Глубокое обучение

Представляю новую книгу от  интернет-магазина КТК "Галактика".

Глубокое обучение

Достаточно сказать, что это перевод книги издательства "The MIT Press".
Рецензия на книгу :
«Книга написана ведущими специалистами в этой области и представляет собой единственное полное изложение предмета».- Илон Маск, сооснователь компаний Tesla и SpaceX
Written by three experts in the field, Deep Learning is the only comprehensive book on the subject." -- Elon Musk, cochair of OpenAI; cofounder and CEO of Tesla and SpaceX:

• Основы прикладной математики и машинного обучения
• Теория вероятности и теория информации
• Оценка максимального правдоподобия
• Современные подходы к глубоким сетям
• Регуляризация в глубоком обучении
• Оптимизация в обучении глубоких моделей
• Моделирование последовательностей
• Исследования по глубокому обучению
• Структурные вероятностные модели в глубоком обучении
• Преодоление трудностей, связанных со статической суммой. 

АННОТАЦИЯ К КНИГЕ

Классический труд от MIT Press теперь на русском языке!

Глубокое обучение — это вид машинного обучения, наделяющий компьютеры способностью учиться на опыте и понимать мир в терминах иерархии концепций. Поскольку компьютер приобретает знания из опыта, отпадает нужда в человеке-операторе, который формально описывает необходимые компьютеру знания. Иерархическая организация позволяет компьютеру обучаться сложным концепциям, конструируя их из более простых; граф такой иерархии может содержать много уровней. В этой книге читатель найдет широкий обзор тем, изучаемых в глубоком обучении.

Книга содержит математические и концептуальные основы линейной алгебры, теории вероятностей и теории информации, численных расчетов и машинного обучения в том объеме, который необходим для понимания материала. Описываются приемы глубокого обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей, и др. Рассматриваются такие приложения, как обработка естественных языков, распознавание речи, компьютерное зрение, онлайновые рекомендательные системы, биоинформатика и видеоигры. Наконец, описываются перспективные направления исследований: линейные факторные модели, автокодировщики, обучение представлений, структурные вероятностные модели, методы Монте-Карло, статистическая сумма, приближенный вывод и глубокие порождающие модели.

Издание будет полезно студентами и аспирантам, а также опытным программистам, которые хотели бы применить глубокое обучение в составе своих продуктов или платформ.

Купить на сайте издательства

С этой книгой надо обязательно покупать:

1. Введение в статистическое обучение с примерами на языке R - это базовая книга от стенфордских профессоров. С нее можно начинать любому. И не важно, что вы хотите работать в Python, а не R - эта самая полная, важная и полезная книга по основам статистики. Содержит уроки по R с кодом. Также есть одноименный курс по книге на сайте Стенфордского университета. 
2. Python и машинное обучение Себастьяна Рашки. Если Вы начинаете осваивать или в процессе освоения машинного обучения на Python, то лучше книги Рашки сложно что-то найти. Показаны большинство алгоритмов, включая, кстати, нейронные сети, разбираются преимущества, особенности различных алгоритмов, вопросы и проблемы создания моделей и т.п..

Машинное обучение с использованием библиотеки H2О

Представляю новую книгу от  интернет-магазина КТК "Галактика".

Машинное обучение с использованием библиотеки H2О

Сразу, на входе в качестве рекламы: вот этот пост HR Analytics: Using Machine Learning to Predict Employee Turnover по прогнозу текучести персонала сделан на основе библиотеки H2O. Поэтому просто в тему 146 %!
Напомню, что H2O - это библиотека фреймворк, которая позволяет работать с алгоритмами машинного обучения. В R из фреймворков наиболее известен на сегодня пакет caret, но активно развиваются другие (см, например Задача классификации с помощью пакета mlr в r на кейсе по адаптации персонала или Прогноз индивидуального дожития и тюнинг параметров регрессии Кокса в пакете mlr).
H2O в том числе набирает обороты, на stackoverflow и r-bloggers я часто встречаю встречаю материалы по этой библиотеке. И H2O работает как в R, так и в Python.
Поэтому рекомендую)
АННОТАЦИЯ К КНИГЕ

Машинное обучение наконец-то достигло стадии зрелости. При помощи программного обеспечения H2O вы можете решать задачи машинного обучения и анализа данных с использованием простого в использовании и открытого (open source) фреймворка, который поддерживает большое количество операционный систем и языков программирования, а также масштабируется для обработки больших данных. Это практическое руководство научит вас использовать алгоритмы машинного обучения, реализованные в H2O, с упором на наиболее важные для продуктивной работы аспекты.
Если вы умеете программировать на R или Python, хотя бы немного знаете статистику и имеете опыт обработки данных, эта книга Даррена Кука познакомит вас с основами использования H2O и поможет вам поэкспериментировать с машинным обучением на наборах данных разного размера. Вы изучите несколько современных алгоритмов машинного обучения: глубокое обучение, «случайный лес», обучение на неразмеченных данных и ансамбли моделей.

Прочтя эту книгу, вы:

• узнаете, как импортировать данные в H2O, преобразовывать их и экспортировать их из H2O;
• изучите основные концепции машинного обучения, такие как перекрестная проверка и проверочные наборы данных;
• поработаете с тремя разными наборами данных, решая задачи регрессии, бинарной и многоклассовой классификации;
• используете H2O для анализа каждого набора данных при помощи четырех алгоритмов машинного обучения;
• поймете, как работает кластерный анализ и другие алгоритмы обучения на неразмеченных данных.

Купить на сайте издательства
И к этой книге обязательно покупаете книгу
Введение в статистическое обучение с примерами на языке R - это базовая книга от стенфордских профессоров. С нее можно начинать любому. И не важно, что вы хотите работать в Python, а не R - эта самая полная, важная и полезная книга по основам статистики. Содержит уроки по R с кодом. Также есть одноименный курс по книге на сайте Стенфордского университета. 

Дьявол в деталях. Особенности измерения средней продолжительности работы в компании

Недавно появилась статья об исследовании, где среди прочего рассказали про среднюю продолжительность жизни сотрудников технологических компаний - Travis Kalanick lasted in his role for 6.5 years — five times longer than the average Uber employee. Статья широко обсуждалась: результаты удивляют. Средняя продолжительность работы сотрудников технологических компаний такова

• Facebook: 2.02 years
• Google: 1.90 years
• Oracle: 1.89 years
• Apple: 1.85 years
• Amazon: 1.84 years
• Twitter: 1.83 years
• Microsoft: 1.81 years
• Airbnb: 1.64 years
• Snap Inc.: 1.62 years
• Uber: 1.23 years

Чуть позже появилась ссылка на первоисточник, где исследователи объясняли, как они считали среднюю продолжительность работы- The toptalent of tech disruptors and titans. 

Средняя продолжительность работы

Влияет ли вовлеченность персонала на текучесть. Прогноз ежемесячной текучести

Специальная вводная на англоязычных читателей
This post is an attempt to forecast the monthly turnover of personnel using the LSTM neural networks. As predictors, I used 1) shifted monthly staff turnover, 2) the level of employee engagement, 3) information on the awards.
The diagram chart shows the staff turnover level on a monthly basis in%. The second diagram is the base forecast obtained by the formula "% next month" = "% current month. " The basic error RMSE for this" forecast "is 0.891.
The third diagram is our prediction based on the LSTM neural network. Using the LSTM neural network with these predictors allows us to reduce the error to 0, 71. This forecast is far from ideal, but it allows us to hope that with the accumulation of data we will be able to improve it.

Итак, 

Все прогрессивное человечество HR ждет ответа на вековечный вопрос, влияет ли вовлеченность персонала на текучесть или нет. Ну кроме откровенных м.даков, которые это знают а приори.
Любителям получать однозначные ответы сразу скажу, что я не ответил на вопрос, влияет ли вовлеченность персонала на текучесть. Пост будет интересен тем, кто любит копаться в задачках.
Задачка - расширение задачки Прогноз текучести персонала на основе временных рядов. Модель ARIMA. У нас по прежнему есть 1) текучесть персонала в компании по месяцам в % 2) лаг этой текучести.
Поясняю: задача временных рядов сводится к ответу на вопрос, можем ли мы предсказать нынешнее состояние на основе предыдущих состояний. Т.е. можем ли мы спрогнозировать % текучести персонала в следующем месяце на основе того, сколько у нас уходило в этом месяце, в прошлом и т.п. (сюда же относится сезонность, когда мы говорим, что в январе текучесть будет меньше (или больше), потому что сезон).
Но три датасета, которые мне любезно предоставили коллеги HR, показали, что прогноз только на основе предыдущих периодов дает очень слабый прогноз. Это может объясняться в том числе малым объемом данных, но и тем не менее.
Отсюда встает задача данных: где бы нам набрать данных, которые бы позволили улучшить наш прогноз. Я смог вытащить у коллег такую информацию:

1. показатели вовлеченности персонала;
2. информацию о квартальной премии.

Причем показатель вовлеченности определялся как уровень вовлеченности компании и имел такие показатели по годам

• 2014 49% 
• 2015 62% 
• 2016 71% 
• 2017 63%

Текучесть по месяцам имела такой вид

• По оси X - месяцы
• По оси Y - текучесть персонала в %

Заодно сразу прикиньте, как тут вовлеченность связана с текучестью. Но проблема измерения очевидна: текучесть мы измеряем помесячно, вовлеченность раз в год опросом, хотя очевидно, что текучесть не стоит на месте весь год. Отсюда сразу вопросы к точности. Я здесь боюсь обращаться к тем, кто проводит пульс опросы вовлеченности по одной простой причине: да, в ваших компаниях можно было бы измерить связь между вовлеченностью и текучестью точнее, но, боюсь, что в России нет ни одной компании, которая бы на сегодняшний день измеряла вовлеченность персонала с помощью пульс опросов. 

Решение

40 кейсов People Analytics. Часть 2

Перевод статьи 40 People Analytics Case Studies - Part 2 David Green. Первая часть уже переведена 40 кейсов People Analytics. Часть 1. Благодарим за это Anthony Korolev (ссылка на профиль в фб). Сайт LEARNOLOGY.RU. Специализируется на трех вещах:

1. разработка и реализация стратегий роста, 
2. операционная эффективность бизнеса, 
3. развитие талантов и руководителей. 

Последний год работает над программой развития преемничества в связи с чем пришел к психометрике и аналитике как средстве повысить организационную эффективность и бизнес-результаты.
Согласитесь, что специалист, который в своем графике находит время для перевода, заслуживает уважения. Спасибо, что такие люди еще не перевелись и двигают наш проект переводы статей по hr-аналитике на английском. Итак,

40 кейсов People Analytics. Часть 2

Последний раз в первой части этой статьи я собрал десять кейсов HR-аналитики из таких компаний, как Google, Cisco, Shell, Nielsen & Microsoft. Еще десять историй вы увидите ниже, а также еще по десять в третьей и четвертой частях, которые последуют в течение нескольких дней. В совокупности они обеспечат комбинацию из средства обучения и вдохновения для каждого, кто решит отправиться в самостоятельное путешествие в новую расцветающую область HR.
Итак, наша десятка…

LinkedIn

Одна из наиболее впечатляющих историй, которую я слышал за последние годы, рассказывает о компании LinkedIn. Лоренцо Канлас, который возглавлял команду, написал прекрасную статью «Как мы построили аналитику по талантам в LinkedIn» (это ссылка на перевод у нас в блоге, мы уже перевели часть кейсов - прим. Э.Б.), описывающую эту работу (рекомендуется к прочтению вместе с презентацией со SlideShare Вильяма Гакера, представленной ниже). Подробный пример силы аналитики был представлен Ребеккой Уайт на конференции по HR-аналитике и Работе Будущего, прошедшей в Сан-Франциско ранее в этом году. Ребекка объяснила, как LinkedIn использовал аналитику, чтобы улучшить идентификацию и продвижение критических талантов в рамках задачи найма инженеров.  Команда аналитиков работала с продуктом и привлечением талантов, что привело к созданию модели приоритезации, состоящей из четырех секторов, пилот которой оказался настолько эффективным в течение первых девяти месяцев, что его адаптированная версия была включена как часть будущего издания LinkedIn Recruiter.

Бесплатные он - лайн курсы по аналитике на русском языке Открытое образование

Еще раз напомню, что в России открылся свой аналог платформ курсеры, edx и т.п. - платформа Открытое образование, и я недавно сделал пост с курсами, которые могут быть интересны HR - см. Бесплатные он - лайн курсы для HR на русском языке Открытое образование. Сейчас я хочу сделать тоже для курсов по аналитике. Пишу "аналитика", потому что не знаю точного термина: статистика, машинное обучение, теория вероятностей и т.п.. Не буду напрягаться, назову все "аналитикой".
Итак,

1. Эконометрика - Высшая Школа Экономики. Преподаватель Борис Демешев, курс очень хороший, рекомендую его всем. Гуманитариев могут напугать куча формул, мой совет: не парьтесь, пропускайте и изучайте кейсы в R. Я бы назвал этот курс базовым.

Прогноз текучести персонала на основе временных рядов. Модель ARIMA

До сих в блоге в прогнозе текучести персонала я пользовался моделями дожития, изредка классификации. Эти модели хороши, но у них есть один недостаток: они не схватывают эпидемии миграции работников. Эпидемии могут быть вызваны каким-то внешним или внутренним фактором (непопулярное решение начальства, появление крутого конкуренты в регионе и т.п..). И в этом случае дожитие, которое строит глубинные прогнозы про индивидуума, становится бессильно, как человек, который вел здоровый образ жизни, был сметен эпидемией.
Вот как раз для такого рода эпидемий очень даже неплохо подходят модели временных рядом - Time Series.

Как это работает?

Перед вами диаграмма текучести персонала одного ритейлера. Данные реальные - в этм собственно ценность данного поста.
По оси X - время (вы видите начало периода - начало 2014 года), а заканчивается августом 2017 года - свежак просто;
По оси Y - количество уволившихся работников.
Задача стоит так: можем ли мы на основе предыдущих периодов предсказать, сколько уволится (или будет уволено) в будущем месяце. Согласитесь, очень классная задача, которая тянет на workforce planning.

Решение

Бесплатные он - лайн курсы для HR на русском языке Открытое образование

Для тех, кто не в курсе, в России запущена платформа - аналог курсеры, edx и т.п.. Открытое образование. Я решил в одном посте собрать все курсы, которые так или иначе могут относиться к HR. Не все из них уже начались, даты некоторых неизвестны, но в любом случае это образование вполне доступно и бесплатно (за исключением сертификата). Я дам просто перечень курсов со ссылками на страницу курс+ название ВУЗа, автора курса.
Мне же очень интересна ваша обратная связь от тех, кто проучился на курсе. Пишите, пожалуйста, мне делитесь обратной связью!

1. Управление человеческими ресурсами - Санкт-Петербургскийполитехнический университет

Услуга Бенчмаркинг текучести персонала

Предлагаю вашему вниманию новую услугу: Бенчмаркинг текучести персонала.
Эта услуга новая и уникальная. Уникальная потому, что используется новый инструмент расчета текучести, сам инструмент основан на машинном обучении.

Что вы получаете

1. Диаграмма

Обозначения:

• По оси X - стаж в месяцах работы;
• По оси Y - вероятность дожития (или % выбытия, если совсем просто);
• Синяя ниспадающая линия - кривая дожития для "Вашей" компании;
• Красная ниспадающая линия - ситуация на рынке.
• Пунктирные линии - границы ошибки.
• Горизонтальная красная линия - 50-й персентиль или медиана дожития. На языке HR - "средний срок жизни". 
• Вертикальные красные линии - значение "среднего срока жизни" для 1) "Вашей" компании и 2) всего рынка.

* Цвета, масштаб и т.п. по желанию Заказчика.
2. Описательные статистики

quantile	25	50	75
Рынок	13.6	28.1	55.6
Вы	17.7	38.7	93.1
lower
Рынок	12.2	24.3	47.9
Вы	16.6	35.9	81.2
upper
Рынок	16.3	33.4	75.9
Вы	19.7	41.4	123.2

lower и upper - нижний и верхний 95 % интервалы25 - 1-й квартиль, 50-медиана, 75 - 3-й квартиль
Т.е. средний срок жизни в "Вашей" компании составляет 38.7 месяца, а для всего рынка 28.1

Как выглядит запрос 

40 кейсов People Analytics. Часть 1

Перевод статьи 40 People Analytics Case Studies - Part 1 David Green. Всего таких частей будет четыре. Сначала David Green нарисовал две части 20 кейсов, теперь до сорока разошелся. С многими кейсами я бы поспорил, David Green у нас еще тот политик, ради славы все подряд в аналитику запишет, но, тем не менее, опыт ценен. И это, действительно, глобальный проект. Надеюсь, со временем я смогу сделать подобное для России.
Перевод выполнил Anthony Korolev (ссылка на профиль в фб). Сайт LEARNOLOGY.RU.
Специализируется на трех вещах:

1. разработка и реализация стратегий роста, 
2. операционная эффективность бизнеса, 
3. развитие талантов и руководителей. 

Последний год работает над программой развития преемничества в связи с чем пришел к психометрике и аналитике как средстве повысить организационную эффективность и бизнес-результаты.
И уверяю Вас, переводчик получает больше, чем мы, читатели. Говорю как тот, что перевел не один десяток статей.
Перевод особо ценен тем, что позволяет расширить базу переводов - если вам понравился какой-то кейс, вы можете его перевести, я опубликую.
Отмечу еще, что термин People Analytics переведен как HR-аналитика - для тех, кто привередлив. Добавлю еще, что данная статья была написана 1 августа 2016 года - для нашего стремительно меняющегося Мира это уже срок. Итак,

40 кейсов People Analytics. Часть 1

В не слишком далеком будущем аналитика станет базовым компонентом стандартной практики в HR. Я непосредственно наблюдал как за последние 12 месяцев растет интерес к HR-аналитике. Усвоение этих знаний тоже растет, хотя и совсем не такими темпами.
С моей точки зрения первичной причиной этого является то, что HR в целом все еще сопротивляется использованию аналитики и более широкой потребности в принятии подхода к работе, который в большей степени опирается на данные.
Одним из способов помочь HR с этой задачей является распространение информации об успехах пионеров на этом пути. Нельзя сказать, что желающие встать на эту дорогу могут просто скопировать своих коллег, но они могут учиться на успехах, которых добились другие в своих собственных организациях.
В течение нескольких следующих дней (см. Часть 2, Часть 3 и Часть 4) я приведу здесь сорок успешных кейсов компаний всех форм и размеров, решивших мириады бизнес задач и имеющих достаточно вдохновения, чтобы запустить проект первого пилотируемого полета на Марс.
Ну а теперь, когда мы все на борту ракеты, пора взлетать…

Google

Библиотека Keras — инструмент глубокого обучения

Представляю новую книгу от  интернет-магазина КТК "Галактика".
Библиотека Keras — инструмент глубокого обучения

Содержание

• Реализация нейронных сетей с помощью библиотек Theano и TensorFlow
• Применение алгоритма обратного распространения ошибки к обучению больших нейронных сетей
• Настройка нейронной сети для повышения качества результатов
• Применение глубокого обучения к обработке изображений и звука
• Использование моделей семейства word2vec для реализации векторного представления слов
• Усовершенствование простых рекуррентных нейронных сетей
• Изучение процедуры реализации автокодировщиков
• Построение глубокой нейронной сети с помощью обучения с подкреплением

Аннотация 

Книга представляет собой краткое, но обстоятельное введение в современные нейронные сети, искусственный интеллект и технологии глубокого обучения. В ней представлено более 20 работоспособных нейронных сетей, написанных на языке Python с использованием модульной библиотеки Keras, работающей поверх библиотек TensorFlow от Google или Theano от компании Lisa Lab. Описан функциональный API библиотеки Keras и возможности его расширения. Рассмотрены алгоритмы обучения с учителем (простая линейная регрессия, классический многослойный перцептрон, глубокие сверточные сети), а также алгоритмы обучения без учителя - автокодировщики и порождающие сети. Дано введение в технологию глубокого обучения с подкреплением и ее применение к построению игр со встроенным искусственным интеллектом.

Издание предназначено для программистов и специалистов по анализу и обработке данных.

Издание выполнено в твердом переплете.

Приобрести книгу можно на сайте издательства Библиотека Keras — инструмент глубокого обучения

17 метрик рекрутинга, о которых вам нужно знать

Перевод статьи 17 Recruiting Metrics You Should Know About Erik-а Van Vulpen-а в рамках нашего проекта переводы статей по hr-аналитике на английском. Перевод выполнила Василина Чувашева. Василина старший специалист по оценке и развитию персонала ритейл компании. Профиль в Линкедине и фейсбуке
Обойдусь без комментариев - название статьи говорит само за себя. Итак,

17 метрик рекрутинга, о которых вам нужно знать

Эрик ван Вулпен, 18 июля 2017
Культура, основанная на данных, - обязательная составляющая (must-have) для организаций. В этой статье мы обсудим релевантность рекрутинговых метрик. Если вы будете отслеживать каждую метрику, которую возможно найти в интернете, то у вас не останется времени на то, чтобы заниматься подбором сотрудников! Здесь мы перечислим 17 наиболее важных рекрутинговых метрик.

Что такое рекрутинговые метрики?

Рекрутинговые метрики – это измерения, которые позволяют отслеживать успех найма и оптимизировать процесс найма кандидатов в организацию. При корректном использовании эти показатели помогают оценить процесс рекрутинга и понять, нанимает ли компания подходящих людей.
Совершение правильных решений при найме людей крайне важно. Этот график (источник: Greenhouse) показывает продолжительность жизни сотрудника в компании как сумму всех HR решений, принятых в отношении этого сотрудника [«Жизненный цикл сотрудника»: старт – полный вклад – сотрудник максимально использует свой потенциал – решение покинуть компанию – последний день; ось X – время, ось Y – производительность].

Используя график ниже, мы видим, что тот, кто в большей степени подходит для конкретной позиции, обладает потенциалом для создания большого возврата на инвестиции (ROI) [«Влияние лучшего найма с течением времени»: ось X – время, ось Y – производительность; найм лучшего кандидата; найм кандидата, более подходящего на позицию].

Именно поэтому найм правильных людей так важен. А теперь давайте подробнее рассмотрим рекрутинговые метрики. Вне зависимости от того, начинаете ли вы путь измерения рекрутинговых данных или настраиваете существующие метрики, этот список даст вам обзор 17 наиболее часто используемых показателей подбора.

17 рекрутинговых метрик: Обзор

1. Время заполнения

Это относится ко времени, которое требуется для того, чтобы найти и нанять нового кандидата. Часто его меряют количеством дней между публикацией вакансии и наймом кандидата. Время заполнения зависит от соотношения спроса и предложения для конкретных позиций. Это отличная метрика для бизнес-планирования, поскольку предлагает менеджеру реалистично оценить то время, которое потребуется для нахождения замены ушедшему сотруднику.
Кроме того, короткое время заполнения обычно позитивно сказывается на команде, поскольку для остальных сотрудников это означает – меньше переработок и нестабильности [ось X – время, ось Y – производительность; сократить время отклонения; увеличить, как высоко кто-то может подняться (увеличение потенциальной эффективности)]. 

2. Время найма 

Время найма представляет собой количество дней с момента одобрения кандидата в компанию и момента, когда кандидат выходит на работу. Другими словами, этот показатель измеряет время, необходимое для того, чтобы человек прошел процесс найма. Таким образом, время для найма дает четкое представление о том, как работает команда по подбору персонала. Эту метрику также называют «Время приема».

Время найма	США	Соединенное Королевство и Ирландия	Остальная Европа	Остальной мир
Общее	24	24	28	26
Обслуживание клиентов	21	19	28	18
Инженерия	28	26	30	28
Здравоохранение	17	18	Не известно	Не известно
HR	27	23	23	23
Информационные технологии	26	23	29	25
Маркетинг	24	26	27	27
Продакт менеджмент	32	36	29	27
Продажи	22	20	25	26

3. Источник найма 

Отслеживание источника, который привлекает новых сотрудников в организацию, - одна из наиболее популярных рекрутинговых метрик. Этот показатель также помогает отслеживать эффективность разных каналов. Вот примеры некоторых из них: сайты для поиска работы, карьерная страница компании, социальные сети, кадровые агентства. 

4. Отсев первого года

Отсев первого года - ключевой рекрутинговый показатель, который указывает на успешность подбора. Кандидаты, которые покидают компанию в течение первого года, не становятся максимально продуктивными и обычно дорого обходятся компании. Отсев первого года может быть управляемым и неуправляемым.

Управляемый отсев означает, что контракт прекращается работодателем. Чаще всего это связано с плохим исполнением (показателями) или тем, что кандидат не смог влиться в команду. Неуправляемый отсев означает, что сотрудник покидает компанию по своей инициативе, что часто является показателем нереалистичных ожиданий, которые заставляют кандидата уйти. Это может произойти, если описание работы не соответствует фактической работе или же работа и / или компания были слишком приукрашены (яростно проданы, oversold) рекрутером. 

Эту метрику можно также рассматривать как «показатель удержания кандидата».

5. Качество подбора

Качество подбора, часто измеряемое оценкой эффективности сотрудника, показывает результаты работы первого года. Кандидаты, которые получают высокие оценки эффективности, указывают на успех найма, в то время как противоположное справедливо для кандидатов с низким рейтингом эффективности. Низкие показатели эффективности за первый год свидетельствуют о плохом подборе. Один плохой найм может стоить компании десятки тысяч долларов как в прямых, так и косвенных тратах. 

Сочетая эту метрику с каналом, через который был получен кандидат, вы можете измерить качество канала поиска (см. метрику №17).

Качество подбора – исходные данные коэффициента успеха. Коэффициент успеха делит количество наемных работников с хорошими показателями эффективности на общее количество нанятых кандидатов. Высокий коэффициент успеха означает, что большинство нанятых кандидатов работают хорошо, однако низкое соотношение означает, что вам необходимо более точно настроить ваш процесс подбора!

Коэффициент успеха используется как исходные данные для анализа полезности подбора. Этот анализ позволяет рассчитать рентабельность инвестиций для различных инструментов подбора.

6. Удовлетворенность менеджера (который запрашивал подбор)

Наряду с качеством подбора, удовлетворенность нанимающего менеджера является еще одним показателем, который свидетельствует об успешной рекрутинга. Когда менеджер удовлетворен новыми кандидатами в своей команде, кандидат, скорее всего, будет хорошо работать и легко вольется в команду. Другими словами, кандидат скорее всего будет успешным подбором! 

7. Удовлетворенность кандидата своей работой

Удовлетворенность кандидата своей работой - отличный способ отслеживать, соответствуют ли ожидания, установленные во время процедуры подбора, реальности. Низкая удовлетворенность работой кандидата подчеркивает неправильное управление ожиданиями или неполное описание должностных обязанностей.

Низким баллом можно лучше управлять, предоставляя предварительный просмотр позиции. Это помогает потенциальным кандидатам понять как положительные, так и отрицательные аспекты работы, тем самым формируя более реалистичное представление.

8. Заявки на вакансию

Заявки на вакансию или заявки на подбор определяют популярность позиции. Большое количество апплицирующихся может указывать на высокий спрос на рабочие места в этой конкретной области или на то, что описание конкретной позиции слишком обширно.

Количество заявок на вакансию не обязательно совпадает с количеством реально подходящих кандидатов. Сужая описание работы и включая ряд «жестких» критериев, количество заявок на вакансию может быть уменьшено без сокращения числа подходящих кандидатов.

9. Коэффициент отбора

Коэффициент отбора определяется числом принятых на работу кандидатов относительно общего количества кандидатов на данную вакансию. 

Коэффициент отбора очень похож на количество заявок на вакансию. В случае большого количества кандидатов, коэффициент приближается к 0. Коэффициент выбора предоставляет информацию о ценности различных инструментов оценки и может использоваться для оценки полезности данной системы выявления и подбора кандидатов.

Для расчета полезности этих инструментов взгляните на статью Стурмана от 2003 года.

10. Стоимость найма

Мы можем написать целую статью о стоимости одного найма. Стоимость найма - рекрутинговая метрика, которая измеряется соотношением всех инвестиций в процесс подбора к числу нанятых кандидатов. 

Стоимость найма состоит из нескольких структур затрат, которые можно разделить на внутренние и внешние издержки. Определив их размеры, вы можете рассчитать общую стоимость подбора. 

ОБЩАЯ СТОИМОСТЬ ПОДБОРА
Внешние издержки	Внутренние издержки
Затраты на рекламу	Время, затраченное рекрутером (средняя часовая оплата * затраченные часы)
Комиссия агентству	Время, затраченное менеджером (средняя часовая оплата * затраченные часы)
Траты кандидата	Время на адаптацию сотрудника (средняя часовая оплата * затраченные часы)
Плата за обучение нового сотрудника	Снижение производительности труда
Прочие внешние расходы	Прочие внутренние расходы

11. Опыт кандидата

Когда мы говорим о рекрутинговых метриках, нельзя упускать из виду опыт кандидата. Опыт кандидата – это тот опыт, который ищущие работу люди приобретают, пока проходят через процесс подбора. В этом опросе используется показатель Net Promoter Score, он помогает определить ключевые компоненты опыта кандидата, которые можно улучшить. 

12. Коэффициент принятия предложения (оффера)

Коэффициент принятия предложения сравнивает количество кандидатов, успешно принявших предложение о работе, с количеством кандидатов, которые получили предложение. Низкий показатель указывает на проблемы с потенциальной компенсацией. В случае, когда эти проблемы часто возникают для определенного функционала, вопрос оплаты может быть обсужден на ранних этапах подбора для того, чтобы снизить вероятность отклонения предложения о работе. 

13. % открытых позиций

Процент открытых позиций может быть сравним с общим количеством позиций как в определенных отделах, так и во всей организации. Высокий процент может свидетельствовать о высоком потребности (например, из-за быстрого роста) или низком уровне предложения на рынке труда.

14. Коэффициент закрытия заявки

Коэффициент закрытия заявки особенно интересен для организаций с тщательно разработанными онлайн-системами рекрутинга. Многие крупные фирмы требуют, чтобы кандидаты вручную вводили свое резюме в свои системы, прежде чем они могут подать заявку на работу. Выброс в этом процессе указывает на проблемы в этой процедуре, например, несовместимость браузера с прикладной системой или недружественный интерфейс.

Эта метрика хорошо сочетается с нашим номером 15.

15. Эффективность воронки подбора

Рекрутмент – это воронка, которая начинается с источников и заканчивается подписанием контракта. Измеряя эффективность разных этапов воронки, вы можете точно определять коэффициент «урожайности» каждого шага. А это составляет прекрасную рекрутинговую метрику.

• 15:1 (750 заявок на вакансию, 50 резюме просмотрено)

• 5:1 (50 просмотренных резюме привели к 10 кандидатам, представленным менеджеру)

• 2:1 (10 представленных кандидатов – к 5 одобренным)

• 5:2 (5 первичных интервью – к 2 финальным интервью)

• 2:1 (2 финальных интервью – к 1 офферу)

• 1:1 (1 оффер – к 1 найму)

За последние несколько лет воронка рекрутинга сильно изменилась из-за успехов в HR-технологии. Первые несколько шагов часто распыляются: программное обеспечение помогает автоматически просматривать резюме и выбирать наиболее подходящие. Некоторые компании выбирают видеоролики для первичного просмотра и даже первичных интервью.

Иначе говоря, ожидайте дальнейших изменений воронки.

16. Эффективность канала поиска

Эффективность канала поиска позволяет измерять количество конверсий на канал. Сравнивая процент заявок с процентом просмотра позиции (impressions of the positions), вы можете быстро оценить эффективность различных каналов.

Простой способ сделать это - использовать Google Analytics для отслеживания того, откуда пришли люди, просмотревшие работу на вашем сайте.

Установив цели, например, успешное заполнение формы заявки, этот коэффициент конверсии можно сделать гораздо более точным. Может быть, люди, пришедшие из LinkedIn и Twitter, не апплицируются на позицию, но люди, пришедшие из Facebook, делают это!

17. Стоимость канала поиска

Вы также можете рассчитать экономическую эффективность различных каналов поиска, включив рекламные расходы (сумму денег, потраченную на рекламу на этих платформах). Разделив рекламные расходы на число посетителей, которые успешно апплицировались на позицию, вы измеряете стоимость канала найма.

Это 17 наиболее распространенных рекрутинговых метрик. Если вы хотите прочитать больше о различных организационных показателях, рассмотрите наши статьи 21 метрика для оценки эффективности сотрудника и 14 примеров HR метрик. 

Автор статьи: Erik van Vulpen основатель Analytics in HR. Он является экспертом в соединении HR процессов и бизнес результатов посредством качественных и количественных методов. 

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме