Share |

понедельник, 19 февраля 2018 г.

Сравнительный анализ корпоративной культуры Альфабанка и Сбербанка на основе текстов вакансий




Поводом к написанию поста стала статья  Корпоративная культура Facebook, Amazon и Apple в описании вакансий. Статья вызывала большой интерес - на шестом месте по количеству просмотров за все время существования блога. Я решил проверить, можно ли нечто подобное сделать у нас.
Сразу предупреждаю, что я не замахиваюсь на масштаб исследователей из данной статьи. Моя цель скромнее - просто попробовать получить какой-то осмысленный результат. Понять, что можно что-то извлекать

Данные

Данные я взял только двух компаний с сайта ХХ. Это открытые вакансии АльфаБанка - почти 500 - и Сбербанка - более 1 500. Итого более 2 000 строк данных. Не очень много, даже совсем немного, но я и не претендую на законченность анализа.
Хотел бы также к ребятам их ХХ.ру обратиться: было бы здорово, если вы разместили на гитхабе примеры парсинга вакансий. В нормальных пакетах так и делается: возьмите пакеты xgboost, lime и т.п.. - там даются примеры кодов. Чтобы такие недоучки как я могли пользоваться.
Сами вакансии пришлось качать замысловато: сначала через поиск по компании скачивал ID вакансий, а потом уже по урлу вакансии качал описание. И скорость ответов не в пользу ХХ: никогда прежде мне не отвечали больше суток, а мой вопрос ХХ без ответа висит на гитхабе уже несколько суток....
* Тем не менее, коллеги! если вам нужно будет накачать вакансии с ХХ по разным фильтрам, обращайтесь.

Результат

Проводил анализ тональности текста описаний вакансий. Для непрофессионалов скажу: смысл анализа в том, что машина ищет такие слова и словосочетания, которые чаще применяются в описании вакансий одной компании и реже в описании вакансий другой. Таким образом, выделив такие слова и словосочетания мы встретив в новой, незнакомой нам вакансии эти слова, можем угадать, что это за компания.
Обращаю ваше внимание, что в текстовом поле были как требования к кандидату, так и обещания компании. Поэтому получилась каша.

Сбербанк

Сравнительный анализ корпоративной культуры Альфабанка и Сбербанка на основе текстов вакансий

Альфабанк

Вопрос: надо ли в данной ситуации HR-директору беспокоиться о текучести персонала



В одной из групп на фейсбуке я выложил фотографию текучести персонала одного ритейлера
Вопрос: надо ли в данной ситуации HR-директору беспокоиться о текучести персонала
  • По оси X - число месяцев стажа
  • По оси Y - вероятность, что работник доработает до этого момента стажа в компании.
Это по всей компании. 
  • Средний срок жизни 12 месяцев. Текучесть по году будет чуть меньше 50 %
  • В первые три месяца на испытательном сроке уходят более 20 %;
  • В первые полгода треть сотрудников уходит
Моя позиция такова: большой % работников уходит, не оправдав затраты на подбор, адаптацию и обучение. Поэтому текучесть должна быть "горячей" темой. 
Итак, я выложил в группе и спросил, прав ли HR -директор, что не нужно беспокоиться о текучести персонала? 
Александр Вечерин привел контраргумент: 
Вопрос: надо ли в данной ситуации HR-директору беспокоиться о текучести персонала
Не знаю, откуда Александр вытащил картинку, но это бенчмарк текучести. И по ритейлу показатель текучести в среднем по компании 59 %, т.е. показатели текучести персонала в среднем по рынку хуже, чем для нашей компании. 
Итого, я выделяю две позиции:
  1. Ситуация плохая: у нас % уходит, не оправдав затраты на подбор, обучение, и тема текучести должна быть топовой. 
  2. Ситуация хорошая: мы по рынку лучше, в ритейле это нормальная ситуация, поэтому заниматься текучестью надо не больше, чем любой другой HR проблемой. 
Коллеги, в данной ситуации на месте HR директора какую позицию Вы бы заняли? Какую позицию вы бы выбрали: 1 или 2?

Прям сейчас у нас проходит голосование в телеграм канале - присоединяйтесь и добавьте свой голос!!!

__________________________________________________________
На этом все, читайте нас в фейсбукетелеграмме и вконтакте




суббота, 17 февраля 2018 г.

Измерение рентабельности инвестиций в обучение (ROI) - сложно, но не невозможно





Перевод статьи Measuring learning ROI is hard – but not impossible в рамках нашего  проекта переводы статей по hr-аналитике на английском. Автор статьи Harman Brar, она впервые в нашем блоге. И вообще тема оценки эффективности в нашем блоге не самая популярная.
Перевод выполнила Марина Канаева (по ссылке профиль в фейсбуке), менеджер по оценке и развитию персонала в российском агрохолдинге Агропромкомплектация. Это второй перевод Марины в нашем блоге, см. также
Предстоящая эволюция найма и развития талантов
Итак,
Измерение рентабельности инвестиций в обучение (ROI) - сложно, но не невозможно

Измерение рентабельности инвестиций в обучение (ROI) - сложно, но не невозможно

Нельзя отрицать, что попытка привязать обучение к бизнес-результатам - сложная и ресурсоемкая задача.

Многие компании в самых разных отраслях стараются изо всех сил чтобы продемонстрировать эту связь. Большинство на самом деле переживают непростое время, продолжая использовать устаревшие базовые критерии измерения обучения, такие как повышение эффективности работы сотрудника и соблюдение организационных норм.

пятница, 16 февраля 2018 г.

Фокус на причинах, а не на симптомах вовлеченности сотрудников



Перевод статьи Focussing on the causes not the symptoms of employee engagement в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор статьи - Andrew Marritt, но последнее время подзапустил писать, но вообще у него очень классные статьи. К сожалению, он очень глубок, поэтому не так популярен, как некоторые звездоболы от HR-аналитики, но если Вы хотите серьезной аналитики, читайте его статьи. Некоторые из опубликованных:

Перевод данной статьи сделала Екатерина Рыбакова, профиль Екатерины в фейсбук, профиль в Линкедине. У Екатерины это уже четвертый перевод в нашем проекте, см. также:

Итак,
Фокус на причинах, а не на симптомах вовлеченности сотрудников

Фокус на причинах, а не на симптомах вовлеченности сотрудников

В зависимости от того, на какие данные о вовлеченности сотрудников вы смотрите, они, как правило, или остаются на прежнем уровне или уменьшаются в течение последних 15 лет. Очевидно, что-то не так с тем, каким образом фирмы пытались управлять вовлеченностью в рамках своих организаций. Мы считаем, что основная проблема заключается в том, что вовлеченность страдает от ошибочного анализа, приводящего к неэффективным изменениям.

среда, 14 февраля 2018 г.

Интерпретабельность HR-аналитики

Короткий, но важный пост. Копия моего пост с фейсбука и представляет собой тезисы. Написан практически в соавторстве с Александр Вечерин.
В HR-аналитике (да и в любой аналитике) нам важны не просто показатели качества модели, а интерпретируемость результатов. Т.е. если мы создали модель приема на работу, в которой принимаем / отклоняем кандидатов, то мы должны понимать не просто качество модели - с какой вероятностью мы можем неверно взять или неверно отклонить Васю Иванова, но нам еще хотелось бы понимать, почему мы Васю отклонили - какие в нем данные "не те", на основании чего мы его отклоняем. Причем, прошу не путать божий дар в яичницей: это не та ситуация, когда в компании создана модель компетенций, а кандидата отклоняют на основе того, что у него недоразвита компетенция "клиентоориентированность". Это полная лажа, потому что построено это на основе глюков консалтеров, не подкрепленных данными. Я говорю о математической модели, за которой стоит тяжкий труд по сбору данных и анализу. Далее я коснусь математических аспектов интерпретации модели (прошу прощения у неподготовленной публики - переходите сразу в пункту 7 - из песни слова не выкинешь - приходите ко мне на семинар, чтобы быть в теме).

Аспекты интпретации можно описать следующими пунктами.
  1. линейная регрессия замечательна тем, что там есть коэффициенты, которые легко интепретируемы: "с увеличением x на 1 единицу, Y увеличивается на коэффициент ...."
  2. засада возникает в тот момент, когда нам приходится а) логарифмировать, б) стандартизировать переменные или в) регуляризировать - в этот момент пропадает ясность. 
  3. если с логарифмированием и стандартизацией как то еще можно разобраться, у нас вместо абсолютных значений появляются %, а стандартизованные значения мы можем обратно трансормировать, то с регуляризацией все хуже: перестает быть понятен физический смысл коэффициентов
  4. но совсем плохо с непараметрическими моделями, потому что все, что у нас там есть - фиче импортанс - важность факторов. И мы ничего не можем сказать про конкретного Васю Иванова, которого не взяли на работу, потому что его СКОР (от англ score) показал низкие значения. 
  5. вот эта ситуация в аналитике (см. п 5) называется ситуацией "черного ящика", когда мы не понимаем, что внутри. Кстати говоря, тема "черного ящика" обсуждалась на западных HR-аналитических конференциях. 
  6. но совсем недавно появились пакеты типа LIME, которые говорят, да нет, ребята, мы можем сказать, почему Вася был отклонен. 
  7. в посте по ссылке Про деструкторы в отношениях с руководителем. И о том, как правильно их измерять я описываю одну из возможных ситуаций: в качестве модели я беру прогноз психологической совместимости подчиненный руководитель и показываю не просто прогноз того, насколько совместимы они между собой, а какие факторы у конкретно данного Васи Иванова способствуют совместимости или препятствуют

Интерпретабельность HR-аналитики





__________________________________________________________
На этом все, читайте нас в фейсбукетелеграмме и вконтакте




вторник, 13 февраля 2018 г.

Опыт применения чатбота в рекрутинге: год вместе



Перевод статьи A year with our recruiting chatbot в рамках нашего  проекта переводы статей по hr-аналитике на английском. Автор Anna Ott, HR в стартапе Deutsche Telekom AG, публикуется у нас впервые.
Перевод выполнила Ольга Хайдарова - HR project-manager компании "Этажи", г. Тюмень. Ольга, кстати, сама пишет ботов в телеграме, надеюсь, что напишет аналогичную статью про опыт использования бота в HR. Это пятый перевод Ольги, см. также
  1. 86% руководителей не видят пользы в Аналитике – почему так?
  2. Успех в аналитике требует правильного мышления
  3. Улучшаем командную производительность с Анализом организационных сетей (ONA)
  4. Перегруженная организация

Также Ольга выполняет самостоятельные проекты по аналитике, см. пост Ольги
Анализ дожития специалистов по продаже недвижимости - работодатели, обращаю ваше внимание, рекомендую специалиста.
Итак,

Опыт применения бота в рекрутинге: год вместе

Год с нашим рекрутинговым чат-ботом

 Это обзор нашего опыта использования чат-бота (созданного компанией Job Pal) в процессе подбора в hub:raum (инкубатор стартапов компании Deutsche Telekom AG) в течение последних 10 месяцев, и наши честные размышления о наших ожиданиях, уроках, которые мы вынесли и следующих шагах, которые мы, возможно, захотим предпринять с нашим чат-ботом.
Это размышления о вещах, которыми hub:raum фактически занимается с позднего 2016 года, когда было всего пара статей об эффективности технологии чат-ботов в HR, особенно в рекрутинге.  Мы не знали, как чат-бот будет воспринят нашими кандидатами, или сколько он сможет на себя взять от стандартного человеческого взаимодействия - в данном случае, от процесса рекрутинга.

Но с этими новыми технологиями такая штука: пока ты не попробуешь это, ты никогда не узнаешь. 

В теории, есть объективные преимущества внедрения чат-ботов для компаний, особенно в массовом подборе. В процессе рекрутинговых переговоров, множество одинаковых ответов бесконечно даются на множество одинаковых вопросов. Однако чат-бот используют люди, вот поэтому теория становится немного непредсказуемой.
В течение последних нескольких месяцев, у нас было несколько гипотез и несколько интересных наблюдений:

 #1. Соискатели контактируют с хаб-ботом (hubbot) чаще всего вне рабочего времени.

Зная, что талант это дефицитный ресурс, и что наиболее талантливые кандидаты будут пассивно искать свой следующий карьерный шаг, даже если у них уже есть работа, я бы предположила, что значительное удобство общения с чат-ботом после работы или на выходных, отразится на статистике.

понедельник, 12 февраля 2018 г.

Результат через diversity



Перевод статьи Delivering through diversity  в рамках нашего  проекта переводы статей по hr-аналитике на английском. Это исследование McKinsey.
Перевод сделала Александра Багинская (по ссылке профиль с Линкедина). Александра родом с Украины, но живет и работает в Голландии. Рекомендую - вот из таких и надо набирать таланты.  Читайте другие статьи Александры у нас в блоге:

  1. Как блокчейн повлияет на HR?
  2. People Analytics 3.0
  3. Джош Берсин. Переворот рынка HR технологий: 10 топ трендов 2018
  4. Удержать или отпустить? Данные, на которые следует корректно реагировать, когда сотрудник увольняется
  5. Соседство с лучшими сотрудниками может увеличить производительность


Также с Александрой мы работали над статьей Applying Survival Analysis to Reduce Employee Turnover: A Practical Case для западного сайта analyticsinhr.com.
В тему нынешней статьи: тема diversityочень горячая на Западе, но собственно исследований, показывающих связь diversity и результатов очень мало. Поэтому очень рад, что есть возможность показать такую статью. В свое время я заходил на тему diversity - см. Влияние гендера команды на успешность в игре ЧТО ГДЕ КОГДА. К сожалению, в России эта тема вообще валяется в пыли в стороне. Ну и тем не менее.

Результат через diversity 


Vivian Hunt, Lareina Yee, Sara Prince, and Sundiatu Dixon-Fyle
Наше последнее исследование подкрепляет связь между разнообразием и финансовыми показателями компании и предлагает способы разработки лучших стратегий включения для конкурентного преимущества.
Осознание бизнес кейса для включения и разнообразия (inclusion and diversity) сейчас на подъёме. Хотя начальным толчком для этих усилий является социальная справедливость, компании все больше рассматривают включение и разнообразие как источник конкурентного преимущества и особенно как главный двигатель роста. Но прогресс в этих инициативах диверсификации был медленным. И компании все еще не уверены в том, как они могут использовать разнообразие и включение наиболее эффективно для поддержки своих целей роста и создания ценности.
Наше наибольшее исследование разнообразия на рабочем месте Delivering through diversity, подтверждает мировую актуальность связи между разнообразием (в понимании большего соотношения женщин и этнически и культурно более смешанного руководящего состава больших компаний) и финансовыми результатами компании. Новый анализ охватывает наш отчет 2015  года Why diversity matters основываясь на увеличенном наборе данных более 1000 компаний в 12 странах и измеряя не только доходность (в определении заработка до уплаты процентов и налогов – earnings before interest and taxes / EBIT), но и более долгосрочное создание ценности (экономический доход – economic profit), исследуя разнообразие на разных уровнях организации, рассматривая более широкое понимание разнообразия (не только пол и этнос) и предлагая обзор лучших практик.

Разнообразие и финансовые результаты в 2017

В начальном исследовании, в котором использовались данные по разнообразию за 2014 год мы выявили, что компании в верхнем квартиле по гендерному разнообразию среди руководства имели на 15% выше вероятность доходности выше среднего, чем компании в четвертом квартиле. В нашем расширенном наборе данных за 2017 этот показатель вырос до 21% и продолжил быть статистически существенным. Результаты показали вероятность сверхдоходности 35% по EBIT в 2014 по сравнению с 33% в 2017, оба результата статистически существенны для этнического и культурного разнообразия.
Результат через diversity

Несколько других открытий относительно гендерного разнообразия, этнического разнообразия и разнообразия в мире также интересны.

Гендерное разнообразие

Гендерное разнообразие имеет связь и с прибыльностью, и с созданием ценности. В наших данных за 2017 год мы обнаружили позитивную корреляцию между гендерным разнообразием среди руководящего состава и обоими нашими показателями финансовой эффективности; компании верхнего квартиля в мировом гендерном разнообразии среди руководства показали 21% вероятности превзойти их ровесников по индустрии из нижнего квартиля по EBIT, а также у них 27% вероятности превосходства по долгосрочному созданию ценности при измерении экономического дохода (economic-profit, EP) (Рис. 2).

воскресенье, 11 февраля 2018 г.

Анализ рынка вакансий в энергетике РФ




Для меня, как HR-а инхаус в энергетике, анализ рынка вакансий давно представлялся крайне интересной идеей, которую хотелось реализовать. Этот пост стал возможен благодаря Александру Вечерину – как оказанной им помощи с кодом, так и в целом вдохновлён методологией исследования рынка вакансий через джоб-сайты. 










ВВЕДЕНИЕ

В посте приведены результаты анализа рынка вакансий в энергетической отрасли Российской Федерации, для этого в качестве признака парсинга вакансий выбрана отрасль компании: «Энергетика» на джоб-сайте «Hh.ru».
Примечательно то, что, выбирая отрасль компании представляется возможным сравнить вакансии из различных профобластей по уровню заработной платы. Так, к примеру, в энергетике помимо основного технического персонала работают специалисты HR, IT, экономики, области продаж и так далее. Важно отметить, что сравнение данных профобластей осуществлено именно в контексте энергетической отрасли, то есть изолировано от аналогичных вакансий в других отраслях. Такой уровень анализа позволяет выделить наиболее конкурентную профобласть внутри анализируемой отрасли.
Кроме того, дан ответ на извечный вопрос энергетики: в какой сфере заработные платы выше? В генерации энергии, её сбыте или в инфраструктуре?
Датасет содержит следующие переменные:

1. Название компании.
2. Город.
3. Область.
4. Федеральный округ.
5. Наименование вакансии.
6. Уровень заработной платы.
7. Профобласть.
8. Сфера компании.
9. Требуемый опыт.
10. Тип занятости.
11. График работы.
Основной проблемой стало зачастую некорректное указание профобластей специалистами, размещавшими вакансии на «Hh.ru», так специалист по кадрам мог оказаться в категории «Производство», а руководитель электротехнической лаборатории в категории «Добыча сырья». Описанная проблема стала наиболее трудоемкой в устранении и потребовала ручного исправления в датасете. Итоговый вариант содержит следующие категории: HR, IT, Административный персонал, Бухгалтерия, Закупки, Маркетинг/PR, Продажи, Производство, Прочее, Рабочий персонал, Строительство, Транспорт, Экономика, Юриспруденция.
Зависимая переменная – заработная плата, представлена как среднее между «заработной платой от» и «заработной платой до», указанными в описании вакансии.
Федеральные округа были добавлены технически уже после выгрузки вакансий. Парсинг осуществлён в шесть этапов, отдельно для признаков: профобласть, сфера компании, область, требования к опыту, тип занятости и график работы. Полученные промежуточные датасеты были совмещены в один: "energy".
АНАЛИЗ ДАННЫХ

По состоянию на февраль 2018 года на сайте Hh.ru размещено 432 566 вакансий, из них в энергетике 2975 (0,6%), с указанием заработной платы 1713 (57% от всех вакансий исследуемой отрасли), приведенное количество вакансий со сведениями об уровне заработной платы и стало предметом анализа.
Общий взгляд на количество вакансий по областям РФ позволяет сделать приведенный рисунок:


Закономерно наибольшее количество вакансий в Москве и Санкт-Петербурге. Кемеровская область занимает четвертое место по количеству вакансий в энергетике.

На следующем рисунке представлено распределение данных отклика. Как видно переменная не описывается нормальным законом распределения, а также имеет выбросы, что будет учитываться при построении модели прогноза.
Средний уровень заработной платы по энергетическим вакансиям составляет 46 т.р. Далее осуществлён анализ уровня заработной платы в разрезе условий:

1. В зависимости от профобласти
На рисунке видно, что наибольшая медиана соответствует продажам в энергетике, а наименьшая рабочему персоналу, различия по признаку достоверны (Краскел-Уоллис, p-value < 2.2e-16).
Анализ вакансий в энергетике показывает медианную зарплату для HR на уровне 35 т.р., но это данные открытых предложений, интересным представляется сослаться на данные исследования факторов текучести Э. Бабушкина, согласно которому респонденты HR имеют медианную зарплату в энергетике на уровне 40 т.р. (ноябрь 2017) (исследование факторов текучести)

2. В зависимости от сферы компании
Медианы зарплат по сферам компании практически идентичны, при этом различия достоверны (Крускал-Уоллис, p-value < 2.2e-16). Из графика видно, что разлчиия вызваны наличием выбросов для отдельных категорий.
Отвечая на главный вопрос энергетиков, все же следует акцентироваться на том, что не смотря на статистические различия, медианы заработных плат очень близки в зависимости от сферы компании.

3. В зависимости от федерального округа
Критерий Крускала-Уоллиса и в данном случае обнаруживает статистически достоверные отличия (p-value < 2.2e-16). Наибольшая медиана в ДФО, наименьшая в СкФО, но в последнем всего одна вакансия.

Для типа занятости и графика работы также проверена гипотеза о различиях по уровню заработной платы и также подтверждена с помощью критерия Крускала-Уоллиса.

Как и в исследовании 7 факторов зарплаты HR (анализ рынка России, декабрь 2017) А. Вечерина построена регрессионная модель.  На этапе предварительного анализа было выявлено отклоняющаяся от нормального вида распределения в связи с чем уравнение регрессии принимает следующий вид:

lm(log(Зарплата)~Профобласть+Опыт+Занятость+График+Округ

Переменная «Сфера» оказалась незначимой, в связи с чем не была включена в итоговую модель.
В таблице представлены значимые, экспонированные коэффициенты:

Остатки:
    Min      1Q  Median      3Q     Max
-2.7279 -0.2039 -0.0079  0.1876  1.2883

Коэффициенты
                                                                Estimate Pr(>|t|)   
(Intercept)                                               144521     2e-16 ***
Профобласть IT                                     1.353644   6.63e-06 ***
Профобласть Продажи                       1.642862   2.82e-15 ***
Профобласть Производство              1.179334   0.005025 **
Профобласть Рабочий персонал      0.8782623  0.030541 * 
Профобласть Строительство             1.215554   0.003668 **
Опыт нет опыта                                     0.5378153  2e-16 ***
Опыт от 1 до 3 лет                                0.6312836  2e-16 ***
Опыт от 3 до 6 лет                                0.7900018  1.96e-06 ***
Занятость Частичная занятость         0.8373359  0.049096 * 
График Гибкий график                         0.2881771  2e-16 ***
График Полный день                           0.4662562  2e-16 ***
График Сменный график                    0.4008973  2e-16 ***
График Удаленная работа                  0.6956699  0.001296 **
Округ Приволжский ФО                      0.6844429  3.60e-06 ***
Округ Северо-Западный ФО              0.7421455  0.000959 ***
Округ Северо-Кавказский ФО           0.6049376  0.021364 * 
Округ Сибирский ФО                           0.6609282  4.35e-07 ***
Округ Уральский ФО                            0.7352461  0.000306 ***
Округ Центральный ФО                      0.7271445  0.000114 ***
Округ Южный ФО                                0.6966863  2.77e-05 ***
  
 R2 = 0.55 и статистически значим p-value: < 2.2e-16. Для проверки предиктивности модели была введена новая вакансия: Профобласть="HR", Опыт="от 3 до 6 лет", Занятость="Полная занятость", Округ="Сибирский ФО", График="Полный день".
Экспонированное прогнозное значение составило 35 183 р.
Несмотря на высокий R2 модель обнаруживает проблему гетероскедастичности, что не совсем очевидно на Рисунке (указание на выброс), но подтверждается критерием Бройша-Пагана p-value < 2.2e-16. Следовательно данной модели нельзя доверять, вероятнее всего это связано с наличием выбросов, проблема которых не была устранена логорифмированием.

ЗАКЛЮЧЕНИЕ
Проведенный анализ вакансий в энергетике продемонсрировал различе уровня заработной платы в зависимости от профобласти, сферы компании, географии, типа занятости и графика работы. Вместе с тем, полученная регрессионная модель нуждается в совешенствовании качества (утсранение гетероскедастичности).
Для чистоты эксперимента необходимо провести парсинг вакансий с других крупных, российских джоб-сайтов: «Зарплата.ру», «SuperJob.ru». Автор обращается за помощью ко всем коллегам аналитикам, кто поделится кодом в R (можно попробовать Python) для выгрузки вакансий через API этих сайтов.


суббота, 10 февраля 2018 г.

Как с помощью «отбора вслепую» обеспечить личностное разнообразие на рабочем месте (Workplace Diversity)





Перевод статьи How Blind Hiring Increases Workplace Diversity в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор статьи Ji-A Min, этот автору нас впервые в блоге.
Перевод выполнила Светлана Пороскова. Светлана – рекрутер с более чем 20-летним стажем, специализирующаяся на IT и технологических рынках, сертифицированный карьерный коуч и консультант, автор и переводчик материалов по подбору и развитию карьеры. Профили в фейсбуке и линкедине. Это второй перевод Светланы в рамках проекта, читайте также

Война за ИИ-таланты и другие топ-темы рекрутмента в 2018 году

Итак
Как с помощью «отбора вслепую» обеспечить личностное разнообразие на рабочем месте (Workplace Diversity)

«Отбор вслепую» (Blind hiring)  решает множество проблем. Он не только обеспечивает увеличение личностного разнообразия, но и ведет к повышению прибылей. В этом блоге я постараюсь описать, что такое «отбор вслепую» и как он помогает обеспечить ясный и измеримый возврат инвестиций.
Исследования показывают, что каждый 1% увеличения расового разнообразия на рабочем месте дает 9% прирост в выручке от продаж. Анализ McKinsey показывает, что компании с наиболее разнообразным составом правления (в отношении женщин и представителей различных национальностей) получают доходы до вычета процентов и налогов (EBIT) на 14% больше среднего значения. Другие исследования показывают, что увеличение разнообразия на рабочем месте приводит к увеличению производительности труда и более творческому отношению персонала. В этой области «отбор вслепую» может действительно показать хорошие результаты.

«Отбор вслепую»: определение 

«Отбором вслепую» называют любую технику, обезличивающую или скрывающую персональную информацию о кандидате для рекрутера или нанимающего менеджера, если эта информация может оказать осознанное или неосознанное влияние на восприятие данного кандидата. Это влияние обычно вызывает несправедливую или дискриминирующую оценку, ведь большая часть личной информации о кандидате никак не связана с его или ее рабочей эффективностью.

«Отбор вслепую» увеличивает личностное разнообразие на рабочем месте, позволяя рекрутерам и нанимающим менеджерам быть более объективными при оценке навыков, знаний и потенциала кандидата, убирая искажения восприятия, вызванные расовой принадлежностью, полом, возрастом и уровнем образования.
«Отбор вслепую» набирает все большую популярность как часть движения, направленного на исключение ошибочных суждений, обусловленных человеческим фактором и мешающих нанимать действительно лучших кандидатов. Исследование, опубликованное в Harvard Business Review, показало, что кандидаты, нанятые на основе алгоритма отбора, оказывались на 50% более успешными в работе, чем те, кого отбирали на основе человеческих суждений рекрутеров.

«Отбор вслепую» с использованием резюме 

Исследования отбора резюме подтверждают факт искаженного человеческого восприятия. Резюме кандидатов, имена которых звучали как имена белых, получали на 30% больше приглашений на интервью, чем идентичные резюме с афро-американскими именами. Резюме с именами, звучавшими старомодно (old-sounding), оценивались как менее подходящие для вакансии в сравнении с идентичными резюме с более современно звучащими именами.
Неудивительно поэтому, что наиболее распространенный метод «отбора вслепую», который сейчас тестируется, основан на убирании имен и фото кандидатов из их резюме и онлайн-профилей. Другая личная информация, которая убирается из резюме, касается раскрытия возраста кандидатов и их уровня доходов (например, год окончания вуза, его название, адреса и т.д.)
Однако, если вы не пользуетесь специальной технологией, которая делает анонимными профили и резюме, этот процесс может занять много времени или вообще станет невозможным для проведения вручную.

«Отбор вслепую» с использованием предварительного тестирования 

Изначально «отбор вслепую» был «слепым прослушиванием» и применялся оркестрами для отбора музыкантов: они играли за ширмой, чтобы скрыть свою личность. В результате слепых прослушиваний количество женщин-музыкантш в топ-5 симфонических оркестрах США увеличилось с менее чем 5% в 1970-х до 25% в 1990-х.

В наши дни использование предварительного тестирования для оценки необходимых квалификаций и знаний кандидатов - очень распространенная практика в определенных профессиях (например, в разработке ПО). Такой тип тестов может быть очень просто обезличен использованием анонимных идентификаторов кандидатов, так как кандидаты могут проходить тесты удаленно. Другой вариант «слепого» предварительного теста – это личностный опросник. Исследования показали, что компании, использующие личностные опросники в своем процессе подбора получают гораздо большее расовое разнообразие сотрудников.
И снова повторим, что, если вы не пользуетесь программами или сервисами, обезличивающими тесты кандидатов, вам будет очень сложно «не увидеть» личности кандидатов, заполняющих тест или опросник.

среда, 7 февраля 2018 г.

Про нелюбовь россиян к офисам с открытой планировкой (ответ газете Ведомости)



7 февраля газета Ведости опубликовала статью Нелюбовь россиян к офисам с открытой планировкой усиливается. Статья только для подписчиков, но из открытого превью понятно: "Сотрудники российских компаний все меньше любят офисы с открытой планировкой (open space)....."
Давайте я дам свой взгляд на проблему. Я веду собственные исследования факторов текучести и эффективности работников, на основе которых я делаю нижеследующие выводы
Вот здесь Рабочее пространство: Open space VS кабинетная рассадка для интровертов экстравертов я уже показывал, что с точки зрения текучести персонала открытое пространство (open space) и кабинетная рассадка не играют роли.

Рис 1

Про нелюбовь россиян к офисам с открытой планировкой (ответ газете Ведомости)
Картинка показывает, что различия в текучести персонала не значимы. А мы должны с вами были предположить (и у меня именно такая гипотеза и была), что open space способствует более быстрому выгоранию работников и более быстрому уходу из компании. Однако этого нет.
Ну бох с ним. Мы же только про open space.

Рис 2

Про нелюбовь россиян к офисам с открытой планировкой (ответ газете Ведомости)
Снова результаты моего исследования. Это простая сводная таблица. В колонках годы, а в строках ответ на вопрос Готовы ли Вы рекомендовать эту компанию в качестве работодателя своим знакомым, коллегам?. Я взял только тех, кто указал, что работал, работает в open space. Соответственно в ячейках % по году. Если в 2016 году 59 % респондентов были готовы рекомендовать свою компанию в качестве работодателя, то в 2017 году 61 %.
Естественно, я не хочу сказать, что лояльность работающих в офисных пространствах увеличилась - 2 % это случайное отклонение. И значимость Хи квадрата 0, 97.
Т.е. лояльность работников с офисным пространством типа open space не изменилась в 2017 в сравнении с 2016
Эти результаты говорят о том, что на наших данных выводы о том нелюбовь россиян к офисам с открытой планировкой усиливается не подтверждается.
Напишу в Ведомости, ответ по традиции не получу.




__________________________________________________________
На этом все, читайте нас в фейсбукетелеграмме и вконтакте

Исследование email коммуникаций в компании



Прохожу на Курсере курс Applied Social Network Analysis in Python Мичиганского университета. Вообще рекомендую курсы этого университета: много интересного контента. Курсы на Python проходят.
Прошел я пока две недели, хвастать особо нечем, хочу в посте скорее закрепить свои знания. Заранее предупреждаю, что я не ас, могу писать ерунду в каких-то местах, просто тема для меня новая. А новая потому, что я не могу найти понимания того, куда в HR ее применить. Буду вам благодарен за идеи. Вообще же на Западе тема Organisational Network Analytics очень популярна и набирает темп. Поэтому я и решил подробней в ней разобраться. 

Данные е майл коммуникаций

У нас есть данные типа
#Sender Recipient time
1 2 1262454010
1 3 1262454010
1 4 1262454010
1 5 1262454010
1 6 1262454010
1 7 1262454010
1 8 1262454010
1 9 1262454010
1 10 1262454010
1 11 1262454010

Где первая колонка - отправитель, вторая - получатель, и время отправления. При этом перечень полей не ограничен: это такой датасет в задании, а вообще первое, что приходит на ум - можно добавить роль отправителя и получателя.
И первое, чему я самостоятельно научился по этой теме - раскрашивать узлы (nodes) цветом в зависимости от роли. Как вариант - можно брать не роль, а класс письма: заявка, обращение, нецензурная брань и т.п..
Исследование email коммуникаций в компании
Эта картинка из другого задания.
Если вы хотите потренироваться, запишитесь на курс и скачайте данные второй недели. Или лучше работать со своими данными: можете мне прислать, я буду очень рад поработать с ними.
Код

import networkx as nx
import pandas as pd
%matplotlib notebook
import matplotlib.pyplot as plt
Загрузка
G = nx.read_edgelist('email_network.txt', data=[ ('time', float)], 
                         create_using=nx.MultiDiGraph())
Я не уверен, что стоит подробно функции объяснять, все равно придется копаться в пакете, отмечу только, что самое важное здесь - MultiDiGraph - мы указываем, что отношения между узлами (nodes) директивные (Di), т.е. письмо идет в определенном направлении от кого то к кому то, т.е. у нас на диаграмме появляется стрелочка. И отношения Multi - может быть много связей, а точнее писем. И data - мы указываем, что время - это атрибут сети, а не сами связи. После загрузки мы получаем объект edges (ребра? грани?)
G.edges(data=True)
[('158', '64', {'time': 1271766218.0}),
 ('154', '68', {'time': 1271766200.0}),
 ('42', '54', {'time': 1276505582.0}),
 ('42', '1', {'time': 1266579464.0}),
 ('42', '61', {'time': 1273146267.0}),
 ('42', '151', {'time': 1266319958.0}),
 ('42', '151', {'time': 1268999261.0}), ....
Тут все понятно. Количество строк
len(G.edges(data=True))
82927
И вот здесь сразу одна интересная ситуевина. С помощью команды
G.degree()
{'1': 3376,
 '10': 643,
 '100': 126,
 '101': 758,
 '102': 31,
 '103': 461,
 '104': 632,
 '105': 321,
 '106': 860,
 '107': 192,
 '108': 151,
 '109': 166,
 '11': 635,
 '110': 85,
......

Мы получаем список количества писем каждого чувака. И всего у нас
nx.number_of_nodes(G)
167 
чуваков, а писем
sum(G.degree().values())
165854
Что в два раза больше, чем строк в датасете (82927). Т.е. это значит, что пакет учитывает не только тех, кто слева, но и справа. И если ты значишься не только в числе посылателей писем, но и получателей, вам это будет зачтено.

Визуализация


plt.figure(figsize=(10,9))
node_color = [G.degree(v) for v in G]
pos = nx.fruchterman_reingold_layout(G)
nx.draw_networkx(G, pos, 
                 node_color=node_color, alpha=0.7, with_labels=True, 
                 edge_color='.4', cmap=plt.cm.Blues)
plt.axis('off')
plt.tight_layout();
Цвет узла (node) я определил в зависимости от количества получаемых писем


Исследование email коммуникаций в компании
Не очень внятно, верно?) функция pos = nx.fruchterman_reingold_layout(G) отвечает за представление результатов сети, можете поиграться, картинка будет другая. К тому же можно выделить отдельный диапазон картинки.
Исследование email коммуникаций в компании
Матрица.

Почему именно неформальные сети – следующий этап развития HR и HR-аналитики (революционный!)





Перевод статьи Why Informal networks are set to revolutionize HR and People Analytics  в рамках нашего  проекта переводы статей по hr-аналитике на английском. Статья посвящена Organisational Network Analytics, Автор - Greg Newman, Специалист в области HR Data, менеджер продуктов, аналитик «по людям» в TrustSphere, и это уже второй перевод статей автора, см. также
Удержать или отпустить? Данные, на которые следует корректно реагировать, когда сотрудник увольняется
Перевод выполнила Дарья Цирулева, HR-директор группы компаний Корус Консалтинг. (вот такие у нас спецы переводы выполняют!). Ее профиль в фейсбуке.
Кстати говоря, Greg Newman обещал мне пиво поставить при встрече, но констатирую, что пиво то заслужили Дарья и Александра Багинская - автор первого перевода Грега.

Итак
Почему именно неформальные сети – следующий этап развития HR и HR-аналитики (революционный!)

Почему именно неформальные сети – следующий этап развития HR и HR-аналитики (революционный!)

До сих пор сила неформальных связей и неформализованных команд очень мало использовалась в мире, скажем так, большого HR и глобальных HR-систем. Текучесть, изменчивость, неформальность командной работы всегда подразумевала, что «отловить» эту меняющуюся сущность, а уж тем более отслеживать в динамике практически невозможно. Невозможно, да-да!
Сила науки и знаний, стоящая за подходом, получившим название ONA (Organisational Network Analytics или Анализ Организационных Сетей), пионерами в котором были Karen Stephenson и Rob Cross, не подвергается сомнениями – более того, здесь многое попробовано, протестировано. А вот с возможностью масштабно применить подход на практике – с этим были определенные затруднения. Будем честны – до сих пор это не было мейнстримом.
Нет ни малейших сомнений, что традиционные исследования, основанные на ONA, дают серьезные результаты. Но высокая их стоимость и «мгновенность», привязка только к «здесь и сейчас»… Да, команды и неформальные сети можно увидеть и даже померить – но вот можно ли эту информацию иметь всегда, и всегда актуальную?

Неформальные сети теперь по-настоящему видимы

Почему именно неформальные сети – следующий этап развития HR и HR-аналитики (революционный!)



Рисунок 1: выявляем связи/отношения за формальной иерархией
Последние технологические прорывы таких компаний, как моя (да, минутка саморекламы), позволили сделать из ONA каким он был еще вчера – сложного бумажного процесса – живой беспрерывный поток данных в режиме реального времени. А значит, уже меняется и сама способность организаций работать с собственными неформальными сетями и понимать, как работа делается на самом деле.

рек

Популярные сообщения