カブシキガイシャアッテル
適性検査・スキル測定 アッテルクラウド-未来予測型ピープルアナリティクスサービス-
戦略人事を実現！ワンクリックで始める人事データ活用
このサービスのポイント
- 適性検査「アッテル診断」
- 既存のテスト100種類以上と10万人のデータを徹底的に分析し開発された「データ分析による成果が出やすい」設計がされている適性診断です。
- 自社人材をデータで「見える化」
- 自社人材の適性、能力がデータで見える化。ハイパフォーマーとローパフォーマーの違いを明確にします。データは「採用」だけでなく「配置」や「定着」にも活用できます。
- AIによる分析で「脱、感覚人事」へ
- 効果検証された分析手法をテンプレート化。簡単に精度の高い分析を実現し、勘や経験に依存しない強い組織作りをサポートします。
サービスDATA
| 対象企業規模 | すべての企業規模 |
|---|---|
| 対応エリア | 全国 |
| 費用 | 適性検査の受験費用：無料 分析費用：30万/年 ※従業員数100名の場合 ※1ヶ月の無料トライアルも実施中 |
| 導入社数 | 約1000社 ※2023年6月累計実績 |
| 検査手段 | WEBテストインハウス（社内） |
| 用途 | 新卒採用中途採用パート・アルバイト採用評価・配置転換社員能力把握・能力向上 |
| 検査時間 | 10〜15分 |
| 導入までの日数 | 最短1営業日 |
| 結果までの時間 | ワンクリックで結果が表示 |
| 測定領域 | 能力性格興味・指向ストレス耐性職業適性［事務・クリエイティブ・接客・管理部門・作業系・企画・技術・開発・営業］ |
サービス詳細
適性検査と分析機能で「脱。感覚人事。」を実現する、ピープルアナリティクスサービス
「アッテル」は、AI（機械学習）が採用候補者の入社後活躍・早期退職を予測するピープルアナリティクスサービスです。
採用から退職までの HRデータを一元管理・分析できる基盤と、HR に特化した機械学習（AI）の予測アルゴリズム（特許申請中）を備えています。100 種類以上の適性検査データに対応するほか、未来予測に最適化された独自の適性診断（アッテル診断）の提供もしています。
人材採用において、「勘」や「経験」だけに頼るのではなく、事実・データに基づき、実際の自社従業員と採用候補者を比較・分析することで、入社後活躍・早期退職を高い精度で予測することが可能です。
2019年6月の β 版公開から10ヵ月で、上場企業を中心に 170社以上に利用されています。また、HRアワードやHR tech GPなど数多くの人事関連アワードを受賞するなど、評価をいただいています。
10万人のデータ×AIにより開発された適性検査「アッテル診断」
“良い・悪い”ではなく、“どちらに近いか”を定量化。診断受診もおよそ10〜15分で診断可能。
導入実績
| 導入社数 | 約 1000社 ※2023年 6月 累計実績 |
|---|---|
| 導入先 | 会社名：C社（※社名非公開） 従業員数：1,001～10,000人 従業員数：IT系 導入目的：退職率低減、退職リスク予測 会社名：Ｄ社（※社名非公開） 従業員数：101～1,000人 従業員数：IT系 導入目的：適性診断の導入、配置の定量化 会社名：E社（※社名非公開） 従業員数：101～1,000人 従業員数：人材系 導入目的：配置の定量化 |
| 導入事例の ダウンロード資料 |
|
入社前に「早期退職リスク」を４倍の確率で検知可能に
＜なぜアッテルを導入されたのですが？＞
ピープルアナリティクスの領域にはずっと興味を持っており、情報収集を進めていました。自社でも分析を進めていたのですが、データ分析の専門家の知見も入れたいと考え、アッテルのコンサルティングサービスを導入しました。
＜自社内の分析とアッテルをどのように使い分けられていますか？＞
HR系のデータを扱えるデータサイエンティストは、採用が難しいため、自社内で分析する部分とアウトソースする部分をわけて考えています。自社内では主に戦略の設計と意思決定を行い、機械学習（ＡＩ）など複雑な分析部分はアウトソースする形で、適材適所にリソース配分をすることを心がけています。
＜アッテルを導入して、効果的だった分析を教えてください。＞
退職者の分析は、これまでも取り組んできたのですが、適性検査を使った早期退職予測は、初めてだったので、興味深い結果でした。
退職者全体で分析するとあまり傾向がなかったのですが、部署ごとに分析することで、早期退職者に明確な傾向があることがわかり、通常の退職率の４倍の確率で早期退職を発見できるモデルを構築することができました。
＜退職予測モデルについて、今後はどのように運用されますか？＞
これまでは配属の際にデータを用いていませんでした。今回の分析で、部署ごとに早期退職しやすい傾向があることがわかったので、事業責任者とデータを共有して、配属の際に早期退職しやすい組み合わせにならないように、モデルを活用していく予定です。
上司と部下の"価値観"の違いを「アッテル診断」で定量化
＜アッテル診断」導入の背景＞
D社では、定期的にジョブローテーションをおこなっていましたが、どのように人材配置を変更するのかについては、マネージャーの主観に依存する部分が大きい状態でした。
そこで、「アッテル診断」（※アッテル独自の適性診断）を導入し、従業員それぞれの価値観を明らかにすることで、人材配置をより効果的にするための分析を行いました。
＜上司と部下の相性を分析＞
「アッテル診断」を用いて、上司と部下の「価値観の違い」を計測しました。すると、上司と部下の価値観は、近すぎても、遠すぎても、平均評価が低なることがわかりました。
＜実際の運用方法＞
Ｄ社では、上記の結果を受けて、従業員の配置・異動をさせる場合には、上司との価値観が遠すぎないかを確認することにしました。
また既存の組織において、「上司と価値観が異なる」かつ「評価が低い場合」には、“上司との価値観が合わないためにパフォーマンスが高まっていない”可能性を考慮し、上司を変えるか、異動の候補にする施策を実行しました。
「異動」を定量的に分析し、人材タイプにあった配置戦略を実現
＜導入の背景＞
Ｅ社では、転勤を伴う「異動」が毎年発生します。一方、「誰を移動させるのか」については、人事担当メンバーの主観で意思決定を行っており、効果的な戦略につながっていないという課題感がありました。
誰を「異動」させると会社と本人の双方にとって良いのかを分析するために「アッテル」のコンサルティングサービスを導入しました。
＜「達成意欲」の高い人は、異動して高評価になりやすい＞
「異動」による影響を分析するために、「異動した人」と「異動していない人」の特性と評価の違いを分析しました。
最も大きく違いが出た価値観として、「異動して高評価」だった人は「達成意欲が高い」場合が多く、逆に「異動して低評価」だった人は「達成意欲が低い」ことがわかりました。
＜「持続性」の高い人は異動しないほうが高評価になりやすい＞
また「異動して低評価」だった人は、「持続性が高い」ことがわかりました。「異動していない人」の場合、高評価者は「持続性が高い」傾向があるため、「持続性が高い」場合には、異動させないほうが評価が高まる可能性が、分析結果よりわかりました。
＜実際の運用方法＞
E社では上記の結果を踏まえて、異動者候補者の選定を行いました。今後、このデータを基に実際に異動した人のパフォーマンスを継続的に計測することで、より精度を高めていくことを想定しています。
よく寄せられる質問
- 他の適性診断サービスとの違いは？
- 「アッテル」は、成果を出すための「分析」に特化したサービスです。（他の適性診断も本サービスで分析できます。） ※アッテルの適性診断は、「データ分析による成果が出やすい」設計がされている適性診断です。
- AIの予測はどの程度当たるの？
- 企業内の過去データ量が多ければ多いほど、予測精度は向上します。人に関しては多くの変数があるため100%の精度は難しいですが、過去事例では90%以上の精度で予測できている場合もあります。
- 今後の機能追加は？
- HRで成果を出すために必要になる「データ取得」「データ連携」「分析ツール」について、随時機能を追加予定です。
サービス資料を無料ダウンロード
- サービス・製品資料
- 適性検査
- 組織診断・活性化
- スキル測定
【お役立ち資料】入社後活躍と地頭（学力/学歴）の関連性を調べた分析事例
- サービス・製品資料
- 適性検査
- 組織診断・活性化
- スキル測定
「アッテル」サービス資料
関係する資料をダウンロード
- お役立ちツール
- 適性検査
- 組織診断・活性化
- EQ、多面評価
人事担当者のためのピープルアナリティクス入門
- お役立ちツール
- 適性検査
- 組織診断・活性化
- EQ、多面評価
ピープルアナリティクス成功事例【5選】
- レポート・調査データ
- 組織診断・活性化
- マネジメント
「従業員モチベーション」と「業績・退職」の関係性について
- お役立ちツール
- 適性検査
- マネジメント
- 組織診断・活性化
【お役立ち資料】1on1マネジメントにおける人事データ活用のポイント
- お役立ちツール
- 適性検査
- 他 新卒採用
- 組織診断・活性化