こちらの記事が「 #人事の仕事」カテゴリで週間No.1スキをいただいたようです。みなさん、ありがとうございます！ ピープルアナリティクス＆HRテクノロジー協会のHRテクノロジー研究会でお話することになりました！ https://note.com/ku2t/n/ncf823e009068

Google NotebookLMはナレッジワーカーにとって最高のAIツールではないだろうか。

Google NotebookLMは、利用者が集めてきたテキスト情報に基づいてあれこれ回答してくれる生成AIツールです。Gemini 1.5 Pro を使って調べ物やアイデア出しに活用することができます。ポイントは、 自分が集めてきた情報だけに基づいて回答してくれる。 アップロードしたファイルはAIの学習に利用されない。 ソースとして、Googleドキュメント、Googleスライド、PDFファイル、テキストファイル、URLを指定できる。 ということで、安全性を考慮しな

問題設定のアンチパターン（続・データアナリストの頭の中）

昨日は、「データアナリストの頭の中」と題して、データ分析の問題設定のコツをお伝えしました。自分なりの方法論をまとめたものです。 こちらの図は、自分としては納得できる流れになっているのですが、人によってはまどろっこしいと思われるかもしれません。そこで、「何でここまでやる必要があるんだっけ？」と改めて考えてみたところ、数々の過去の失敗プロジェクトの記憶がよみがえってきました。 ちょうどよいので、問題設定のアンチパターンとして記事にしてみたいと思います。3点ほどにまとめました。

データアナリストの頭の中（問題設定のコツ）

データ分析の問題設定はとても楽しいもので、悩みながらもやりがいを持って取り組んできました。ビジネス課題を分析課題に落とし込み、分析アプローチを組み立てるスキルは、データアナリストやデータサイエンティストにとって重要でもあります。 その一方で、初学者の方から「どうやったら問題設定ができるようになるのですか？コツを教えてください」とたずねられることもあります。この問いにはいつも苦戦していたのですが、ここ数日頭をひねってみて少し見えてきたことがあります。 忘れないうちに残そうと

ピープルアナリティクス＆HRテクノロジー協会のHRテクノロジー研究会でお話することになりました！

来る6/25、ピープルアナリティクス＆HRテクノロジー協会様のセミナーにて、お話させていただくことになりました。協会の法人正会員様限定のイベントとなっております。会員の皆様、どうぞよろしくお願いいたします！ テーマ： 人事データ分析ダンジョンの攻略法 ― 分析現場で発見したボトムアップアプローチ ― 日程： 2024年6月25日(火) 15:00～16:00 対象： 法人正会員のみ こちらのセミナーでは、人事データ分析プロジェクトのテーマ設定に焦点を当て、業務に役立つ

トラベラーズノートを使い始めて1ヶ月。いい感じです。書くともやもやが整理されていいですね。

データ分析の目的をくっきりさせるには？

はじめてデータ分析に取り組むときには「どうやって分析したらよいのだろう？」と悩むものです。しかし、それ以前にデータ分析の目的を整理することが大切で、分析アプローチの検討よりも難しいこともあります。 目的が大切というのは当たり前の話に感じられると思いますが、意識していてもストレートに解決できない場合もあります。データアナリストやデータサイエンティストの方でしたら、この問題に直面したことがあるのではないでしょうか。特に、ピープルアナリティクスのような新しい分野ではWhyよりもH

肩書きとけもの道。

連休も終わりが近づいてきたわけですが、今年の連休も静かに色々なことを考えながら過ごしました。年明けから年度末にかけてバタバタしがちなので、5月の連休は自分と向き合う良い時間になっています。 今年の連休に考えていたテーマは「肩書きについて」。 独立後の仕事を振り返ってみると、コンサルタント、データアナリスト、研修講師と多岐にわたり、様々なプロジェクトに参加することができました。本当にありがたい話です。 その一方で、自分をどのように表現したらよいのか改めて思案していました。

記述的分析の先へ（因果推論を学ぶための本）

記述的分析をひとことで説明するとデータの要約です。平均や分散の計算やグラフによる考察から始まり、相関分析、重回帰、主成分分析なども場合によりこの範疇に含まれます。 こうした分析はデータを俯瞰し、問題や仮説の種を得るために有用で、とりわけ問題検討の初期段階でよく実施されます。ただし、要約はデータの状況を示すだけで、必ずしもそれらのメカニズムを提示するわけではないことに注意が必要です。 相関係数が高いからといって因果関係があるとはいえません。さらに踏み込んでいうと、実験デザイ

記述的分析の目的はデータの要約。ファクトを俯瞰し、理解を助け、問題や仮説の種を得るために行う。しかし、その要約は結果としての状況を示すだけで、それらのメカニズムを提示するわけではない。したがって、記述を目的とした、つまりは相関レベルの分析だけで因果を捉えるのは厳しい。

心の隙間と新たな可能性

ふとした瞬間に自分自身の無知や足元の脆さに気づき、言い知れぬ不安を感じることがある。 プロジェクトの谷間で一息ついたときや、電車でスーツ姿のビジネスパーソンに囲まれているときなど。要は、自分が世間一般でいわれているキャリアから外れていることを認識すると、あっという間に言葉にできない不安が入り込んでくる。 目の前の仕事が忙しいときにはこうした感覚に陥ることはない。つまりは、何か心に隙間ができたときにやってくるのだろう。 目の前にない何かこんなときは、大抵、本質でない何かに

人事データ分析入門講座：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」の記事を配信しました。今回は量的変数の外観を捉える方法を解説しています。 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。 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