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...
ストリッププロットによる人事データ可視化例です。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。各層の平均値や代表値を重ねることも可能です。 人事データの可視化例 人事データ可視化の狙い * 所属別の時間外勤務の状況を比較する。 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 * 時間外時間数を所属(部)でグループ分けして分布を比較する。 * 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。 * ストリッププロットに中央値(黒実線)と平均値(赤破線)を追加し代表値の違いを確認する。（代表値の表現にはboxplotを利用） * 中央値と平均値のギャップから分布の偏りを確認する。 グラフの作り方 * Pythonのseaborn.stripplotとseaborn.boxplotによる可視化例。 import pandas as pd import matpl...
主成分分析によって次元削減された人事データに対する散布図の可視化例です。コンピテンシーなどの複数の量的変数から構成されるデータを要約する目的で、主成分分析がよく使われています。その結果を散布図を利用して可視化し、特徴をつかむことができます。 人事データ可視化の例 人事データ可視化の狙い * 多くの変数で構成されているコンピテンシーを主成分で要約し、人事属性との関連を探る。 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。 アプローチ * データからコンピテンシーに関する項目を抽出し、主成分分析を適用する。 * 第1主成分と第2主成分を使って、データの分布を可視化する。主成分の寄与率などを確認しながら他の主成分の状況も確認する。 * グレードなどのカテゴリカル変数で色分けし、コンピテンシーとの関連を探る。 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 i...
散布図を使った人事データの可視化例です。散布図を使うことで量的変数同士の関係を確認したり、クラスターの存在を発見したりすることができます。 人事データの可視化例 人事データ可視化の狙い * 時間外勤務と年次有給休暇の消化状況の関係を把握する。 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。 * 年代を順序尺度の変数に変換した上で散布図の点を色分けし、年代別の特徴を観察する。 * 全体の分布から外れた特異なクラスターがないか確認する。 グラフの作り方 * Pythonのseaborn.scatterplotを使った可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker import japanize_matplotlib import seaborn as sns sns.set() plt.rcP...
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...
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...
