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。
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...
リッジラインプロットを使った人事データの可視化例です。一般的に量的変数のばらつきや分布を確認するためにヒストグラムやKDEプロットが使われますが、リッジラインプロットはそれらを重ねて可視化することで、経年や部署での傾向を掴むことができます。 人事データ可視化の例 人事データ可視化の狙い * 全社の年齢構成を確認し、アノマリーやバイアスを見る。 人事データ可視化アプローチ 利用するグラフ * リッジラインプロット：多グループに分けられた量的変数に対して、グループ毎にカーネル密度推定を行って分布を可視化する。グループの数が多い場合でも全体を把握できるように、分布を重ねて表示させる。 アプローチ * 所属別の年齢分布をリッジラインプロットで描く。 * 所属に在籍する従業員数が大きく異なるため、各分布図はそれぞれの所属の人数に対する比率で表示できるようにする。 * グラフ全体を見ながら年齢の偏りや複数の年齢クラスターの存在、極端な年齢構成を取る所属がないか確認する。 グラフの作り方 * Pythonのjoypyを使ったグラフ可視化例。 import...
箱ひげ図を使った人事データの可視化例です。箱ひげ図は四分位数を利用して量的変数の分布を素早く捉えることができます。 データ可視化の例 データ可視化の狙い * 採用プロセスの改善点を探るために、パフォーマンスと採用時評価の関係を考察する。 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。 アプローチ * 量的変数である採用時能力評定の分布を成績別に箱ひげ図で可視化する。 * 成績を順序変数に変換することで、人事評価の意味と表示順番を合わせる。 * 成績別の箱ひげ図を採用種別で分け、採用プロセスの違いも考慮しながら比較する。 グラフの作り方 * Pythonのseaborn.boxplot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_t...
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...
ヒートマップを使った人事データの可視化例です。ヒートマップはクロス集計表やグループ集計表などの行列形式のデータを可視化することができ、表の可読性を向上させます。 人事データの可視化例 人事データ可視化の狙い * 所属別のコンピテンシー状況を把握し、人材育成施策を検討する。 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 * 所属別にコンピテンシーの各項目の平均値を計算する。コンピテンシーが種類別に独立した列になっている場合はグループ集計を利用し、コンピテンシーの種類と値による縦持ちデータの場合はクロス集計を利用する。 * でき上った集計表を用いてヒートマップを描き、各組織の特徴を把握する。 グラフの作り方 * Pythonのseaborn.heatmapによる可視化例。 import pandas as pd import matplotlib.pyplot as plt import matp...
ヒストグラムを使った人事データの可視化例です。量的変数の分布を可視化できるヒストグラムに加えて、分布の密度を曲線で可視化するKDEプロットを重ねることにより、分布の形状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 * 男女別のエンゲージメントの分布を比較し、課題を発見する。 人事データ可視化アプローチ 利用するグラフ * ヒストグラム： 量的変数を階級に区切って分布を確認する。 * 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 * エンゲージメントに対するヒストグラムとKDEを描き、分布の特徴を確認する。 * グラフを男女別に分けて重ねて観察することで、分布の違いを観察する。 人事グラフの作り方 * Pythonのseaborn.histplotを使った可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker import japanize_ma...
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...