退職予測・離職分析

退職予測モデルの精度は学習データの質と量に直結します。一般的に、モデルが安定した予測精度を発揮するには最低でも数百件規模の離職実績データが必要とされており、従業員数が少ない企業ではサンプル不足で統計的な意味のある結果が得られません。従業員500名未満の企業では年間離職者数が数十名程度にとどまることが多く、学習データが慢性的に不足します。

加えて、ツール導入・データ整備・運用体制の構築に伴う年間コストは、専任担当者の工数込みで数百万円規模になることが一般的です。このコストを正当化するには、1人あたり採用コスト（中途採用の場合、求人広告費・エージェント手数料・入社後研修費の合計で100〜200万円前後が多い）と離職数の削減効果を試算したうえで、ROIが成立するかを事前に検証することが重要です。

企業規模が要件を満たさない場合は、エンゲージメントサーベイの定期実施や1on1の仕組み化など、データドリブンでないアプローチから始めることが現実的な代替手段となります。

退職予測の概念は、2010年代初頭にシリコンバレーのテック企業が大量の従業員データを活用して機械学習モデルを構築し始めたことに端を発します。特にGoogleが2012年頃にPeople Analytics（ピープルアナリティクス）の先進事例として内部の離職予測モデルを構築・運用したことが広く知られており、その後IBMやSAPといったエンタープライズベンダーが離職リスクスコアリング機能を製品化することで、2015年前後から市場に広まりました。ピープルアナリティクスという上位概念の普及とともに、HRデータの分析活用に対する経営層の関心が高まり、専門SaaSベンダー（Visier、Medalliaなど）が登場しています。

日本では、2018〜2020年頃から国内HRTechベンダーが離職予測機能を搭載し始め、特に人手不足が顕在化した製造・物流・小売業界での引き合いが増加しました。ただし日本企業の多くは人事データの電子化・一元管理が遅れており、また「従業員を監視しているのではないか」という懸念から社内展開に慎重なケースが多く、グローバルと比較して普及速度は緩やかです。2023年以降は生成AIとの組み合わせでフリーテキスト（面談記録・サーベイ回答）を解析するアプローチも登場しており、進化が続いています。