Importer les deux jeux de données

Pour analyser des données RH, vous devez souvent fusionner ou joindre des données provenant de différentes sources. Dans ce chapitre, vous partirez de données RH de base et vous les joindrez à des données de notation de performance afin de tester quelques hypothèses sur les différences de notation entre groupes.

Avant cela, prenez un moment pour examiner les deux jeux de données avec lesquels vous allez travailler dans ce chapitre.

Cet exercice fait partie du cours

Analytique RH : explorer les données des employés avec R

Afficher le cours

Instructions

Chargez les packages dplyr et readr.
Importez "performance_data.csv" et "hr_data.csv" avec read_csv(). Assignez-les respectivement à performance_data et hr_data.
Utilisez summary() pour obtenir un aperçu de chaque jeu de données.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Load the packages
___
___

# Import the data
hr_data <- ___
performance_data <- ___

# Examine the datasets
___
___

Modifier et exécuter le code

Cet exercice fait partie du cours

Analytique RH : explorer les données des employés avec R

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous découvrirez comment la data science est utilisée dans un contexte de ressources humaines. Vous plongerez ensuite dans une étude de cas où vous analyserez et visualiserez des données de recrutement pour déterminer quelle source de nouveaux candidats produit finalement les meilleures recrues. Le jeu de données que vous utiliserez dans ce chapitre et les autres de ce cours est synthétique, afin de préserver la confidentialité des employés réels.

Exercise 1: Bienvenue dans le cours !Exercise 2: Applications de l’analytique des ressources humaines (RH)Exercise 3: Explorer les données de recrutement Exercise 4: Recrutement et qualité des embauches Exercise 5: Identifier des groupes dans les données Exercise 6: Chiffres de ventes par source de recrutement Exercise 7: Taux d’attrition par source de recrutement Exercise 8: Visualiser les données de recrutement Exercise 9: Visualiser les différences de performance commerciale Exercise 10: Visualiser les différences de turnover Exercise 11: Tirer des conclusions

Gallup définit les employés engagés comme ceux qui sont impliqués dans leur travail, enthousiastes et investis dans leur poste et leur lieu de travail. Le lien entre l’engagement des employés et les résultats business fait débat, mais l’idée est que des employés plus engagés sont plus productifs et restent plus longtemps dans l’organisation. Dans ce chapitre, vous explorerez des raisons potentielles pour lesquelles les scores d’engagement d’un service sont inférieurs au reste.

Exercise 1: Analyser l’engagement des employés Exercise 2: Importer les données de l’enquête Exercise 3: Quel service affiche l’engagement le plus faible ?Exercise 4: Comparer d'autres facteurs par service Exercise 5: Visualiser les données d’engagement Exercise 6: Visualiser plusieurs variables en même temps Exercise 7: Visualiser plusieurs variables à la fois avec des facettes Exercise 8: Tirer des conclusions à partir de graphes Exercise 9: Cette différence est-elle significative ?Exercise 10: Signification statistique - employés désengagés Exercise 11: Significativité statistique - jours de congé Exercise 12: Tirer des conclusions à partir des tests

Lorsqu’un employeur recrute, il doit déterminer la rémunération de la nouvelle recrue. S’il n’y prend pas garde, les nouvelles recrues peuvent arriver avec un salaire supérieur à celui des employés occupant déjà le même poste, ce qui peut entraîner du turnover et de l’insatisfaction. Dans ce chapitre, vous vérifierez si les nouvelles recrues sont réellement mieux payées que les employés en poste et comment valider vos premières observations.

Exercise 1: Rémunérer les nouvelles recrues équitablement Exercise 2: Importer les données de rémunération Exercise 3: La différence est-elle significative ?Exercise 4: Biais d’omission de variables Exercise 5: Exemples de biais de variable omise Exercise 6: Quelles autres différences existent ?Exercise 7: À quoi ressemble désormais l’écart de rémunération ?Exercise 8: Les recrutés à l’heure sont-ils mieux payés ?Exercise 9: Régression linéaire Exercise 10: Rémunération des nouvelles recrues : une régression simple Exercise 11: Rémunération des nouvelles recrues : prise en compte des niveaux de poste Exercise 12: Tirer des conclusions à partir des tests

La gestion de la performance aide une organisation à identifier les employés qui créent une valeur ajoutée, ou une valeur en dessous de la moyenne, et à les rémunérer en conséquence. Qu’il s’agisse d’une note ou du résultat d’un questionnaire, et que l’évaluation soit annuelle ou plus fréquente, le processus comporte une part de subjectivité. Une organisation doit vérifier que les évaluations sont attribuées en fonction de la performance, et non des préférences des managers, voire de leurs biais (conscients ou inconscients).

Exercise 1: Associer des données RH Exercise 2: Importer les deux jeux de données

Exercice en cours

Exercise 3: Fusionner les données de performance Exercise 4: Évaluations de performance et équité Exercise 5: Se concentrer sur les meilleurs performeurs Exercise 6: Comparer les distributions des meilleurs performeurs Exercise 7: Vérifier un biais de variable omise Exercise 8: Régression logistique Exercise 9: Régressions linéaire et logistique Exercise 10: Évaluations de performance : une régression logistique simple Exercise 11: Évaluations de performance : prise en compte des niveaux de poste Exercise 12: Conclusions et recommandations

Dans de nombreux secteurs, la sécurité au travail est un enjeu crucial. Maintenir un environnement de travail sûr renforce la confiance des employés et réduit les coûts liés aux indemnisations et aux responsabilités juridiques. Dans ce chapitre, vous chercherez des explications à une hausse des accidents du travail.

Exercise 1: Sécurité des employés Exercise 2: Importer et joindre les données d’accidents Exercise 3: Où le taux d’accidents est-il le plus élevé ?Exercise 4: Où le taux d’accidents a-t-il le plus augmenté ?Exercise 5: Se concentrer sur le site qui vous intéresse Exercise 6: Se concentrer sur le lieu du problème Exercise 7: Ajouter davantage de données Exercise 8: Vérifier l’existence de variables omises Exercise 9: Ce changement est-il propre au site concerné ?Exercise 10: Expliquer la hausse des accidents Exercise 11: Utiliser la régression pour identifier les facteurs de changement Exercise 12: Que pouvez-vous conclure ?Exercise 13: Conclusion