第6章: 採用を数値で捉える — KPI設計とファネル分析

採用を「測る」 — エンジニアの主戦場

ここからは、エンジニアが最も力を発揮できる領域に入ります。 採用ファネルの各ステージを数値で捉え、ボトルネックを特定し、改善の効果を測定する—— これはピープルアナリティクスの入口であり、データと構造化を武器とするエンジニアの独壇場です。 本章では採用の主要KPIを整理し、その落とし穴とダッシュボードのデータ設計を扱います。

スピードの指標 — Time to Fill と Time to Hire

採用スピードを表す指標には、混同されやすい2つがあります。Time to Fill と Time to Hire です。 両者は起点と終点が異なり、映し出すものも違います。

Time to Fill は Time to Hire を内包するため、常に Time to Fill ≧ Time to Hire になります。 その差分は「求人公開から有力候補と接触するまでの空白期間（ソーシング期間）」を表します。 参考ベンチマークでは Time to Fill の全業界平均が約42〜44日（SHRM 2025、参考値）、Time to Hire は約24日（Workable、参考値）とされますが、職種で大きく変動します。

コストと質 — Cost per Hire と Quality of Hire

Cost per Hire（採用単価）

ANSI/SHRMが2012年に標準化した計算式は次の通りです。

Quality of Hire（採用の質）

採用の「質」を測る単一の絶対指標は存在せず、複数の代理指標を合成スコア化するのが標準です。 代表的な構成要素は、入社後パフォーマンス（評価レーティング）、定着率、採用マネージャー満足度、Time to Productivity（立ち上がり速度）、カルチャーフィットなど。 例えば「Quality of Hire = (パフォーマンス×0.40) + (定着×0.20) + (立ち上がり速度×0.20) + (フィット×0.10) + (マネージャー満足×0.10)」のように加重平均します。

最大の罠 — 「同名・異計算」

採用KPIで最も深刻な問題は、難しい指標の計算ではなく、同じ名前の指標がチームや組織で別々に計算されていることです。 これが起きると、根本原因分析が成立しません。代表的な落とし穴を整理します。

先行指標と遅行指標、そしてKPIツリー

KPIは、結果が出る前に動いて将来を予測する先行指標（leading）と、結果が出た後に確定して過去の成否を確認する遅行指標（lagging）に分かれます。

これらを因果の連鎖として構造化したものがKPIツリーです。最終目標（KGI: 採用数や採用の質）を頂点に、 上流の活動量KPI（先行）から下流の成果KPI（遅行）へと分解します。

graph TD
  KGI[KGI: 質の高い採用 N名] --> A[採用数]
  A --> B[オファー数]
  A --> C[内定承諾率]
  B --> D[最終面接数]
  D --> E[一次面接数]
  E --> F[書類通過数]
  F --> G[応募数]
  G --> H[スカウト送信数・返信率]
  G --> I[各チャネルの母集団]

  style KGI fill:#10b981,stroke:#059669,color:#fff
  style H fill:#3b82f6,stroke:#1d4ed8,color:#fff
  style I fill:#3b82f6,stroke:#1d4ed8,color:#fff
  style A fill:#f97316,stroke:#ea580c,color:#fff

ダッシュボードには先行・遅行の両方を必ず含めます。先行指標だけでは結果が見えず、遅行指標だけでは手遅れになるからです。 さらに各ファネル段に「量（volume）・率（conversion）・速度（velocity）」の3軸を持たせると、ボトルネックを量・質・速度のどれかに切り分けられます（第2章の復習）。

エンジニア視点: イベントログを一次データにする

本章のまとめと次章へ

採用の主要KPIは、スピード（Time to Fill / Time to Hire）、コスト（Cost per Hire）、質（Quality of Hire）、効率（歩留まり・内定承諾率・Source of Hire）に整理できます。 最大の罠は「同名・異計算」で、定義の統一が比較の前提です。指標は先行・遅行に分かれ、両方をKPIツリーに含めます。 そしてエンジニアにとっての要諦は、集計値ではなく候補者×ステージのイベントログを一次データとして持ち、KPIを集計層で導出することでした。

最終章では、これまで学んだファネルの考え方を一歩進めます。 採用を「漏斗（ファネル）」から「回り続ける車輪（フライホイール）」へと捉え直し、 Google・日立・メルカリの実事例と、採用を学び続けるためのロードマップで本シリーズを締めくくります。