機械学習アプリケーション

概要

機械学習モデリングに基づく事前作成済の予測アプリケーションは、複雑さを軽減しながら、次のメリットが得られる設計になっています:

業務の改善およびビジネス・リスクの低減。
探索的分析では得られない可視性の向上およびよりきめの細かいインサイト。
結果を予測することによる将来の計画。

多様性分析

多様性分析サブジェクト領域では、機械学習を利用して組織内の多様性を評価します。

多様性分析では、分類およびスコアリングのためにパラメトリックおよびノンパラメトリック仮説検定を組み合せて、採用、退職、昇格・昇進、給与などの主要な雇用慣行を、性別、民族および年齢別に継続的にモニターします。雇用慣行をモニターすることで、先手を打って、潜在的な格差に対処できます。

このサブジェクト領域では、Oracle Fusion Cloud Human Capital Management (HCM)および採用システムからのデータを利用しますが、すべての情報がOracle Autonomous Data Warehouseに安全に保管されます。潜在的なバイアスの統計的証拠を示し、Oracle Analytics Cloudのインサイトに富んだデータ・ビジュアライゼーションを利用して検討できます。これにより、組織は多様性メトリックを明確に理解し、情報に基づいたアクションを実行して、より平等な職場にしていくことができます。

例1

提供されたデータによると、220人の黒人またはアフリカ系アメリカ人のうち20人のみが採用されており、選択率は9%でした。対照的に、白人の選択率は20%です。この格差を調査し、統計的に有意であるかどうかを判断するために、Z検定、カイ二乗検定、フィッシャーの正確確率検定を含む様々な統計的検定を利用できます。これらの方法は、観察された差異が偶然によるものか、体系的な影響によるものかどうかを識別するのに役立ちます。

図fahia-diversity-analysis-surfacing-bias.pngの説明

帰無仮説は「雇用決定は差別的でない、または選択レートは等しい」であり、この仮説をデータで検定する際の理想的な結果は、標準偏差が低く、仮説の正しさが検証されることです。
特定のジョブ・グループの詳細表示

特定のジョブ・グループの詳細を示す画像を参照すると、カイ二乗検定とZ検定によれば、白人と比較して、黒人またはアフリカ系アメリカ人だけでなく、アジア人の選択率にも統計的に有意な違いがあることが明らかです。データが平均に対してどの程度離散しているかに注目してください。これはサンプル・データであり、特定の状況、コミュニティまたは会社を表すものではありません。類似点があるとしても、まったくの偶然です。

この仮説は否定されたため、さらにドリルダウンして組織内の詳細データを把握します。詳細レポートには、類似する差異が数年にわたって存在し、調査が必要な可能性があることが示されています。

給与データで分析を拡張して、サンプル・データのアジア人、および黒人またはアフリカ系アメリカ人の給与が中央値より低いという統計的証拠を見つけることができます。これにより、当初の帰無仮説がさらに弱まります。詳細レポートには、類似する差異が数年にわたって存在し、調査が必要な可能性があることが示されています。必要に応じてさらに調査すれば、組織全体のこれらの差異の深さと広がりを把握できます。

例2

給与を使用して同じ報告組織内の従業員の報酬を比較することにより、さらにデータを分析して、中央値を上回る従業員数または下回る従業員数に基づいて、複数年にわたって、様々なエスニシティの選択レートおよび標準偏差を把握できます。この例では、様々な統計属性(Z検定やフィッシャーの正確確率など)を使用して、特定の年(2015年など)の他の特定のエスニシティと比較して、アフリカ系アメリカ人やアジア人などのエスニック・グループの標準偏差が高いことがわかります。
組織一覧

さらに分析すると、エンジニアの特定のジョブ・カテゴリについて、同じエスニック・グループの標準偏差が高いことがわかります。これにより、組織内の特定のエスニック・グループの給与に差異があることが統計的に示されている可能性があるという主張が立証されます。これらの分析は、D&Iのリーダー、ピープル・リーダーおよび組織が、公正な慣行を組織内で育成し、定期的にモニタリングするためのデータ・ポイントのガイドラインとしての役割を果たします。
特定の年のエスニシティ別給与

採用、昇格・昇進、退職などのHRイベントについて、同様の例を適用して、様々なエスニシティ、年齢グループ、および性別の間で、選択レートと標準偏差を比較できます。

前提条件

多様性分析サブジェクト領域では、「多様性分析の前提条件」および「多様性分析」機能領域を順番に有効化および構成する必要があります。

多様性分析の構成のヒント

多様性分析を正しく使用するには、次の構成要件に従ってください。

最初に「多様性分析の前提条件」を有効にしてから、「機能の有効化」ページの「一般に使用可能な機能」タブの「機能領域」にある「多様性分析」を有効にします。一般に使用可能な機能の有効化を参照してください。
「多様性分析の前提条件」機能領域のデータ・パイプラインを作成します。機能領域のデータ・パイプラインの作成のステップを完了します。
データ・パイプラインを作成する際には、次のステップに従います:
- コンソールの「アプリケーション」で「人材管理」を選択します。
- データ・パイプラインを作成するウィザードのステップ1で、「オファリング」の「人材管理分析」、および「機能領域」の「多様性分析の前提条件」を選択します。
「多様性分析」機能領域のデータ・パイプラインを作成します。機能領域のデータ・パイプラインの作成のステップを完了します。
データ・パイプラインを作成する際には、次のステップに従います:
- コンソールの「アプリケーション」で「人材管理」を選択します。
- データ・パイプラインを作成するウィザードのステップ1で、「オファリング」の「人材管理分析」、および「機能領域」の「多様性分析」を選択します。
- データ・パイプラインを作成するウィザードのステップ2で、適切なパラメータ値を選択します。

従業員多様性の分析

データ・ロードが完了したら、「HCM – 多様性分析」サブジェクト領域に基づいてワークブックおよび分析を作成できます。

ホーム・ページに移動し、「作成」、「ワークブック」の順にクリックします。
「データの追加」で「多様性分析」を検索し、結果の「HCM – 多様性分析」を選択します。
サブジェクト領域の詳細を表示します。多様性分析サブジェクト領域のフォルダには、就業者の基本情報、昇格・昇進のアサイメント情報、退職、給与変更およびジョブ応募情報が含まれています。属性とファクトを使用してビジュアライゼーションを作成できます。
次のビジネス上の質問を理解し、レポートします:
- 採用慣行
  - 異なるエスニシティ、性別および年齢グループにおける候補者の選択レートに統計的に有意な差異はありますか。
  - 採用プロセスで軽視されているのは、性別や民族など、どの人口統計グループですか。
  - 複数年にわたって、または特定の部門内で、選択レートの格差に一貫したパターンがありますか。
- 昇格・昇進とキャリア昇進
  - 組織内の異なる人口統計グループ間で昇格・昇進率に差がある証拠はありますか。
  - 組織内の上位レベルのポジションで、特定の人口統計グループが一貫して軽視されていますか
- 給与の公平性
  - 同じジョブ・カテゴリ内の異なるエスニシティや性別の従業員間で有意な給与格差はありますか。
  - 給与データを分析すると、組織全体の特定の人口統計グループに永続的な給与のギャップが見られますか。
  - 異なるエスニック・グループの給与傾向を長期にわたって比較した結果はどうなりますか、これらの差異は統計的に有意ですか。
- 従業員の離職率
  - 異なる人口統計グループ間で離職率に統計的に有意な差はありますか。
  - 性別、エスニシティ、年齢によって離職率は大きく異なりますか。定着率を高める戦略にどのような影響がありますか。
- 長期にわたる多様性トレンド
  - 採用、昇格・昇進、給与などの多様性メトリックは、組織内で時間の経過とともにどのように進化してきましたか。
  - 多様性メトリックの変化に対応する特定の期間またはイベントがありますか。

よくある質問

これらの質問をレビューして、多様性分析アプリケーションの理解を深めてください。

多様性分析モデルが正確になるには、どのくらいのデータが必要ですか。

多様性分析アプリケーションでは、機関内、従業員数が30人を超えるEEO職務グループ内、および合計の2%を超える人口統計グループ内(エスニシティ、性別、40歳超、40歳未満)の従業員サブグループに対して分析が実行されます。従業員数が5人未満のサブグループでは、分析の実行がスキップされます。
多様性分析の予測モデルではどのようなアルゴリズムが使用されますか。

多様性分析アプリケーションでは、ダイバーシティおよびインクルージョン分析研究のほとんどで見られる統計的方法が使用されます。これには、歴史的理由による5分の4ルール、フィッシャーの正確検定、カイ二乗検定、および選択レートの割合のZ検定が含まれますが、これらには限定されません。
多様性分析モデルでは、将来のデータに関する予測がどのくらいの頻度で作成されますか。

「HCM - 多様性分析」では既存のデータが分析されるため、予測はありません。
多様性分析モデルはどのくらいの頻度で調整またはトレーニングされていますか。

HCM - 多様性分析は現在のデータで毎日実行されます。
多様性分析モデルで考慮される外部ベンチマークはありますか。

いいえ。

プロファイル一致

「プロファイル一致」サブジェクト領域では、学位、コンピテンシ、メンバーシップ、免許、資格、言語、表彰および報奨などの就業者のタレント・プロファイル属性が、Oracle Fusion HCM Analyticsで使用可能なすべてのジョブ・プロファイルとセマンティック的に比較されます。

「プロファイル一致」により、各属性の一致スコア、総合スコア、百分位数一致スコアおよびスキル・ギャップ・スコアが割り当てられます。さらに、このサブジェクト領域では、特定のジョブ・プロファイルに対して、就業者が適格になるためのスキルアップ要件が提示されます。この情報は、「HCM - プロファイル一致」サブジェクト領域に格納されます。

例

ジョブ・プロファイルに人工知能およびデータ・サイエンスのコンピテンシが必要であるとします。「プロファイル一致」サブジェクト領域では、就業者のタレント・プロファイルに対してトレーニング済の類似性アルゴリズムが実行され、各コンピテンシに一致スコアが割り当てられます。就業者のタレント・プロファイルに人工知能が含まれている場合は、1という値が割り当てられます。ジョブに「データ・サイエンス」が必要だが、就業者に「分析的思考」のみがある場合は、埋込みのコサイン類似度のベクトル表現に基づいて、類似度値0.3が割り当てられます。「プロファイル一致」により、すべての属性の類似度スコアが求められて、これらの項目の平均が一致スコアになります。この場合は、(1 + 0.3) / 2 = 0.65になります。就業者がジョブ・プロファイルに適格になるために役立つ各属性のスキルアップ要件も表示されます。スコアが0.5未満の属性が、候補者のスキルアップ要件として表示されます。

図fahia-match-score-computation.pngの説明

この照合は、設定されているすべてのモデル・ジョブ・プロファイル、およびアクティブなタレント・プロファイルがあるすべての就業者に対して行われます。一致スコアの範囲は-1から1です。ここでは:

-1は、ジョブに必要な特性とまったく反対の特性を示します。
1は、ジョブに必要な特性とまったく同じ特性を示します。
0は、個人プロファイルの特性が、ジョブに必要な特性と正反対でも類似でもなく、関連がないことを示します。

5つのジョブ・プロファイルがあり、アクティブなタレント・プロファイルを持つ就業者が10人いる場合、これらすべてのアクティブな就業者のプロファイル属性がそれら5つのジョブ・プロファイルと比較されます。

前提条件

「プロファイル一致」サブジェクト領域には、次の前提条件が必要です:

「ワークフォース管理」機能領域、「タレント・プロファイル」機能領域および「HCM - タレント・プロファイル」サブジェクト領域。
すべてのFusion HCMプロファイルは、次の属性を使用して構成する必要があります:
- 学位
- コンピテンシ
- メンバーシップ
- 免許および資格
- 言語
- 表彰および報奨

プロファイル一致の構成のヒント

プロファイル一致を正しく使用するには、次を構成する必要があります:

「機能の有効化」ページの「一般に使用可能な機能」タブの「機能領域」にある「プロファイル一致」を有効にします。一般に使用可能な機能の有効化を参照してください。
「プロファイル一致」機能領域のデータ・パイプラインを作成します。データ・パイプラインの作成時に、次のステップを必ず実行してください:
- コンソールの「アプリケーション」で「人材管理」を選択します。
- データ・パイプラインを作成するウィザードのステップ1で、「オファリング」の「人材管理分析」、および「機能領域」の「プロファイル一致」を選択します。
- データ・パイプラインを作成するウィザードのステップ2で、「必要な一致件数」に適切な値(100など)を選択します。選択した値に基づいて、その件数の一致するプロファイルが上位から表示されます。たとえば、100を指定すると、上位100件の一致するプロファイルが表示されます。すべてのプロファイルを照合する必要がある場合は、必要な一致件数として「-1」を選択します。
機能領域のデータ・パイプラインの作成を参照してください。

従業員のプロファイル一致の分析

データ・ロードが完了したら、「HCM - プロファイル一致」サブジェクト領域に基づいてワークブックおよび分析を作成できます。

「ホーム」ページに移動します。
「作成」、「ワークブック」の順にクリックします。
「データの追加」で「プロファイル一致」を検索し、結果から「HCM - プロファイル一致」を選択します。
サブジェクト領域の詳細を表示します。「プロファイル一致」サブジェクト領域のフォルダには、就業者の基本情報、ジョブ・プロファイル、モデル・プロファイル、個人プロファイル、プロファイル・スコア詳細、ギャップ詳細などのプロファイル情報が含まれています。属性とファクトを使用してビジュアライゼーションを作成できます。
次のビジネス上の質問を理解し、レポートします:
- モデル・ジョブ・プロファイルに一致する就業者と、そのスキルおよびその資格のリストを表示してください。
- プロファイル一致スコアが低い就業者について、スキルおよび資格ギャップの詳細を表示してください。
- プロファイル・スコアに基づいて就業者が移行できる上位5件のジョブはどれですか。
- 様々な事業所、年齢および在職期間区分、性別およびエスニシティ全体の勤務可能状況別に、一致するプロファイルを分析できますか。

よくある質問

これらの質問をレビューして、プロファイル一致アプリケーションの理解を深めてください。

プロファイル一致モデルが正確になるには、どのくらいのデータが必要ですか。

「HCM - プロファイル一致」では、アクティブな従業員のタレント・プロファイルがジョブ・プロファイルとセマンティック的に照合されるため、限られたデータ・セットで使用できます。
「プロファイル一致」の予測モデルではどのようなアルゴリズムが使用されますか。

「HCM - プロファイル一致」では、ベクトル間の類似性のメジャーに対して、埋込みベースの照合が使用されています。
モデルが将来のデータに対する「プロファイル一致」の予測を作成する頻度はどのくらいですか。

「HCM - プロファイル一致」では既存のデータが分析されるため、予測はありません。
プロファイル一致モデルはどのくらいの頻度で調整またはトレーニングされていますか。

ほとんどのモデルは、週次で調整およびトレーニングされています。
プロファイル一致モデルで考慮される外部ベンチマークはありますか。

いいえ。