jinjer株式会社 — FY2026 人材分析レポート
人員規模はどのように推移し、主な増減要因は何か？
主要発見: エンジニアリングとプロダクト部門が人員増の73%を占めている。FY2026 Q1-Q2の採用加速により、全社人員は前年比+8.6%の352名に到達。
→ 推奨: 採用パイプラインのキャパシティを再評価し、オンボーディング体制の強化を検討。急成長部門のマネジメント層の充実も優先課題。
部署間の人員配置は適切か？組織構造にどのような偏りがあるか？
主要発見: エンジニアリング部門が全体の25.3%を占め、次いでセールス(18.2%)、CS(14.5%)。ジニ係数0.31は適度な分散を示し、極端な集中は見られない。
→ 推奨: プロダクト部門の人員比率がベンチマーク(15%)対比で低い(8.5%)ため、Q3以降の増員計画を検討。
離職にはどのようなパターンがあり、離職リスクを予測する要因は何か？
中央生存期間: 2.8年
1年生存率: 82.3%
3年生存率: 54.1%
主要発見: 入社1年以内の離職が全体の42%を占める。Cox回帰では「Compa-Ratio < 0.9」「上司変更回数 >= 2」が有意なハザード比を示す。
→ 推奨: 入社6ヶ月時点での1on1強化とCompa-Ratio 0.95以上への是正により、早期離職を20%削減可能と推定。
報酬体系はグレード・属性間で公平か？市場競争力はあるか？
主要発見: 全体のCompa-Ratioは1.03で市場水準以上。ただし男女間で4.2%の格差があり、Oaxaca-Blinder分解では「説明不能部分」が2.1%を占める。
→ 推奨: グレード・職種を統制した上で残る格差に対し、次回昇給サイクルでの是正措置を実施。特にG3-G4帯の女性従業員の市場価値再評価を優先。
組織の多様性とエンゲージメントの現状は？従業員満足度を左右する要因は何か？
主要発見: eNPS +32は業界平均(+15)を大きく上回る。女性比率38.4%は前年比+2.1ptで改善傾向。ただし管理職の女性比率は22%に留まる。
→ 推奨: 管理職候補の女性人材に対するメンタリングプログラムの導入と、エンゲージメント低下が見られるOps部門への重点的なフォローアップを実施。
部署間のコラボレーションはどのように流れ、構造的な課題はどこにあるか？
クラスタリング係数: 0.58
平均パス長: 2.3
媒介中心性トップ: Engineering
主要発見: Ops部門のサイロリスクが最も高く、他部署との接続が限定的。Engineering が組織の情報ハブとして機能しているが、過度な依存リスクもある。
→ 推奨: Ops部門と他部署の合同プロジェクトを四半期ごとに設定。Engineering への過度な情報集中を緩和するため、Product-CS 間の直接コミュニケーションチャネルを強化。
採用パイプラインの効率性は？最適化の余地はどこにあるか？
主要発見: 応募から内定までの全体通過率は4.2%。エンジニア職は技術面接がボトルネック（通過率28%）。リファラル経由の歩留まりが最高（8.7%）。
→ 推奨: 技術面接の評価基準を再検討し、リファラルプログラムのインセンティブ強化を実施。
主要発見: ベイズ推定により、リファラルチャネルの真の通過率は95%信頼区間で[6.8%, 10.6%]。エージェント経由は[3.1%, 5.4%]と有意に低い。
→ 推奨: エージェント依存度を段階的に削減し、リファラル比率を現在の25%から40%に引き上げる施策を検討。
主要発見: 構造化面接の導入（介入）により、採用後6ヶ月定着率が+12.3pt向上（ATT推定、p<0.01）。傾向スコアマッチング後も効果は頑健。
→ 推奨: 構造化面接を全職種に展開。特に非エンジニア職での導入効果が大きいと推定。
| 指標 | 値 | 評価 |
|---|---|---|
| AUC-ROC | 0.847 | 良好 |
| 適合率 | 0.812 | 良好 |
| 再現率 | 0.756 | 良好 |
| F1スコア | 0.783 | 良好 |
主要発見: 採用成功予測モデル（XGBoost）のAUC-ROCは0.847。最重要特徴量は「過去プロジェクト数」「技術スタック一致度」「リファラル有無」。
→ 推奨: 予測スコア上位20%の候補者に対しファストトラック選考を導入し、採用リードタイム短縮を図る。
主要発見: 性別による通過率の差は統計的に有意でない（p=0.34）。ただし大学ランクによるバイアスが技術面接段階で検出（上位校+8.2pt、p=0.02）。
→ 推奨: 技術面接での大学名ブラインド化を試験導入し、3ヶ月後に効果測定を実施。
主要発見: 採用KPIは全体的に改善傾向。特に内定承諾率(+3.1pt)とリードタイム(-5日)の改善が顕著。一方、採用単価は市場競争激化により+12%上昇。
→ 推奨: リファラル比率向上により採用単価を抑制しつつ、Quality of Hire維持に注力。
本ダッシュボードで使用している統計手法と分析フレームワークは？
主要発見: 本ダッシュボードでは記述統計、推測統計、ベイズ統計、機械学習、因果推論の5つのフレームワークを活用。残差分析により回帰モデルの妥当性を確認済み。
→ 推奨: 今後はパネルデータ分析や差分の差分法（DiD）の導入により、施策効果のより厳密な推定を目指す。