを使用して、財務ダッシュボード ガイドで説明されているのと同じパターンを使用して RLS を実装します。

集計しきい値 従業員 5 人未満のグループの人口統計データは表示しないでください。 「財務部門のアジア人カテゴリーに従業員 1 人」という多様性の内訳は、事実上個人を特定します。小規模なグループを抑制する DAX メジャーを構築します。

Suppressed Count =
VAR RawCount = COUNTROWS(DimEmployee)
RETURN IF(RawCount < 5, BLANK(), RawCount)

データ分類。 Power BI サービスでダッシュボードに機密としてラベルを付けます。エクスポートとダウンロードの権限を制限します。アクセスログを定期的に監査します。

---

よくある質問

Power BI とうまく統合できる HRIS システムはどれですか?

Workday、SAP SuccessFactors、BambooHR、ADP、UKG (Ultimate Kronos Group)、Oracle HCM Cloud にはすべて、API、データ エクスポート、または専用コネクタを介した Power BI 統合オプションがあります。スプレッドシート ベースの人事レコードを使用する小規模な組織の場合、Power BI は Excel ファイルまたは Google スプレッドシートに直接接続します。最も堅牢なアプローチは、HRIS データを毎日のスケジュールでデータ ウェアハウス (Azure SQL、Snowflake) に抽出し、Power BI をウェアハウスに接続することです。

部門間で異動する従業員にはどのように対応すればよいですか?

イベント ファクト テーブルを使用して、転送を個別のイベントとして追跡します。従業員数スナップショット テーブルには、各時点での正しい部門の割り当てが記録されます。部門ごとに離職率を計算する場合は、離職率を従業員が退職した部門に帰属するか、退職時に所属していた部門に帰属するかを決定します。業界標準は、終了時の部門です。

従業員の健全な離職率とは何ですか?

業界の平均は大きく異なります。テクノロジー企業では通常、年間 15 ～ 20% の自主退職が見られます。ヘルスケアと小売業は 20 ～ 30% です。政府と教育は 5 ～ 10% です。有用なベンチマークは、レートを特定の業界および地域と比較することです。絶対率よりも重要なのは、傾向の方向と、離職が成績の良い従業員に集中しているのか、それとも均等に分散しているのかということです。

Power BI は従業員の離職を予測できますか?

Power BI では、予測モデルによって生成された離職リスク スコアを視覚化できますが、予測自体は Python (scikit-learn)、R、または Azure Machine Learning で構築するのが最適です。一般的な予測機能には、在職期間、最近の業績評価の変化、市場と比較した報酬、マネージャーの在職期間、通勤距離、エンゲージメント調査スコアが含まれます。このモデルは各従業員のリスク スコアを出力します。Power BI は、HR が対応するためのリスク ヒートマップまたは並べ替えられたリストとして表示します。

人事ダッシュボードはどのくらいの頻度で更新する必要がありますか?

ほとんどの HR メトリクスでは、毎週の更新で十分です。従業員数、減少数、多様性のデータは、分ごとに変化しません。採用ダッシュボードは、採用活動が行われている期間中は毎日更新されるため、メリットが得られます。エンゲージメント ダッシュボードは、アンケートを実施するたびに更新されます。例外は、リストラや M&A イベント中の人員計画であり、毎日またはリアルタイムの人員の可視性が必要になる場合があります。

データ プライバシー規制 (GDPR、CCPA) へのコンプライアンスを確保するにはどうすればよいですか?

データの最小化を実装します --- 分析に必要なデータ フィールドのみを含めます。 RLS を厳密に適用して、許可された担当者のみが機密データにアクセスできるようにします。個人の特定を防ぐために小さなグループを集めます。データ処理の目的と法的根拠を文書化します。 Power BI サービスで監査ログを有効にして、誰がいつダッシュボードにアクセスしたかを追跡します。 GDPR の対象となる組織の場合は、従業員の同意が分析の使用に含まれること、または処理が適切な保護手段を備えた正当な利益に該当することを確認してください。

---

プロフェッショナルな人事分析開発

労働力分析は、人事部門をコストセンターから戦略的機能に変えます。しかし、人事リーダーが従業員の機密性の高い意思決定を信頼できるダッシュボードを構築するには、Power BI と人的資本の指標の両方に関する専門知識が必要です。

ECOSIRE の Power BI サービス には、人事および人材分析のための ダッシュボード開発、複雑な HRIS 統合のための データ モデリング、および組織が最初の人材分析機能を構築するための 実装サービス が含まれます。

---

ピープルアナリティクスは人間の判断をアルゴリズムに置き換えることではありません。それは、より良い意思決定をより迅速に下すための証拠ベースを人事リーダーに提供することです。退職届が届く前に人員削減のリスクが可視化され、訴訟になる前に給与格差が定量化され、文化危機になる前にエンゲージメントの傾向が追跡されると、人事部門は事後対応型から戦略型へと移行します。その変化は適切なダッシュボードから始まります。