Share |

среда, 24 мая 2017 г.

Кейс по выявлению драйверов текучести персонала в разрезе филиалов

Данные абсолютно реальные: компания имеет пять филиалов по России, в ней остро стоит проблема текучести персонала. Если у вас стоит подобная же задача, обращайтесь.

Проблема

Кейс по выявлению драйверов текучести персонала в разрезе филиалов

На диаграмме показана общая текучесть персонала по компании.

  • По оси X стаж работы в компании в месяцах;
  • ось Y - вероятность выбытия (пунктиром показаны границы ошибки).

Заметно, что 50 % (!!!) персонала выбывает в границах 3-4 месяца. Через год из вновь принятых остается каждый пятый. Я не выдаю данные о клиенте, но вы можете догадаться о характере бизнеса.
В данной ситуации с текучестью можно бороться разными путями: можно, например, заняться построением "корпоративной культуры", а можно долго, нудно, последовательно собирать данные с тем, чтобы выявить ключевые драйверы текучести персонала, а через них повлиять на текучесть.

Источники трафика

Собрать инфо об источниках трафика оказалось достаточно просто, и мы провели анализ влияния источников трафика на текучесть персонала
Кейс по выявлению драйверов текучести персонала в разрезе филиалов
Эта диаграмма повторяет ту, что выше, но только по источникам трафика.
И здесь обнаружилась очень интересная вещь: джоб сайты самый плохой источник трафика, я в этом и не сомневался, а вот программа Приведи друга по качеству не намного превзошла джоб сайты.
Это к вопросу о том, стоит ли молиться на реферальный рекрутинг. Точнее, в случае данной компании надо озадачиться вопросом, что не так с реферальным рекрутингом.
Хорошим источником оказался карьерный сайт компании, но первое место у центров занятости!!!
Ну а теперь посмотрим соотношение источников трафика
Кейс по выявлению драйверов текучести персонала в разрезе филиалов

Вас удивляет эта картина? Меня нет, я часто встречаю нечто подобное. Источники трафика расположились в порядке убывания: самый плохой дает самый мощный трафик.

Филиалы

Кейс по выявлению драйверов текучести персонала в разрезе филиалов

А филиалы нам тоже показали значимость различий в текучести персонала: первый и пятый отстают, а лидирует четвертый.

Источники трафика в разрезе филиалов

Давайте сделаем финальный штрих
Кейс по выявлению драйверов текучести персонала в разрезе филиалов
Это источники трафика в разрезе филиалов. У нас 1 и 5 филиалы самые отстающие, и у них же максимальный % трафика через джобсайты.
Второй филиал у нас выбивается из логики: у него джобсайты дают 80 % трафика, но они при этом имеет текучесть меньше, чем 1 и 5 филиалы. На самом деле объяснение здесь простое: это не просто филиал, а головной офис, в статистику вошли представители обслуживающих подразделений, а также офицеры, а среди них текучесть, конечно же ниже сама по себе в силу характера занятий.

Каковы рекомендации компании:


  1. Понять, что не так с программой Приведи друга;
  2. Пригласить руководителей 3 и 4 филиала для того, чтобы они провели семинар, рассказали о практиках работы с центром занятости;
  3. Собрать команду из рекрутеров, ай ти специалистов с тем, чтобы продумать систему мероприятий, направленных на увеличение потока трафика через сайт компании

Хотите сделать у себя в компании подобное? Обращайтесь

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

воскресенье, 21 мая 2017 г.

Нейронные сети в человеческих отношениях

Это технический пост. Сравнение алгоритмов xgboost и нейронных сетей на данных нашего исследования. И это моя первая нейронная сеть, которую я настроил не на учебных данных, а на реальных данных исследования:)
Задача взята из данного поста - Прогноз психологической совместимости руководителя и подчиненного.
В нашем исследовании есть вопрос Благодарил ли Вас Ваш руководитель за достижения? с вариантами ответа:

  1. Нет - 307;
  2. Получал лишь изредка- 418;
  3. Если не все, то многие - 310; 
  4. Да, практически все достижения были отмечены моим руководителем - 300.

Напротив каждого варианта ответа указано количество респондентов, которые дали тот или иной ответ и по которым у нас есть полный набор данных.

Методология

Я решил, а можем ли мы спрогнозировать ответ респондента? Можем ли мы спрогнозировать, ответит ли респондент, что руководитель все его достижения отмечает или не все, или вообще не хвалит его. Эта аналитика могла бы быть очень интересной для прогноза психологической совместимости подчиненный - руководитель, в принципе интересная аналитика для человеческих отношений.
Для создания модели я выбрал следующие факторы:

  1. Пол респондента,
  2. Возраст респондента;
  3. Пол руководителя;
  4. возраст руководителя.

И результаты тестов респондента (КТО и Большая пятерка - спасибо Лаборатории Гуманитарные Технологии за предоставленную возможность):

  1. Общий балл;
  2. Вербальный интеллект;
  3. Числовой интеллект;
  4. Эрудиция;
  5. Обработка информации;
  6. Интроверсия - экстраверсия;                                                                   
  7. Независимость - согласие;                                                                     
  8. Импульсивность - самоконтроль;                                                                
  9. Тревожность- стабильность;                                                                    
  10. Консерватизм- новаторство.
В указанном посте я использовал алгоритм xgboost, который нам дал точность модели 40 %. Т.е. мы угадаем выбор респондента только в 40 % случаев, а хочется большего. Считается, что Нейронные сети лучше применять в тех случаях, если переменные сильно коррелируют между собой, а наши переменные коррелируют между собой, см. Интеркорреляции Краткого отборочного теста и Большой пятерки (Big5). Поэтому я подумал, что нейронные сети могут дать более точный прогноз.
Для спецов покажу финальную модель
 
def create_model():
    # create model
    model = Sequential()
    model.add(Dense(30, input_dim=26, kernel_initializer='glorot_uniform', activation='sigmoid',kernel_constraint=maxnorm(2)))
    model.add(Dropout(0.2))
    model.add(Dense(4, kernel_initializer='glorot_uniform', activation='sigmoid'))
    # Compile model
    model.compile(loss='categorical_crossentropy', optimizer='Nadam', metrics=['accuracy'])
    return model
 
# create model
model = KerasClassifier(build_fn=create_model,epochs=170, batch_size=30, verbose=0)
Обучал модель в Gridsearch sklearn-овской обертки Keras-а.
Если Вы спец, подскажите, что можно улучшить в модели.

Результат

Я получил общую точность модели 35 %.

Нейронные сети в человеческих отношениях

Это confusion matrix. В колонках у нас прогнозные значения того, как респондент оценит отношение руководителя, в строках - реальные значения выбора респондента. В ячейках - % по колонке.
Это значит, что, например, в 36 % случаев мы угадаем выбор респондента в случае с вариантом ответа "Да, практически все достижения были отмечены моим руководителем". 
Давайте сравним с точностью алгоритма xgboost
Невооруженным взглядом заметно, что xgboost точнее (40 % общая точность 'accuracy' модели против 35 у нейронной сети). Но обращаю внимание, что нейронные сети дают точность тоже выше плинтуса - выше случайного попадания. 
Заметен более насыщенный цвет диагонали? 
А еще хочу обратить ваше внимание на крайний правый квадрант на обеих диаграммах. 22-25 % - это ситуация, когда мы предсказываем ответ респондента "Никогда", а на самом деле руководитель по ответу подчиненного, наоборот, отмечает все заслуги подчиненного. Это интересный эффект, который хочется пояснить метафорой "От любви до ненависти один шаг" и промахнуться легко:). 
Я продолжу копать в этом направлении. И надеюсь, что спецы мне подскажут, как можно улучшить нейронную сеть. 

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

пятница, 19 мая 2017 г.

О качестве HR-аналитики в России (в сравнении с Западом)

20-21 апреля в Лондоне прошла конференция по HR-аналитике в Лондоне, я писал, что вот на Западе куча статей, анализирующих выступления прошедшей конференции, что такие статьи нужны как рефлексия рынка, и очень жаль, что в России нет такой культуры пост-обсуждения, пост рефлексии.
Но вот сегодня, 18 мая прошла он-лайн конференция по HR аналитике. Мне по секрету скинули презентации конференции. Не все, а штук 6. Выкладывать не буду, вдруг привлекут к ответственности. Но вы и не потеряете ничего.
И я решил сделать совсем краткий анализ презентаций. Чтобы сделать рефлексию состояния рынка. Готов к прямой дискуссии. Готов, что мне ответят. Но не ответят, держу пари.
Первые две откинул сразу. Презентации из разряда: Как влиять на бизнес показатели? Надо собирать вот такие метрики....
Короче из всех шести презентаций только одна была про аналитику, если понимать под аналитикой статистику. Презентация очень известной консалтинговой компании.
Одна из шести!!!!!
Ну давайте посмотрим на одну надежду
Слайд про то, что такое HR аналитика
Аналитика - это про "инсайты" на основе анализа данных, которые помогают принимать лучшие управленческие решения. 
Я бы не понял. Надеюсь, голосом спикер сказал больше.  Но из всей презентации - один слайд (всего один), который можно отнести к результатам анализа. И посмотрите, какой шедевр
Подпись к слайду: бизнес-показатели не связаны с числом вакансий в городе
А Вы согласны с маститым консультантом? Сможете ответить на вопрос:есть связь между % незакрытых вакансий филиала и Прибыльностью филиала? Я смогу. И я не согласен с выводом консультанта.
Я бы лично этого консультанта посадил за парту, пригласил бы на свой семинар по HR-аналитике, чтобы азам его обучить. Но ведь обидится.
Сравните с тем, что происходит на Западе. Вот небольшой обзор выступлений на конференции в Лондоне 20-21 апреля Seven things we’re doing wrong with HR analytics.
Разница как между братьями Райт и Илоном Маском. И причина такого разрыва мне лично совершенно понятна и очевидна: О революции и новом формате коммуникаций в HR - я писал на эту много раз, эта статья одна из самых ярких и имеет конкретных адресатов. Адресаты мне, конечно же, не ответили. Статью рынок не заметил.
А проблема проста: у нас закрытая культура коммуникаций в HR. Провайдеры выпускают на рынок дерьмо продукты, продают их на основе связей, имени на рынке, но сами продукты не готовы обсуждать (ну если не считать обсуждением отзывы "восторженных" клиентов). Возможность продавать липовые продукты не стимулирует консультантов развиваться, останавливает развитие.
И снова я публикую пост, без всякой надежды на обратную связь сообщества. Все эти консультанты надуют свои умные губки и пройдут мимо.
Поэтому попробуйте извлечь пользу из поста для себя: решите задачу про связь между % незакрытых вакансий и прибыльностью филиалов в городе.

Понравился пост? 

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

среда, 17 мая 2017 г.

Рабочее пространство: Open space VS кабинетная рассадка для интровертов экстравертов

Пост для тех, кто решает, какое рабочее пространство выбрать для своей компании: арендовать ли офис компании как открытое пространство (open space) или с кабинетной рассадкой.
Снова из нашего исследования. В опросе есть вопрос про то, каким было рабочее пространство респондента.
Насколько я слышал, речь идет о влиянии открытого пространства (open space) / кабинетной рассадки на климат в коллективе, состояние работника и т.п. Проще говоря, что происходит с нервишками работника в зависимости от того, сидит ли он в кабинете или в открытом пространстве (open space).
Проверить это можно через текучесть персонала: если какая-то из форм рабочего пространства open space или кабинетная рассадка влияют негативно, то следует ожидать, что работники бегут из этой формы рабочего пространства быстрей.
Мне самому всегда казалось, что открытое рабочее пространство негативно влияет на состояние работника.
Рабочее пространство: Open space VS кабинетная рассадка
Это не так оказалось на самом деле: с точки зрения текучести персонала не важно, находится ли компания в открытом пространстве или имеет кабинетную рассадку.
Как читать такой тип диаграммы - Анализ и визуализация дожития: чем HR похож на медиков.

  1. По оси X - число месяцев стажа
  2. По оси Y - вероятность, что работник доработает до этого момента стажа в компании.

Линии практически сливаются, а значит, текучесть персонала в компаниях не зависит от того, открытое пространство (open space) у вас или кабинетная рассадка.
А может быть все дело в том, что я сам лично интроверт и мне открытое пространство некомфортно?
Сначала я выяснил, а не предпочитают ли интуитивно интроверты и экстраверты, соответственно, кабинетную рассадку или открытое рабочее пространство (open space)?
Нет, не предпочитают.
По шкале X - распределение респондентов по шкале интроверсии эстраверсии.
А может тогда склонные к интраверсии дольше работают при кабинетной рассадке?
Рабочее пространство: Open space VS кабинетная рассадка для интровертов экстравертов
Нет, интроверты не работают дольше при кабинетной рассадке в сравнении с открытым рабочим пространством. Для построения диаграммы я взял только тех, у кого показатели по шкале Интроверсия - Экстраверсия ниже медианы (медиана по нашей выборке 5, 4). И вот по эти люди, более склонные к интраверсии, не показали значимых различий по формам рабочего пространства. P-value - 0, 463
Не буду давать диаграмму, но поверьте на слово: работники с показателями по шкале интраверсии экстраверсии выше медианы, т.е. склонные к экстраверсии, также не показывают различий в текучести персонала.

Выводы:


  1. Форма рабочего пространства: кабинетная рассадка или открытое пространство (open space) не влияют на текучесть персонала;
  2. Тот же самый вывод справедлив для ситуации, если наши работники интроверты или экстраверты;
  3. Интроверты и экстраверты при выборе работодателя не выбирают (осознанно или интуитивно) форму рабочего пространства: кабинетную рассылку или открытое пространство (open space).

Понравился пост?


и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

Структура подбора персонала в динамике по годам

И это снова про наше исследование, участие в котором я ожидаю от вас.

Динамика зарплат по годам

Я взял только HR специалистов, и речь идет о стартовых зарплатах - то, что дают на входе в компанию.

 На 2017 год особо не смотрите, мало данных, вас же не уговоришь поучаствовать. По оси Y зарплата HR специалистов в тысячах рублей. Но в целом картинка кажется очень логичной: провал в кризис 2009 и постепенный подъем дальше.
Логика, которая мне здесь видится проста: рынок реагирует на кризис и предлагает соответствующие зарплаты.

Динамика возраста вновь принятых по годам

Структура подбора персонала в динамике по годам
А это ход конем. Здесь показана динамика возраста вновь принятых HR. Таже самая выборка, что и выше. И мы видим, что медиана возраста в 2009 году была 26 лет или около того, а в 2016 уже 33 года - медиана подбора специалистов. Т.е. вновь принятые постарели почти на 7 лет!!!
Логика в этом факте мне тоже кажется достаточно простой: дело не столько в возрасте, сколько в том, что в кризис подбирают чаще низовой персонал - тех, кто выполняет черновую работу. А вот руководителей набирают чаще не в кризис, а в добрые времена.
И если эта логика верна, то тогда у нас структура уровня позиций должна отличаться.

Динамика уровня позиций в разрезе по годам

Структура подбора персонала в динамике по годам
В строках, как вы догадались, уровень позиций принятых HR, в колонках годы, в ячейках - % от суммы по строке.
Т.е. например, в 2016 году среди всех вновь принятых HR 18 % (почти каждый пятый) составляли руководители высшего звена. Это максимальный показатель, начиная с 2007 года.
Согласен, диаграмма не очень читабельна. Тем более, что здесь явный шум - мало данных, но это претензия к вам - вы же не участвуете в опросе.
Тем не менее, тенденции видны: явно провалился % специалистов. Это не значит, что специалистов стали подбирать меньше, это значит, что их удельный вес стал ниже. Т.е. количество генералов на одного солдата стали подбирать больше.
Отсюда еще один очень важный вывод: на рост зарплаты по годам влияет как минимум не только рост экономики, инфляция и т.п., а структура подбора. Ну т.е. поскольку в 2016 году у нас генералов подбирали больше, то и в среднем зарплаты будут выше. И реального роста может просто не оказаться, поскольку рост нам могут обеспечить генералы, а солдаты сидеть по прежнему на своем пайке.

Динамика зарплат HR уровня специалистов по годам

Структура подбора персонала в динамике по годам
Эта картинка повторяет первую картинку поста, но только здесь указана зарплата только HR уровня специалистов.
И можно практически радоваться тому, что зарплата HR уровня специалист тоже растет несмотря на. С 20 тысяч рублей в 2007 году она выросла до 40 тысяч рублей в 2016 году. Ура.

Динамика возраста вновь принятых HR уровня специалистов по годам

Структура подбора персонала в динамике по годам
Ну и чтобы окончательно добить, проверим, а растет ли возраст HR уровня специалист по годам. Выше мы говорили, что медиана возраста растет, но этот рост можно было бы объяснить тем, что принимают больше руководителей, которые более зрелые, поэтому для очистки эффекта мы посмотрим только на специалистов.
Не уверен, согласитесь ли вы со мной, но есть ощущение, что возраст HR уровня специалист тоже растет. До 2013 года не было респондентов старше 45 лет, кто бы указал, что его приняли на работу HR-ом. В 2015 и 2016 принимают на уровень специалистов людей старше 45 лет. И сравните мой пост со статей - Безработица "постарела" - может быть просто стареет весь наш рынок труда?
Но при этом, очень интересный факт: в 2009 - год кризиса - и в 2014 = тоже год кризиса - специалисты все равно моложе:)
И значит гипотезу о том, что в кризис легче устроиться молодым, никто не отменял)
На этом на сегодня все, хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику.

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

понедельник, 15 мая 2017 г.

Статьи по hr-аналитике на английском 23

23-й выпуск статей по hr-аналитике на английском.
Предыдущий, 22 выпуск, статей на английском по HR-аналитике вы найдете по ссылке Статьи по hr-аналитике на английском 22.

Итак,

  1. How Satisfied Employees Affect Customers - очень интересное исследование от Glassdoor. Сначала опросили постояльцев отелей на предмет сервиса, удовлетворенности и готовности рекомендовать отель другим постояльцам, а потом на сайте посмотрели отзывы работников компании и оценили связь между тем и другим. Результаты читайте. У нас Людмила Рогова анализирует отзывы работников и кандидатов на сайте Banki.ru Сравнение отзывов на Банки.ру. На том же сайте есть отзывы клиентов, их значительно больше Людмила меня убьет за предложение проанализировать отзывы клиентов и сравнить их с отзывами работников на предмет гипотезы, лучшие банки по отзывам клиентов лучшие же по отзывам работников и кандидатов, но сама тема классная!  
  2. Organisational Network Analysis - если вы следите за полетом моей мысли, то от вас не ускользнуло, что я сам отслеживаю развитие темы анализ сетей / анализ графов / Network Analysis в HR. И наверное помните, что я для себя не смог найти пока статистически подтвержденных данных, как результаты такого анализа связаны с бизнес результатами. Даю ссылку на очередную статью. Автор не показывает связи с бизнес результатами, но дает наводки на некоторые показатели сетей, которые могут быть использованы в качестве предикторов. 
  3. Hiring trends in the US - для тех, кто тренирует аудирование в английском. Даю аудио подкаст. Mehul Patel дает интервью о том, что происходит на рынке подбора в США.
  4. The case for behavioral strategy - кейсы о поведенческой экономики (если вы не слышали о таком направлении исследований, гуглите Behavioural Economics) от МакКинси. Компания исследует bias (смещение) в принятии решений в компаний, основанных на "The prevalence of biases in corporate decisions is partly a function of habit, training, executive selection, and corporate culture. But most fundamentally, biases are pervasive because they are a product of human nature—hardwired and highly resistant to feedback, however brutal.". Второй кейс - A case study in combating bias
  5. Asking the Right Questions Can Frame a Successful Transformation - здесь про здравый смысл больше, а не про аналитику, но в аналитике здравый смысл едва ли не важнее, чем умение создавать прогнозные модели.
  6. The Effects of Flexible Work Practices on Employee Attitudes: Evidence from a Large-Scale Panel Study in Germany - это файл PDF - вполне себе научное исследование, со всякими научными прибамбасами типа методологии и списка литературы, но немаловажно, что обсуждаются аспекты практического применения. Напомню, что в нашем исследовании тоже есть вопросы, посвященные flexible work, хотя выборка, конечно, меньше, а от вас участия в исследовании не дождешься(

На этом на сегодня все, хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику. А кроме того, я сделал группу HR-аналитика в Телеграмме - присоединяйтесь.

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.
И не забывайте о семинаре по HR-аналитике в R 20-21 июня!

суббота, 13 мая 2017 г.

Прогноз психологической совместимости руководителя и подчиненного

В нашем исследовании есть вопрос Благодарил ли Вас Ваш руководитель за достижения? с вариантами ответа:
  1. Нет - 307;
  2. Получал лишь изредка- 418;
  3. Если не все, то многие - 310; 
  4. Да, практически все достижения были отмечены моим руководителем - 300.
Напротив каждого варианта ответа указано количество респондентов, которые дали тот или иной ответ и по которым у нас есть полный набор данных.

Методология

Я решил, а можем ли мы спрогнозировать ответ респондента? Можем ли мы спрогнозировать, ответит ли респондент, что руководитель все его достижения отмечает или не все, или вообще не хвалит его. Эта аналитика могла бы быть очень интересной для прогноза психологической совместимости подчиненный - руководитель, в принципе интересная аналитика для человеческих отношений.
Для создания модели я выбрал следующие факторы:
  1. Пол респондента,
  2. Возраст респондента;
  3. Пол руководителя;
  4. возраст руководителя.
И результаты тестов респондента (КТО и Большая пятерка - спасибо Лаборатории Гуманитарные Технологии за предоставленную возможность):
  1. Общий балл;
  2. Вербальный интеллект;
  3. Числовой интеллект;
  4. Эрудиция;
  5. Обработка информации;
  6. Интроверсия - экстраверсия;                                                                   
  7. Независимость - согласие;                                                                     
  8. Импульсивность - самоконтроль;                                                                
  9. Тревожность- стабильность;                                                                    
  10. Консерватизм- новаторство.
Если вы не любитель аналитики, пропускайте нижеследующую картинку, а для остальных

Точность модели

Прогноз психологической совместимости руководителя и подчиненного
Это confusion matrix модели психологической совместимости.
В колонках у нас прогнозные значения того, как респондент оценит отношение руководителя, в строках - реальные значения выбора респондента. В ячейках - % по колонке.
Это значит, что, например, в 40 % случаев мы угадаем выбор респондента в случае с вариантом ответа "Да, практически все достижения были отмечены моим руководителем". Обратите внимание, что еще в 34 % случаев мы еще попадем в близкий вариант "Часто", т.е. по сути в 3/4 случаев мы угадаем психологическую совместимость - отношение подчиненный руководитель.
Чуть хуже в остальных случаях, но тоже в целом неплохо, чтобы мы могли утверждать, что наш прогноз лучше, чем пальцем в небо.
Наша базовая точность в среднем - 0, 25. Ну четыре варианта в среднем дадут точность - 0, 25. Т.е. мы с вероятностью 25 % будем попадать в какой-то вариант. А точность полученной нами модели - 40 % на тестовых данных.

Важность факторов

Прогноз психологической совместимости руководителя и подчиненного
Эта картинка интуитивно понятна: чем выше фактор, тем он важней с т.з. влияния на психологическую совместимость подчиненный руководитель.
Обойдусь без интерпретаций, тем более, что здесь не показан характер связи с психологической совместимостью - как, например, общий балл по тесту интеллекта связан с благодарностью руководителя.

Интерпретации

Прогноз психологической совместимости руководителя и подчиненного
Я взял две самые важные шкалы - Возраст и Общи балл по КТО и развернул их на диаграмме. Цвет точек - выбор респондентов.
Выдам свою интерпретацию:

  1. Вы с больше вероятностью будете возблагодарены руководителем, если ваш интеллект в границах 6-8 баллов, и вы не старше 35 лет;
  2. А вот если у вас интеллект ниже среднего, шанс быть облагодаренным руководителем резко снижается, что, впрочем, кажется логичным;
  3. Если же ваш интеллект выше среднего, что вероятность благодарности тоже снижается, что, тем не менее, кажется не менее логичным, чем в случае низкого интеллекта;
  4. Ну и возраст старше 35 тоже в кассу: вроде бы уже не в том возрасте, чтобы сюсюкаться. Хотя, с другой стороны ласковое слово и кошке отметка заслуг важна всегда, я вон уже на пенсии, а мне важны ваши слова благодарности за хорошо сделанную аналитику, а еще лучше если вы покликаете на директ рекламу в моем блоге, отблагодарив меня таким образом. 
А главное: если вы хотите использовать это в подборе - обращайтесь контакты

пятница, 12 мая 2017 г.

Статьи по hr-аналитике на английском 22

22-й выпуск статей по hr-аналитике на английском.
Предыдущий, 21 выпуск, статей на английском по HR-аналитике вы найдете по ссылке Статьи по hr-аналитике на английском 21.
Статьи по hr-аналитике на английском 22

Итак

  1. Top 5 HR Analytics Tools - на первом месте не excel, и даже не SPSS, а Rstudio. Я устроил небольшое голосование, кто уже установил себе Rstudio на комп/ноут среди HR. Причем, половина лайков - от консультантов). А это значит, что как инструмент HR аналитиков Rstudio пока не получил импульса в России. Напоминаю, что 20-21 июня провожу первый в России семинар по HR-аналитике в R. Я уверен, что Rstudio станет более популярным инструментом, чем excel.
  2. Key takeaways from People Analytics World - продолжаю публикацию аналитических статей по поводу прошедшей конференции по HR аналитике в Лондоне, в апреле этого года. Уже вторая статья David Green, первую я уже упоминал в своих обзорах Key takeaways from Wharton People Analytics conference 2017. Эти статьи мастрид, если вы хотите понимать, куда в принципе движется hr аналитика. Но второй урок из этих статей самый важный для российского рынка: вы обратили внимание, сколько уже статей вышло по поводу конференции 20-21 апреля по hr аналитике в Лондоне? Уже десятки статей и обзоров. Вы помните, чтоб в России выходили статьи / обзоры / отчеты по поводу прошедших конференций? Ну да, организаторы публикуют восторженные отзывы участников. А чтобы кто-то реально сделал аналитический обзор? Более того, конференция зафиксировала состояние рынка hr-аналитики в Мире, высветила вопросы и проблемы развития. Про какое событие на российском рынке мы можем сказать тоже самое? Не hr-аналитики, а вообще HR даже? Да так, чтобы это была именно рефлексия, а не бла бла бла. А в случае с конференций в Лондоне очевидно, что статьи по сути - продолжение дискуссий на конференции. Такие конференции заставляют думать специалистов. Чего я желаю российскому рынку. Сегодняшняя картинка как раз из статьи про скилсы hr-аналитиков - для обсуждения. 
  3. I solemnly swear … an HR data and analytics manifesto - этот пост Alec Levenson во многом повторяет его выступление на Лондонской конференции. Напомню, что Alec Levenson пожалуй самый цитируемый спикер конференции. Это самая важная статья выпуска. Пройдите по ссылке на прошлый выпуск статей по hr-аналитике и посмотрите фото, где Alec Levenson  демонстрирует слайд с фразой "Employee engagement does not cause performance". Это очень важный момент для понимая того, что мы сами делаем в измерении вовлеченности персонала, поэтому процитирую полностью: "Truly disengaged employees can sink your business results. But that doesn’t mean that measured employee engagement statistically and accurately predicts variation in business performance. It simply does not, despite the claims of Gallup and others. I’ve provided the details on this argument in my other posts and in my books. One more reminder never hurts. The bottom line is that you can use measured engagement to see where there are local management problems, and those issues often need to be addressed. But you can’t track employee engagement scores across the enterprise and push for improvements everywhere as a reliable way to improve business performance. That simply won’t work in the vast majority of cases."
  4. Is HR Data Even More Valuable To A Business Than Its Financial Data? - название само за себя говорит, статья носит больше популистский характер, но как чтиво - самое то. 
  5. How can we better identify HiPos using network data? - статья из серии, как анализ сетей / графов может быть использована в HR-аналитике. На сегодня меня подобные исследования мало убеждают в практической пользе для HR. Я не отрицаю пользу анализа сетей, более того, я считаю, что модели эффективности / текучести персонала сделают серьезный рывок именно через анализ сетевого взаимодействия, и так думаю не только я, этот тренд - на анализе командного взаимодействия зафиксирован многими западными hr аналитиками, но вот инструментальное исполнение такого анализа и показ его влияния на бизнес показатели меня пока не убеждает. И эта статья меня мало убеждает. Может быть вы мне поможете понять, какую ценность для бизнеса показал автор статьи?
  6. Unconscious bias hinders diversity recruitment - интересная статья про попытки избежать наших субъективных предпочтений при рекрутменте. Понятно, что у каждого из нас есть свои глюки, которые вызывают определенный перекос в рекрутменте в пользу определенного типа кандидатов, поэтому, например, мужчины получают более дорогие предложения и т.п.. Автор рассказывает про эксперименты, которые направлены на преодоление такого смещения. 

На этом на сегодня все, хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику. А кроме того, я сделал группу HR-аналитика в Телеграмме - присоединяйтесь.

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.
И не забывайте о семинаре по HR-аналитике в R 20-21 июня!

среда, 10 мая 2017 г.

Измерение вовлеченности / удовлетворенности на основе открытых вопросов

Методология, стоящая за этим постом, чрезвычайно проста: закрытые вопросы заполняются респондентом в корпоративном исследовании часто на автомате, лишь бы отвязались. Т.е. дело даже не в социальной желательности, а просто в автомате. И открытый вопрос опросника вовлеченности часто является фильтром для социально желательных: респондент социально желательно отвечает на закрытые вопросы, но на открытые либо вообще не отвечает, либо отвечает по типу: да все отлично.  Таким образом, Открытые вопросы опросников вовлеченности сами по себе являются более "чистым" вариантом опросника вовлеченности и удовлетворенности.
Кроме того, анализ тем или тематическое моделирование (см по ссылке пост Людмилы Роговой) позволяет выделить смысловые блоки ответов. И это также является фильтром социально желаемых ответов: опасность, правда, в том (и я с этим уже сталкивался), что бОльшая часть респондентов отвечают, как все замечательно, и в этом случае мы делаем вывод, анализировать такие открытые вопросы опросников вовлеченности смысла нет.
Приведу пример анализа открытых вопросов опросника вовлеченности
В опроснике одной из компании Людмила Рогова провела тематическое моделирование открытых вопросов и получила по каждому открытому вопросу несколько тем.
Я (помимо всего прочего) сделал такой анализ: напротив каждого респондента появилось несколько колонок, каждая колонка - тема открытого опроса. Если респондент упоминал тему в своем ответе, стоит "1", нет - "0".
Далее, я применяю критерий Манн Уитни для двух групп (тема открытого вопроса по уровню удовлетворенности)

Рисунок 1

Измерение вовлеченности / удовлетворенности на основе открытых вопросов

Те, кто упоминали одну из тем на вопрос «Что бы вы сделали, чтобы как можно больше людей узнали о нас и пришли к нам» показывали более значимые результаты по удовлетворенности в данном вопросе.

Рисунок 2

Измерение вовлеченности / удовлетворенности на основе открытых вопросов
Но более удивительным оказалось другое: те, кто упоминали одну из тем в открытом вопросе вовлеченности «Что бы Вы улучшили в работе компании?» показывали значимо более низкие результаты по вовлеченности. Открою секрет, что эта тема открытого вопроса вовлеченности была связана сильно со словом "зарплата".

Рисунок 3

Измерение вовлеченности / удовлетворенности на основе открытых вопросов
Далее мы смотрим % упоминавших темы открытого вопроса вовлеченности в разрезах категорий персонала, филиалов и т.п... И получаем рейтинги вовлеченности. На картинке показан разрез по филиалам (названия я, конечно, не могу сказать): т.е. в самом лучшем филиале 21 % респондентов поминал данную тему, в самом худшем - только 5 %.
А если мы наложим две темы друг на друга, то получим

Рисунок 4

Измерение вовлеченности / удовлетворенности на основе открытых вопросов
По осям у нас - темы открытых вопросов, точки это филиалы (ну не могу я названия дать), значение по оси X и Y определяется % упоминувших эти темы в открытом вопросе вовлеченности.
Розовый и зеленый квадранты как бы логичные квадранты: там % "хороших" и "плохих" ответов связаны между собой: чем больше "хороших" ответов, тем меньше "плохих", а вот точки из серых квадрантов не очень логичны: в филиале 10 максимальный % респондентов показал "плохие" ответы, связанные с неудовлетворенностью зарплатой, но готовность продвигать компанию при этом выше среднего по компании.
Интерпретировать не буду, думаю, что вы как потребители результатов должны сами предлагать рекомендации в данном случае. Мне только очень важно: напишите, пожалуйста, насколько в принципе понятна логика поста. Ругаться не буду, просто напишите: понятно изложение или нет.
Хотите получать подобные результаты в своем корпоративном исследовании? пишите edvb()yandex.ru

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.
И не забывайте о семинаре по HR-аналитике в R 20-21 июня!

вторник, 9 мая 2017 г.

Тематическое моделирование в корпоративных опросах

В последнее время много раз поднимался вопрос о преимуществах открытых вопросов над закрытыми. Все больше наших компаний включают открытые вопросы в свои корпоративные исследования. Современные инструменты позволяют обработать результаты открытых вопросов практически так же быстро, как и закрытых. Только результат на выходе получается принципиально более качественным. Конечно, если вы владеете такими техниками. И там, где работа над закрытыми вопросами заканчивается, работа над открытыми только начинается.
Пока что самый распространенный способ узнать о чем говорят/пишут люди, использовать тематическое моделирование. Когда у вас много текстов на разные тематики, результат практически всегда отличный - темы легко интерпретируются, не вызывают недоумения со стороны "заказчика" исследования. В своей небольшой пока практике успела столкнуться с тем, что при обработке ответов на вопросы в корпоративных исследованиях все не так просто. Не всегда легко понять какие темы прозвучали, так как они часто пересекаются, топ-слова дублируются. Приходилось делать много итераций для получения оптимального результата. Готовых инструментов, хотя бы частично автоматизирующих процесс, не так много, а мне захотелось сделать его быстрым, и не столь утомительным для себя.
Лучшую модель выбирают исходя из значения выбранной метрики качества. Существует много метрик, позволяющих оценить качество построенных моделей для тематического моделирования. Но самой лучшей остается оценка результата экспертами, то есть людьми - смогут ли они по топ-словам понять, о какой теме/проблеме идет речь. Замечательно, но в процессе выбора модели слегка утомительно. Из автоматических метрик больше всего согласуется с оценками экспертов когерентность. Вот ее я и взяла для своих целей. Я прописала код, который перебирает количество тем и варианты "обрезки" словаря и на выходе выдает мне модели с лучшими характеристиками. И вот из них я выбираю финальный вариант. Скорость обработки повысилась в десятки раз, надеюсь что качество тоже).
У меня есть результаты нескольких опросов. На них я и опробовала свой код. Ниже результат по первому из них, в котором спрашивали как повысить отклики на внутренние вакансии. Слева облако слов, составленное из всех ответов респондентов. Справа результат работы кода - темы, топ-слова. Размер прямоугольников характеризует вес темы в полученных ответах - чем больше площадь прямоугольника тем более значима тема. Не пытайтесь один в один сопоставить общую частоту слов во всех ответах (слева) с полученными темами (справа). Если сам вопрос предполагает в своем ответе использование какого-то слова, его частота будет большой, но об отдельной теме говорить в этом случае нельзя.
А вот еще один пример из другой компании, на вопрос "что бы вы хотели изменить в компании":

Зачем мне это было надо?  Реально я тратила много времени на выбор лучшего варианта, а теперь это время освободилось для дальнейшего анализа. Ведь интересно не просто вытащить темы, но и посмотреть, например, на их взаимосвязь с другими факторами. И как я уже написала - там, где работа в классическом опросе заканчивается, работа над открытыми вопросами только начинается) 

понедельник, 8 мая 2017 г.

Статьи по hr-аналитике на английском 21

21-й выпуск статей по hr-аналитике на английском.
Предыдущий, 20 выпуск, статей на английском по HR-аналитике вы найдете по ссылке Статьи по hr-аналитике на английском 20.

Итак

  1. Seven things we’re doing wrong with HR analytics - в Лондоне прошла самая представительная конференция по HR аналитике, начали долетать отзвуки. Автор делает резюме выступлений спикеров, и это очень важное резюме. Тут каждую фразу на стенку и в рамочку. Я дам перевод некоторых ошибок: 1) "не надо делать окончательных выводов на малых данных"; 2) "отчетность - впустую потраченное время"; 3) "не надо стараться доказать свою ценность бизнесу"; 4) "фокус на неверных скилсах"; 5) "фокус на человеческом"; 6) "идеализация опыта технологических компаний"; 7) "Время отказаться от ROI". Одна цитата из статьи: "What HR analytics functions should be doing – and often aren’t– is formulating and testing hypotheses, developing a library of topics to investigate and doing predictive analytics.". Это очень важная статья. Поняв эту статью, вы можете выступать на hr-конференциях с темой по трендам в HR-аналитике. На картинке: Alec Levenson - , senior research scientist at the Center for Effective Organizations at the University of Southern California Marshall School of Business. Его выступление, насколько я могу оценить, самое цитируемое в кругах HR-аналитиков. 
  2. A Call to Arms for the Future of People Analytics - политическая статья. Макс Блумберг (Max Blumberg) с коллегой - Mark T Lawrence - рефлексируют о происходящем в сейчас в сфере People Analytics. И поднимают вопрос о создании ассоциации People Analytics. На рынке растет поток литературы про People Analytics восходящим потоком, растет количество "аналитиков", тема размывается, качество работы "аналитиков" начинает вызывать сомнения. С этим надо что-то делать, авторы статьи призывают создать ассоциацию с разработкой целей, стандартов, этики и т.п... Согласен, что это серьезная проблема. И я эту проблему уже поднимал в своем блоге О революции и новом формате коммуникаций в HR. Я считаю, что создание ассоциации, стандартов и т.п.. не выход из ситуации. Единственный выход - открытая, оупен сорсная культура работы на рынке. Эта культура предполагает открытое осуждение результатов (что не предполагает вскрытия конфиденциальной информации о компании), после которого становится понятно, были ли проект полезным или это освоение бюджета компании. Но в любом случае имеет смысл почитать описание рынка People Analytics и рекомендации авторов.
  3. Evidence-based practice and HR analytics - what needs to be done... - Edward Houghton принимает эстафету у предыдущих авторов и ставит вопрос о том, чтобы аналитика становилась делом доморощенных HR-аналитиков, а не вендоров и "гуру" типа меня. Это созвучно идее открытого рынка, когда HR должен это прожить на "собственной шкуре", чтобы понимать, куда "воткнуть" результаты HR-аналитики. Цитирую "...few organisations are willing or able to open up the "black-box" of analytics...". Ровно поэтому лучше на гнаться за нейронными сетями, а начинать с доброго проверенного excel. Но лучше читайте статью. ..
  4. People analytics success = data + common sense -  И эта статья в продолжение логического ряда прошлых статей и уже упомянутой конференции по HR-аналитике в Лондоне: здравый смысл, в первую очередь, должен присутствовать у Заказчика. Цитирую: “The fundamental problem the HR function faces is a lack of relevance, not a lack of data,” says Dr Alec Levenson. Не данных мало, а мозгов - это в моем переводе. И на картинке в топе статьи фраза и лицо Alec Levenson-а. Две фразы - и все точно в цель. Читаем статью - там не только про здравый смысл, но и про подход facebook в HR-аналитике.

На этом на сегодня все, хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику. А кроме того, я сделал группу HR-аналитика в Телеграмме - присоединяйтесь.

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.
И не забывайте о семинаре по HR-аналитике в R 20-21 июня!

пятница, 5 мая 2017 г.

Корреляция шкал опросника вовлеченности Hewitt

У меня есть датасет ответов на опрос вовлеченности Hewitt на несколько тысяч строк, хочу показать один результат.

Кратко о методологии

Если вы хотите продиагносцировать здоровье пациента, вы не будете пользоваться несколькими градусниками для измерения температуры. Даже если один измеряет температуру по Цельсию, а другой по Кельвину.
Если мы измеряем вовлеченность, то здесь это правило не соблюдается: мы меряем одним градусником несколько раз.

Итак, 

у нас есть несколько шкал - показателей вовлеченности по Hewitt.

  1. Когда мне предоставляется возможность, я очень хорошо отзываюсь о работе в нашей компании.
  2. Я без сомнения рекомендовал бы нашу компанию своему другу, ищущему работу
  3. Потребуются серьезные причины для того, чтобы заставить меня уйти из нашей компании
  4. Я редко думаю о том, чтобы уйти из компании и работать в другом месте.
  5. Наша компания вдохновляет меня ежедневно делать свою работу как можно лучше.
  6. Наша компания мотивирует меня на выполнение работы, которая выходит за рамки моих официальных обязанностей

На выборке в несколько тысяч человек шкалы показали следующую корреляцию
Не очень видны названия шкал, поэтому кодировка такая: первая колонка - первая шкала ("отзываюсь о работе") и т.п..., и первая строка - первая шкала и т.п...
Или такой вариант связи
Корреляция шкал опросника вовлеченности Hewitt

Обрезал названия вопросов, чтобы было читабельно. На картинке линией обозначена связь выше 0, 5 (я измерял коэффициент корреляции Спирмена). В данном случае выпадает только вопрос "Наша компания мотивирует меня на выполнение работы, которая выходит за рамки моих официальных обязанностей".
Ну а выводы делайте сами. Не хочу навязывать свои выводы, просто стоит задуматься, а зачем столько шкал, если они практически одну температуру по больнице показывают?

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

Статьи по hr-аналитике на английском 20

По своему юбилейный выпуск статей по hr аналитике на английском. Предыдущий, 19 выпуск, статей на английском по HR-аналитике вы найдете по ссылке Статьи по hr-аналитике на английском 19.
Статьи по hr-аналитике на английском 20

Итак

  1. Tutorial: Sentiment Analysis of Airlines Using the syuzhet Package and Twitter - этот пост скорее не про Запад, а про нас. Здесь чуваки показывают, как можно мониторить отзывы о компаниях (на примере авиаперевозчиков) и анализировать и представлять результаты. Пост реально классный. Особенно будет полезен тем, кто работает в R, но я хочу здесь обратить Ваше внимание на пост Людмилы Роговой Сравнение отзывов на Банки.ру - она сделала практически тоже самое: выгрузила отзывы о российских банках и проанализировала их. Пост, безусловно, не такой глобальный, как выше, но Людмила и не ставила такой задачи. Но по факту мы сейчас умеем делать анализ не хуже, чем те, кто на Западе показывает образцы анализа в HR аналитике. 
  2. The value of Social Network Analysis in HR analytics - очень важная статья с т.з. популярности темы. Анализ сетей в HR бурно набирает популярность. Но я все-таки подвешу вопрос: какова ценность для нас в анализе сетей? вот здесь мы немного подискутировали с Алдаром Николаевым на эту тему. Я повторю свой вопрос: вот, например, поинт самый первый и как бы самый очевидный "Optimizing communication and collaboration". А что нам дает такая оптимизация? Что бизнес выигравает? У вас есть такие примеры? Поделитесь, опубликую. Я пока не вижу.
  3. A Tutorial on People Analytics Using R – Employee Churn - в этом посте Lyndon Sundmark фактически показывает в коде мой семинар по HR-аналитике в R)))) если повторите то, что он делает, на семинар можно не регистрироваться. Кстати, автор вполне контактибельный, можно зафрендиться с ним в Линкедине. 
  4. Making Automated PowerPoint Reports with R - этот пост для тех, кто работает в R. Один западный HR-аналитик, Ben Teusch, показывает как можно сделать автоматизированный отчет в powerpoint. Для тех, кто не работает в R, я рекомендую посмотреть саму презентацию, которую выложил автор. Это отчет по текучести персонала и в нем раздел по источникам трафика персонала. Это фактически обязательный раздел отчетности западных компаний. Меня часто спрашивают: ну какие HR-метрики включать в отчет? Я отвечаю про источники трафика. Ну и где наши российские отчеты с источниками трафика? нет их, не понимают наши коллеги важности. 
  5. Gender Pay Gap US | UK - пост просто две картинки. На основе исследований зарплаты показывают разницу в оплате между М и Ж по отраслям в США и Великобритании. Визуализация красивая и понятная.

Пост получился больше для специалистов, работащих в R))). На этом на сегодня все, хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику. А кроме того, я сделал группу HR-аналитика в Телеграмме - присоединяйтесь.

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

четверг, 4 мая 2017 г.

Описание исследования Ключевые факторы эффективности и удержания персонала

Сложно вести опрос в одиночку, без поддержки, поэтому я решил подать заявку в фонд поддержки исследований на получение гранта на проведение исследования.
Грант я еще может и не получу, а вот текст составил и решил выложить в блоге: буду к нему возвращаться, и, а чем черт не шутит, а вдруг какой-то фонд сам случайно наткнется на этот текст и решит, а почему бы не дать грант?
Текст я выкладываю не весь, убираю многие формальные части плюс содержательные вещи тоже сократил, хотя все равно получается объемно

Краткая аннотация проекта

Я обращаюсь за поддержкой своего он-лайн опроса «Ключевые факторы эффективности и удержания персонала»

Опрос начал работать в октябре 2015. Респондентам предлагается описать одно из своих последних мест работы: от даты приема до даты увольнения. Всего опрос содержит несколько десятков полей: от социально-демографических данных респондентов до уровня заработной платы и отношений с руководителем. Данное исследование уникально для России и отвечает на вопросы:
  •   Мониторинг показателей рынка труда, в том числе новых для российского рынка, таких, как, например, источники трафика персонала. Среди результатов: я могу показать, что рынок труда прошел острую фазу кризиса в 2014-2015 году и возвращается в стабильное состояние;
  • Выявление ключевых драйверов текучести / эффективности персонала, создание прогнозных моделей текучести / зарплаты. На сегодня я с точностью R^2 = 0, 7 могу прогнозировать текущую зарплату специалистов рынка, и это точнее, чем любой бенчмаркинг зарплаты, зарплатный обзор в России.
  • Создание модели HR-бренда, выявление драйверов HR-бренда компании. В опросе есть вопрос на отношение к компании, мы можем выявить те факторы, которые вызывают положительное/отрицательное отношение работника к компании.
  • В более широком смысле он – лайн опрос позволяет решать огромное количество задач (как, например, анализ предпочтений социальной сети) с применением практически всего спектра методов анализа данных: задачи регрессии, классификации, анализ текста, не самые популярные в России инструменты – анализ дожития и регрессия Кокса.

На сегодня в опросе приняло участие более 4 500 респондентов, я хочу продолжать вести он-лайн опрос, считаю, что имеет огромное значение для исследования рынка труда России, он дает новые метрики и инструменты исследования.
Причина моего обращения в фонд: я исчерпал возможности продвижения за свой счет, мне нужны средства продвижения, а кроме того, много времени и ресурсов уходит на поддержание опроса: отчеты для респондентов («плюшка» за участие), создание моделей, аналитических отчетов.

Обоснование необходимости проекта

понедельник, 1 мая 2017 г.

Интеркорреляции Краткого отборочного теста и Большой пятерки (Big5)

Несмотря на страшное название, пост в отличие от многих моих постов имеет очень практическое применение: вы же проводите корпоративные опросы? Вот вам и форма представления результатов.
Респонденты нашего опроса могут пройти батарею тестов Краткий Отборочный тест и личностный опросник Большая пятерка.
Эти тесты содержат следующие шкалы:

  1. Ш1: "ОБЩИЙ БАЛЛ"
  2. Ш2: "ВЕРБАЛЬНЫЙ IQ"
  3. Ш3: "ЭРУДИЦИЯ"
  4. Ш4: "ЧИСЛОВОЙ IQ"
  5. Ш5: "ОБРАБОТКА ИНФОРМАЦИИ"
  6. Ш6: "ИНТРОВЕРСИЯ - ЭКСТРАВЕРСИЯ"
  7. Ш7: "НЕЗАВИСИМОСТЬ - СОГЛАСИЕ"
  8. Ш8: "ИМПУЛЬСИВНОСТЬ - САМОКОНТРОЛЬ"
  9. Ш9: "ТРЕВОЖНОСТЬ - СТАБИЛЬНОСТЬ"
  10. Ш10: "КОНСЕРВАТИЗМ - НОВАТОРСТВО"
На сегодня у нас уже 1 200 строк - столько респондентов прошли тесты.
Я ранее уже показывал, что шкалы коррелируют между собой, причем, не только шкалы краткого отборочного теста, что очень логично, ведь способности коррелируют между собой, но и шкалы Большой пятерки, несмотря на то, что факторы как бе перпендикулярны друг другу, т.е. не должны коррелировать.
Дальше несколько картинок
Шкалы Краткого отборочного теста КТО
Обратите внимание, далеко не все шкалы коррелируют между собой.
На одной картинке корреляции выглядят так
Эта загогулина показывает, что со шкалами краткого отборочного теста коррелирует только шкал Общий балл.
Заранее скажу, что шкалы Краткого отборочного теста и Личностного опросника Большой пятерки корреляций нет. Посмотрим, что есть внутри теста Большой пятерки.
Интеркорреляции Краткого отборочного теста и Большой пятерки (Big5)
А вот здесь картинка уже более сложная
Интеркорреляции Краткого отборочного теста и Большой пятерки (Big5)

Независимые работники и более тревожные....  А вот импульсивные работники более экстравертированы. Или точнее, экстраверты более импульсивны. Консерваторы более стабильны, или новаторы более импульсивны... Более темный цвет показывает корреляции больше 0, 5, а более бледный цвет обозначает корреляции между 0, 2-0,5. Т.е. новаторы чуть больше экстраверты, а консерваторы чуть чаще интроверты. И новаторы менее тревожны, чем консерваторы:) Поэтому они, видимо, и стремятся изменить Мир, что не тревожатся)
И даже кажется, что я знаю объяснение: новатора доведут до того, что он будет импульсивным... шютка умора
Самых смелых приглашаю на семинар, где вы будете учиться делать тоже самое - Семинар-практикум "HR-Аналитика в R", Москва, 20-21 июня 2017
хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику.

Понравился пост?


и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

вторник, 25 апреля 2017 г.

Learning analytics: Оценка эффективности учебного мероприятия

Сегодня Евгений Бондаренко, Директор Академии ДТЭК, провел вебинар Learning analytics: Оценка эффективности учебного мероприятия (по ссылке откроется запись вебинара), выкладываю также презентацию вебинара.
Предлагаю высказывать пожелания Евгению по теме будущего вебинара.



суббота, 22 апреля 2017 г.

Низкий эмоциональный интеллект работника снижает риски увольнения?

Это пост гипотеза. Но гипотеза, ИМХО, красивая.
В нашем исследовании есть вопрос "Благодарил ли Вас Ваш руководитель за достижения?" с вопросами:
  1. Да, практически все достижения были отмечены моим руководителем;   
  2. Если не все, то многие  
  3. Получал лишь изредка 
  4. Нет   
Я для демонстрации эффекта убираю средние ответы и оставляю крайние (все достижения были отмечены и ни одного). Весь пост возник потому, что отношения с руководителем влияют на текучесть - это очевидно.
Низкий эмоциональный интеллект работника снижает риски увольнения
Как читать такой тип диаграммы - Анализ и визуализация дожития: чем HR похож на медиков.
По оси X - стаж работы в месяцах;
По оси Y - вероятность доработать до такого стажа в компании.
Заметно, что влияние на текучесть персонала поддержки руководителя сказывается в первые два года работы в компании. Речь про волюнтарную текучесть, конечно.
В этом месте я задумался, а какие качества самого респондента влияют на выбор того или иного варианта ответа про поддержку руководителя.
Два самых важных качества:
  1. Возраст на момент трудоустройства;
  2. Шкала теста КТО - Общий балл (по тесту способностей - некий интегральный интеллект).
Вот как результат выглядит на графике
Низкий эмоциональный интеллект работника снижает риски увольнения
  • По оси X - показатели теста;
  • По оси Y - возраст на момент трудоустройства;
  • зеленые треугольнички - поддержка руководителем подчиненного;
  • красные кружочки - не поддержка руководителем.
Я вижу скопление поддержки в возрасте ниже 30 лет со средними показателями по интеллекту.
А машина говорит так:
Низкий эмоциональный интеллект работника снижает риски увольнения
Это инструмент анализа - Дерево решений.
Читаем диаграмму так:
  1. Самый важный разделяющий фактор поддержки руководителем подчиненного - возраст трудоустройства;
  2. Если вы моложе 26 лет и Ваш Общий Балл по КТО менее 8, 6 (вы молодой и ум не самый выдающийся), то с вероятностью 75 % вы ответите, что руководитель все ваши начинания отмечал (крайний правый зеленый овал);
  3. Если вы моложе 26 лет и Ваш Общий Балл по КТО более 8, 6 (вы молодой и ум выдающийся), то с вероятностью 62 % вы ответите, что руководитель не отметил ни одно ваше начинание; 
  4. А если вы старше 34 лет, то с вероятностью 65 % ни одного вашего достижения не будет отмечено руководителем;
  5. ну и т.п..
Для спецов скажу, что тренировал в R, трейн сплит и кросс валидация были сделаны, причем в нескольких режимах.
Всего у нас 580 строк для анализа
Базовая точность модели = 51 % (296 указали, что не благодарит, 284 - все достижения отмечает; 296 / (296 + 284) = 51 %).
На тест сете мы получаем accuracy 58 %, то есть добавляем к нашей модели 7 %. Маловато, конечно. Но на более продвинутых моделях типа xgboost мы получим более высокуб точность, понятно, что дерево решений нам помогает визуализировать красиво решение.

Вопросы, выводы, гипотезы

У меня сложилось впечатление, что совместный эффект переменных "возраст" и "Общий балл IQ" представляет собой действие эмоционального интеллекта.
Напомню, что мы не "снимаем" реальные действия руководителя, а только ответ респондента. И, наверное, есть объективная правда в том, что более возрастных подчиненных меньше благодарят, но участие в оценке интеллекта показывает, что это выбор / восприятие / оценка действий руководителя подчиненным.
В данным случае под эмоциональным интеллектом я понимаю умение подчиненного правильно понимать и оценивать действия руководителя. В нашем случае я делаю гипотезу, что до 26 лет эмоциональный интеллект - умение оценивать действия руководителя не сформировано.
Более молодые с выдающимся не эмоциональным интеллектом не получают поддержки руководителя? Вопрос в руководителях? Нет, скорее всего, молодые с высоким не эмоциональным интеллектом так видят действия руководителя.
А молодые с невыдающимся интеллектом чаще видят благодарность.
И заметьте, машина нам не сказала, что молодых  с низким интеллектом не благодарят, верно?
И только в промежутке от 26 до 34 лет очень сложный период, когда идет становление эмоционального интеллекта. Обратите внимание, в промежутке от 26 до 34 лет  картина меняется кардинально: люди с высоким не эмоциональным интеллектом уже видят поддержку руководителя. Т.е. идет формирование эмоционального интеллекта, созревание, когда поступки видятся в правильном свете.
Я понимаю, что гипотеза пришита за уши, буду рад критике, но хотелось бы не просто критику, а объяснение полученных результатов.

Понравился пост?

если Вы захотите выразить мне благодарность за интересный пост, вы можете перевести небольшую сумму мне на Яндекс кошелек (кликните по кнопке Перевести) 

или сделать перевод на карту Сбербанка  676 280 38 921 538 46 57 - укажите "пост в блоге".
Карта Тинкофф банк 5213 2438 5071 8220
Или просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.