read

Für einen aktuellen Sammelband zur Personalentwicklung in Handel und Vertrieb (Link und Details folgen) habe ich mir die Frage gestellt, wie sich Karriere-Seiten von Handelsunternehmen hinsichtlich ihres Employer Brandings semi-automatisiert untersuchen lassen. Zielfragen sind hier auf der textuellen und auf der bildlichen Ebene angesiedelt: Welche Aussagen werden getroffen? Wie unterscheiden sich die Texte der einzelnen Seiten? Welche Bilder werden auf den Seiten genutzt? Wie unterscheiden sich die Bilder zwischen den Seiten? Im folgenden beschreibe ich kurz einen ersten Ansatz, mit dem sich diese Fragen beantworten lassen. Einige Passagen im R-Code sind sicherlich noch optimierungsfähig. Falls jemand Vorschläge hat, freue ich mich auf Kommentare.

Auswahl von Daten

Für diesen Post und für das Sammelbandkapitel möchte ich mich auf die Karriere-Seiten der größten Handelsunternehmen in Deutschland fokussieren. Zur Hilfe dient der Deloitte Report “Global Powers of Retailing 2018”. Dieser enthält die TOP 250 Handelsunternehmen der Welt.

Ausgewählt werden Unternehmen mit Sitz in Deutschland.

Auswahl:

  1. Schwarz Gruppe
  2. Aldi Gruppe
  3. Metro AG
  4. Edeka Gruppe
  5. Rewe Gruppe
  6. Otto
  7. Tengelmann Warenhandelsgesellschaft
  8. dm-drogerie markt GmbH
  9. Dirk Rossmann GmbH
  10. Globus Holding GmbH
  11. Bauhaus GmbH
  12. Deichmann SE
  13. Müller Holding
  14. McKesson Europe AG
  15. HORNBACH Baumarkt
  16. Zalando SE
  17. Intersport Deutschland SE

In einem nächsten Schritt werden die zugehörigen Handelunternehmen (Tochtermarken) identifiziert. Ausgewählt wurden nur solche Unternehmen, die auch im niedergelassenen Filialhandel tätig sind.

Dann werden die Webseiten der identifizierten Unternehmen besucht und Karriere-Seiten identifiziert, die ein Employer-Branding enthalten. In der Regel sind dies die allgemeinen Karriere-Seiten, die Informationen zu “Das Unternehmen als Arbeitgeber”, “Arbeiten beim Unternehmen”, “Warum hier Arbeiten?” oder “Unser Angebot” enthalten. Links zu archivierten Seiten werden für die Reproduzierbarkeit identifiziert (falls in der Wayback Machine archiviert). Karriereseiten von Verbundunternehmen wurden nur aufgenommen, wenn sie sich vom Hauptunternehmen unterschieden.

Hier der daraus resultierende Datensatz, der hier runtergeladen werden kann:

library(tidyverse)
company_list <- read.csv2("employer_branding_company_list.csv")
company_list$Archiv.URL <- as.character(company_list$Archiv.URL)
company_list$URL.Branding.Seite <- as.character(company_list$URL.Branding.Seite)
company_list$ID_Einzelunternehmen <- as.character(company_list$ID_Einzelunternehmen)
company_list$Einzelunternehmen <- as.character(company_list$Einzelunternehmen)
knitr::kable(company_list, format = "markdown")
ID_Hauptunternehmen Hauptunternehmen ID_Einzelunternehmen Einzelunternehmen URL.Branding.Seite Archiv.URL
1 Schwarz Gruppe 1.1 Lidl https://jobs.lidl.de/de/das-sind-wir-2429.htm https://web.archive.org/web/20171029214432/https://jobs.lidl.de/de/das-sind-wir-2429.htm
1 Schwarz Gruppe 1.2 Kaufland https://karriere.kaufland.de/kaufland-entdecken/ueber-uns/wer-wir-sind.html https://karriere.kaufland.de/kaufland-entdecken/ueber-uns/wer-wir-sind.html
2 Aldi Gruppe 2.1 Aldi Nord https://www.aldi-nord.de/karriere/ https://web.archive.org/web/20180301025907/https://www.aldi-nord.de/karriere/
2 Aldi Gruppe 2.2 Aldi Süd https://karriere.aldi-sued.de/de/Wir-als-Arbeitgeber/Warum-zu-ALDI-S%C3%9CD https://karriere.aldi-sued.de/de/Wir-als-Arbeitgeber/Warum-zu-ALDI-S%C3%9CD
3 Metro AG 3.1 METRO Cash & Carry https://www.metro-cc.com/de-DE/karriere/warum-metro-cash-and-carry https://www.metro-cc.com/de-DE/karriere/warum-metro-cash-and-carry
3 Metro AG 3.2 Real https://www.real.de/unternehmen/jobs-karriere/arbeiten-bei-real/ https://www.real.de/unternehmen/jobs-karriere/arbeiten-bei-real/
4 Edeka Gruppe 4.1 Edeka-Verbund http://www.edeka-verbund.de/Unternehmen/de/karriere/studierendeundabsolventen/was_wir_ihnen_bieten_2/was_wir_ihnen_bieten_3.jsp https://web.archive.org/web/20171009164658/http://www.edeka-verbund.de/Unternehmen/de/karriere/studierendeundabsolventen/was_wir_ihnen_bieten_2/was_wir_ihnen_bieten_3.jsp
4 Edeka Gruppe 4.2 Diska http://www.diska.de/karriere/ https://web.archive.org/web/20171009161045/http://www.diska.de/karriere/
4 Edeka Gruppe 4.3 Treff3000 https://www.treff3000.de/html/liste/ausbildung_2018.html https://www.treff3000.de/html/liste/ausbildung_2018.html
4 Edeka Gruppe 4.4 NP.Discount https://www.np.de/unternehmen/ https://web.archive.org/web/20180127083854/https://www.np.de/unternehmen/
4 Edeka Gruppe 4.5 Netto Marken-Discount https://www.netto-online.de/karriere/Warum-zu-Netto.chtm https://www.netto-online.de/karriere/Warum-zu-Netto.chtm
5 Rewe Gruppe 5.1 Rewe https://karriere.rewe.de/arbeiten-bei-rewe/unsere-arbeitswelt/leistungen.html https://karriere.rewe.de/arbeiten-bei-rewe/unsere-arbeitswelt/leistungen.html
5 Rewe Gruppe 5.2 Penny http://karriere.penny.de/das-ist-jetzt-dein-job/vorteile/ https://web.archive.org/web/20171031150735/http://karriere.penny.de/das-ist-jetzt-dein-job/vorteile/
5 Rewe Gruppe 5.3 Nahkauf https://www.nahkauf.de/kaufleute-gesucht/ https://web.archive.org/web/20170928055928/http://www2.nahkauf.de:80/kaufleute-gesucht/
5 Rewe Gruppe 5.4 Toom https://karriere.toom.de/komm-in-unser-team https://karriere.toom.de/komm-in-unser-team
6 Otto Gruppe 6.1 Lascana    
6 Otto Gruppe 6.2 Manufactum https://www.manufactum.de/manufactum-stellenangebote-c-37/ https://www.manufactum.de/manufactum-stellenangebote-c-37/
6 Otto Gruppe 6.3 myToys https://mytoysgroup.jobs/ https://web.archive.org/web/20171016113744/https://mytoysgroup.jobs/
6 Otto Gruppe 6.4 BonPrix https://www.bonprix.de/corporate/karriere/arbeitswelt/ https://web.archive.org/web/20170706033530/https://www.bonprix.de/corporate/karriere/arbeitswelt/
6 Otto Gruppe 6.5 Frankonia https://www.frankonia.de/service/karriere-bei-frankonia.html https://web.archive.org/web/20160817164139/http://www.frankonia.de/service/karriere-bei-frankonia.html
6 Otto Gruppe 6.6 SportScheck https://www.sportscheck.com/unternehmen/jobs/ausbildung-bei-sportscheck/ https://www.sportscheck.com/unternehmen/jobs/ausbildung-bei-sportscheck/
7 Tengelmann Warenhandelsgesellschaft 7.1 KiK http://www.kik-textilien.com/unternehmen/karriere/ http://www.kik-textilien.com/unternehmen/karriere/
7 Tengelmann Warenhandelsgesellschaft 7.2 OBI https://www.obi.de/karriere/warum-obi/ https://web.archive.org/web/20170916230628/https://www.obi.de/karriere/warum-obi/
8 dm-drogerie markt GmbH 8.1 dm https://www.dm.de/arbeiten-und-lernen/arbeiten-bei-dm/ https://www.dm.de/arbeiten-und-lernen/arbeiten-bei-dm/
9 Dirk Rossmann GmbH 9.1 Rossmann https://www.rossmann.de/unternehmen/karriere/arbeiten-bei-rossmann.html https://web.archive.org/web/20170611153136/https://www.rossmann.de/unternehmen/karriere/arbeiten-bei-rossmann.html
10 Globus Holding GmbH 10.1 Globus http://www.globus.de/de/unternehmen/arbeitenbeiglobus/arbeitenbeiglobus.html https://web.archive.org/web/20171019154754/http://www.globus.de:80/de/unternehmen/arbeitenbeiglobus/arbeitenbeiglobus.html
11 BAUHAUS GmbH 11.1 BAUHAUS https://www.bauhaus.info/arbeitgeber-bauhaus https://www.bauhaus.info/arbeitgeber-bauhaus
12 Deichmann SE 12.1 Deichmann http://www.deichmann-karriere.de/arbeitgeber/ http://www.deichmann-karriere.de/arbeitgeber/
13 Müller Holding 13.1 Müller https://www.mueller.de/unternehmen/karriere/arbeiten-bei-mueller/ https://www.mueller.de/unternehmen/karriere/arbeiten-bei-mueller/
14 McKesson Europe AG 14.1 gesundleben Apotheken    
15 HORNBACH Baumarkt 15.1 Hornbach https://jobs.hornbach.com/Germany/content/Arbeiten-bei-HORNBACH/?locale=de_DE https://web.archive.org/web/20170709011417/https://jobs.hornbach.com/Germany/content/Arbeiten-bei-HORNBACH/?locale=de_DE
16 Zalando SE 16.1 Zalando https://jobs.zalando.com/de/culture/ https://web.archive.org/web/20170730015257/https://jobs.zalando.com/de/culture/
17 Intersport Deutschland SE 17.1 INTERSPORT https://www.intersport.de/unternehmen/karriere/ https://www.intersport.de/unternehmen/karriere/

Erstellen des Corpus

Die identifizierten Webseiten wurden heruntergeladen und in Text-Dokumente umgewandelt. Der komplette Korpus im Text-Format kann hier heruntergeladen werden. Anschließend wurden sie in einen Text-Korpus überführt und bearbeitet. Zur Standard-Bearbeitung gehörte das Entfernen von überflüssigen Leerzeichen, die Transformation in Kleinbuchstaben und das Entfernen von Stopwörtern.

library(tm)
# Korpus laden
web_corpus <- VCorpus(DirSource(directory = "webpages/", encoding = "UTF-8",
mode = "text"))

# Korpus bereinigen
web_corpus <- tm_map(web_corpus, stripWhitespace)
web_corpus <- tm_map(web_corpus, content_transformer(tolower))
web_corpus <- tm_map(web_corpus, removeWords, c(stopwords("german"), "(m/w)", "(w/m)",
"(b.a.)", "mehr…", "..", "../",  "(m/f)", "()," , "aldi", "rewe", "obi", "süd",
 "bauhaus", "netto", "group", "mytoys", "metro", "gernsheim", "cash", "carry", "toom",
 "the", "and", "for", "our", "bonprix", "nord", "real", "müller", "globus", "diska",
 "markt", "zalando", "2018", "2017/2018", "sucht", "edeka", "hornbach", "dass", "otto",
 "company", "fachcentren", "berlin", "intersport", "germany", "0221", "elias", "gabi",
 "angela", "kik", "barry", "daniela", "waltrop", "gmbh", "manufactum", "köln",
 "ascdsc", "johannes", "rossmann", "försterling,", "isabelle", "warenhaus",
 "gmbhregion"))

# Korpus auswerten
dtm_texts <- DocumentTermMatrix(web_corpus, control = list(stemming = F))

# Korpus-Wortlisten in tidytext-Format umwandeln
library(tidytext)
dtm_texts_tidy <- tidy(dtm_texts)

# Informationen über die Unternehmen hinzufügen
library(stringi)
dtm_texts_tidy$ID_Hauptunternehmen <- as.numeric(
  stri_extract(dtm_texts_tidy$document, regex = "[^.]*"))
dtm_texts_tidy$ID_Einzelunternehmen <- (stri_extract(
  dtm_texts_tidy$document, regex = "[^_]*"))
dtm_texts_tidy <- dtm_texts_tidy %>% inner_join(company_list %>%
  select(ID_Hauptunternehmen, Hauptunternehmen) %>%
  distinct(ID_Hauptunternehmen, Hauptunternehmen))
dtm_texts_tidy <- dtm_texts_tidy %>% inner_join(company_list %>%
  select(ID_Einzelunternehmen, Einzelunternehmen) %>%
  distinct(ID_Einzelunternehmen, Einzelunternehmen))

Text-Analyse

Zunächst wird eine Wordcloud zur Übersicht über die Worte erstellt, die im gesamten Korpus mehr als 2 mal vorkommen.

library(wordcloud2)
set.seed(7712)
dtm_texts_tidy %>% select(term, count) %>% filter(count > 2) %>%
 wordcloud2(., fontFamily = "Times", color = "black")

In einem nächsten Schritt werden die Texte auf ihre Emotionalität hin untersucht. Dies geschieht mit Hilfe des SentiWS Wortschatzes, der Schlüsselworten eine Emotionalität von -1 für negative bis +1 für positive Worte zuordnet.

## Download SentiWS hier: http://wortschatz.uni-leipzig.de/de/download
## Quelle Vorbereitung Wortliste https://www.inwt-statistics.de/blog-artikel-lesen/text-mining-part-3-sentiment-analyse.html
# Vorbereiten
sent <- c(
  # positive Wörter
  readLines("SentiWS_v1.8c/SentiWS_v1.8c_Positive.txt",
            encoding = "UTF-8"),
  # negative Wörter
  readLines("SentiWS_v1.8c/SentiWS_v1.8c_Negative.txt",
            encoding = "UTF-8")
) %>% lapply(function(x) {
  # Extrahieren der einzelnen Spalten
  res <- strsplit(x, "\t", fixed = TRUE)[[1]]
  return(data.frame(words = res[1], value = res[2],
                    stringsAsFactors = FALSE))
}) %>%
  bind_rows %>%
  mutate(words = gsub("\\|.*", "", words) %>% tolower,
         value = as.numeric(value)) %>%
  # manche Wörter kommen doppelt vor, hier nehmen wir den mittleren Wert
  group_by(words) %>% summarise(value = mean(value)) %>% ungroup

# Mit unserem Wortkorpus vereinen
dtm_texts_tidy <- dplyr::left_join(x = dtm_texts_tidy, y = sent,
  by = c("term" = "words"))

# Ergebnisse darstellen
sentiment_texts <- dtm_texts_tidy %>%
group_by(document, Einzelunternehmen, Hauptunternehmen) %>%
summarise(sentiment = mean(value, na.rm = T)) %>%
arrange(sentiment)
knitr::kable(sentiment_texts, format = "markdown")
document Einzelunternehmen Hauptunternehmen sentiment
7.1_KiK.txt KiK Tengelmann Warenhandelsgesellschaft 0.0040000
1.2_Kaufland.txt Kaufland Schwarz Gruppe 0.0217400
5.4_Toom.txt Toom Rewe Gruppe 0.0303045
5.1_Rewe.txt Rewe Rewe Gruppe 0.0338438
6.5_Frankonia.txt Frankonia Otto Gruppe 0.0371200
4.1_Edeka-Verbund.txt Edeka-Verbund Edeka Gruppe 0.0393625
3.1_Metro Cash and Carry.txt METRO Cash & Carry Metro AG 0.0438091
4.5_Netto Marken-Discount.txt Netto Marken-Discount Edeka Gruppe 0.0547536
4.3_Treff3000.txt Treff3000 Edeka Gruppe 0.0579500
4.4_NP.Discount.txt NP.Discount Edeka Gruppe 0.0617000
5.2_Penny.txt Penny Rewe Gruppe 0.0673750
2.2_Aldi Süd.txt Aldi Süd Aldi Gruppe 0.0691900
2.1_Aldi Nord.txt Aldi Nord Aldi Gruppe 0.0698000
7.2_OBI.txt OBI Tengelmann Warenhandelsgesellschaft 0.0759565
16.1_Zalando.txt Zalando Zalando SE 0.0783435
4.2_Diska.txt Diska Edeka Gruppe 0.0794250
17.1_Intersport.txt INTERSPORT Intersport Deutschland SE 0.0845786
1.1_Lidl.txt Lidl Schwarz Gruppe 0.0859882
9.1_Rossmann.txt Rossmann Dirk Rossmann GmbH 0.0945375
15.1_Hornbach.txt Hornbach HORNBACH Baumarkt 0.0952947
8.1_dm.txt dm dm-drogerie markt GmbH 0.0960385
5.3_Nahkauf.txt Nahkauf Rewe Gruppe 0.0977500
11.1_BAUHAUS.txt BAUHAUS BAUHAUS GmbH 0.1059600
10.1_Globus.txt Globus Globus Holding GmbH 0.1146913
12.1_Deichmann.txt Deichmann Deichmann SE 0.1164455
6.6_SportScheck.txt SportScheck Otto Gruppe 0.1193833
3.2_Real.txt Real Metro AG 0.1201692
13.1_Müller.txt Müller Müller Holding 0.1202969
6.3_myToys.txt myToys Otto Gruppe 0.1261353
6.2_Manufactum.txt Manufactum Otto Gruppe 0.1339591
6.4_BonPrix.txt BonPrix Otto Gruppe 0.1770605

Dies lässt sich auch graphisch, geordnet nach Haupt- und Einzelunternehmen darstellen.

library(ggrepel)
ggplot(sentiment_texts, aes(x = reorder(Hauptunternehmen, -sentiment), y = sentiment)) +
  theme_minimal(base_size = 28) + xlab("Unternehmensgruppe") + ylab("mean sentiment") +
   coord_flip() +
  geom_point(aes(x = Hauptunternehmen, y = sentiment), size = 8) +
  geom_label_repel(aes(label = Einzelunternehmen), box.padding = unit(0.35, "lines"),
    point.padding = unit(0.5, "lines"), size = 8)

Und noch eine kleine Untersuchung, was die Top 5 positiven und negativen Worte in den einzelnen Texten nach Hauptunternehmen sind.

dtm_texts_tidy %>% group_by(Hauptunternehmen) %>%
  top_n(5, value) %>%
  ggplot(aes(x = reorder(term, value), y = value, group = Hauptunternehmen)) +
  geom_col() + coord_flip() + theme_minimal(base_size = 22) + xlab("") +
   ylab("sentiment") +
  facet_wrap( ~ Hauptunternehmen, ncol = 4, scales = "free")

dtm_texts_tidy %>% group_by(Hauptunternehmen) %>%
  filter(value < 0.1) %>%
  top_n(-3, value) %>%
  ggplot(aes(x = reorder(term, value), y = value, group = Hauptunternehmen)) +
  geom_col() + coord_flip() + theme_minimal() + xlab("") + ylab("sentiment") +
  facet_wrap( ~ Hauptunternehmen, ncol = 4, scales = "free")

Bild-Analyse

Wie sieht es mit der Bildsprache der Karriereseiten aus? Um die vorhandenen Bilder zu sammeln, werden die Karriere-Webseiten komplett heruntergeladen und die Bild-URLs extrahiert, um sie später analysieren lassen zu können. Etwas Nachbearbeitung ist leider manuell noch nötig.

library(rvest)
library(urltools)

# Leere Zeilen entfernen
company_list <- company_list %>% filter(Archiv.URL != "")

# Loop zum Suchen und Sammeln der Bild-URLs
image_urls_raw <- list()

for(i in 1:nrow(company_list)) {
  name <- company_list[i, 4]
  html_content <- read_html(company_list[i, 5])
  img_urls <- html_content %>% html_nodes("img") %>% html_attr("src")
  image_urls_raw[[name]] <- img_urls
}

# Manuelles Bearbeiten der Bild-URLs, wo nötig
image_urls_raw[["Lidl"]] <- paste0("https://", domain(company_list[1, 5]), image_urls_raw[["Lidl"]])
image_urls_raw[["Aldi Nord"]] <- paste0("https://", domain(company_list[3, 5]), "/karriere/", image_urls_raw[["Aldi Nord"]])
image_urls_raw[["Aldi Süd"]] <- paste0("https://", domain(company_list[4, 5]), image_urls_raw[["Aldi Süd"]])
image_urls_raw[["METRO Cash & Carry"]] <- paste0("https://", domain(company_list[5, 5]), image_urls_raw[["METRO Cash & Carry"]])
image_urls_raw[["Real"]] <- paste0("https://", domain(company_list[6, 5]), "/",  image_urls_raw[["Real"]])
image_urls_raw[["Edeka-Verbund"]] <- paste0("https://", domain(company_list[7, 5]),  image_urls_raw[["Edeka-Verbund"]])
image_urls_raw[["Diska"]] <- gsub("..", "", paste0("https://", domain(company_list[8, 5]), image_urls_raw[["Diska"]]), fixed = T)
image_urls_raw[["NP.Discount"]] <- paste0("https://", domain(company_list[10, 5]), "/",  image_urls_raw[["NP.Discount"]])
image_urls_raw[["Rewe"]] <- paste0("https://", domain(company_list[12, 5]),  image_urls_raw[["Rewe"]])
image_urls_raw[["Penny"]] <- paste0("https://", domain(company_list[13, 5]),  image_urls_raw[["Penny"]])
image_urls_raw[["Nahkauf"]] <- paste0("https://", domain(company_list[14, 5]),  image_urls_raw[["Nahkauf"]])
image_urls_raw[["Toom"]] <- paste0("https://", domain(company_list[15, 5]),  image_urls_raw[["Toom"]])
image_urls_raw[["Frankonia"]] <- paste0("https://", domain(company_list[19, 5]),  image_urls_raw[["Frankonia"]])
image_urls_raw[["OBI"]] <- gsub("../", "", paste0("https://", domain(company_list[22, 5]), "/karriere/",  image_urls_raw[["OBI"]]), fixed = T)
image_urls_raw[["Globus"]] <- paste0("https://", domain(company_list[25, 5]),  image_urls_raw[["Globus"]])

Im nächsten Schritt werden die gesammelten Bilder durch den Dienst Microsoft Azure Face API untersucht. Die KI liefert dann Ergebnisse zu den erkannten Gesichtern zurück, z.B. das Alter und Geschlecht.

# in Anlehnung an https://bigdataenthusiast.wordpress.com/2016/10/17/face-api-microsoft-cognitive-services/
# Unternehmensnamen und URLs zusammenführen
urls_df <- data.frame(company = NA, url = NA)
for (i in 1:length(image_urls_raw)) {
  for(j in 1:length(image_urls_raw[[i]])){
    df <- data.frame(company = names(image_urls_raw[i]), url = image_urls_raw[[i]][j])
    urls_df <- dplyr::bind_rows(urls_df, df)
  }
}
urls_df <- na.omit(urls_df)

# Azure Face API einbinden
library(httr)
face_api_url = "https://westeurope.api.cognitive.microsoft.com/face/v1.0/detect?returnFaceId=true&returnFaceLandmarks=false&returnFaceAttributes=age,gender,smile,emotion,makeup"
api_results_list <- list()

# Achtung!
# Hier muss der eigene "Ocp-Apim-Subscription-Key" Wert eingetragen werden.
# Dazu ist ein Azure-Konto anzulegen :-)

for (i in 1:nrow(urls_df)) {
  url <- urls_df[i,2]
  api_url_generator <- paste0("{'url':'", url, "'}")
  result = POST(face_api_url,
              body = api_url_generator,
              add_headers(.headers = c("Content-Type" = "application/json",
                                       "Ocp-Apim-Subscription-Key" = "DEIN_SCHLÜSSEL")))
  nameing <- paste0(urls_df[i,1], "##", i)
  res <- content(result)
  api_results_list[[nameing]] <- res
  Sys.sleep(0.3)
}

## In Datensatz konvertieren
api_results_df <- data.frame()

for (i in 1:length(api_results_list)) {
  for (j in length(api_results_list[[i]])) {
    df <- (as.data.frame(api_results_list[[i]][j]))
    if (length(df) > 0) {
      df$name <- names(api_results_list[i])
      api_results_df <- dplyr::bind_rows(api_results_df, df)
    }
  }
}

## In einem neuen Datensatz zusammenführen

face_data <- api_results_df %>% filter(!is.na(faceId))
face_data$company_name <- sub("##.*", "", face_data$name)

Die Daten lassen sich nun auch graphisch auswerten.

face_data$faceAttributes.gender_num[face_data$faceAttributes.gender == "male"] <- 0
face_data$faceAttributes.gender_num[face_data$faceAttributes.gender == "female"] <- 1


labels <- c(faceAttributes.age = "Alter",
            faceAttributes.smile = "Lächeln",
            faceAttributes.gender_num = "Geschlecht",
            faceAttributes.emotion.anger = "Wut",
            faceAttributes.emotion.contempt = "Verachtung",
            faceAttributes.emotion.disgust = "Ekel",
            faceAttributes.emotion.fear = "Angst",
            faceAttributes.emotion.happiness = "Zufriedenheit",
            faceAttributes.emotion.neutral = "neutral",
            faceAttributes.emotion.sadness = "Traurigkeit",
            faceAttributes.emotion.sadness = "Traurigkeit",
            faceAttributes.emotion.surprise = "Überraschung"
            )

face_data <- left_join(x = face_data, y = company_list,
  by = c("company_name" = "Einzelunternehmen"))

face_data %>%
  keep(is.numeric) %>%
  select(-faceRectangle.height, -faceRectangle.left, -faceRectangle.top,
     -faceRectangle.width, -starts_with("ID_Haupt")) %>% na.omit() %>%
  gather() %>%
  ggplot(aes(value)) +
    facet_wrap(~ key, scales = "free", nrow = 4, labeller = labeller(key = labels)) +
    geom_histogram() + theme_minimal(base_size = 18) + ylab("Anzahl") + xlab("Werte")

ggplot(data = face_data, aes(x = faceAttributes.gender, faceAttributes.age)) +
  geom_boxplot(outlier.shape = NA) +
  geom_jitter(aes(size = faceAttributes.emotion.happiness)) +
  theme_minimal(base_size = 28) +
  xlab("Geschlecht") + ylab("Alter") +
  scale_size_continuous(name="Wert Happiness", range = c(4, 8))

face_data %>% group_by(Hauptunternehmen) %>%
  ggplot(aes(x = Hauptunternehmen, y = faceAttributes.age,
     shape = as.factor(faceAttributes.gender_num))) +
  geom_jitter(height = 0.01, width = 0.3, size = 7) + coord_flip() +
   theme_minimal(base_size = 28) +
  xlab("") + ylab("Alter") + scale_shape_manual(name="Geschlecht", values = c(2, 6)) +
   theme(legend.position="bottom")

Kommentare oder Fragen?

Ich freue mich auf Kommentare und Fragen. Eine detailliertere Auswertung und Interpretation findet sich dann im bald erscheinenden Sammelband.

Blog Logo

Tobias Weise


Published

Image

Tobias Weise

political scientist, university management specialist

Back to Overview