Share |

четверг, 21 июня 2018 г.

Связь размера компании и размера HR-службы





Это пост приманка.
На основе результатов исследования Портрет HR-директора я сделал вот такую картинку
Связь размера компании и размера HR-службы

  • Здесь у нас размер компании по строкам;
  • Размер HR службы в колонках;
  • в ячейках количество.

Связь линейна. Я понял в этот момент, что ступил и переделал эти вопросы: теперь я прошу выбрать не определенные вариант, а руками указать размер компании и размер HR-службы.

И вот что получилось

Связь размера компании и размера HR-службы

  • Ось X - размер компании в работниках;
  • Ось Y - размер HR-службы тоже в работниках.
  • Какой главный вывод?

УЧАСТВУЙТЕ в исследовании, чтобы было больше данных!!!

Ниже

Связь размера компании и размера HR-службы


Эта картинка идентична картинке выше, но я уменьшил масштаб - взял компании размером до 1 500 работников.
Обратите внимание: для компании размером в 1 000 работников HR служба в 30 HR уже выброс.
Круто?
Участвуем в исследовании!!!

__________________________________________________________
На этом все, читайте нас в фейсбуке, телеграмме и вконтакте




среда, 20 июня 2018 г.

"Мужские" и "женские" компетенции HR-директоров






Это один из результатов нашего нового/старого исследования Портрет HR-директора (заполнение анкеты занимает не более 7 минут, пройдите и поучаствуйте).
Напомню, что основная суть исследования - выбрать не более пяти компетенций из 14 предъявленных:

  1. Воздействие и оказание влияния - impact,
  2. Ориентация на достижение - achievement,
  3. Командная работа и сотрудничество - teamwork,
  4. Аналитическое мышление - anal_think,
  5. Инициатива - Initiative,
  6. Развитие других - develop_other,
  7. Уверенность в себе - self_confidence,
  8. Директивность/Настойчивость - directive,
  9. Поиск информации - search_info,
  10. Командное лидерство - teamleadership,
  11. Концептуальное мышление - concept_think,
  12. Понимание компании - understand_company,
  13. Построение отношений - build_relation,
  14. Межличностное понимание - personal_understand.

Популярность компетенций 


на сегодня такова
"Мужские" и "женские" компетенции HR-директоров

Обратите внимание, что данных еще совсем мало, поэтому результаты поста считать устоявшимися, они будут еще скорректированы.

Мужские и женские компетенции

"Мужские" и "женские" компетенции HR-директоров
В этой диаграмме основной результат поста.
Помимо выбора компетенций я использовал два вопроса в этой аналитике:

  • Пол HR-директора;
  • Является ли респондент HR-директором или нет.

Как читать диаграмму.

  • Первые две колонки Да-Ж и Да-М это то, как сами HR-директора о себе отвечали (что такое М и Ж, думаю, понятно);
  • Вторые две колонки Нет-Ж и Нет-М - как отвечали не HR-директора;
  • В строках компетенции;
  • В ячейках соотношение выборов данной компетенции в ответах респондентов. 
  • Т.е. например, 0, 47 в крайне верхней левой ячейке обозначает, что среди всех респондентов женщин HR-директоров 47% выбрали компетенцию "Воздействие и оказание влияния", как присущую себе;
  • 0, 42 в соседней ячейке обозначает, что среди респондентов мужчин HR-директоров 42 % выбрали эту компетенцию; 
  • 0, 6 - а вот про женщин HR директоров респонденты НЕ HR-директора выбрали в 60 % случаев, и только в 20 % случаев они это указали про мужчин HR-директоров. 

Т.е. для респондентов не HR-директоров компетенция "Воздействие и оказание влияния" является скорее "женской".

  • Обратите внимание, что компетенцию "Понимание компании" чаще приписывают HR-директорам респонденты не HR-директора, и мужчинам эту компетенцию приписывают чаще. 
  • Мужчины HR-директора чаще себе приписывают компетенцию "Ориентация на достижение", хотя не HR-директора чаще эту компетенцию наблюдают у дам HR-директоров. 
  • HR-директора считают себя более инициативными, чем это видят со стороны окружение;
  • Мужчины HR-директора на сегодня вообще ни разу не упомянули у себя компетенцию "Директивность/ Настойчивость". Но и окружение не считает мужчин HR-директоров директивными / настойчивыми. 
  • Мужчины HR-директора считают себя более концептуально мыслящими, но окружение так не считает;
  • Дамы HR-директора считают, что они чаще развивают других, но окружение считает, что эта компетенция в равной мере относится к мужчинам и женщинам HR - директорам.


участвуйте в опросе!
__________________________________________________________
На этом все, читайте нас в фейсбуке, телеграмме и вконтакте






четверг, 14 июня 2018 г.

Сезонные колебания в измерении вовлеченности персонала



Пост посвящен современному тренду в измерении вовлеченности персонала - непрерывному слушанию (см. статью Патрика Кулена HR упирается во вторую стену раздел о непрерывном слушании).
Переводя на русский, компании организуют непрерывный поток обратной связи от работников. Одним из таких инструментов является пульс опрос. Пульс опрос может проводиться ежемесячно, "снимая" состояние вовлеченности компании. И сигналом для управленческого воздействия служит изменение уровня вовлеченности от некоторого заданного (чаще всего - предыдущего месяца).
Мне пришло в голову, что уровень вовлеченности зависит не только от каких-то непосредственных действий менеджмента, а может иметь сезонные колебания, как, например, в той же текучести персонала. См. Прогноз текучести персонала на основе временных рядов. Модель ARIMA. И эти колебания также необходимо учитывать.
Для ответа на этот вопрос нам нужны измерения вовлеченности персонала по методу пульс опроса хотя бы за два года, и если у вас такие данные есть, буду вам благодарен, если вы со мной ими поделитесь. Я же решил воспользоваться результатами своего исследования факторов текучести и эффективности персонала (опрос работает и ждет вашего участия)

Решение

К сожалению, я не могу получить полноценные данные, поэтому воспользовался тем, что есть.
В нашем исследовании есть вопрос "Готовы ли Вы рекомендовать эту компанию в качестве работодателя своим знакомым, коллегам?" с вариантами ответов

  1. Да
  2. Нет
  3. Не знаю

Я предположил, что если сезонных колебаний вовлеченности персонала нет, то частота распределения % по месяцам будет примерно одинаковой. Месяц я взял из даты заполнения анкеты и взял я только тех, кто работал в компании на момент заполнения опросника.

Результаты

Это таблица распределения абсолютных ответов (в колонках месяц заполнения анкеты, в строках вариант ответа, в ячейках - какое количество респондентов дало данный вариант ответа)
январь февраль март апрель май июнь июль август сентябрь октябрь ноябрь декабрь
Да 90 67 81 131 68 64 56 76 54 30 90 73
Не знаю 22 24 19 36 24 21 11 41 6 13 20 24
Нет 20 15 20 30 34 15 14 13 10 7 8 26
P-value критерия Хи квадрат для данной таблицы - 0.0006452468112259436. Т.е. распределение ответов по месяцам явно неравномерно.
В % это выглядит примерно так
Сезонные колебания в измерении вовлеченности персонала

  • По оси X - месяцы;
  • По оси Y - %.

Несмотря на то, что опрос у нас анонимный и скидывать данные работодателю не собираюсь и просто некогда, бОльшая часть респондентов готова рекомендовать работодателя.
Пик рекомендаций приходится сентябрь и ноябрь. А в мае пик антирекомендаций.
Более точно в % это выглядит так
Сезонные колебания в измерении вовлеченности персонала
Эта таблица аналогична вышеприведенной, но только в виде таблицы сопряженности.

Интерпретация результатов

Я не понимаю, как интепретировать результаты.

  • Почему, например, в августе практически каждый третий респондент, который заполнял анкету , выбрал вариант "Не знаю".
  • Или даже почему мая оказался черным месяцем для вовлеченности?

У меня есть две мысли на этот счет.

  1. За сезонностью все равно стоят какие -то колебания ведения бизнеса, и в рамках одной компании мы могли проинтерпретировать изменения уровня вовлеченности на основе этих факторов, сравнить. например, с той же текучестью персонала. В нашем случае мы получаем самую разную солянку людей из разных бизнесов, позиций, отраслей, территорий, поэтому выявить какой-то тренд сложно, и отклонение мая может быть вызвано, что я как-то вовлек специалистов одного из бизнесов, у которых антивовлеченность приходится на май.
  2. Вторая мысль заключается в том, что на изменения могли повлиять неравномерность заполнения по годам, а вовлеченность года могла определяться макроэкономическими факторами.
Мне было бы интересно услышать ваше мнение.
Но пока у нам просто мало данных, чтобы копать глубже. Надо признать, что моя попытка найти сезонные колебания оказалась не очень удачной, но в любом случае, при проведении корпоративных опросов вовлеченности следует иметь ввиду, что изменения вовлеченности могут определяться сезонными колебаниями.





__________________________________________________________
На этом все, читайте нас в фейсбуке, телеграмме и вконтакте


среда, 13 июня 2018 г.

Какие инструменты оценки персонала наиболее востребованы / популярны в компаниях



Результаты опроса в нашем телеграм канале или по ссылке веб версии канала.
Опрос звучал так:
Инструменты оценки персонала
Коллеги, попрошу ответить на вопрос, какие инструменты оценки персонала применяются в ваших компаниях.
Можно выбрать до 5 вариантов ответов. Если что-то не вошло в опрос, напишите мне @Edvb72, в этот опрос уже на вставлю, но на будущее буду использовать.
И такие варианты ответов (напротив стоит число респондентов, выбравших данный вариант). Всего же в опросе поучаствовало 107 человек.


  1. тесты способностей 33
  2. личностные опросники 31
  3. тесты профессиональных знаний 37
  4. проективные тесты 4
  5. ассессмент центр 38
  6. интервью по компетенциям 52
  7. интервью структурированное (или любое другое) 33
  8. оценка 360 градусов 31
  9. анализ профилей в социальных сетях 12
  10. настольные бизнес игры 5
  11. компьютерные игры (симуляторы деятельности и т.п..) 1
  12. эссе кандидата 9
  13. защита проекта оцениваемым 8
  14. другое 6


И на диаграмме показаны % от общего числа ответивших (поскольку респонденты могли выбирать до пяти вариантов ответа, сумма % больше 100).

Какие инструменты оценки персонала наиболее востребованы / популярны в компаниях

Из удивлений:
  1. Каждая третья компания проводит ассессмент-центр (несмотря на то, что это не дешевое удовольствие, но, что интересней, ранее в опросе в телеграм канале я спрашивал коллег, работают ли на самом деле модели компетенций, и вы высказались не в пользу моделей компетенций. Но ок. 
  2. Удивило широкое применение тестов профессиональных знаний - думаю, что речь идет об IT компаниях и тестах при приеме. Подтвердите гипотезу, коллеги, участники опроса.
  3. Удивило широкое применение оценки 360 градусов - у меня сложилось впечатление, что этот метод на сегодня подзабыт, но, если верить нашему опросу, это не так. Это радует, поскольку я бы хотел поэксперементировать с этим видом оценки - обращайтесь. 
  4. И каждая десятая компания анализирует профиль в социальных сетях. Интересно, что там конкретно анализируется?





__________________________________________________________
На этом все, читайте нас в фейсбуке, телеграмме и вконтакте





понедельник, 11 июня 2018 г.

Расчет показателей текучести персонала в Power Pivot (Excel)






Всем, привет, дорогие друзья аналитики и не только.
Часто ли вам приходилось тратить уйму времени на переделку отчета, когда руководитель просил показать его еще "вот в таком разрезе" ? Используя стандартные средства Excel на переделку может уйти много времени, но это совершенно не обязательно.
Хочу поделиться с вами тем, как можно использовать инструменты бизнес-аналитики в Excel - Power pivot и Power Query для анализа текучести персонала. Использование этих мощных инструментов позволит вам существенно сэкономить время, затрачиваемое на подготовку аналитики в любых разрезах, имеющихся в исходных данных.
Ознакомиться в деталях с тем, что такое Power Pivot, функциональный язык DAX, Power Query и скриптовый язык M вы можете самостоятельно. Тут важно то, что, если вы хотите повысить свою продуктивность как аналитика, освоение этих инструментов поможет вам продвинуться в этом направлении. Ниже несколько ссылок на полезные источники:
  1. http://baguzin.ru/wp/obrabotka-dannyh-s-pomoshhyu-modulya-powerpivot/ - введение в Power pivot
  2. https://support.office.com/ru-ru/article/Справка-по-power-pivot-241aac41-92e3-4e46-ae58-2f2cd7dbcf4f - справка Power Pivot от Microsoft
  3. https://msdn.microsoft.com/ru-ru/query-bi/dax/data-analysis-expressions-dax-reference - руководство по языку DAX.
  4. https://habr.com/post/271019/ - введение в Power Query, краткий обзор возможностей
  5. https://msdn.microsoft.com/query-bi/m/power-query-m-reference - полное описание языка M, используемого в Power Query (англ.)
  6. https://needfordata.ru/blog/category/power-query - адаптированные переводы статей гуру Power Query Криса Вебба (Chris Webb).

Итак, в моем распоряжении имеется следующий набор данных https://cloud.mail.ru/public/Ffce/Gev6hBqWE. В файле отражены кадровые изменения (должность, подразделение, оклад, руководитель, город, филиал, центр затрат, количество занимаемых ставок и др.) по работникам за период с 2013 по 2016 годы. По одному работнику в таблице может быть несколько строк, каждая из которых имеет свой период начала и окончания действия. Периоды для одного работника не пересекаются. Также в крайних правых столбцах таблицы указаны причины увольнения и отношение компании к увольнению (сожалеем или не сожалеем). Отношение компании указано в связи с тем, что не все увольнения по собственному желанию являются нежелательной текучестью.
На базе этих данных я покажу как рассчитать среднесписочную численность, количество принятых и уволенных, Коэффициент оборота по выбытию, Коэффициент текучести, Скользящую среднюю текучесть за год. Итоговый файл со всеми формулами вы можете найти по ссылке https://cloud.mail.ru/public/7zD9/ysPgHSYcg.
Работу над моделью данных, в которой будут рассчитываться эти коэффициенты я построил в 2 шага:
  1. Подготовительный - создание календаря для Power pivot с помощью Power Query.
  2. Основной - создание формул, для расчета показателей текучести в Power Pivot.

В связи тем, что мы собираемся проводить анализ показателей в динамике, нам необходим календарь. Помимо собственно дат, он будет содержать ряд дополнительных столбцов, которые мы сможем использовать при анализе. Например, рассчитать количество увольняющихся в определенные дни недели или сравнить текучесть текущего и прошлого периода.

Первым делом создадим новый лист Параметры, добавим на него таблицу Параметры, состоящую из наименования параметра и значения.
Начало и окончание периода я взял как начало первого года самого раннего события имеющегося набора данных и окончание последнего года. Во избежание проблем рекомендую при использовании календарей всегда захватывать год целиком. Последний параметр "Язык" указывает для какой локализации создавать календарь. Все вы знаете, что в разных странах могут использоваться различные форматы записи дат. Более подробно можете ознакомиться здесь (https://ru.wikipedia.org/wiki/Календарная_дата)
Далее переходим на вкладку Данные-Получить данные-Из других источников-Пустой запрос. В открывшемся окне нажимаем кнопку Расширенный редактор, удаляем из него весь текст и вводим следующий текст функции:

(ParameterName as text) =>
 let
     ParamSource = Excel.CurrentWorkbook(){[Name="Параметры"]}[Content],
     ParamRow = Table.SelectRows(ParamSource, each ([Параметр]=ParameterName)),
     Value=
if Table.IsEmpty(ParamRow)=true
then null
else Record.Field(ParamRow{0},"Значение")
in
    Value

После этого наживаете Готово. Добавленная функция сохранится с именем Запрос1. Переименуем во что-то более понятное. В моем случае я заменил название на fnGetParameter
Эта функция необходима нам для того, чтобы получать из таблицы в Excel требуемых параметры.
Следующим шагом создадим наш календарь. Для этого, не выходя из окна Power Query создадим еще один пустой запрос. 
Нажмите правой кнопкой мыши в левой области интерфейса и выберите пункт как на скрине.


В открывшемся окне снова удалим содержимое и далее вставим текст, скопированный из файла Календарь PQ с параметрами задаваемыми из Excel.txt (https://cloud.mail.ru/public/vz7f/5Hygn66Q7). Созданный запрос переименуем в Calendar.
Наш календарь готов, и мы можем переходить к его загрузке в Power Pivot. Для этого в интерфейсе Power Query нажмите "Закрыть и загрузить-Закрыть и загрузить в". В следующем окне выберите "Создать только подключение" и в нижней части "Добавить эти данные в модель данных"

Не буду вдаваться в подробности описания кода Power Query. Если возникнут вопросы, в части PQ  прошу задавать в комментариях.
На следующем шаге мы создадим непосредственно расчетные формулы в Power Pivot. Сначала перейдите на лист База, в меню Excel перейдите на вкладку Power Pivot и нажмите добавить в модель данных, после этого нажмите кнопку управление - откроется интерфейс Power pivot

На листе Calendar добавьте столбец УникальныйНомерДня. Выберите первую из ячеек столбца и введите формулу:
= COUNTROWS (
    FILTER (
        ALL ( 'Calendar' );
        'Calendar'[Дата] <= EARLIER ( 'Calendar'[Дата] )
            && NOT (
                MONTH ( 'Calendar'[Дата] ) = 2
                    && DAY ( 'Calendar'[Дата] ) = 29
            )
    )
)
Этот столбец нам впоследствии пригодится для расчета скользящей средней за год.
Далее нам необходимо указать PP где у нас указаны даты (непрерывный список дней). Для этого перейдите на вкладку Конструктор -Пометить как таблицу дат. В открывшемся окне выберите наименование столбца, в котором наш список дат. В нашем случае столбец так и называется Дата.

Для тех, кто знаком с Power Pivot скажу, что мы не будем задавать связь между таблицами Calendar и Base в связи с расчетом скользящей средней и ряда других формул.

суббота, 9 июня 2018 г.

Стена Будро или почему в России не приживается предиктивная аналитика






В своей статье 10 трендов в Workforce Analytics директор института HR-трендов Tom Haak упоминает Стену Будро -
Стена Бодро или кейс Сергиенко

Формально эта Стена разделяет описательные статистики и предиктивную аналитику: отчетность и репортинг VS прогноз.
Но по факту эта стена в голове HR: это проблема мышления, а не проблема построения аналитик в компании. Эта та Стена, через которую не могут перейти многие наши коллеги, оставаясь на уровне восприятия HR-метрик как образа HR-аналитики в компании.
Рынок Стену Будро не заметил, и причина, имхо, в том, что эта "стена" именно в голове - мы не видимо своих ограничений.
Сергей Юлдашев увидел в этой Стене в основном американскую манеру приписывать себе разные "открытия": "Скромно назвать «открытие» в честь себя мог, естественно, американец, профессор из Университета Южной Калифорнии – John Boudreau."
Несмотря на эту американскую черту, я считаю название в честь Бодро более чем заслуженным- он обозначил то, вокруг чего многие hr-аналитики ходили кругами: сравните с моими постами на эту тему 4-х уровневая модель HR-аналитики Берзина: дорога в никуда или история одного поста.
И вот на днях Стена Бодро дала снова себя знать:

Кейс Сергиенко

В нашей бессмысленной и беспощадной дискуссии о валидности ассессмент центров практически НИКТО не снизошел до того, чтобы ознакомиться с моим анализом Кейса Сергиенко.
Напомню предысторию:

  1. я задал вопросы про Российский стандарт центра оценки разработчикам Про Российский стандарт центра оценки: вопросы аналитика к авторам в декабре 2017 года;
  2. Основная претензия с моей стороны касалась фразы из Стандарта: "Валидность ЦО была ранее доказана на материале многочисленных исследований." Я просил привести ссылки на "многочисленные исследования". И меня, конечно же, интересовала прогностическая валидность;
  3. Евгений Лурье как инициатор процесса создания Стандарта практически сразу мне ответил в фейсбуке, скинув несколько ссылок на исследования;
  4. По факту Евгений смог привести только три ссылки на исследования, прогностической валидности касался только один кейс - кейс Сергиенко;
  5. Я проанализировал все три кейса от Евгения Лурье и дал свой ответ - О валидности (точнее, невалидности) центров оценки.

В самой этой статье я предрекал, что мой пост кроме Евгения Лурье никто не будет читать, но я не знал, насколько никто его не будет читать. Даже сам Евгений Лурье, который дал мне ответ на мои вопросы к Стандарту, но при этом "не заметил" моего анализа, а просто заново привел в своем новом ответе ссылку на кейс Сергиенко.
Единственный содержательный ответ дал Юрий Тукачев в форуме Лаборатории Гуманитарные Технологии после того, как А.Г. Шмелев дал в форуме ссылку на мой пост:
" желчный пасквиль
А где по ссылке критический анализ? Увы, я его не увидел. Там есть какие выкладки, манипуляции с цифрами, объединение в одну категорию QS и MS и т.п."
ВСЕ! Это единственный содержательный отзыв. Евгений Лурье пишет:
С.К. Сергиенко (1999) получил удовлетворительные данные о прогностической валидности ЦО в рамках проекта TACIS. Анализировалась оценка стажеров принимающими их после отбора и обучения компаниями. Центр оценки правильно предсказывал успешность прохождения стажировки в 77.5% случаев
С такой помпой рекламировали кейс, а тут приходит маргинал Бабушкин и говорит, что это липа. Хотя казалось бы: уважаемые защитники компетентностного подхода: ну дайте вы свой анализ кейса Сергиенко, чтобы заткнуть уже этого Бабушкина.

Логика кейса

Вместе с тем, для того, чтобы проанализировать кейс Сергиенко, достаточно знать начальные знания по статистике и ... иметь желание разобраться беспристрастно.
И весь анализ содержится вот в этой картинке:

Стена Бодро или почему в России не приживается предиктивная аналитика
Что из себя представляет эта картинка? Это СВОДНАЯ ТАБЛИЦА в excel, которую умеют делать 95 % HR.
Таблица это получилась очень просто:

  1. сначала команда Сергиенко оценивала стажеров, стажеры получали оценки по ассессмент центру LS - плохо, QS - средне, MS - хорошо - эта колонка в excel называлась "Результаты психолого-управленческой оценки";
  2. затем сами фирмы уже оценивали стажеров, но не компетенции, а эффективность - насколько стажер подошел / не подошел компании с т.з. исполнения деятельности - эта колонка в excel называлась "Оценка стажеров принимающими фирмами". 

Далее коллеги сделали сводную таблицу, чтобы посмотреть, насколько оценка по ассессмент центру "бьется" с оценкой компании.
На языке аналитики эта сводная таблица называется confusion matrix или матрица неточностей. Юрий Тукачев, кстати, в качестве простого инструмента анализа любит приводить четырех клеточные таблицы 2Х2, в данном случае отличие только в том, что таблица размерности 3Х6. Но логика абсолютно та же самая.
Мой анализ показывает, что данные результаты ассессмент центра позволяют сделать один вывод: с т.ч. зрения бизнеса данный АЦ не имеет смысла, единственная зацепка, которая имеет здесь смысл - 6 стажеров в правой нижней ячейке. Т.е. все стажеры, которые получили высокую оценку по АЦ, получили самую высокую оценку от компаний. Precision - 100 %, но recall - 17 %. Такая точность имеет смысл, когда мы подбираем уникальных специалистов типа космонавтов, а стажеры, насколько я могу догадаться по содержанию книги, не входят в эту категорию.

Вопрос

Так почему же на рынке так до сих пор никто не дал свой анализ этого кейса?
Это кейс - прецедент для нашего HR рынка.
И предлагаю вам задуматься вот над чем: если мы публично не можем провести анализ простого кейса, то что происходит у нас в компаниях?
Это ведь про наш рынок и про Стену Бодро в наших головах. Желаю нам скорее пробить ее и вырваться на просторы предиктивной HR-аналитики.


__________________________________________________________
На этом все, читайте нас в фейсбуке, телеграмме и вконтакте






вторник, 5 июня 2018 г.

Оценка эффективности обучения или история одного эксперимента



Замысел эксперимента родился у меня в начале этого года. Я обратил внимание, что коллеги слабо реагируют на картинки такого типа
Вместе с тем, это базовый тип диаграммы, который представляет азы анализа. И вот меня воодушевил благородный порыв, и я решил раскрыть HR тайну диаграмму boxplot. По науке.
Если вам задачка кажется не актуальной, прочтите этот пост как шаблон любой другой задачи, куда вы можете подставить свои данные. Я бы еще добавил, что один из самых важных навыков аналитика - уметь увидеть задачу. 

Идея

Идея простая: в момент времени T мы замеряем уровень умения читать диаграмму boxplot, после чего я начинаю активно рассказывать рынку про то, как читать эту самую диаграмму.
В момент времени T+1 я снова измеряю уровень умения читать диаграмму boxplot. 
Временной лаг:
  • момент T - февраль 2018 года;
  • T+1 - начало июня 2018 года.
  • Площадка - телеграм канал HR аналитики. 

Результаты

Срез T

Оценка эффективности обучения или история одного эксперимента

всего 117 респондентов:
  • из них 37 указали, что умеют читать boxplot, 
  • и 80, что не умеют 
  • % умеющих читать boxplot составил 31, 6 %

Срез T+1

проголосовало 143 респондентов:

  • 49 указали, что умеют читать boxplot, 
  • и 94, что не умеют.
  • % умеющих читать boxplot составил 34, 3 %

Анализ

простой с использованием Хи квадрат
Оценка эффективности обучения или история одного эксперимента

Pearson's Chi-squared test with Yates' continuity correction
data:  r
X-squared = 0.10109, df = 1, p-value = 0.7505

Доверительный интервал в две ошибки около 8 %

Выводы:

Результаты практически идентичны. Изменение в "лучшую" сторону 2, 7 %. 
До значимых различий как до Луны, поэтому констатируем, что эффект от моих действий не обнаружен. 
Можно сослаться на то, что на момент T в телеграм канале было 900 участников, а на момент T+1 - 2 100. 
Какие у вас гипотезы на тему, почему эффект от обучения был достигнут?




__________________________________________________________
На этом все, читайте нас в фейсбуке, телеграмме и вконтакте


понедельник, 4 июня 2018 г.

Клиентам Экопси: бесплатное коммерческое предложение





Это в продолжение нашего общения с компанией Экопси:

  1. Вопросы к тесту управленческого потенциала Экопси
  2. О валидности (точнее, невалидности) центров оценки
  3. Про Российский стандарт центра оценки: вопросы аналитика к авторам

Давеча они провели вебинар "КАК СОЗДАТЬ МОДЕЛЬ КОМПЕТЕНЦИЙ, ПРЕДСКАЗЫВАЮЩУЮ РЕАЛЬНУЮ ЭФФЕКТИВНОСТЬ СОТРУДНИКОВ В КОМПАНИИ" Ведущий - Павел Дегтярёв (Pavel Degtyaryov), консультант ЭКОПСИ Консалтинг, эксперт по анализу данных.
Организатор Журнал Штат.
Сам вебинар, кстати говоря, не соответствует заявленному названию: в нем про реальную эффективность один слайд и три минуты текста спикера в лучшем случае.
Я обратился до вебинара к Экопси с вопросами:
"У меня вопрос к авторам вебинара: хотелось бы услышать пример реальной компании, где была показана значимая связь между

четверг, 31 мая 2018 г.

Как считать текучесть персонала в excel (кейс на примере конкретной компании)








Как считать текучесть персонала в excel (кейс на примере конкретной компании)Пост родился вследствие опроса в нашем телеграм канале Какие показатели текучести кадров считают в компаниях? (по ссылке результаты опроса). Я показал, что из себя представляет средний срок жизни - см. Кейс: метрики текучести персонала на примере одной компании, но самой востребованным показателем текучести персонала, который бы хотели изучить коллеги - как считать % текучести персонала в excel
Как считать текучесть персонала в excel (кейс на примере конкретной компании)

* присоединяйтесь к нашему телеграм каналу @hranalitycs.
Поэтому я и решил сделал кейс по расчету текучести персонала в excel на примере данных конкретной компании.

Вводная

Файл с данными и решением вы можете скачать по ссылке Как считать текучесть персонала в excel - данные я эту взял только потому, что это первый файл, который мне прислали. Ничего личного.
Если вы хотите научиться считать текучесть персонала в excel так, как это делаю я (а я не претендую на то, что я это делаю так, как надо), то рекомендую скачать файл по ссылке, читать пост и сверять с файлом.
Для расчетов текучести персонала в excel потребуется только две колонки:
  1. Дата приема работника;
  2. Дата увольнения работника (если он работает на момент отчета, то поле остается пустым).
Эти данные, как мне кажется, легко выгрузить из любой системы учета персонала, в которой фиксируются прием и увольнение. Я исхожу из допущения, что в компании корректно и своевременно оформляют прием и увольнение работников.

Формула расчета 

Я принял за основу форму, где текучесть определяется по формуле:
число уволенных работников за отчетный период / среднесписочная численность работников за отчетный период.
В нашем случае данные за несколько месяцев 2018 года, поэтому текучесть персонала в excel мы будем считать помесячно. Уверен, что вы легко сможете применить эту формулу уже по отношению к году.
Среднесписочная численность работников "за отчетный месяц исчисляется путем суммирования численности работников списочного состава за каждый календарный день отчетного месяца, т.е. с 1 по 30 или 31 число (для февраля - по 28 или 29 число), включая праздничные (нерабочие) и выходные дни, и деления полученной суммы на число календарных дней отчетного месяца.
Численность работников списочного состава за выходной или праздничный (нерабочий) день принимается равной списочной численности работников за предшествующий рабочий день. При наличии двух или более выходных или праздничных (нерабочих) дней подряд численность работников списочного состава за каждый из этих дней принимается равной численности работников списочного состава за рабочий день, предшествовавший выходным или праздничным (нерабочим) дням." Консультант плюс


Расчет 

Таким образом (открываем файл excel), если мы хотим посчитать текучесть персонала на январь 2018 год, нас нужно посчитать количество работников на каждый день января  и количество уволенных за месяц в компании. В нашем файле я создаю даты каждого месяца (см. колонки D, H, L, P - каждая колонка соответствует дням месяцев январь, февраль, март, апрель 2018 года.).
Сразу оговорюсь, что я обещал только предоставить корректные формулы расчета текучести персонала в excel, но не обещал красоты и секси дизайна, в последнем я совершенно не силен.
Давайте посмотрим на примере одного месяца - января.
  1. Колонка D соответствует дням января - от 01 января 2018 года до 31 января. 
  2. Напротив каждого дня нам нужно показать количество работников в статусе "работает" - этому соответствует колонка E;
  3. И мы также считаем количество уволенных по каждому дню - это колонка F.

Хельсинки и Эспоо вдохновляют другие города страны на "слепой" рекрутмент






Перевод статьи Helsinki, Espoo inspire more Finnish cities to trial anonymous recruitment нашего  проекта переводы статей по hr-аналитике на английском.
Ранее на рынке появилась новость Финляндия вводит практику слепого трудоустройства. Компании нанимают сотрудников, о которых почти ничего не знают. Эта новость вызвала много вопросов, поэтому мы решили перевести первоисточник, дабы ответить хоть на часть поставленных вопросов. Рекомендую также статью про "слепой" рекрутмент Как с помощью «отбора вслепую» обеспечить личностное разнообразие на рабочем месте (Workplace Diversity).
Автор перевода Екатерина Колодкина, специалист в области корпоративной культуры и внутренних коммуникаций, автор Телеgram-канала “Корпоративная культура&HR”  или так @corp_culture_hr (коллеги, рекомендую присоединиться к каналу!)
Итак,
Хельсинки и Эспоо вдохновляют другие города страны на "слепой" рекрутмент

Хельсинки и Эспоо вдохновляют другие города страны на слепой рекрутмент


Для повышения уровня занятости власти города Вааса, что на западе Финляндии, решили  последовать успешному примеру городов столичного региона - Хельсинки и Эспоо, и запустить проект по анонимному или слепому рекрутменту.


В Хельсинки и Эспоо сообщили, что внедрение слепого рекрутмента принесло многообещающие результаты. Однако есть мнение, что полный переход на анонимный подбор потребует дополнительных ресурсов.

среда, 30 мая 2018 г.

Роль Организационного Сетевого Анализа в People Analytics



Перевод статьи The role of Organisational Network Analysis in People Analytics нашего  проекта переводы статей по hr-аналитике на английском. Автор статьи David Green, Дэвид Грин, лидер People Analytics, - один из самых цитируемых имен в сфере HR-аналитики в Мире. Мы его переводим, например:


Перевод выполнила Ольга Хайдарова (ссылка на профиль в фейсбук для потенциальных работодателей) - HR project-manager компании "Этажи", г. Тюмень. Это восьмой перевод Ольги, см. также:
  1. Пять часто задаваемых вопросов об Организационном сетевом анализе (ONA);
  2. Кейс: применение Анализа Организационных Сетей (ONA) для выявления скрытых “звёзд”, которые помогут повысить доход;
  3. Браслеты Amazon могут отследить движения руки сотрудников: “Работодатели всё чаще обращаются с персоналом, как с роботами”
  4. Опыт применения чатбота в рекрутинге: год вместе;
  5. 86% руководителей не видят пользы в Аналитике – почему так?;
  6. Успех в аналитике требует правильного мышления;
  7. Улучшаем командную производительность с Анализом организационных сетей (ONA);
  8. Перегруженная организация.
Также Ольга выполняет самостоятельные проекты по аналитике, см. посты Ольги

  1. Анализ дожития специалистов по продаже недвижимости;
  2. Анализ коммуникаций коллектива в рабочем чате Telegram

- работодатели, обращаю ваше внимание, рекомендую специалиста - ссылка на профиль в фейсбуке.
Ну и если вас интересует тема организационного сетевого анализа, рекомендую все статьи с тегом Organisational Network Analytics
Итак,
Роль Организационного Сетевого Анализа в  People Analytics


Роль Организационного Сетевого Анализа в  People Analytics

Один из наиболее захватывающих трендов в people analytics - это быстрый рост  Организационного Сетевого Анализа - Organizational Network Analysis (ONA), который, являясь не новым, свидетельствует о возрождении интереса, благодаря развитию технологий, новым путям работы и изменению требований бизнеса.
Когда я встречаюсь с лидерами people analytics, ONA регулярно всплывает в разговоре, как одна из техник, которые они либо уже начали использовать, либо планируют разворачивать в своих организациях.
В самом деле, исследование, проведенное  Insight222 в конце 2017 года (смотрите Рисунок 1 внизу) выявило, что ONA являлся методом анализа, который лидеры people analytics больше всего хотели бы изучить.

Роль Организационного Сетевого Анализа в  People Analytics
Рисунок 1: Организационный сетевой анализ (ONA) это технология, которую лидеры HR & People Analytics больше всего хотят изучить (Источник: Insight222)

пятница, 25 мая 2018 г.

Кейс: метрики текучести персонала на примере одной компании



Задела меня тема показателей текучести кадров. Напомню, я провел опрос в телеграм канале, какие показатели текучести персонала, считаются в компаниях.
Результаты по ссылке.
Меня, в первую очередь, интересуют показатели среднего срока жизни. В опросе было целых пять показателей текучести персонала, определяющих средний срок жизни работника в компании. Это:

  1. среднее значение стажа по уволенным;
  2. медиана стажа по уволенным;
  3. среднее значение стажа по работающим;
  4. медиана стажа по работающим;
  5. медиана дожития.

Я решил посмотреть, какие значения имеют эти показатели текучести персонала на примере одной реальной компании. Вот эта компания Роль наставника в удержании сотрудника (кейс).
Всего в компании на момент кейса были данные по 427 работникам;

  • 300 работало на момент исследования;
  • 127 уже уволилось.

Время исследования:

  • самый ранний прием датирован 01 сентября 2009 года
  • время выгрузки данных - 25 ноября 2015 года. 

Показатели текучести персонала

Уволенные работники 


Кейс: метрики текучести персонала на примере одной компании

  • По оси X - стаж работы уволенных работников
  • Ось Y - количество работников, которые уволились в тот или иной промежуток стажа.

Заметно, что чаще всего увольнялись работники в промежутке между полугодом и годом работы в компании.
Значения
    Min.  1st Qu.  Median    Mean   3rd Qu.    Max.
   1.676   7.113    11.960     19.240  23.930    122.900

Таким образом, показатели текучести кадров:
  1. среднее значение стажа по уволенным - 19, 24 месяца;
  2. медиана стажа по уволенным - 11, 96.

четверг, 24 мая 2018 г.

Какие показатели текучести кадров считают в компаниях?





В телеграм канале (присоединяемся) проводил опрос.
Какие показатели текучести считают в Вашей компании? (до 3-х вариантов)

  1. никакие - 19;
  2. Коэффициент текучести кадров - 52;
  3. Коэффициент приёма - 13;
  4. Коэффициент выбытия -14;
  5. Коэффициент стабильности - 3;
  6. Коэффициент интенсивности текучести - 3;
  7. Средний срок жизни - среднее значение стажа по уволенным - 12;
  8. Средний срок жизни - медиана стажа по уволенным - 6;
  9. Средний срок жизни - среднее значение стажа по работающим - 6;
  10. Средний срок жизни - медиана стажа по работающим - 3;
  11. Средний срок жизни - медиана дожития - 1;
  12. другое - 1.

Напротив варианта стоит количество выборов респондентов. Я удалил всех, кто указал вариант "никакие" и посчитал  % от оставшихся респондентов.
Поскольку респондент мог выбирать до трех вариантов, то сумма % будет более 100 %.
Какие показатели текучести кадров считают в компаниях?


Выводы делайте сами, я хочу прокомментировать только метрику среднего срока жизни.
Самая популярная метрика среднего срока жизни - среднее значение стажа по уволенным.
Не буду доказывать, что медиана дожития важнее. Хочу показать только разницу между среднем и медианой.

Пример

Какие показатели текучести кадров считают в компаниях?
Это реальные данные.

  • По оси X - стаж в месяцах;
  • По оси Y - количество человек в компании, которые имеют такой стаж. 
  • Среднее значение стажа для данной компании - 46 месяцев;
  • Медиана стажа для данной компании - 30 месяцев.

Разница 16 месяцев. Е
Вопрос: какой показатель корректней отражает средний срок жизни в компании?

__________________________________________________________
На этом все, читайте нас в фейсбуке, телеграмме и вконтакте





Популярные сообщения

п