1．リスキリングが重視される背景と日立グループの取組

日立グループでは，海外と同様に国内社員のマネジメント方式もジョブ型への転換を進めている[1]．ジョブ型人財マネジメントでは，会社側が「職務」を見える化し，必要な仕事，必要なスキルとそのための育成計画を明示する．その一方で，従業員個々人はやりたい仕事，保有するスキル，キャリアプランを明示し，「人財」を見える化する．企業にとって重要な点は，従業員が，自律的にキャリア形成できるための環境・リソースを提供することである．

そこで重要となるのが「リスキリング・アップスキリング」施策である．リスキリングは「職業能力の再開発・再教育」で，新たな職業（職務）に就くため，もしくは今の職業（職務）で必要なスキルを獲得する（させる）取組のことを指す．アップスキリングは，現職でステップアップするための能力開発をする（させる）取組を指す．自律的なキャリア形成には，企業が従業員に対して，リスキリング・アップスキリングの観点で支援することが重要となる．

この人財開発のトレンドを踏まえ，日立グループ（国内の日立製作所および一部のグループ会社）ではリスキリング・アップスキリングを支援するためのプラットフォームとして，LXP（Learning Experience Platform）を2022年10月に導入した．LXPは個人にとって必要な学習を進めるための環境を提供する．LXPの基本的な利用イメージを図1で示す．LXPには，e-Learning教材や最新のWeb記事，社内研修などのさまざまな学習コンテンツが登録されており，各ユーザはそれらのコンテンツで自由に学習を進めることができる．ユーザの学習履歴はLXPへ蓄積されていき，登録してあるスキルや職種に合わせてAIがコンテンツをリコメンドする．そのため，利用すれば利用するほど，そのユーザや組織に適したプラットフォームとして成長する．

しかし，プラットフォームとコンテンツを導入するだけでは，ユーザの自律的な学習習慣は確立しない．たとえば，MOOC（Massive Open Online Course：オンラインで提供される教育機関の公開講座）の修了率は10％程度と言われており[2]，学習継続にはさまざまな障壁がある．LXPの活用を進めるためには，「自律的な学習を促進・習慣化させる支援」が重要となる．日立アカデミーは「学習促進・習慣化の支援」のサービスを，LXPユーザのカスタマーアナリティクス（ユーザ分析）に基づき実装している．本稿では「学習促進・習慣化の支援」の取組について，現在までの成果を紹介し，今後の課題を提示する．

2．自分のキャリアを自分で作るにあたって必要な学びを自由に選べる環境（LXPサービス）の概要

本章ではLXPサービスの概要を説明する．まず，一般的なLXPのコンセプトを，LMS（Learning Management System）と比較しながら説明する．次に，日立グループで導入しているLXPサービスの全体像を示し，サービスの構成要素を説明する．なお，サービスの構成要素の1つである「学習促進・習慣化の支援」は3章で説明する．

2.1　一般的なLXPのコンセプト

LXPとLMSは，どちらも組織における学習を取り扱う仕組みであるが，その目的は大きく異なる．最も大きな違いは，「管理者・学習者のどちらの目線であるか」である．図2で，LXPとLMSでサポートする学習範囲のイメージを示す．LMSは学習を管理するための，管理者目線でのシステムである．LMSを通じて，研修の提供や受講状況の管理，研修の運営をスムーズにすることを目的に活用されることが多い．従来は一般的に年次，役職など階層ごとに研修・教育を実施していたため，社内や外部での研修（e-Learning含む）を受講する際は，LMSの活用がより適していた．

LXPは学習者個人のニーズに合わせた学習体験を，各自にとって最適なやり方で，最適なコンテンツをもとに学習できる，学習者目線でのプラットフォームである．LXPはLMSよりもカバー範囲が広く，Off-JTだけでなく，業務の中で行う学びも対象とする．学習者は現在の業務や，今後のありたいキャリアに必要なコンテンツを，LXPで自律的に学習することができる．また，学習体験を高めるため，学びたいスキルや学習履歴の管理，同僚などとの学び合いをサポートする機能も備えている．

2.2　日立アカデミーが提供しているLXPの基本情報

日立グループに提供しているLXPは“Degreed”[3]（Degreed社が開発・提供）である．ユーザは社内外問わずさまざまな学習コンテンツをLXP（Degreed）から探し，学ぶことができる．外部サービスと連携することで，LXP上で社外のコンテンツも含めた学習の一元化ができる．LXP上でのユーザの学習行動はAIにより学習・分析がなされ，個々人にとって最適なコンテンツがリコメンドされるような仕組みがある．また，ユーザ同士をつなぎ合わせる，学び合いを促進できる機能が実装されている．たとえば，「シェア」機能を使うと，自身が学んだコンテンツをほかの人にリコメンドできる．また，「グループ」を作成すると，そのグループに所属しているユーザが何を学習したか，グループでどれくらい学習したかを可視化することができる．

LXPは上述のとおり，ほかの学習サービスと連携することでさまざまなコンテンツを一元化できる．日立グループでは現在，LXPと“LinkedIn Learning”[4]，“goFLUENT”[5]を連携し，いつでもどこでも好きなだけ学習ができる「学び放題コンテンツ」として提供している．“LinkedIn Learning”では，デジタル・クリエイティブ・ビジネスなどのカテゴリーでさまざまなe-Learningコースを提供している．“goFLUENT”では，さまざまなビジネスシーンに対応した12種類以上の言語に対する語学学習コンテンツが提供されている．世界中の受講者と一緒に参加できるグローバル会話クラスもあり，実践的な英語を学ぶことができる．

3．カスタマーアナリティクスと学習を促す介入の取組

本章では「学習促進・習慣化の支援」を目的とした，カスタマーアナリティクスに基づく介入施策を議論する．LXPにおけるカスタマーアナリティクスは，ユーザの学習行動などのデータをもとに，どのような支援によって学習を支援できるか，仮説構築，施策検討を行い，その効果を検証する目的で行う．以下では学習促進・習慣化の支援で重要と考えられる課題3点とその対応を説明する．実施した介入結果は4章で議論する．

3.1　学習を促す介入を実現するための課題

図3は学習促進，習慣化支援の課題を整理したものである．

1つ目の課題は，マクロな学習促進，習慣化サポートの施策確立である．LXPサービスの利用が定着するまでは利用開始の手続き，利用方法の説明など，全ユーザに向けて，基本的なニーズを満たす必要があると考えられる．2つ目は，学習者個々人のミクロな要望に合わせた学習促進・習慣化支援の実現である．各ユーザの学習ニーズは個々人によって異なると考えられる．それぞれのニーズに対し，最適な支援を行うことで，ユーザの学習体験の向上が期待できる．3つ目の課題は効率的な学習促進手段の検証である．マクロ・ミクロ問わず，学習支援のための介入には，より適切なアプローチがあると考えられる．より効果的な介入の事例を蓄積し，それがなぜ効果的だったのかを検証できると，今後の施策を検討する重要な知見となる．

次節以降はそれぞれの課題の対策を説明する．課題1に対しては行動変容デザイン手法を取り入れた介入手法で，ユーザの自律的な学習行動促進の施策を検討した．課題2に対してはAI活用による学習支援のパーソナライズ化を行い，優良学習者の増加を目的とした施策を検討した．課題3に対しては，効果的な学習支援方法の事例蓄積のため，2つの比較実験を検討した．

3.2　課題1への対策：行動変容デザイン手法によるユーザの自律的な学習行動を促す介入施策

1つ目の課題へは，行動変容デザイン手法の1つである「行動変容ステージモデル」による対策を実施した．ここでは，LXPの利用状況を定量的に評価し，その結果をもとに，介入を行う層を特定し，どのように学習を促進させるか（次のステージに進めるか）を検討した．

3.2.1　行動変容ステージモデルの定義

人の行動変容のメカニズムを理解するためのモデルがいくつかある．代表的なものとして，「マズローの欲求五段階説」[6]，「二重過程理論」[7]，「Fogg Behavior モデル」[8]，「行動変容ステージモデル」[9]がある．本稿では，無関心期，関心期，準備期，実行期，維持期の5つのステージのうち人がどのステージにいるかを把握し，そのステージに合わせて働きかける，「行動変容ステージモデル」を活用した．LXPサービスを導入する企業の人事部門にとって，ユーザに期待する最終的な行動はLXP利用による学習の継続である．このゴールは，維持期における期待行動と設定する．また，従業員にとって，LXPは初めて利用する学習ツールであり，その存在を知らない状態からステージが始まる．そのため，無関心期は，“LXPにログインしたことがない”と設定した．無関心期と維持期をつなぐ3つのステージは，LXPを活用して，学びを始める状態・準備が整う状態から，活用の環境が整い，コンテンツの活用・完了が習慣化するまでの行動プロセスを検討した（図4）．なお，一度上がったステージを下がることはないが，習慣化を条件とする行動を達することができない維持期のユーザがいた場合，実行期にステージダウンをすることとした．

ユーザがどのステージにいるかを確認するための判定システムを構築した（表1）（図5）．該当するステージに上がる条件として行動KPIを定め，これを行動ステージ判定条件とした．このKPIはLXPベンダーレポートから入手可能なデータをもとに選定した．行動ステージ判定はLXP導入後の2022年10月より開始し，以降，毎週実施した．

3.2.2　行動ペルソナの設定

3.2.1項で設定したステージ移行を促進する介入施策の効果を上げるため，LXP導入から半年後の行動ステージ判定結果と学習データ，ユーザリサーチの結果から，ユーザのペルソナを設定した．ユーザリサーチは2種類ある．1つ目はアンケート調査で，LXP利用状況と自律学習に関する意識調査を行った．2つ目は，行動変容の阻害要因，促進要因を抽出するためのインタビュー調査である．インタビュー対象は2023年3月末時点の行動ステージが準備期，実行期，維持期ユーザのうち10人とした．

なお，本稿では，行動ステージも加味したペルソナへの介入（ターゲティング施策）を講じるため，行動ステージを前提としてクラスタリングを行った．ユーザを自律学習のあり・なし，LXP継続利用のあり・なしの2軸からクラスタリングを行い，各クラスタのペルソナ特徴を把握した．何から始めたらよいか分からない「ペルソナA」，LXP以外の方法で学習をしている「ペルソナB」，明確な目標はないが，新しい情報の探索のためLXPを活用している「ペルソナC」，自らのキャリアを豊かにするためLXPも活用して日々学んでいる「ペルソナD」の4つの行動ペルソナを設定した．

3.2.3　CREATEアクションファネルを用いた阻害要因の整理

ユーザは，行動を変えることで設定したステージを上がることができる．しかし，その行動を妨げる阻害要因があるため，行動を変えることが難しい．その阻害要因を取り除き，本人にとって望ましい行動を促すことができる介入が必要となる．これが行動介入施策である．インタビューで阻害要因の抽出を行い，それらの要因を「CREATEアクションファネル」[9]を用いて整理した．CREATEアクションファネルは，人が行動に至るまでのプロセスを“CUE”（きっかけ），“REACTION”（反応），“EVALUATION”（評価），“ABILITY”（能力），“TIMING”（タイミング）の5つに分けて整理したものである．本稿では，各プロセス達成の阻害要因を分析するために用いる．

なお，阻害要因には，「コンテンツの検索の仕方が分からない」というサービスの操作に起因するもの，「登録が面倒」「業務優先でLXPは後回し」というユーザ本人に起因するもの，組織の制度・ルール，風土など環境起因するものがある．このほか，サービス機能の利便性などサービスそのものに起因する阻害要因があるが，ベンダーの提供するサービス自体を改良することが難しいため，施策検討のための阻害要因からは除外した．

3.2.4　各行動ステージへの介入

多くのユーザがLXPで学習するには，人数の多い層をターゲットとした介入施策の検討が不可欠となる．導入開始直後はすべてのユーザが無関心期からスタートするため，無関心期への介入を中心とした．その後，導入8カ月時点の行動ステージ分布では，LXP利用のための初期設定を完了しつつも，「利用が始まっていない」関心期ユーザ（全体の45.2％）が介入すべき最も課題の大きいターゲットであることを確認した．さらに，「利用を始めた（コンテンツ視聴・完了の実績あり）」ものの，現在利用が止まっている」ユーザが準備期・実行期に滞留していることも確認できた．そこで，3.2.2項で設定した行動ペルソナA，B，Cを対象とした介入施策を検討し，実施することとした（図6）．滞留対策は関心期と準備期・実行期に分けて検討した．

初期登録以降，再ログインしていない関心期ユーザは，LXPを思い出せていない，価値が分からないなど複数の阻害要因がある．有用な介入方針を確認するための分岐を行い，対策案を検討した（図7）．なお，LXPへログインしただけではLinkedInラーニングへのサインインは完了しないため，別に実施する必要がある．

LXP利用実績のある準備期・実行期ユーザは，直近の学習履歴と過去の学習実績に応じて，阻害要因が異なると考えられる．たとえば，強化したいスキルに関するコースをまとまった時間で視聴した，資格試験に向けて短期集中で学習した，などである．目的達成後に休息し，LXPに戻る契機がないだけかもしれない．このようなユーザはLXPの経験価値を得ており，次の学びのテーマや目標がなくても日常業務で使える方法など異なる経験価値を示すことによるLXPでの学習再開は，経験価値のないユーザよりも可能性が高いと考えた．そこで，過去のコンテンツ視聴が50回以上のユーザを対象に，ユーザがステージに滞留している要因の仮説を立て，それぞれの阻害要因に対する介入方針を検討した（図8）．

また，3.2.3項までで抽出・整理した阻害要因を解消するための考え方を方針として定め，その方針に適した認知バイアスの選定を行った．行動介入施策は，この認知バイアスを活用して検討した．

たとえば，LXPを知らない，ログインしたことがない無関心期ユーザが，LXP利用に必要な初期登録設定するという行動によって関心期ユーザへ移行できるには，「LXPはどういうサービスかよく分からない」という状態から解放されていることが望ましい．さらに，関心期への移行後，“コンテンツを視聴する”ため，「自分が何を学んだらよいか分からない」状態が解消されている必要がある．そこで，無関心期から関心期への移行には，従来の学習との違いやLXPの特徴や学び方を周知するという方針を立てて，施策を検討した．自分のニーズに適したLXPの使い方を見つけ，嬉しい体験を得た好事例を示してLXPの第一印象を与える“初頭効果”，他の学習者の事例を見て“自分もできる”という自己効力感により目標達成イメージを想起させる“目標勾配仮説”，といったように，認知バイアスを活かして，施策アイディアを検討した．

3.3　課題2への対策：学習支援のパーソナライズ化：優良学習者増加を目的としたAI活用施策

2つ目の課題へは，LXPでの優良学習者（ユーザ）像とその増加を実現するための，学習支援施策を検討した．その手法では，優良学習者を表す特徴を学習履歴データから抽出し，その特徴に基づいた適切な介入を実施した，データドリブンな介入施策である．図9はこの取組の基本コンセプトを示す．

まず，LXPにおける「優良学習者」を定義する．今回の施策では「LXPで多くのコンテンツを学習している人」とした．次に，「優良学習者はXXな特徴を持つ」ことを，ユーザの学習データからAIを活用して突き止める．たとえば，「優良学習者は週に4回以上LXPにログインし，記事コンテンツを週に5個以上学習している」ケースを仮定する．そして，優良学習者ほどコンテンツを学習していないが，類似した特徴を持つユーザ群をデータから判定する．この例では，「週に3回以上LXPにログインしている」や「記事コンテンツを週に3個以上学習している」など，優良学習者と傾向は似ているが，活動量や学習量が優良学習者より少ないユーザ群を特定する．そして，特定されたユーザ群が優良学習者になれるような学習支援施策を行う．今回の例では，「より多くログインしてもらえるように，コンテンツの最新情報をアナウンスする」，「より多く記事コンテンツを学習してもらえるように，最近人気のあったコンテンツのリストを知らせる」などである．この一連のサイクルを回し，優良学習者を増加させる施策を実行した．

3.4　課題3への対策：効果的な学習支援事例の蓄積

3つ目の課題へは， 小規模な比較実験を複数実施し，学習活性化に重要な要素を検証した．図10でこの施策の目的と検証方法のイメージを示す．

今回実施した施策は以下の2観点に基づく．

• ①：誰からの働きかけであれば，反応が良いか？
• ②：どのような環境があれば，学び合いが活性化するか

①の観点では，サービス提供側の働きかけよりも，何かしらのつながりがあるユーザから，働きかけがあった場合に反応が良いのではないかと考えた．その検証のため，パターンを次の3つに分け，比較検証を行った．

• A：LXPの運営用アカウントからシェアしたとき
• B：若手社員からチームの先輩社員や上司へシェアしたとき
• C：会社の重役からシェアしたとき

上記のうち，どのパターンが最も反応が得られたかを検証した．ここで検証する仮説は「特につながりがない，公式アカウントからの情報発信よりも，業務上のつながりがあるほうが，同じシェアでも反応率が高い」とした．比較実験は以下のような形で実施した．

• A：LXPの管理用アカウントからシェアを行う
• B：若手社員から，チームの先輩社員と上司にシェアを行う
• C：会社の重役からシェアを行う

すべてグループに同じコンテンツをシェアすることで，比較検証を行う．グループAを今回の検証に含めたのは，反応率の基準を設定するためである．グループB，Cとそれぞれ比較を行い，反応率がグループAと比べてどれくらい高いか，それとも変わらない，もしくは低くなるかを検証した．

②の観点では，グループ機能の有効性に関する検証を行った．グループ機能は「フィード」と「インサイト」という機能がある．「フィード」はグループに所属しているユーザが何かしらのコンテンツを完了したときに，グループのトップページに誰が，何のコンテンツを完了したかをタイムラインのように表示する機能である．「インサイト」機能はグループに所属しているメンバ全員が，いつ，どれくらいの学習をしているか，グラフが表示される機能である．これらの機能があると，メンバがグループで学習されているコンテンツや，グループ全体の学習状況を認知し，学習が活性化する可能性が考えられる．

この施策は13部署を対象に検証した．そのうち5部署にLXP上でグループを作成し，利用方法を案内した．のこりの8部署はグループを作成せず，利用状況をモニタリングし比較検証を行った．

4．学習を促す介入の効果考察，残存する課題，今後の取組予定

4.1　課題1への対策の結果

4.1.1　行動ステージの判定結果と遷移状況

2022年10月のLXP導入から2024年2月までの行動ステージ別数の推移を図11に示す．すべてのユーザは無関心期からスタートするが，関心期への移行ピークが2回あることが分かる．ピーク①は，導入に際し，e₋Learning受講によるオンボーディングが行われ，ユーザはLXPの初期登録を行ったときである．この受講は任意のもので，受講がなくともフォローされることはなかったが，実施したユーザも少なからずおり，デフォルト効果が発揮された可能性がある．

しかし，それでも反応がなかったユーザに対してフォローを行い，無関心期から関心期に移行した人数が急増したのがピーク②である．ピーク②では，“いつまでに完了してください”という期間設定付きでユーザの行動を促した．この結果，半ば致し方なく対応したユーザもおり，のちの関心期ステージ滞留者となるのである．ピーク②以降，関心期ユーザは徐々に減少しており，準備期・実行期へ遷移している様子がうかがえる．

4.1.2　認知バイアスを活用した介入（メールマガジン）の結果と行動ステージ毎の反応率

2023年10月〜2024年2月にユーザに配信したメールの，開封率（開封数／配信数），反応率（クリック数／開封数）を表2に示す．各メール本文には，コンテンツ視聴やイベント参加などユーザに実施して欲しい行動を設定しており，その行動を促すための認知バイアスを活用している．反応率の高かった上位5つのメールに，活用した認知バイアスに共通点が見られた．他者の意見や行動を判断材料として考慮する“社会的証明”，集団の中で周囲の人と同じ行動を取ることに安心感を持つ“同調バイアス”，自分にメリットがあるかどうかで判断する“感情ヒューリスティック”である．社会的証明を活用したメールはLXP導入してから一貫して反応率が高い．

配信メールの行動ステージ別の開封率と反応率を表3に示す．行動ステージが維持期に近いほど，開封率，反応率が高くなる傾向を示している．無関心期，関心期のユーザは，メール開封は行っているものの，反応率が低く，視聴を行っていないと考えられる．準備期，実行期は，開封率が無関心期，関心期と大きく変わらない一方，反応率は10％超と高くなっている．

4.1.3　関心期ユーザに対する介入

関心期ユーザへの滞留対策（初期登録後にLXP再ログインをしていない関心期ユーザにLXPへ戻ってきてもらう）を実施した結果を表4に示す．最も効果が見られたのは施策②で，対象者の6.0％がLXPへ再ログインし，3.2％がコンテンツ視聴を行った．②では，本人に，「学習が始まっていない」現状とともに，日立のユーザは短時間でのLXP学習が始まっていることを伝えて（楽観バイアス活用），推奨の「3分間学習」でいますぐ学習を始めるよう促した（図12）．

4.1.4　準備期・実行期ユーザへの介入

LXP利用実績のある準備期・実行期ユーザ（1,392名）に対し，図13に示す2つのメールを送付した．何らかの学習テーマを設定したLXPの使い方が想定されるユーザが対象であるので，Aでは次のスキルや学習テーマの設定（利用可能性）によるLXP利用再開を促した．開封率ではBより2.1％低いものの，反応率では3％ポイント高くなった．一方Bでは，新たなLXP利用方法“日常業務を通じた学びのための利用”（顕著性）を提示した．また，見聞きした情報が認知や行動に影響するプライミング効果を狙い，他者の経験の様子を伝える動画の紹介を試みた．その結果，過去の機能紹介メールと比較し，反応率は5％アップした．

4.2　課題2への対策の結果

表5に，2023年10月～2024年3月に実施した，優良学習者増加を目的とした施策を示す．いずれの施策も対象者にメールでコンテンツの学習方法もしくはコンテンツ自体をリコメンドした．施策の結果は優良学習者が何人増加したかと，介入のメールに対する反応をもとに検討する．メールへの反応は開封率と反応率をもとに分析する．

施策1では，「LinkedIn Learningコンテンツの完了率が高い」という優良学習者の特徴が抽出された．そこで，「学習途中になっているLinkedIn Learningコンテンツを確認できる方法」をメールで案内し，学習途中になっているコンテンツの再開・完了を促す施策を実施した．

施策2～4は「学習時間が多く，記事コンテンツを多く学習している」という特徴が抽出された．記事コンテンツはほかのコンテンツタイプよりも短い時間で学習できるため，「記事コンテンツを多く学習しているユーザは最新情報への感度が高い」と仮定し，当時のホットトピックであった生成AIの最新情報をリコメンドする施策を実施した．施策3では，施策2と同様の施策を実施後，追加でリマインドの有無が有効かを検証した．具体的には，最初のメールを送付した1週間後時点で，「メールを開封していない」かつ「リコメンドしたコンテンツを1つもクリックしていない」ユーザに対し，リマインドとして同じメールを再送した．

施策4では，介入対象者を2群に分け，リコメンドするコンテンツによって反応が異なるか，比較を行った．最初の群には施策2，3と同様に生成AIコンテンツをリコメンドした．もう1つの群には，直近で学習者が多かった記事コンテンツをリコメンドした．なお，どのようなコンテンツがリコメンドされたかすぐ分かるように，メール件名はリコメンドするコンテンツにあわせて作成した．詳細は後程議論するが，比較実験から後者の群のほうが，メール開封率が高くなった．

施策5のリコメンドでは，施策4の結果比較を踏まえ，より多く学習されているコンテンツをリコメンドした．ここでは，LXP全体で多くされているコンテンツではなく，「優良学習者が多く学習しているコンテンツをリコメンドすること」で，反応がどう変わるかを検証した．

表6は各施策の結果サマリで，施策の対象者と，施策後に優良学習者がどれくらい増えたか，それぞれの施策の反応（メール開封率，反応率）を示す．表3の行動ステージ別の開封率，反応率と比較すると，開封率は施策②以外は維持期と同程度がそれ以上，反応率はいずれの施策でも実行期以上となっている．今回の施策対象者は「優良学習者と似た特徴を持つユーザ」であり，LXPの活用がある程度進んでいると考えられることから，反応が多くあったと考えられる．この結果は上位の行動ステージほど，メールマガジンへの反応が多い傾向と一致している．施策1を除くと，施策対象者のうち優良学習者になったユーザは約2.6～3.7％であるが，増加した優良学習者はいずれも3人前後で，大きな違いは見られない．

表6のメール開封率と反応率を見ると，3割～半数のユーザはメールによるリコメンドを確認しているものの，リンクをクリックするユーザはその一部であることが分かる．今回の施策では，リコメンドした後に学習数が増加するまで，「①メールを開封する」⇒「②リコメンドされたコンテンツをクリックする」⇒「③学習を完了する」の3段階をクリアする必要がある．

以下でメール開封率と反応率に分けて，施策の結果を議論する．まず，メール開封率が高いのは施策3と5である．施策3はホットトピックの記事コンテンツをリコメンドし，1週間後に未反応者にリマインドを行っている．同様にホットトピックの記事コンテンツをリコメンドした施策2よりも開封率が高いことから，リコメンドはメール開封率の向上に影響すると考えられる．また，施策5は「優良学習者が学習したコンテンツ」をリコメンドし，ほかの施策よりもメール開封率が高い傾向がある．これは4.1.2項で，「社会的証明」バイアスを活用したメールマガジンの開封率が高い結果と一致している．

反応率を見ると施策1と2が高い結果となっている．これは，施策1と2がほかの施策と比べ，対象者にとって有用なリコメンドで，メールを開封したユーザの関心を引いたと考えられる．施策2はメール開封率が低いものの，反応率は高く，優良学習者の増加数も他施策と同程度である．

施策対象者がメールを開封する，開封したユーザが反応（この場合はメールで紹介されたコンテンツのリンクをクリックする）することが学習行動につながるため，両指標を向上させることが今後の課題である．

4.3　課題3への対策の結果

図14に3.4節で紹介したリコメンド施策の結果を記載する．まず，運用アカウントからのシェアでコンテンツにアクセスした人は，21人中1人で，何かしら反応した割合は5％未満であった．この数値を基準とすると，若手社員からのシェアと，重役からのシェアはいずれも反応した割合が高くなった．最も反応した割合が高いのはグループB（若手社員から，同じチームの先輩社員と上司に対するシェア）で，およそ35％（5人／14人）反応があった．グループC（重役からのシェア）は20％弱（4人／19人）であった．

この結果について，サンプルサイズは限定的であるが，カイ二乗検定を行い，グループB，CとグループAの反応の差を統計的検証した．その結果，グループBの反応した割合は，グループAよりも5％水準で有意に異なる結果が得られた．一方，グループCとAの差については，統計的に有意な結果は得られなかった．サンプル数が限定的であるため，あくまで参考程度ではあるが，若手社員からのシェアは，LXP運用アカウントからの情報発信よりも，反応される割合が高い可能性がある．また，今回の結果から統計的な裏付けはとれなかったが，役職など組織内の関係性による情報の共有も，より精度の高い検証が必要だと考えられる．以上の結果から，今後の施策展開が考えられる．若手側から積極的に学習情報のシェアをすることで，所属する組織での学習増加が期待できる可能性がある．また，組織内での関係性に基づいたリコメンドの有効性をさまざまなパターンで検証することで，有効な組合せが見つかる可能性が考えられる．

職場のチーム単位でグループを作成する施策では，作成したチームとそうでないグループで，学習傾向に一貫した差は見られなかった．図15でLXPでグループを作成した群と，そうでない群ごとのログイン回数の平均値の推移を示す．

グループを作成したのは2023年の11月だが，両群の差は広がらず，むしろ縮まっている．グループを作成したことによるLXP上での活動量増加はないと考えられる．

以上の結果から，現段階ではグループ作成は，所属しているユーザの学習を活性化しないことが分かる．今回の施策では，学習状況を共有できる「グループ」があることで，学習が促進されるかを検証するために取り組んだ．しかし，グループの作成だけでは，各ユーザが利用イメージを具体的に持つことができなかったと考えられる．今後はすでに活動しているグループを参考に，グループでどのような学び合いを行うことが効果的か抽出し，個別のグループのニーズに合わせたサポートを行うことを検討する．

4.4　残存する課題と今後の取組について

本稿では，カスタマーアナリティクスに基づく自律的な学習習慣確立の支援を実現するため，3つの課題（①マクロな学習促進施策の確立，②学習者個々人のミクロな要望を満たす施策の実現，③効果的な学習促進）に対する取組とその結果を説明した．以下で得られた知見・成果と課題を説明する．

得られた知見・成果は主に2点ある．1点目は，ユーザの特徴によって，より良い介入施策が異なることが示された点である．4.1.2項の行動変容ステージモデルを活用した施策結果からは，全体向けのメールマガジンへの反応が行動ステージによって異なり，上位のステージほど開封率・反応率が高い．また，4.2節のパーソナライズ介入施策の結果では，同じ基準で抽出した対象者に同様の施策を実施したところ，開封率，反応率に差が生じていた．これらの結果は，同じ施策でも効果的な介入になるユーザと，そうでないユーザがいて，後者には別の観点での支援施策が必要になることを示す．

「誰に」，「どのような」施策が有効となるかは，いくつかの比較実験で傾向を分析した．4.1.4項の準備期・実行期のユーザに対する，認知バイアスを活用した滞留対策では，2つのパターンで開封率と反応率に差が生じていた．4.3節の効果的な学習支援の事例検証では，LXPの運営用アカウントからの介入よりも，つながりのある人からの介入がより効果的である可能性が示された．このような検証を繰り返し，「誰に」，「どのような」介入が有効となるか，引き続きさまざまな事例検証が必要である．

2点目は，行動変容デザイン手法を用いた介入により，LXPの導入後よりユーザの学習状態を可視化し，ステージごとの傾向対策の検討と実施ができた点である．4.1.1項の結果から，2024年2月までの変遷を見ると，はじめの半年間で多くのユーザが無関心期から関心期へステージ遷移し，その後徐々に準備期・実行期へ移動している傾向を示している．本稿で取り扱った以外にもさまざまな施策を実施しているため，厳密な効果の識別は難しいが，今回の施策でステージを移動できた，利用が増加したと考えられるユーザは一定数存在している．今後は，今回得られた知見をブラッシュアップし，施策を積み重ね，ほかの施策との組合せで，より多くのユーザがLXPをより活用できると考えている．

本稿で説明した3つの課題に対する対策について，残存している主な課題は2つある．1つ目は，学習者や集団個別のニーズに対応することである．成果の1点目でも触れたが，ユーザによってニーズが異なると，それぞれに合わせた最適なサポートを検討することが必要である．4.1.2項の結果からは，全ユーザ向けに配信したメールでは，上位の行動ステージと比較し，下位の行動ステージのユーザの反応率がきわめて低いことが分かる．4.2節のパーソナライズ介入施策では，通常よりも反応率が高いものの，実際に学習を完了するユーザは一部であったため，より個々人に刺さるサポートにしていく必要がある．

今後はそれぞれの詳細なニーズ（個々人のキャリアに対し必要なスキル，望むもの，業務状況，学習時間など）を抽出し，施策をより具体的なプロファイルに基づいたものに落とし込む必要がある．そのために重要となってくるのは，長期的な学習行動データの活用である．LXPのサービス提供を開始した2022年10月から1年半が経過しているため，時系列という軸でもカスタマーアナリティクスによる施策を強化していく．

2つ目は，ユーザとのタッチポイントの強化である．今回紹介した介入施策は主にメールを活用したが，メールを見逃す，メールを認識しているが，開く時間がないユーザも多くいると考えられる．また，4.3節で説明したように，サービス提供側の情報発信よりも，たとえばチーム内から情報共有があるほうが，より多くの学習がされる可能性が考えられる．今後は，ポータルサイトを通じた情報発信の増加，現場組織に入り込み活用方法をともに模索する，各部署の人事部門と連携して施策を推進する等，タッチポイントの増加に取り組む．これらの取組を推進することにより，ユーザとの関係性強化，施策の深化に努める．

学びの活性化にはサポートが必要だが，そのサポートは個人個人によって，必要とされるものが異なる（サポートの頻度，濃淡，スタイルなど）．今回適用した行動ステージなど，利用段階に応じたサポートや学び合い，学習の習慣化を促進する施策が重要になってくる．これらの学習支援を通じ，自律的に学び続ける人が増加し，学習の文化を定着させていくことに引き続き取り組んでいく．