採用データ分析の方法｜応募・通過率・辞退率・採用単価を改善につなげる

監修: 菊地 将（リブランディング株式会社）

応募数や選考通過率、内定辞退率、採用単価を集計していても、「結局どこを直せばよいのか」が分からなければ改善にはつながりません。採用データ分析で重要なのは、数字を並べることではなく、同じ定義でデータを整え、職種・チャネル・選考工程などの軸で切り分け、差が生じた理由を仮説として絞り込むことです。この記事では、採用ファネル全体のデータを分析し、ボトルネックから次の施策まで決める実務手順を解説します。

採用データ分析は「全体把握→切り分け→原因仮説」の順で進める

採用データ分析の目的は、数字を増やすことではなく、採用活動のどこで成果が止まっているかを特定し、次に変える施策を決めることです。

応募数、書類通過率、面接通過率、内定承諾率、辞退率、採用単価などを一覧にするだけでは、「何を見るか」は分かっても「なぜ悪化したのか」までは分かりません。分析では、まず全体の変化を確認し、その後に職種・チャネル・選考工程・時期へ分解します。最後に、数字の差と現場情報を組み合わせて原因仮説を作ります。

採用データ分析は、全体値を見るだけで終わらず、差が出る条件を絞り、原因仮説と改善施策を決めた後に同じ条件で再測定します。

採用KPIの目標値そのものを決める作業と、取得済みデータを分析する作業は分けて考えると整理しやすくなります。前者は「何を追うか」、後者は「得られた数字をどう切り分けるか」が中心です。

分析する指標そのものをどう設計するかから確認したい場合は、採用改善の効果測定の全体像を参照してください。

分析前に「候補者・求人・チャネル・工程・日付・費用」を整える

分析精度は、集計方法よりも元データの揃い方に左右されます。最初に、候補者単位で応募から入社まで追える状態を作りましょう。

最低限、次の項目があると分析を進めやすくなります。

採用分析では、候補者・求人・チャネル・選考・理由・費用を同じ候補者単位でつなげると、職種やチャネルごとの差を追いやすくなります。

特に重要なのが定義の統一です。たとえば「面接数」に設定件数を含める部署と、実施済みだけを数える部署が混在すると、面接通過率を正しく比較できません。「辞退」についても、書類提出前の離脱、面接前辞退、選考中辞退、内定辞退を同じ項目にまとめると原因がぼやけます。

データを整える段階では、計算式より先に「いつ、誰が、どの状態へ更新するか」を決めることが大切です。

応募・通過率・辞退率・採用単価は同じ切り口で比較する

採用データは、指標ごとに別々に見るより、同じ職種・チャネル・期間で並べると原因を追いやすくなります。

代表的な計算式は次の通りです。

ここで注意したいのは、会社全体の平均だけで良し悪しを判断しないことです。営業職とエンジニア職では採用市場も選考方法も違います。求人媒体と人材紹介でも費用構造が異なります。

まずは自社内で、同一職種のチャネル差、同一チャネルの職種差、前月・前四半期との時系列差を確認します。外部平均値は参考になりますが、分析の最初から外部基準だけで「高い・低い」と決めると、自社固有の原因を見落としやすくなります。

ボトルネックは「職種×チャネル×工程」で切り分ける

採用ファネル全体で数値が悪化しているように見えても、原因は特定の職種やチャネルに偏っていることがあります。全体値を見た後は、少なくとも「職種×チャネル×工程」の順で切り分けます。

たとえば、ある四半期に100人の応募があり、書類通過30人、一次面接実施20人、内定5人、承諾3人だったとします。会社全体では書類通過率30％ですが、内訳を見ると次のような差があるかもしれません。

• A職種：応募40人、書類通過20人
• B職種：応募60人、書類通過10人

この場合、全体の「30％」だけを見るより、B職種の応募者層や採用要件を確認した方が改善対象を絞れます。

全体平均で判断せず、職種、チャネル、工程の順に絞ると、差が大きい場所と次に確認すべき原因候補を特定しやすくなります。

さらにB職種をチャネル別に分け、特定媒体だけ通過率が低ければ、求人原稿の訴求や媒体特性とのずれが仮説になります。どのチャネルでも同じように低ければ、採用要件や書類選考基準の方を疑うべきです。

このように、分析では「数字が低い」ことより、「どの条件に限定すると差が大きくなるか」を探します。

辞退率は「発生地点・理由・選考日数」を重ねて分析する

辞退率は、辞退人数だけでは改善策を決めにくい指標です。どの工程で辞退したか、本人が伝えた理由は何か、そこまでに何日かかったかを重ねて確認します。

たとえば一次面接前の辞退が増えている場合でも、原因候補は一つではありません。

• 応募から初回連絡まで時間がかかっている
• 面接可能日の提示が遅い
• 求人票と面談時の説明に差がある
• 他社の選考が先に進んでいる
• 候補者が必要とする情報を面接前に提供できていない

辞退人数や辞退率だけでなく、発生した工程、本人が伝えた理由、そこまでにかかった日数を重ねると、改善につながる原因仮説を作りやすくなります。

海外研究では、インド・ハイデラバードのIT/ITES業界で働く344人を対象に、time to fill、time to hire、応募完了率、オファー承諾率などの採用指標と候補者体験の関係が分析されています。日本企業へそのまま数値を当てはめることはできませんが、採用データを見る際に「企業側の効率」だけでなく「候補者側で何が起きているか」を重ねる必要性を考える材料になります。

辞退分析では、自由記述をそのまま眺めるのではなく、「他社決定」「条件」「選考速度」「仕事内容」「勤務地」「連絡・対応」「理由不明」など、自社で使える分類へ整理すると比較しやすくなります。

採用単価は応募単価ではなく最終成果までつなげて見る

採用コストを分析するときは、「安く応募を集められたチャネル」が最も効率的とは限りません。応募から採用までの歩留まりを同じチャネル単位で追う必要があります。

たとえば、媒体Aは40万円で40応募、2人採用、媒体Bは40万円で20応募、4人採用だったとします。

• 媒体A：応募単価1万円、採用単価20万円
• 媒体B：応募単価2万円、採用単価10万円

応募単価だけなら媒体Aの方が安く見えますが、採用まで見ると媒体Bの方が低コストです。

ただし、ここでも単価だけで予算配分を決めないことが重要です。職種、採用難易度、採用人数、入社後の定着など条件が違えば単純比較できません。まず同じ職種・同じ期間でチャネルを比較し、必要に応じて選考通過率や採用数を重ねます。採用単価の計算方法や相場は、採用コストの相場と計算方法で確認できます。

原因仮説は一つの数値から断定せず、追加比較で絞り込む

採用データ分析で避けたいのは、「通過率が低いから面接官が悪い」「辞退率が高いから待遇が悪い」と一つの数字だけで原因を決めることです。

次のように、異常値を見つけた後に追加比較を入れると仮説の精度が上がります。

仮説を立てたら、施策を一度に増やしすぎないことも重要です。変更点が多いと、翌月に数字が改善しても何が効いたのか分かりません。改善対象を絞り、再測定できる状態を残します。

ATSや表計算では「掛け合わせて比較できる状態」を作る

採用管理システム（ATS）を使う場合も、導入しただけで分析できるわけではありません。ステータス、チャネル、職種、辞退理由などが一定のルールで記録されて初めて、比較可能なデータになります。

実際に、HRMOS採用では求人別・経路別、面接官別などのレポートが用意され、sonar ATSでは応募経路やエントリー時期など複数の指標を掛け合わせるクロス集計に対応しています。こうした機能は、全体値を表示するためではなく、差が生じている条件を絞るために使うと効果的です。

表計算でも同じ考え方で分析できます。候補者ごとに1行を持ち、職種、チャネル、各工程の日付・結果を列で管理しておけば、ピボットテーブル等で職種別・チャネル別の人数や率を比較できます。

ただし、年齢などの属性を扱う場合は用途に注意が必要です。厚生労働省は、募集・採用で年齢を理由とした制限を設けることを原則禁止しています。属性データを分析に使う場合も、法令や社内ルールを確認し、採否基準へ安易に持ち込まない運用が必要です。

週次は異常検知、月次は原因分析と改善判断に使う

採用データは、すべてを同じ頻度で詳しく分析する必要はありません。週次と月次で役割を分けると運用しやすくなります。

週次では、応募数、未対応件数、面接設定数、選考辞退など、進行中の異常を早く見つけます。月次では、職種・チャネル・工程別の通過率、辞退理由、採用単価、選考日数などを比較し、改善施策を決めます。

月次レビューでは、次の5点を固定すると分析がぶれにくくなります。

1. 前月から大きく変化した数字は何か
2. 変化はどの職種・チャネル・工程に偏っているか
3. 数字以外の情報で説明できることは何か
4. 次月に変える施策は何か
5. 何の数字で改善を確認するか

この記録を残しておくと、「数値が悪いから何となく施策を変える」状態から、「仮説を持って変更し、同じ条件で再測定する」状態へ移行できます。

採用データ分析のチェックリスト

最後に、自社の分析環境を確認してみましょう。

• 候補者単位で応募から入社まで追える
• 職種名・チャネル名・選考ステータスの表記が統一されている
• 各工程の日付を記録している
• 辞退理由を工程別に分けている
• 費用をチャネル別に紐づけられる
• 全体値だけでなく職種別に比較している
• 職種内でチャネル別に比較している
• 通過率の差を面接官・時期など別軸でも確認している
• 数字と辞退理由などの定性情報を組み合わせている
• 改善施策の前後で同じ定義の指標を再測定している

すべてを最初から整える必要はありません。まずは「どこがボトルネックか分からない」という課題に直結する項目から揃え、分析対象を一つずつ増やす方が継続しやすくなります。分析項目や改善優先順位を社内で整理する場合は、チェックシートなどの共通フォーマットを使うと、担当者間の認識も合わせやすくなります。

まとめ

採用データ分析では、KPIを一覧化するだけでなく、同じ定義でデータを整え、「職種×チャネル×工程×時期」で切り分けることが重要です。全体値から異常を見つけ、差が大きい条件を絞り、辞退理由や選考日数などを重ねることで、改善すべき場所と原因仮説が見えてきます。

応募・通過率・辞退率・採用単価のどれか一つだけで判断せず、採用ファネル全体をつなげて確認してください。そのうえで改善施策を1〜2個に絞り、同じ条件で再測定すれば、採用データを「報告用の数字」から「次の判断に使える材料」へ変えられます。

参考文献・データ元

‹ 親記事: 採用改善の効果測定は何をどう見ればいい？指標体系とPDCAの全体像