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。
リッジラインプロットを使った人事データの可視化例です。一般的に量的変数のばらつきや分布を確認するためにヒストグラムやKDEプロットが使われますが、リッジラインプロットはそれらを重ねて可視化することで、経年や部署での傾向を掴むことができます。 人事データ可視化の例 人事データ可視化の狙い * 全社の年齢構成を確認し、アノマリーやバイアスを見る。 人事データ可視化アプローチ 利用するグラフ * リッジラインプロット：多グループに分けられた量的変数に対して、グループ毎にカーネル密度推定を行って分布を可視化する。グループの数が多い場合でも全体を把握できるように、分布を重ねて表示させる。 アプローチ * 所属別の年齢分布をリッジラインプロットで描く。 * 所属に在籍する従業員数が大きく異なるため、各分布図はそれぞれの所属の人数に対する比率で表示できるようにする。 * グラフ全体を見ながら年齢の偏りや複数の年齢クラスターの存在、極端な年齢構成を取る所属がないか確認する。 グラフの作り方 * Pythonのjoypyを使ったグラフ可視化例。 import...
箱ひげ図を使った人事データの可視化例です。箱ひげ図は四分位数を利用して量的変数の分布を素早く捉えることができます。 データ可視化の例 データ可視化の狙い * 採用プロセスの改善点を探るために、パフォーマンスと採用時評価の関係を考察する。 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。 アプローチ * 量的変数である採用時能力評定の分布を成績別に箱ひげ図で可視化する。 * 成績を順序変数に変換することで、人事評価の意味と表示順番を合わせる。 * 成績別の箱ひげ図を採用種別で分け、採用プロセスの違いも考慮しながら比較する。 グラフの作り方 * Pythonのseaborn.boxplot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_t...
ヒートマップを用いた相関行列の可視化例です。この例では人事基本情報やコンピテンシー、エンゲージメント、時間外などの相関を分析した例になっています。 人事データ可視化の例 人事データ可視化の狙い * 量的変数間の相関関係を把握する。 * エンゲージメントなど組織サーベイと関連のある項目を探索的に探す。 人事データ可視化アプローチ 利用するグラフ * ヒートマップ： クロス集計表や行列の値に応じて色付けすることで、平均から比べて当た値が高い（または低い）セルを視覚的に探しやすくする。 アプローチ * 相関係数を用いて、入手データの量的変数同士の相関関係を網羅的に把握する。 * 入手データの量的変数に対して相関係数を計算し、相関行列を作る。 * 相関行列を入力としてヒートマップを描く。このとき、ゼロを中心に正負で異なる色を持つカラーバーを用いて視覚的に探索しやすくする。 グラフの作り方 * Pythonのseaborn.heatmapを使った可視化例。 import pandas as pd import matplotlib.pyplot a...
ヒートマップを使った人事データの可視化例です。ヒートマップはクロス集計表やグループ集計表などの行列形式のデータを可視化することができ、表の可読性を向上させます。 人事データの可視化例 人事データ可視化の狙い * 所属別のコンピテンシー状況を把握し、人材育成施策を検討する。 人事データ可視化アプローチ 利用するグラフ * ヒートマップ： クロス集計表や行列の値に応じて色付けすることで、平均から比べて当た値が高い（または低い）セルを視覚的に探しやすくする。 アプローチ * 所属別にコンピテンシーの各項目の平均値を計算する。コンピテンシーが種類別に独立した列になっている場合はグループ集計を利用し、コンピテンシーの種類と値による縦持ちデータの場合はクロス集計を利用する。 * でき上った集計表を用いてヒートマップを描き、各組織の特徴を把握する。 グラフの作り方 * Pythonのseaborn.heatmapによる可視化例。 import pandas as pd import matplotlib.pyplot as plt import matp...
ヒストグラムを使った人事データの可視化例です。量的変数の分布を可視化できるヒストグラムに加えて、分布の密度を曲線で可視化するKDEプロットを重ねることにより、分布の形状を捉えやすくなります。 人事データ可視化の例 人事データ可視化の狙い * 男女別のエンゲージメントの分布を比較し、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 * ヒストグラム： 量的変数を階級に区切って分布を確認する。 * 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 * エンゲージメントに対するヒストグラムとKDEを描き、分布の特徴を確認する。 * グラフを男女別に分けて重ねて観察することで、分布の違いを観察する。 人事グラフの作り方 * Pythonのseaborn.histplotを使った可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker import japanize_ma...
線形回帰付き散布図を使った人事データの可視化例です。散布図は量的変数同士の関係を観察するために利用されます。散布図に回帰直線をフィットさせることで、傾向を捉えやすくなります。 人事データ可視化の例 人事データ可視化の狙い * マネジメント教育施策の検討のため、勤続年数とコンピテンシーの関係を調査する。 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。 * 線形回帰(単回帰)： 変数同士の線形な関係を推測する。 アプローチ * 関心のあるコンピテンシー項目と勤続年数から散布図を作り、関係性を確認する。 * 採用種別により勤続年数の意味合いが異なると想定し、グループ分けしたうえで回帰直線をフィットさせる。 グラフの作り方 * Pythonのseaborn.lmplotによる可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker import japanize_matplot...
散布図を使った人事データの可視化例です。量的変数同士の関係やクラスターの存在を確認する上で散布図は有効です。また、縦軸と横軸に加えて3つ目の変数で点のカラーを変更することで、クラスターの傾向を確認することもできます。 人事データ可視化の例 人事データ可視化の狙い * エンゲージメントと働き方の関係を調査する。 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。 アプローチ * 散布図に含まれる点の分布を見て、働き方の特徴を観察。 * エンゲージメントで点に色を付けることで、働き方の特徴との関連を探る。 グラフの作り方 * Pythonのseaborn.scatterplot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='...
100%積み上げ棒グラフを使った人事データの可視化サンプルです。量的変数のカテゴリ別の内訳や割合を確認するために利用されます。 人事データ可視化の例 人事データ可視化の狙い * 組織別の人事評価分布を比較し、バイアスなどを確認する。 人事データ可視化アプローチ 利用するグラフ * 100%積み上げ棒グラフ： 層別棒グラフを他のカテゴリカル変数で分割し、各セクションの値を棒全体の合計値の割合で表すことで、各層に含まれるカテゴリカル変数の違いを比較する。 アプローチ * 量的変数である部と成績のクロス集計を行って組織・評価別の人数を数え上げ、組織の合計人数で標準化する。（組織毎に成績別人数構成比を算出） * クロス集計の結果を積み上げ棒グラフをして可視化し、組織別の評価分布の違いを観察する。 グラフの書き方 * Pythonのpandas.plot.barを使った可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker...
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。ストリッププロットは量的変数のばらつきを点群で可視化する手法で、量的変数とカテゴリ変数の関係を確認するために利用されます。カラーの透過性を調整することで、データの密度を観察することもできます。 人事データの可視化例 人事データ可視化の狙い * 年代別に時間外勤務の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 * 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 * 時間外時間数を年代でグループ分けして分布を比較する。 * 年代を順序尺度変数に変換することで、表示順に統一性を持たせる。 * ストリッププロットの点の散布を観察し、ばらつきの違いを確認する。 * それぞれのグループ内で更にグループ分けする余地があるか確認する。（複数のクラスターの存在を確認） グラフの作り方 * Pythonのseaborn.stripplotによる可視化例。 import pandas as pd import matplotlib.pyplo...