AIによる働き方改革！~本当にストレスを感じている社員を見逃すな~
0 likes788 views
![コード1
# -*- coding: utf-8 -*-
import pandas as pd
import math
import numpy as np
from numpy.random import *
import matplotlib.pyplot as plt
from renom import *
seed(1)
# データの読み込み
data = pd.read_csv("data.csv")
# 数値データの正規化（最大値除算）と型変換
for i in data.columns:
if i != "id":
data[i] = data[i]/np.max(data[i])
train_data = np.array(data.iloc[:,1:]).astype('float32')
N = len(train_data)
# ひとつめのオートエンコーダ
model_sae1 = Sequential([
Dense(32),
Sigmoid(),
Dense(65),
])
optimizer1 = Adam()
batch = 1
epoch = 100
for i in range(epoch):
for j in range(N//batch):
train_batch=train_data[j*batch:(j+1)*batch]
with model_sae1.train():
z = model_sae1(train_batch)
loss = mean_squared_error(z, train_batch)
loss.grad().update(optimizer1)
if i%10 == 0:print("epoch %02d train_loss:%f"%(i,
loss))
# ひとつめのモデルから中間層を予測
sae1_train = model_sae1[1](model_sae1[0](train_data))
# ふたつめのオートエンコーダ
model_sae2 = Sequential([
Dense(3),
Sigmoid(),
Dense(32),
])
optimizer2 = Adam()
batch = 1
epoch = 100
for i in range(epoch):
for j in range(N//batch):
train_batch=sae1_train[j*batch:(j+1)*batch]
with model_sae2.train():
z = model_sae2(train_batch)
loss = mean_squared_error(z, train_batch)
loss.grad().update(optimizer2)
if i%10 == 0:print("epoch %02d train_loss:%f"%(i,
loss))](https://image.slidesharecdn.com/renomusergroup2part2-171013070451/85/AI-14-320.jpg)
)
# 3次元散布図作成
from matplotlib import pyplot
from mpl_toolkits.mplot3d import Axes3D
%matplotlib notebook
fig = pyplot.figure()
ax = Axes3D(fig)
# 軸ラベルの設定
ax.set_xlabel("X-axis")
ax.set_ylabel("Y-axis")
ax.set_zlabel("Z-axis")
# name = np.arange(N).astype("str")
# グラフ描画
ax.plot(dr_data[:,0], dr_data[:,1], dr_data[:,2], "o",
color="#ff0000", ms=4, mew=0.5)
# for i in range(N):
# ax.text(dr_data[i,0], dr_data[i,1],
dr_data[i,2],name[i])
pyplot.show()
# Kmeansでクラスタリング（5クラスター）
from sklearn.cluster import KMeans
kmeans_model = KMeans(n_clusters=5).fit(sae1_train)
labels = kmeans_model.labels_
fig = pyplot.figure()
ax = Axes3D(fig)
# 軸ラベルの設定
ax.set_xlabel("X-axis")
ax.set_ylabel("Y-axis")
ax.set_zlabel("Z-axis")
d0 = dr_data[labels == 0]
d1 = dr_data[labels == 1]
d2 = dr_data[labels == 2]
d3 = dr_data[labels == 3]
d4 = dr_data[labels == 4]
ax.plot(d0[:,0], d0[:,1], d0[:,2], "o", color="#404040",
ms=4, mew=0.5)
ax.plot(d1[:,0], d1[:,1], d1[:,2], "o", color="#00cccc",
ms=4, mew=0.5)
ax.plot(d2[:,0], d2[:,1], d2[:,2], "o", color="#ff0000",
ms=4, mew=0.5)
ax.plot(d3[:,0], d3[:,1], d3[:,2], "o", color="#f0f000",
ms=4, mew=0.5)
ax.plot(d4[:,0], d4[:,1], d4[:,2], "o", color="#e000e0",
ms=4, mew=0.5)
# グラフ描画
pyplot.show()](https://image.slidesharecdn.com/renomusergroup2part2-171013070451/85/AI-15-320.jpg)
AIによる働き方改革！~本当にストレスを感じている社員を見逃すな~
- 1. ReNom User Group ライトニングトーク AIによる働き方改革！ ~本当にストレスを感じている社員を見逃すな~ 2017年 9月26日
- 2. 自己紹介 自己紹介 氏名 渡辺 翔太（わたなべ しょうた） 所属 株式会社エル・ティー・エス 部署 Business Development & Insights Division 職種 コンサルタント 普段の仕事 お客様のデータを分析することで、課題を発見したり、すでにある課題を解決す る方法をご提案。また、課題が解決されるための仕組みづくりも支援。 最近では、企業における機械学習や人工知能の活用も支援している。 代表プロジェクト • 自動車メーカの品質管理 • 製造ラインのパラメータ予測 • マーケティング戦略立案 得意とする領域 • R, Pythonを用いたデータ分析、 機械学習(AI)モデルの構築 • データ分析プロジェクトの立ち上げ • 施策立案や業務定着化支援
- 4. 自社紹介 LTSのサービスライン IT 業務 プロセス 人材 Business Development & insights 戦略 企画設計 業務構築・開発 展開 運用 ERP導入支援サービス 業務･システム 展開支援 サービス システム運用 改善サービス 人財開発サービス eラーニングサービス Global Global Global Global ITプロジェクト支援サービス Global 業務変革支援 CRM改革支援 市場調査・事業開発 業務プロセス 最適化支援 サービス レポーティング 業務設計 業務改善計画策定 顧客戦略立案 センターアセスメント センター改善計画策定 Global 事業企画 データ分析 マーケティング 製造プロセス オペレーション 人事データ
- 6. 使用するデータ データ発生源 ①勤怠データ 労働時間 勤務体系 有給消化日数 など ②経費データ 交通費申請回数から 外周りの回数を算出 ③工数データ 勤怠管理システム 「チームスピリット」から抽出 使用したかったデータ 職種・職位・役職 入社年度や勤続年数 ストレスチェックの結果 従業員満足度調査結果 個人情報保護の観点などから取得を検討中 ※今回の発表に間に合いませんでした。 研修参加時間 デリバリ/社内タスク 稼働時間 など
- 7. 使用するデータ データ加工 ①勤怠データ ②経費データ ③工数データ データの粒度がバラバラ ・月次データ ・日次データ ・発生毎データ 半期ごとに日次平均、月次平均、または累積値を計算 データ加工の結果 id 社員番号A_2015S 社員番号A_2016F 社員番号A_2016S 社員番号A_2017F 社員番号B_2016F ・ ・ 上長A 上長B 1 1 1 1 0 ・ ・ ・ 時間 勤務 裁量 労働 所属 部署A 所属 部署B… 日平均 労働時間 月平均 労働時間 該否を0/1データ化 … … … デリ バリ 社内 … 数値 65次元データ 516レコード （154人）
- 8. 分析モデル Stacked Auto Encoder + Kmeans ・ ・ ・ 65次元 ・ ・ ・ 32次元 ・ ・ ・ 65次元 Sigmoid 32次元 ・ ・ ・ 3次元 32次元 ・ ・ ・ Sigmoid 3D可視化 Kmeansクラスタリング （5クラスター） Stacked Auto Encoder ※数値は最大値で除算 0～１の範囲にあるデータになる
- 9. 分析結果 3D散布図
- 13. 今後の課題（こうしたい） ・データが多かったらよかった ・データが多様だったらよかった ・いろいろなハイパーパラメータを試したかった ・マシンパワーがほしかった ・辛いと感じている社員を幸せにしたい！
- 14. コード1 # -*- coding: utf-8 -*- import pandas as pd import math import numpy as np from numpy.random import * import matplotlib.pyplot as plt from renom import * seed(1) # データの読み込み data = pd.read_csv("data.csv") # 数値データの正規化（最大値除算）と型変換 for i in data.columns: if i != "id": data[i] = data[i]/np.max(data[i]) train_data = np.array(data.iloc[:,1:]).astype('float32') N = len(train_data) # ひとつめのオートエンコーダ model_sae1 = Sequential([ Dense(32), Sigmoid(), Dense(65), ]) optimizer1 = Adam() batch = 1 epoch = 100 for i in range(epoch): for j in range(N//batch): train_batch=train_data[j*batch:(j+1)*batch] with model_sae1.train(): z = model_sae1(train_batch) loss = mean_squared_error(z, train_batch) loss.grad().update(optimizer1) if i%10 == 0:print("epoch %02d train_loss:%f"%(i, loss)) # ひとつめのモデルから中間層を予測 sae1_train = model_sae1[1](model_sae1[0](train_data)) # ふたつめのオートエンコーダ model_sae2 = Sequential([ Dense(3), Sigmoid(), Dense(32), ]) optimizer2 = Adam() batch = 1 epoch = 100 for i in range(epoch): for j in range(N//batch): train_batch=sae1_train[j*batch:(j+1)*batch] with model_sae2.train(): z = model_sae2(train_batch) loss = mean_squared_error(z, train_batch) loss.grad().update(optimizer2) if i%10 == 0:print("epoch %02d train_loss:%f"%(i, loss))
- 15. コード2 # 3次元への次元圧縮 dr_data = model_sae2[1](model_sae2[0](sae1_train)) # 3次元散布図作成 from matplotlib import pyplot from mpl_toolkits.mplot3d import Axes3D %matplotlib notebook fig = pyplot.figure() ax = Axes3D(fig) # 軸ラベルの設定 ax.set_xlabel("X-axis") ax.set_ylabel("Y-axis") ax.set_zlabel("Z-axis") # name = np.arange(N).astype("str") # グラフ描画 ax.plot(dr_data[:,0], dr_data[:,1], dr_data[:,2], "o", color="#ff0000", ms=4, mew=0.5) # for i in range(N): # ax.text(dr_data[i,0], dr_data[i,1], dr_data[i,2],name[i]) pyplot.show() # Kmeansでクラスタリング（5クラスター） from sklearn.cluster import KMeans kmeans_model = KMeans(n_clusters=5).fit(sae1_train) labels = kmeans_model.labels_ fig = pyplot.figure() ax = Axes3D(fig) # 軸ラベルの設定 ax.set_xlabel("X-axis") ax.set_ylabel("Y-axis") ax.set_zlabel("Z-axis") d0 = dr_data[labels == 0] d1 = dr_data[labels == 1] d2 = dr_data[labels == 2] d3 = dr_data[labels == 3] d4 = dr_data[labels == 4] ax.plot(d0[:,0], d0[:,1], d0[:,2], "o", color="#404040", ms=4, mew=0.5) ax.plot(d1[:,0], d1[:,1], d1[:,2], "o", color="#00cccc", ms=4, mew=0.5) ax.plot(d2[:,0], d2[:,1], d2[:,2], "o", color="#ff0000", ms=4, mew=0.5) ax.plot(d3[:,0], d3[:,1], d3[:,2], "o", color="#f0f000", ms=4, mew=0.5) ax.plot(d4[:,0], d4[:,1], d4[:,2], "o", color="#e000e0", ms=4, mew=0.5) # グラフ描画 pyplot.show()