<aside>

✔️ 退職区分がyesの場合とnoの場合、どのような違いがあるのでしょうか？ その違いを意思決定ツリーに基づいて自動的に見つけてくれます。

✔️ 退職者予防のためにどのような要素に気をつけるべきかを簡単に確認してみてください:)

</aside>

1.使用した機能

• 数値型変数の場合は最適化ルールを、カテゴリー型変数の場合は二つの集団間の違いを自動的に発見するセグメンテーション機能。

2.分析過程

• 分析するの分類ルール機能に移動します。

• どの変数の最適化/分類ルールを選択します。 退職区分」を選択した後、[分析する]をクリックします。

• 横の歯車で、比較する2つの集団（退職者、在職者）に含める数値を簡単に確認できます。
• 分析結果がすぐに表示されます。

3.分析結果の解釈

• 全体的に見ると、残業時間、従業員満足度、コミュニケーション能力が退職の有無と最も関連性があるようです。 退職者数を減少させるためには、この3つの分野に一番最初に気を配る必要がありそうです:-)
• 一つずつ見てみましょう。

  • 上の表 - 退職区分がNoの場合は青、Yesの場合は赤で表示されています - 一つ解釈してみましょう。

    <aside>

    残業時間が157.5時間未満の場合 ('退職区分：No'に該当)

       **純度 :**1,071(退職区分：No) / 1,084(残業時間が157.5未満) = 98.8% → 残業時間が157.5時間未満の人員のうち98.8%が退職していない。
    
       **ターゲット比率 :** 1**,** 071(残業時間157.5時間未満) / 1,814(退職区分: No) = 59% → 退職していない1,814人のうち59%が残業時間157.5時間未満で勤務している。
    

    </aside>

  • 退職区分がNoの場合とYesの場合を分けて見ることもできます。

  • 下部の可視化領域 - 分析の結果がサンバストチャートと意思決定ツリー形式で提供されます。好きな領域をクリックして、具体的な数値を確認することができます。

    • 用語は同じで、各項目の解釈は以下の通りです。

    <aside>

    **サイズ :**該当条件を満たすレコード数(1,094レコード)

    **純度 :**該当条件を満たすセグメントサイズ1,094個のうち1,090個(99.63%)が販売利益上位20%に該当することを意味します。純度が高ければ高いほど、分析結果に対する信頼度も高くなります。 簡単に言えば、その分類ルールがどれだけ正確に予測するかを示す尺度です。

    **ターゲット比率：**販売利益上位20%に属する総レコード数(1,639個)のうち、1,090個(66.5%)が当該セグメントに属することを意味します。 (リコール/再現率とも呼ばれます)

    **平均KPI差 :**当該セグメントに属するレコードの平均KPIと分析対象全体の平均KPIの差(全体利益平均-25.1、該当条件のレコード平均利益-189.3、平均KPI差 = +164.2)

    </aside>

4.応用

• 右上のメニューから分析結果(予測モデル)をSQLやCSV、Excel形式でダウンロードして使用することができます。

<aside>

😊　手元にあるデータでぜひ試してみてください～

</aside>