スキルアセスメント結果の分析と整理
【プロジェクト事例】スキル情報とサーベイ情報との関連分析から人材育成課題を抽出。タレントマネジメントシステムだけでは得られないインサイトを得てマネジメント施策へ。
武田 邦敬
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。
113 posts
ダッシュボード化すべき勤怠情報の明確化
【プロジェクト事例】ダッシュボードを作ることを目的とするのでなく、労務課題を解決するための取り組みに発展。
ハイパフォーマーの特徴と配置傾向の分析
【プロジェクト事例】タレマネマネジメントにおける配置施策検討のためにデータを分析。人事内のディスカッションを深め、理想像を明確に。
Webサイトリニューアルから人事課題の深掘りへ
【プロジェクト事例】メンタリングによりコーポレートサイトリニューアルの狙いを具体化。軸を明確にしたうえで要件定義を行うことで、調達と開発をスムーズに。
ジョイントプロットによる解析
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...
比率順の帯グラフ
比率順に並べた帯グラフを使って人事データを可視化した例です。注目する指標やデータ観点があった場合、その比率が高い組織と低い組織がどのように分布しているのか確認する上で役立ちます。 人事データ可視化の例 人事データ可視化の狙い * パイパフォーマーを多く排出している組織またはマネジャーを探す。 * 人事評価のバイアスを確認する。 人事データ可視化アプローチ 利用するグラフ * 帯グラフ（横型の100%積み上げ棒グラフ）： データが持つカテゴリカル変数の属性に対し、データ全体またはグループ別の構成比を色分けされた帯状のグラフで可視化する。 アプローチ * 成績情報の中で、関心のある項目をまとめあげて新しいデータ項目として保存する。 * 所属別に新しいデータ項目に対する帯グラフを描き、分布の偏りを確認する。 * 帯グラフをソートし、パイパフォーマーを多く輩出している組織を探索する。 グラフの作り方 * Pythonのpandas.plot.barを使った可視化例。 import pandas as pd import matplotlib.py...
層別折れ線グラフ
折れ線グラフを使った人事データの可視化例です。量的変数の経時的な変化を観察するために利用します。グレードや職種などの人事属性で平均をとって可視化すると、層別折れ線グラフをとなります。 人事データ可視化の例 人事データ可視化の狙い * 人事属性別の時間外時間数の推移を確認し、労務管理の課題を探る。 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。 * グレード別の時間外時間数の平均的な推移を折れ線グラフを用いて可視化する。 * 長時間労働の傾向のあるグレードを把握するとともに、季節変動や分散が大きいグレードがないか確認する。 グラフの作り方 * Pythonのseaborn.lineplotを使った可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker import ja...
箱ひげ図 ＋ ストリッププロット
箱ひげ図とストリッププロットを使った人事データの可視化例です。箱ひげ図は量的変数の分布を比較する上で重宝されるグラフですが、分布の偏りや形状が分からないという欠点があります。そこで、ストリッププロットと組み合わせて可視化することで、データの分布を細かく確認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 * グレード別の時間外勤務状況を確認し、労務管理上の課題を探る。 * 平均値や中央値では見えにくいばらつきを確認する。 人事データ可視化アプローチ 利用するグラフ * 箱ひげ図： 四分位数を利用して量的変数の分布を確認する。 * ストリッププロット： カテゴリカル変数でグループ分けした量的変数の分布を観察する。 アプローチ * 順序尺度に変換したグレードを横軸にとり、時間外時間数を縦軸にとった箱ひげ図を描く。続いて同様にストリッププロットで点を打つ。 * 箱ひげ図とストリッププロットの違いを確認しながら、各グレードに複数のクラスターがあることを確認する。 * ストリッププロットを性別等の他のカテゴリカル変数で色分けすることで、...
Lowessによる傾向の可視化
Lowess（局所加重散布図平滑化）を使った人事データの可視化例です。散布図にノンパラメトリックな曲線をフィットさせることで、量的変数同士の非線形な関係を捉えることができます。 人事データ可視化の例 人事データ可視化の狙い * 年休消化率改善のため時間外との関連を探る。 人事データ可視化アプローチ 利用するグラフ * 散布図： 量的変数と量的変数の関係を可視化。 * Lowess： 変数と変数の非線形な関係を推測し可視化する。 アプローチ * 分析対象とする組織のデータに絞り込み、散布図を用いて働き方の特徴を観察する。 * 散布図から非線形な関連があると想定し、Lowessを用いて関係性を考察する。 グラフの作り方 * Pythonのseaborn.regplot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...