人事労務管理に関する取り組みやユースケースを発信しています。
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...
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（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...
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...
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...
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...
労務管理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 * 管理職に労働環境改善のアクションを促したい。 関心・問い * 人事総務部門から全社への情報提供を効率的に行えないか。 分析アイデア * 時間外や年休消化率等の労務指標を部門・所属・個人別に集約し、予測・アラート情報を付加した上でダッシュボードとして全社に展開する。 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 * その他関連指標...