HRにおける課題という言葉のあいまいさを活かす
「人事課題」という言葉をLLM3つに分類させたら、結果がバラバラだった。同じWebテキストを分析しているはずなのに。その「ズレ」の背景には、経営・現場・マーケットという3方向からの圧力を受け続ける人事の複雑な立場がある。
組織開発
組織開発に関する取り組みやユースケースです。
12 posts
余白が、真の課題を連れてくる
最初に提示された課題は、たいてい本当の課題ではない。それに気づくために必要なのは、より高度な分析スキルではなく、余白だった。
組織サーベイ分析を通したデータ分析スキルの向上
【プロジェクト事例】組織サーベイ分析プロジェクトをベースに人事内データ分析チームのスキルアップを促進。座学では得られない実践知を習得。
ダッシュボードを作る前に、データを深掘りして対話する
データドリブン経営の肝は意思決定に数字を持ち込むことです。KPIを追いかけることはもとより、KPIと他のアクションとの関連性を統計的に分析することで、ファクトベースで施策を打てるようになるのが理想的です。 このように考えると、数字を効率的に追従して周知するためにBIによるダッシュボードを作るという話に繋がってきます。ダッシュボードをうまく作ると、見るべき数字のグラフや集計結果を一目でわかり、データも随時更新されます。部下やステークホルダーからのペーパーベースでの報告書を待つのではなく、いつでも見られるようにしておけばトレーサビリティも上がって素晴らしいというわけですね。 ダッシュボードの作り方について考えてみます。 KPIを可視化する（トップダウン） さて、この「ダッシュボード」ですが、それを作るときにどのような情報を詰め込むか明確になっているでしょうか。 トップダウンで考えるならば、組織目標としてのKGIがあり、KGIをブレイクダウンしたKPIが構成されていて、それらのKGI/KPIと補助情報をダッシュボードに盛り込めば良いということになります。しかし、このように作ったダ...
グラフを使って対話しながら進める
データ分析プロジェクトでは、対象とする業務や問題設定を問わず、どこかの時点でグラフを描くことになります。初期分析や探索的データ分析、分析結果のレポーティングなど、データアナリストはグラフを活用しながら分析を深めていきます。 人事データ分析でもグラフは大切ですが、とりわけプロジェクトメンバーとの議論を深めるために欠かせないものだと考えています。それはレポーティングの場面だけでなく、日常的なグラフを使った対話が大切だという意味です。 この点について、他分野のプロジェクトと比較しながら掘り下げてみます。 コミュニケーション密度 データ分析に必要な時間は様々ですが、少なくとも1.5か月から3か月を最小期間としてプロジェクトを回すことが多いのではないでしょうか。データ分析リソースを外部調達している場合は、半年から1年程度のプロジェクトになるかもしれません。 人事データ分析のプロジェクトでも同様なボリュームになりますが、他分野のプロジェクトと比較してよりコミュニケーションに時間をとる印象があります。主観的ではありますが、うまくいくプロジェクトほどプロジェクトメンバーでよく会話してい...
ジョイントプロットによる解析
散布図とKDEプロットを組み合わせたジョイントプロットによる人事データの可視化例です。2つの量的変数による2次元空間上に、各データがどのように分布しているか確認するために利用します。 人事データ可視化の例 人事データ可視化の狙い * 働き方とエンゲージメントの関係が職場によってどのように異なるのか考察したい。 人事データ可視化アプローチ 利用するグラフ 以下2つのグラフを組み合わせたジョイントプロット。 * 散布図： 量的変数と量的変数の関係を可視化。 * 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 * 時間外時間数とエンゲージメントの関係を散布図で可視化する。 * 職場別の傾向を把握するため、カテゴリカル変数である部の情報を用いて色分けする。 * 点の重なりが多いため、横軸・縦軸それぞれの量的変数に対して部別の分布を確認すべく、KDEによる可視化を行う。 * 全体を把握しながら職場別の傾向や特徴を探る。 グラフの作り方 * Pythonのseaborn.jointplotを使った可視化例...
相関行列の可視化
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...
散布図による多変量の可視化
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='...
バイオリンプロット
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...