散布図とは？ 散布図は2つの量的変数の関係を分析するために使うグラフです。 散布図では、グラフの縦軸と横軸に量的変数をとり、一つ一つのデータを点で表します。点がどのように分布しているか、何か特徴的な傾向はないかなど確認していきます。 上にあげた散布図の例は、会社従業員の年齢と勤続年数の関係を表したグラフになります。年齢が高いほど勤続年数も高くなっていることがわかります。このように、2つの量的変数の大きさが連動しているような関係を相関関係と呼びます。 また、こちらの散布図を見ると、中央下部に全体から外れた点が存在していることもわかります。これも大切な情報で、「これらの外れたデータは何を意味するのだろう？」と考えてみると、様々な発見につながることがあります。 Pythonで散布図を描く この記事で掲載している散布図は、当サイトで提供している人事トイデータ(拡張版)を使用したものです。また、ツールとしてPythonのSeabornを用いて作図しました。具体的なPythonコードは以下のようになります。 まずは初期設定とデータの読み込みから。 # ライブラリの読み込みと初期設...
箱ひげ図とは？ 箱ひげ図は量的変数のばらつきを視覚的に表すことができるグラフで、中央値を中心にデータがどのように分布しているか一目で確認することができます。 ひとつの量的変数に対して箱ひげ図を作ることもできますが、別の質的変数でグループを作ってグループ同士でばらつきを比較するときによく使います。中央値、四分位数といった統計量を用いて描写するため、データ量が多くても素早く描写することができます。 箱ひげ図の見方 箱ひげ図は、量的変数に対する統計量である四分位数を線と箱で描写したものです。 具体的には、データを小さい順に並べて四等分し、その境界にあるデータ点を統計量としてとらえて作図していきます。 * 最小値 * 25%点（第1四分位数） * 中央値（第2四分位数） * 75%点（第3四分位数） * 最大値 このうち、25%点から75%点に含まれるデータ範囲を四分位範囲といい、中央値を中心に全体の半分のデータが収まる範囲となります。箱ひげ図では四分位範囲を四角い箱で描写します。また、最小値から25%点、75%点から最大値までの間は線で表現され、「ひげ」と呼...
バイオリンプロットを使った人事データの可視化例です。カテゴリ別に量的変数のばらつきや分布を比較する際に利用します。箱ひげ図よりも分布の形状を捉えやすい利点がありますが、データが少ない場合は曲線のフィッティングが不安定になることもあります。 人事データ可視化例 人事データ可視化の狙い * グレード別のエンゲージメントの分布を確認し、組織開発のヒントを探る。 人事データ可視化アプローチ 利用するグラフ * バイオリンプロット： 量的変数の分布を滑らかな曲線と四分位数（箱ひげ図）で確認する。 アプローチ * 量的変数であるエンゲージメントをグレード別に分け、バイオリンプロットで可視化することで分布の違いを確認する。 * グレードを順序尺度変数に変換することで、グレードの並び順を変更する。 * 図の中心にある箱ひげ図の上端と下端を確認し、曲線の意味合いに留意する。 グラフの作り方 * Pythonのseaborn.violinplotを使った可視化例。 import pandas as pd import matplotlib.pyplot as...
「人事データ分析入門講座」講師の武田です。 久しぶりの配信となりますが、本日もよろしくお願いします。 前回まで、「データがやってきたら、まず何をやるべきか？」というテーマでお伝えしてきました。そして、人事データ分析ではWho（誰）という視点でデータの外観を捉え、分析対象である人と組織に対する理解を深めておくことが重要だとお伝えしました。 Whoという視点でデータの外観を捉えることをお伝えしました。 具体的には、「データ」「システム」「従業員」それぞれでどんな人が含まれているのか把握することが大切で、いずれも分析対象である人への理解を深めることがポイントになります。 データがやってきたら、まず何をやるべきか？（後編） 本投稿より、データから外観を捉える方法についてお伝えしていきます。 さて、データから外観を捉える場合、データ項目の種類によってアプローチが変わってきます。人事データに含まれるデータ項目は、大きく分けて以下2つの種類にわけることができます。 * 質的変数： 大小関係を比較したり演算ができる変数（年齢、時間外勤務時間数など） * カテゴリカル変数： そのままで...
配置や人事異動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 * 定期人事異動業務の暗黙知を見える化したい。（一括異動方式の場合） * 全社の異動実態を把握し、配置プロセスの問題点を見つけたい。（現場主導方式の場合） 関心・問い * 全社または職種、所属別に典型的な異動パターンは存在するだろうか。 * 管理職やハイパフォーマー育成につながる異動パターンがあるのではないか。 分析アイデア * 過去の異動履歴情報を集計し、所属に経験職場の統計値を整理する。 * 整理された職場経験の統計情報から、異動パターンを類型化する。 * 類型化された異動パターンと人事属性との関連を分析する。 利用するデータ * 人事基本情報 * 異動履歴 * その他関連指標...
組織開発やエンゲージメント施策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 * 全社で従業員エンゲージメントを改善し優秀人材を定着させたい。 * 従業員エンゲージメント改善のための施策を検討したい。 関心・問い * 従業員エンゲージメントが低い部門や属性はないか。 * 著しく従業員エンゲージメントが改善、もしくは、悪化しているグループはないか。 * 従業員エンゲージメント向上のポイントは何か。 分析アイデア * 部門・所属・人事基本属性別に従業員エンゲージメントの状況を集計・比較し、相対的に従業員エンゲージメントに課題のあるグループを特定する。 * 従業員エンゲージメントと他の人事KPIや人的資本経営上の指標との関連を分析する。 * 改善傾向にあるグループの発掘を通じて、施策の横展開のための情報を入手する。 利用するデータ * 人事基本情報 * 部門・所属情報 * エンゲージメント * その他サーベイ...
労務管理やコンプライアンス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 * 法令や社内で定めた指標閾値を超過する前に予兆を発見できないか。 関心・問い * 法令や社内で定めた指標閾値を超過する前に予兆を発見できないか。 * 労務管理にかかる作業を削減できないか。 分析アイデア * 所属別・個人別に時間外時間数、有給休暇取得率、出勤率等の情報を集計し、社内で定められた管理指標にしたがってデータを可視化・展開する。 * 所属別・個人別に時間外時間数や有給休暇消化率の経過を予測し、年度内に閾値を超過する恐れがある場合にアラートをあげる。 利用するデータ * 人事基本情報 * 部門・所属情報 * 時間外等情報 * 休暇関連情報 * 勤怠情報...
人事評価や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 * 人事評価の公平性を確保したい。 * マネジャーによる評価プロセスや基準を揃えたい。 関心・問い * 評価者によって人事評価に何らかのバイアスがあるのではないか。 分析アイデア * 一次評価と二次評価のギャップから、評価者の評価傾向を確認する。 * 全社もしくは職種や部門単位で評価分布を比較分析し、評価者もしくは人事属性の偏りを確認する。 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...
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 * ロール設計において、既存の職種との関係やカバレッジを俯瞰的に捉えられないか。 分析アイデア * ロールプロファイル案と既存職種を対応付けたデータを基に、過不足やレベリングの構造上の問題を発見する。 * ロールプロファイル案の属性情報から隠れ構造を抽出し、ロール横断的な特徴を発見する。 利用するデータ * 人事基本情報 * 部門・所属情報 * 職種情報 * ロールプロファイル案...
