OrgPath2Vec：人事異動履歴からキャリアパスを分析する
異動履歴データから社内のキャリアパターンを発見できるだろうか。本記事では、Word2Vecを応用して従業員のキャリアパスをベクトル化する手法「OrgPath2Vec」を紹介する。所属コードの系列情報だけを用いて、組織内に存在する複数のキャリア類型を抽出した事例を解説する。
タレントマネジメント
タレントマネジメントに関する取り組みやユースケースなど。
12 posts
人事異動AIと数理最適化―富士通のプレスリリースを読み解く
富士通とトラスコ中山の人事異動AI導入のプレスリリースを読み解く。キーワードは「数理最適化」。目的関数のアイデア、ワークする条件、機械学習との使い分けまで考えてみた。
ハイパフォーマー育成のための配置施策を検討する
タレントマネジメント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 * 戦略的にハイパフォーマーやタレントを育成したい。 関心・問い * ハイパフォーマーの自社での職務経験の特徴を明らかにし、他の従業員の配置や育成に活かすことはできないか。 分析アイデア * ハイパフォーマーの選定基準を明確にする。もしくは、人事内でコンセンサスを取る。 * ハイパフォーマー群と比較対照群の所属歴や活動記録を比較分析してハイパフォーマーの特徴的な経験を抽出する。 * 得られた情報から仮説を構築し、ヒアリングなどの定性的調査を行いながら、戦略的な配置や育成プランを具体化する。 利用するデータ * 人事基本情報 * 部門・所属情報 * 評価関連情報 * 職務歴・行動データ...
「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。
スキルアセスメント結果の分析と整理
【プロジェクト事例】スキル情報とサーベイ情報との関連分析から人材育成課題を抽出。タレントマネジメントシステムだけでは得られないインサイトを得てマネジメント施策へ。
ハイパフォーマーの特徴と配置傾向の分析
【プロジェクト事例】タレマネマネジメントにおける配置施策検討のためにデータを分析。人事内のディスカッションを深め、理想像を明確に。
比率順の帯グラフ
比率順に並べた帯グラフを使って人事データを可視化した例です。注目する指標やデータ観点があった場合、その比率が高い組織と低い組織がどのように分布しているのか確認する上で役立ちます。 人事データ可視化の例 人事データ可視化の狙い * パイパフォーマーを多く排出している組織またはマネジャーを探す。 * 人事評価のバイアスを確認する。 人事データ可視化アプローチ 利用するグラフ * 帯グラフ（横型の100%積み上げ棒グラフ）： データが持つカテゴリカル変数の属性に対し、データ全体またはグループ別の構成比を色分けされた帯状のグラフで可視化する。 アプローチ * 成績情報の中で、関心のある項目をまとめあげて新しいデータ項目として保存する。 * 所属別に新しいデータ項目に対する帯グラフを描き、分布の偏りを確認する。 * 帯グラフをソートし、パイパフォーマーを多く輩出している組織を探索する。 グラフの作り方 * Pythonのpandas.plot.barを使った可視化例。 import pandas as pd import matplotlib.py...
100%積み上げ棒グラフでの比較
100%積み上げ棒グラフを使った人事データの可視化サンプルです。量的変数のカテゴリ別の内訳や割合を確認するために利用されます。 人事データ可視化の例 人事データ可視化の狙い * 組織別の人事評価分布を比較し、バイアスなどを確認する。 人事データ可視化アプローチ 利用するグラフ * 100%積み上げ棒グラフ： 層別棒グラフを他のカテゴリカル変数で分割し、各セクションの値を棒全体の合計値の割合で表すことで、各層に含まれるカテゴリカル変数の違いを比較する。 アプローチ * 量的変数である部と成績のクロス集計を行って組織・評価別の人数を数え上げ、組織の合計人数で標準化する。（組織毎に成績別人数構成比を算出） * クロス集計の結果を積み上げ棒グラフをして可視化し、組織別の評価分布の違いを観察する。 グラフの書き方 * Pythonのpandas.plot.barを使った可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker...
主成分を使った散布図
主成分分析によって次元削減された人事データに対する散布図の可視化例です。コンピテンシーなどの複数の量的変数から構成されるデータを要約する目的で、主成分分析がよく使われています。その結果を散布図を利用して可視化し、特徴をつかむことができます。 人事データ可視化の例 人事データ可視化の狙い * 多くの変数で構成されているコンピテンシーを主成分で要約し、人事属性との関連を探る。 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。 アプローチ * データからコンピテンシーに関する項目を抽出し、主成分分析を適用する。 * 第1主成分と第2主成分を使って、データの分布を可視化する。主成分の寄与率などを確認しながら他の主成分の状況も確認する。 * グレードなどのカテゴリカル変数で色分けし、コンピテンシーとの関連を探る。 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 i...