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。
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...
Microsoft 365 Copilotを使えば、Excel上で自然言語によるデータ分析が可能になります。実際に試してみたのですが、内部でPythonコードが動いているようで、Excel単体では難しかった統計解析もサクッと実行できることが分かりました。使い慣れたExcelの延長線上で、これほどの分析ができるとは驚異的です！ 今回は、ピープルアナリティクスを題材に、Excel × Copilotによる分析の様子をデモ動画にまとめました。まずはこちらをご覧くださいませ。 使用したデータは当サイトで公開中のHRトイデータです。コンピテンシー項目に着目し、主成分分析で次元削減を通して隠れたパターンを探索しています。 使い慣れたExcelを使いながら自然言語で高度な分析を指示できるのは魅力的で、ピープルアナリティクスの内製化の切り札になるのではないかと感じました。その理由は次の通りです。 1. 自然言語で指示ができ、分析に関するコーティングの手間を大幅に削減できる。 2. 多くの企業に普及しているMicrosoft 365上で動作するため、Pythonの実行環境の準備が不要になる。...
本レターでは、経営の観点で人的資本経営の位置付けを整理した上で、ピープルアナリティクスとの接点を考えてみます。
本レターでは、施策効果の正しい測定に向けた課題と、その対応策としてのA/Bテストおよび因果推論手法を紹介します。
Geminiでデータ分析ができるようになったようですね。Googleスプレッドシートから直接分析できるのであれば結構便利かもしれません。 * 「Google スプレッドシート」でGeminiがデータ分析やグラフ生成を行えるように - 窓の杜 プログラミングの現場には様々な形で生成AIが入り込んできていますが、その流れがデータエンジニアリングやデータ分析の方にもやってくる可能性もあります。 ということで、早速ピープルアナリティクスを題材にGeminiで分析をやってみました。デモ的にざっと流した様子を動画にまとめたので、まずはこちらをご覧くださいませ。 ご覧の通り、Google WorkspaceのGoogleスプレッドシートから直接呼び出す形で実行しています。 自然言語ベースでの作業指示でここまでできるというのはすごいですね。 1年半前にChatGPTのCode Interpreterが登場したときも驚きましたが、そのときよりも洗練されています。 なお、こちらの動画は手早く見えるように編集しているので、実際はもう少し時間がかかっています。キャプチャした動画の元ファイルを確...