Kunihiro TAKEDA

なぜ人事データを分析するの？という問いに正面から答えられる組織はあまり多くありません。そこでピープルアナリティクス入門記事を全面リニューアルしました。 なぜPAが重要で、どういった壁があり、乗り越えた後に組織に何をもたらすのか。実務・伴走支援の現場から。 hub.ku2t-lab.com/about-peopl…

この手の話は回転の速いITビジネスでよく起きてきた。外から見てると、何であのときに参入しなかったのかと言われるだろうけど、内側から見ていれば「そうもいかないよな」とも思う。ローエンドから破壊されるときは特にそう。 企業が大きくなり、その界隈で存在感を示すほどになっているときは、そのビジネス構造の中で分業を含めて最適化されている。そのビジネスで生産性が高いということは、他のプロダクトや商売のやり方には逆に非効率になる。ここにジレンマがある。

これはリアルなチャレンジだと思う。そうした場として、意図して設計されたとき、そうでないときの両方を経験しているけど、どちらが良いとも言えない。リーダーと文化次第な気がする。

最近のチルアウトな時間を放出。空ばっか見てるな。

そうそう。でもこれをズバッと書いてない教科書もあるような…。 こちらの記事もどうぞ。 Welch検定が主流，単純t検定やANOVAは時代遅れ：Statwingの話題から biolab.sakura.ne.jp/welch-an…

胃がキリキリ… そういうことですよね。事業のサイズ感を問わず。 やりたいことを、やれるときに、やるだけやる。

これは本当に大切なことだと思う。失敗にも大小があって、文字通りプロジェクトや新製品の失敗というサイズのものから、日常的な仕事やコミュニケーションの中での「やらかした！」という失敗、力量不足でチームの中で置いて行かれるなどいろいろある。 これらはインパクトも許容の自由度も異なるけど、少なくとも、その結果を自分の中で受け止めて立ち向かうことが大切だと思う。

ピープルアナリティクスのアドバイザリの仕事と並行して、企業のデータ分析人材の育成の仕事にも携わっています。実践教育という形でチームを組み、リアルデータを分析いただくハードなものです。 プログラム終盤に差し掛かかると、大抵次のような質問が出てきます。 「思ったような関係が見つからなかったのですが、どうしたらいいでしょう？」 これに対し、それまでのプロセスに大きな問題がないことを前提として、私は次のように回答しています。 「まずはその結果を受け止め、誠実に報告すべきです」 そうすると大抵皆さん一様に暗い顔をされるのですが、次のように続けます。 「その上で、『〇〇という関係がなさそうだ』ということを裏返して、業務観点で言えることはありませんか？」 「この結果を踏まえて、現場で何が起きていると想像しますか？」 「他に着目すべき観点や仮説はないでしょうか？」 ここまで話を進めると、たいてい何かアイデアが出てきます。それまでの活動で業務ドメイン・データ両方を十分に深堀りしてきたからです。 これは小さな発想の転換で、仕事のあらゆる局面で無意識にやっていることだと思います。しかし、データ分析で仮説と異なる結果が出てくると、何とかして「出るように」しようとしてしまうかもしれません。 私も同じような局面に直面すると、やはり焦ってしまいます。そこからが大切で、もし分析手法やプロセス、データが妥当であるにもかかわらず仮説が外れたのであれば、それを一旦受け入れて、一度席を立って背伸びをして考え直す方が、良いことが多いです。 特に、リアルな人事データ分析プロジェクトでは、こうした状況に出会うことが多いので、この思考法を試してみてください。

前からちょくちょく言われていたので、読むのをやめた本。ナラティブとして見るならいいのかもしれないけど、自分は歴史に弱いので鵜呑みにしてしまいそうだったし。 本でもAIの出力であっても、受け手がその妥当性を判断できる力がいるよね。そのためには、定評のある筋の通った専門書で学ばなくてはならないし、技術であれは実践経験も必要になる。 それには労力がかかるので、自分が楽しめることでないと続かない。

興味が湧く楽しいことに目を向けることは大切だと思う。それが他の人にとってそうでなくても、流行りから外れてるとしても。 "知っているというのは好むのには及ばない。好むというのは楽しむのには及ばない"(孔子)

アルティン代数学、買ってしまった⋯。M1以来の代数。

組織により問題や機会は違うし、同じ組織でも立場によって、あるいは、時期によってそれらは変わる。ある会社でこうだったということが、別の会社でも同じというわけでもない。配置の話一つとっても千差万別。だから、データをみる前に、フラットな好奇心をもって話すようにしています。

ついにhttp2Shell。かなり広範囲のリスク。AIでアプリ作ると大抵Webベースになるし、知らないうちにこういうリスクに晒されてることもあるよね…。アプリは作って動いた後からが大変だから、極力個人で作りたくないと思ってしまう。

独立してから極力作業的なタスクを持たないようにしてて。得意でないこととか、好きでないことはサービスに頼る感じ。そうすると、必然的にマネージドなサービスに囲まれることになるし、濃くてやりがいのある仕事や作業が手に残る。 それは自分依存の極みで、AIに渡せないし渡したら楽しくなくなるようなもの。たとえ他の人から見たら面倒で飽きることであっても、それが自分にとって楽しいからやっている。そういうものはなかなか手放せない。 最大のリスクはそれがAIによって無価値になるかどうかなんだけだけど、AIに任せても満足できない程にこだわりがあるのであれば、むしろそれが個人の価値になる可能性があると信じてる。 暗黙知の塊な職人芸。その道のりは険しいけど、それすら楽しめるならどこかに辿り着けるかもしれない。そんな仕事に携われているのはありがたいなと。行けるところまで行こう。

Perlでポコポコとデータを分析してた頃は楽しかったな⋯。こんな感じだっけ。 while (<>) { chomp; my @f = split /\t/; $d{$f[0]}++ if $f[1] eq "1"; } print "$_\t$d{$_}\n" for sort keys %d;

先週Digital HR Competition 2026に参加してきたのですが、非常に熱いイベントでした！ まさにピープルアナリティクスの最前線ですね。参加レポートをニュースレターで配信しましたので、気になる方はぜひご覧くださいませ。 hub.ku2t-lab.com/digital-hr-…

今回の件は影響が大きすぎる。本気で移行先を考えないと⋯