データドリブンHRコンサルタント。ピープルアナリティクス内製化パートナーとして、データ活用を経営と人事の「文化」にする伴走者。
This is People Analytics Idea HUB, a brand new site by Kunihiro TAKEDA that's just getting started. Things will be up and running here shortly, but you can subscribe in the meantime if you'd like to stay up to date and receive emails when new content...
タレントマネジメントに関するピープルアナリティクスのユースケースです。 業務課題 * 戦略的にハイパフォーマーやタレントを育成したい。 関心・問い * ハイパフォーマーの自社での職務経験の特徴を明らかにし、他の従業員の配置や育成に活かすことはできないか。 分析アイデア * ハイパフォーマーの選定基準を明確にする。もしくは、人事内でコンセンサスを取る。 * ハイパフォーマー群と比較対照群の所属歴や活動記録を比較分析してハイパフォーマーの特徴的な経験を抽出する。 * 得られた情報から仮説を構築し、ヒアリングなどの定性的調査を行いながら、戦略的な配置や育成プランを具体化する。 利用するデータ * 人事基本情報 * 部門・所属情報 * 評価関連情報 * 職務歴・行動データ...
ジョブ型人事に関するピープルアナリティクスのユースケースです。 業務課題 * ジョブ型人事への移行について多角的に検討したい。 関心・問い * 制度変更によってレベリングや配置などにどのような変化が生じるか。 分析アイデア * 社内サーベイや移行リハーサルにより、移行後の想定情報を得る。（定性調査） * 移行リハーサルで得られた情報をもとにレベリングなどを予測する。予測モデルを解析し、予測因子が人事の想定とあっているか確認する。（定量調査） * 定性調査および定量調査を繰り返しながら洞察を得て制度設計に活かす。 利用するデータ * 人事基本情報 * 部門・所属情報 * 職種情報 * サーベイ・リハーサルによる情報...
棒グラフを使った人事データの可視化例です。棒グラフは量を比較するときに利用され、層別のデータ数や量的変数の平均値などの大きさを棒の長さで表現します。 人事データの可視化例 人事データ可視化の狙い * 全社的な人員配置戦略を検討するため、組織毎の在籍人数を確認する。 人事データ可視化アプローチ 利用するグラフ * 棒グラフ： カテゴリ変数の度数や、他の変数に対する統計量を棒の長さで表現する。 アプローチ * 所属別に従業員数を数え上げ、棒グラフで可視化する。 * グラフに所属の平均在籍人数を追記し、相対的に人数の多い部署や少ない部署を確認する。 グラフの作り方 * Pythonのseaborn.countplotによる可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker import japanize_matplotlib import seaborn as sns sns.set_theme(style='da...
折れ線グラフを使ってすべての個体（従業員）のデータを可視化するスパゲッティプロットの例です。すべての個体のデータをプロットすると線が重なってしまいますが、色の透過度を工夫することで全体的な傾向や外れ値・アノマリーを発見することができます。 人事データ可視化の例 人事データ可視化の狙い * 従業員別の時間外の推移を確認し、労務管理上の問題を確認する。 人事データ可視化アプローチ 利用するグラフ * 折れ線グラフ： 量的変数の経時的な変化を観察する。 アプローチ * 月別に独立した形で時間外が記録される横持ちデータから、縦持ちデータへ変換する。 * 各従業員の時間外時間数の推移を折れ線グラフを用いて可視化する。 * カテゴリカル変数である部の情報で線の色を変えることで、組織別の傾向を把握する。 * 各線の動きから季節変動や周期性、上昇・下降トレンドがないか確認する。 * 全体の動きと比較し、特異な動き方をしているデータはないか確認する。 グラフの書き方 * Pythonのseaborn.lineplotを使った可視化例。 import pa...
KDEプロットを使った人事データの可視化例です。KDEプロットは量的変数の分布を曲線で近似して可視化することができ、分布形状の比較を簡単に行えます。また、複数のカテゴリーで分割し俯瞰的に捉えるのに適しています。 人事データ可視化の例 人事データ可視化の狙い * 男女別の年齢構成の違いを比較し、人的資本経営の課題を発見する。 人事データ可視化アプローチ 利用するグラフ * KDEプロット： 量的変数の分布を滑らかな曲線で近似して確認する。 アプローチ * KDEプロットを使って男女別の年齢分布を確認する。 * 構成の違いを見るために、男女の人数差に影響されないように男女独立で密度を推定する。（common_norm=Flase を指定） * 組織などの属性でグラフを分割し、傾向の違いを把握する。 グラフの作り方 * Pythonのseaborn.kdeplotによる可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as tick...
2025年3月14日の日経新聞一面トップに人事におけるAI活用の記事が掲載されました。なかなかインパクトのある記事ですが、人事領域においてもAI活用が進んでいることがわかりますね。 人事評価・異動にAI、上司の役割担う JCOMやテルモ 客観データで公平性 - 日本経済新聞 記事を読むと人事評価や配置、採用、リテンションなど幅広い分野で事例がでているようです。様々な人事領域でAIの活用が期待されていることがわかりますね。一方、記事の中では、マーサージャパンの方より以下のようなコメントが掲載されており、人材流動化に対応した取り組みが求められ始めている印象を受けました。 組織・人事コンサル大手マーサージャパン（東京・港）の諸橋峰雄シニアプリンシパルは「世界でも人事領域のAI活用は始まったところで、異動・配置や採用などの分野から進んでいく」と話す。（記事より引用） とはいえ、人事課題は企業によって異なるものですので、企業毎にAIの適用領域が変わってくると想定されます。また、規模の大きな企業では、本社人事と本部内の人事（HRBP）で課題感が変わり、結果としてAIを適用したい場面も違う...
ジョブ型人事に関するピープルアナリティクスのユースケースです。 業務課題 * ジョブディスクリプションの記載レベルを向上させたい。 関心・問い * 組織ニーズにあったひな形を提示できないか。 分析アイデア * 現存するジョブディスクリプションの記載状況や採用実績を調査し、ベストプラクティスを抽出する。 * 人事の考えるベストプラクティスをもとに、ひな形をレコメンドする仕掛けを展開する。 利用するデータ * 人事基本情報 * 部門・所属情報 * 職種情報 * ジョブディスクリプション * 異動または採用実績...
散布図とKDEプロットを組み合わせたジョイントプロットによる人事データの可視化例です。2つの量的変数による2次元空間上に、各データがどのように分布しているか確認するために利用します。 人事データ可視化の例 人事データ可視化の狙い * 働き方とエンゲージメントの関係が職場によってどのように異なるのか考察したい。 人事データ可視化アプローチ 利用するグラフ 以下2つのグラフを組み合わせたジョイントプロット。 * 散布図： 量的変数と量的変数の関係を可視化。 * KDE（カーネル密度推定）： 量的変数の分布を滑らかな曲線で近似して確認する。 アプローチ * 時間外時間数とエンゲージメントの関係を散布図で可視化する。 * 職場別の傾向を把握するため、カテゴリカル変数である部の情報を用いて色分けする。 * 点の重なりが多いため、横軸・縦軸それぞれの量的変数に対して部別の分布を確認すべく、KDEによる可視化を行う。 * 全体を把握しながら職場別の傾向や特徴を探る。 グラフの作り方 * Pythonのseaborn.jointplotを使った可視化例...