파이썬으로 배우는 피플 애널리틱스

실습환경 설정
1. 왜 Google Colab 1
2. 기본 사용법 1
3. 실습 파일 접근 방법 2
4. 필수 패키지 설치 및 임포트 4

CHAPTER 01 데이터 기반 HR 의사결정의 이해
1. 왜 지금 피플 애널리틱스인가 10
2. 피플 애널리틱스의 핵심 구조 12
2.1. 문제 정의: 올바른 질문이 출발점이다 12
2.2. 분석 및 모델링: 방법은 목적에 종속된다 14
2.3. 해석과 의사결정: 분석의 완성 단계 15
3. 데이터 기반 HR 의사결정의 특징 16
3.1. 불확실성을 전제로 한 의사결정 16
3.2. 설명과 예측의 균형 17
3.3. 공정성과 윤리 18
4. 이 책의 접근 방식: 방법론과 실무의 연결 19
4.1. 공통 실습 구조: 데이터에서 인사이트까지 20
4.2. 파이썬의 역할: 도구로서의 활용 21
5. 방법론 로드맵: HR 문제와 분석 방법의 연결 23
5.1. 채용 의사결정과 kNN: 유사성 기반 판단 23
5.2. 보상 의사결정과 트리 기반 모델: 규칙의 도출 24
5.3. 직원 유형화와 군집분석: 보이지 않는 구조의 발견 24
5.4. 개인과 부서의 영향 분리: 멀티레벨 분석 25
5.5. 이탈 시점 예측과 생존분석: 시간에 따른 변화 26
5.6. 텍스트 데이터의 활용: 토픽모델링 26
5.7. 관계 구조 이해: 소셜 네트워크 분석 27
6. 이 책을 활용하는 방법 28
7. 데이터와 HR의 미래 29

CHAPTER 02 최근접 이웃법(kNN)
1. HR 데이터 분석과 최근접 이웃법 32
2. kNN의 기본 개념 33
3. kNN 알고리즘의 핵심 요소 36
3.1. 참조할 이웃 수(k) 정하기 36
3.2. 스케일링 37
3.3. 거리 계산하기 38
4. 지도학습의 성능 평가 39
4.1. 분류 모델 평가 지표 40
4.2. 회귀 모델 평가 지표 43
[kNN 실습] 채용 데이터를 활용한 입사 후 성과 예측 47
1. 데이터 소개 47
2. 데이터 불러오기 48
3. 데이터 설정 50
4. 교차검증 51
5. kNN 모델 성능 확인 54
6. kNN 모델로 새로운 지원자의 1년 후 성과 예측 55
7. 마무리 56
CHAPTER 03 트리기반 머신러닝
1. HR 데이터 분석과 트리기반 머신러닝 60
2. 의사결정나무 61
2.1. 의사결정나무 개념 61
2.2. 의사결정나무의 구조 63
2.3. 의사결정나무 알고리즘 65
3. 랜덤포레스트 71
3.1. 랜덤포레스트 개요 71
3.2. 랜덤포레스트의 작동원리 73
[트리기반 머신러닝 실습] HR 데이터를 활용한 보너스 지급 의사결정 분석 77
1. 데이터 소개 77
2. 데이터 불러오기 78
3. 의사결정나무 실습 80
3.1. 의사결정나무 변수 정의 80
3.2. 의사결정나무 데이터 분할 및 모델 생성 82
3.3. 의사결정나무 모델 성능 확인 84
3.4. 의사결정나무 시각화 89
4. 랜덤포레스트 실습 92
4.1. 랜덤포레스트 변수 지정 92
4.2. 랜덤포레스트 데이터 분할 및 모델 생성 93
4.3. 랜덤포레스트 모델 성능 확인 96
4.4. 랜덤포레스트 모델 변수 중요도 시각화 100
5. 마무리 104

CHAPTER 04 K-means 군집화
1. HR 데이터 분석과 군집화 108
2. 군집화 개요 110
3. K-means 군집화 112
3.1. K-means 군집화의 개념 112
3.2. K-means 군집화 알고리즘 114
3.3. 군집 수(K) 정하는 방법 116
[K-means 군집화 실습] HR 데이터를 활용한 직원 유형 분류와 HR 전략 설계 121
1. 데이터 소개 121
2. 데이터 불러오기 122
3. 데이터 전처리 124
3.1. 분석 변수 선별 124
3.2. 데이터 스케일링 125
4. 최적의 군집 수(K) 탐색 125
5. 전문가 판단을 통한 최종 군집 수 결정 129
6. 최종 군집별 프로파일 및 HR 전략 133
6.1. 안정전환군 135
6.2. 저성과위험군 136
6.3. 핵심인재군 136
6.4. 고성과이탈위험군 137
7. 마무리 138

CHAPTER 05 멀티레벨 분석
1. HR 데이터와 멀티레벨 분석 142
2. 멀티레벨 분석 개요 144
3. 멀티레벨 모형 145
3.1. 부서별 평균의 차이 145
3.2. 부서에 따른 기울기의 차이 147
4. 분산 구조 지표: 집단의 효과 확인 148
[멀티레벨 분석 실습] 성과-보상 구조의 부서별 차이 분석 151
1. 데이터 소개 151
2. 데이터 불러오기 152
3. 부서별 차이를 고려한 성과-연봉 연계 구조 분석 154
4. 성과-연봉 연계 정도의 부서별 차이 161
5. 마무리 165

CHAPTER 06 생존분석
1. HR 데이터와 생존분석 170
2. 생존분석의 기본 개념 171
2.1. 사건(event) 171
2.2. 기간(duration, time to event) 172
2.3. 절단(censoring) 172
3. 생존분석 방법론 175
3.1. 카플란-마이어 분석 176
3.2. 콕스 비례위험 모형 178
[생존분석 실습] 성과평가 이후 퇴사 예상자 조기 식별 180
1. 데이터 소개 180
2. 데이터 불러오기 181
3. 변수 처리 182
3.1. 시간 데이터 182
3.2. 사건(event) 정의 184
3.3. 기간(duration) 정의 185
3.4. 성과평가 변수 185
4. 카플란-마이어 분석 187
4.1. 성과평가 이후 퇴사 패턴 분석 188
4.2. 연말평가등급에 따른 성과평가 이후 퇴사 패턴 분석 189
4.3. 평가등급 변동에 따른 성과평가 이후 퇴사 패턴 분석 193
5. 콕스 비례위험 모형 196
6. 마무리 201

CHAPTER 07 토픽모델링
1. HR 데이터와 토픽모델링 204
2. 텍스트 데이터의 구성 단위 205
3. 토픽모델링을 위한 텍스트 데이터 준비 207
3.1. 정제 및 정규화(Normalization) 208
3.2. 토큰화(Tokenization) 209
3.3. 불용어 제거 210
4. LDA(Latent Dirichlet Allocation) 토픽모델링 212
5. HR 데이터를 활용한 LDA 결과의 해석 215
[토픽모델링 실습] 설문조사 응답 데이터를 활용한 교육 만족도 주요 토픽 파악하기 219
1. 데이터 소개 219
2. 패키지 설치 및 데이터 불러오기 220
3. 데이터 전처리 221
4. 토픽모델링 분석 및 결과 해석 225
4.1. 분석을 위한 패키지와 데이터 준비 225
4.2. 토픽 개수 결정 228
4.3. 토픽모델링 학습 및 결과 출력 232
4.4. 결과 해석 234
5. 마무리 237


CHAPTER 08 소셜 네트워크 분석
1. HR 데이터와 소셜 네트워크 분석 240
2. 소셜 네트워크 분석의 기본 개념 241
2.1. 노드와 링크 241
2.2. 네트워크의 여러 유형 242
3. 소셜 네트워크 분석을 위한 데이터 생성 244
4. 네트워크 분석 지표 249
4.1. 노드(개인) 단위 지표 250
4.2. 네트워크 구조 단위 지표 252
[소셜 네트워크 분석 실습] 조직 문화 개선을 위한 사내 소통 패턴 분석 256
1. 데이터 소개 256
2. 네트워크 시각화를 위한 한글 폰트 설정 257
3. 데이터 불러오기 및 네트워크 데이터 생성 257
4. 네트워크 시각화 260
5. 개인 단위 네트워크 지표 계산 264
6. 팀(집단) 단위 네트워크 지표 계산 268
7. 마무리 271

색인 273

정동일 서울대학교 사회학 학사, 석사
Cornell University 사회학 박사 숙명여자대학교 경영학부 교수