2024年の技術支援活動で発見した5つのこと
ピープルアナリティクスおよびデジタル人材の育成にフォーカスを当て、一年間の技術支援活動で気づいたことをまとめてみました。
ニュースレター
クニラボが発行するデータ分析に関するニュースレターです。無料購読された方のみ全文を読むことができます。（2026年3月まで「データ分析ダンジョン探索ガイド」として発行していたレターをリニューアルしました）
24 posts
「シェア」の変化を可視化して分析する（効果的なグラフの使い方）
今回は米国の検索広告市場シェアの変化を例題として、グラフの使い方と選び方を考えてみます。
データによる予測手法の選択戦術
予測問題にチャレンジするデータアナリストに向けて、予測問題の位置づけや手法選択のための戦術をお伝えします。
「スキルベース」はピープルアナリティクスにどう活用できるか？
最近人事分野では、「スキルベース組織（skills-based-organization）」というキーワードがトレンドになりつつあります。このレターではスキルデータの活用シーンとハンドリングについて考えてみます。
データ分析ダンジョンに潜む魔物
こんにちは。データ経営コンサルタントの武田邦敬です。 リニューアル後1回目の配信になります。 本レターでは、しばらくデータアナリストやデータサイエンティストが抱える課題感について考えてみたいと思います。今回のテーマは「データ分析ダンジョンに潜む魔物」ということで、データ分析プロジェクトの最大の障壁を取り上げます。チームの状況や経験年数によって壁は変わってくると思いますが、過去の自分やチームメンバーが直面してきた課題から、もっとも重たいものをあげてみました。 まずは、過去の失敗事例からお伝えしたいと思います。...
変数の外観を捉える #3 （カテゴリカル変数）
「人事データ分析入門講座」講師の武田です。 本日もよろしくお願いします。 今回は、前回の続きで、カテゴリカル変数の外観を捉える方法をお伝えしていきます。 カテゴリカル変数の分析を始める前に 量的変数は定量的な比較ができますが、カテゴリカル変数は直接的には量的な分析を行うことはできません。そのため、量的変数に何らかのまとまり（グループ）を与えるものとして利用している方も多いのではないでしょうか。例えば、所属別に時間外時間数を比較したり、男女別にエンゲージメントを集計したり。 人事データ分析では人や組織の観点が重要で、それらが持つ属性情報が分析の切り口になります。そして、人や組織の属性情報の多くがカテゴリカル変数で表現されています。そのため、カテゴリカル変数は分析の切り口として大きな意味を持ちます。 それでは、人事データ分析を始める前にカテゴリカル変数の外観を捉えるとは、どのような作業を指すのでしょうか？ 第一にやるべきことは、カテゴリカル変数に含まれる要素（カテゴリー）の種類を確かめることです。例えば、性別や所属、グレード(あるいは等級)というデータ項目があった場合、そのデ...
変数の外観を捉える #2（量的変数）
「人事データ分析入門講座」講師の武田です。 本日もよろしくお願いします。 今回は、「変数の外観を捉える #1」の続きで、量的変数の外観を捉える方法をお伝えしていきます。 量的変数の分析を始める前に 量的変数を用いた分析は日常的なものです。例えば、次のような疑問に答えるために日々データと向き合っていらっしゃるのではないでしょうか。 * どの部署が時間外が多いか。働き方の改善には何が必要か。 * エンゲージメントが極端に高い、もしくは低い職場はあるか。課題は何か。 * 部署の年齢構成はどうなっているのか。配置施策をどうするか。 これらの疑問に答えるためには、関心事に対応した量的変数を調べてみる必要があります。ここでいうと、時間外、エンゲージメント、年齢ですね。そして、これらのデータを使って分析を始める前に、データの全体像を押さえておくことが大切です。 例題として年齢について考えてみたいと思います。当サイトで公開している「HRトイデータ_人事情報_拡張版」から10件ほどランダムサンプリングして年齢を確認すると、以下のような値となりました。 37, 34, 24, 2...
変数の外観を捉える #1 （変数の種類について）
「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...
データがやってきたら、まず何をやるべきか（後編）
こんにちは。 「人事データ分析入門講座」講師の武田です。本日もよろしくお願いします。 この講座では、人事データ分析に取り組み始めた方に向けて、データ分析の考え方や方法をお伝えしています。本レターで7回目の配信となりました。 今回は昨年末に配信した「データがやってきたら、まず何をやるべきか」の続きになります。 前編では、データ分析を始める前にデータの発生源を押さえるため、What, Where, When, Howという観点で確認することをお伝えしました。本レターでは、Whoという視点でデータの外観を捉えることをお伝えしていきます。 手元に人事データがやってきたとき、「そのデータには誰が含まれているのか？」と問うことは大変重要です。 人事データ分析の主軸は人と組織です。 組織が人の集合体と考えると、データの外観を捉える上で「誰が」という切り口はもっとも大切な要素といえます。 3つの観点でWhoを考える 皆さんの手元に人事データやサーベイの結果があったとします。さて、このデータはどのような経路をたどってやってきたのでしょうか？ 前編で取り上げたWhat, When...