ピープルアナリティクス

ピープルアナリティクス

ピープルアナリティクスに関する実践知やノウハウを発信しています。

118 posts
Python in Excelを使った簡易EDAツール(グラフの自動選択)

Python in Excelを使った簡易EDAツール(グラフの自動選択)

Python in Excelであれこれ試しているのですが、前々から作ってみたかった簡易EDAツールを作ってみました。テーブルデータの項目を選ぶと、いい感じのグラフを自動的に作ってくれるというものです。以下の動画は動作させたときの例で、SNSに投稿したものです。再生速度を上げているので、実際の動作はもう少しゆったりしています。 Python in Excelの動作確認をしながら楽しく適当に作ったものだったのですが、XやLinkedInでポジティブな反応があって驚きました。ありがたいです! せっかくなので、こちらのブログでどうやって作ったのか紹介します。 やりたかったこと 今回やりたかったことは、データテーブルの項目を選ぶと自動的にいい感じのグラフを作るというものでした。つまり、データの種類に応じてデータ可視化手法を選ぶツールをPython in Excelで作ってみたわけです。 どのような場面でどういったグラフを選択するかというのは、ある程度データ分析の経験者の方であればあたりをつけられる思います。しかし、データ分析を始めたばかりの方は、すぐに思い浮かばないことがあるかもし...

Python in Excelを使って分析をしよう

Python in Excelを使って分析をしよう

Excelの上でPythonを動かせる「Python in Excel」がついに正式にリリースされました。記事を書いている2024年10月23日時点で、ビジネス向けのMicrosoft 365にて動かすことができます。個人向けはプレビュー版のままですが、試してみることもできます。 Python in Excel の概要 - Microsoft サポート Excel の Python は、現在、バージョン 2407 (ビルド 17830.20128) 以降、Windows で現在のチャネルを実行している Enterprise ユーザーと Business ユーザーにロールアウトされています。 バージョン 2405 (ビルド 17628.20164) 以降の Windows で現在のチャネルを実行しているファミリー ユーザーと個人ユーザーはプレビュー段階で利用できます。 (2024.10.23時点の記述内容) 早速手持ちの人事トイデータを使って動かしてみたのですが、以前触ったときよりも洗練されている気がしました。ざっとご紹介したいと思います。 何ができるの? 「Python...

仮説検証サイクル、どこから始めるべき? (自己診断ツールご紹介)

仮説検証サイクル、どこから始めるべき? (自己診断ツールご紹介)

以前投稿した記事にて、ピープルアナリティクスは人事に仮説検証型のプロセスを導入するための手段だということをご説明しました。 そして、仮説検証の進め方として、Detect/Dig/Decide/ImplementからなるDDDIサイクルという考え方を提唱させていただきました。 ピープルアナリティクスの仮説検証サイクル(DDDIサイクル)ピープルアナリティクスでは、ファクトをベースに問題を発見し課題解決につなげていくことがポイントになります。これにより、人事に仮説検証型のプロセスを導入することができます。 この記事では人事における仮説検証のイメージをお伝えし、ピープルアナリティクスを人事にビルドインするための考え方(DDDIサイクル)をご紹介します。 ビジネスにおける仮説検証 ビジネスにおける仮説の検証とは、ビジネス上の施策を仮説をもって実施しその効果を振り返り軌道修正を図るような取り組み全般を指します。これはピープルアナリティクスに限らず、ビジネスの様々なシーンで活用されているアプローチです。 例えば、生産現場における改善や、WebマーケティングにおけるA/Bテストが代表的な仮説検証...

データ分析ダンジョンに潜む魔物

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。...

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

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

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...

You’ve successfully subscribed to People Analytics Idea HUB
Welcome back! You’ve successfully signed in.
Great! You’ve successfully signed up.
Success! Your email is updated.
Your link has expired
Success! Check your email for magic link to sign-in.