MOOC - опыт нового формата обучения

Прохожу курс по статистике Statistics One, который проводят на сайте coursera.org преподаватели Princeton University.Курс из тех, что сейчас модно называть massive open online course (MOOC). Кстати у Джоша Берзина проводилось исследование, конкурирует ли MOOC с корпоративным обучением. Но у меня, понятно, нет денег на таике вещи. Тем более, для России это неактуально
Сегодня завершилась первая неделя обучения - а курс состоит из недельных циклов - поэтому решил поделиться своими впечатлениями

Мои мечты

Вы смотрели кинофильм "Человек, который изменил все" с Бредом Питтом? Герой Бреда

- президент бейбольного клуба, который в условиях дефицита ресурсов создает потрясающую команду, используя математические формулы отбора игроков, которые ему подсказал выпускник Йельского университета - молодой экономист (Бред на фото слева, математик - справа). Дело в том, что эти математические формулы - не плод воображения сценариста и режиссера. В

кинофильме упоминают человека, который создал эти математические формулы - правда этот человек является работником какого то склада. На самом деле в Америке есть реальный человек, который создал технологию предсказания успешности игроков бесйбола - Нейт Силвер.

Этому парню еще нет сорока лет, он 1978 года рождения. Он начал с прогнозирования в бейсболе. И его деятельность настолько привлекла

внимание, что по мотивам его технологий сняли фильмы - Человек, который изменил все и Крученный мяч.

Последний фильм - это фильм, который усомневает технологию Нейта Силвера.

Главный герой фильма - актер Клин Иствуд - показывает, что статистика слаба в сравнении с умением чувствовать игру.

И тем не менее, этот фильм как круги по воде от мяча, брошенного Нейтом Силвером. (на фото слева - Nate Silver).

Название технологии Нейта Силвера содержит термин BiGData - большие данные. Технология построена на анализе большого количества информации об игроках, показателях игры и т.п... И это этот анализ позволяет предсказывать успех каждого игрока и команды в целом.

И волны пошли не только в бейсбол. Если мы можем предсказывать результаты в бейсболе, то почему невозможно предсказывать в других областях?

После бейсбола Нейт Силвер был приглашен работать аналитиком в команду Обамы и на президенстких выборах 2008 года предсказал результаты голосования в 49 штатах из 51-го, а на выборах 2012 года прогноз был 100 % точный.

Эта технология распространилась и на сферу управления персонала, которую я имею честь

представлять. Самый яркий пример - компания Google, которая стала использовать эти технологии в подборе персонала, см.

В Head-Hunting Big Data может быть не такой уж сложной задачей

Как Google стал №3 в списке самых дорогих компаний Мира, используя People Analytics

На фото слева - HR директор компании Google Ласло Бок. Эта технология получила название BigData HR

И эти примеры теперь не дают мне спокойно жить. Я мечтаю реализовать их у нас в России. В компании или компаниях, которые заинтересованы в том, чтобы персонал обеспечивал победу компании на рынке, чтобы, говоря словами одного из героев фильма Человек, который изменил все, наша игра стоила 260 000 баксов, пока другие команды тратят 1, 5 миллиона баксов.  И ради этого стоит работать

Если интеллект не позволяет прогнозировать успешность руководителя

Пост - рефлексия на вопрос участника семинара Аналитика для HR 18-19 сентября 2013 года в Москве
Вопрос звучал так:
Что делать, если показатели по тесту интеллекта IQ не позволяют отбирать более успешных руководителей, но влияние интеллекта на успешность очевидна?
Хороший же вопрос, правда?
И ответов у него два:

• копать дальше
• формировать корпоративную культуру в компании, когда интеллект становится предиктором успешности

Здесь вопрос возникает к самим исследователям:

• какой инструмент измерения интеллекта использовали;
• с какой выборкой работали;
• каким инструментом анализировали результаты.

И эти поинты пересекаются с вопросом формирования корпоративной культуры.

Google, EY, Goldman Sachs и PwC в топе лучших работодателей

Компания Universum Global провела опрос более 200 000 студентов в Австралии, Бразилии, Канаде, Китае, Франции, Германии, Индии, Италии, Японии, России, Великобритании и США.
слева - бизнес список, справа - инжиниринговый список. (картинку можно и увеличить, кликнув по ней)

Google, EY, Goldman Sachs, and PwC Top This Most-attractive Employers List

Кейс-практикум Как считать вовлеченность персонала?

Пост проекта Аналитика для HR. Выкладываю файл с результатами исследования вовлеченности персонала одной из компаний. Результаты не выдуманные, а абсолютно реальные. Но внес не все вопросы: это связано с политикой конфиденциальности.
Файл и кейс любезно предоставлены участником моего первого семинара по Аналитике для HR Анной Егоровой - мне это тем более приятно, что в этом смысле данный пост - результат семинара. И рад, что такие спецы были на моем семинаре.

Цели поста: 

хочу услышать ваши решения, размышления по поводу данного исследования; хочу, чтобы мы потренировались в создании моделей вовлеченности, выявлении ключевых факторов вовлеченности персонала. 

Немного методологии

Хочу также задать вектор результатов, модели, факторов. 

Говоря об измерении вовлеченности персонала опросом, я подразумеваю следующую технологию, схему:

Совет по валидизации внутреннего ассессмент-центра

Пост из серии инструментов аналитики HR. Пост не претендует на полноту описания методологии валидизации ассессмент-центра, но лишь предложение по одному из инструментов валидизации ассессмент центра.
Под валидностью я понимаю в первую очередь прогностическую валидность, а под валидизацией понимаю выявление способности предсказывать уровень исполнения деятельности на основе результатов ассессмент – центра.
Для валидизации данные должны быть оформлены в таком виде таблицы файла excel,

сотрудники	компетенция 1	компетенция 2	компетенция 3	KPI
иванов
петров
сидоров
пупкин
васькин
петькин

где в строках – сотрудники, в колонках результаты оценки по компетенциям и KPI, а в ячейках данные. Далее мы проводим статистический анализ (какой – приходите на семинар Аналитика для HR, чтобы овладеть инструментами) и выявляем, насколько по результатам ассессмент центра мы можем предсказывать успешность сотрудника, и какие компетенции имеют большую способность предсказывать. См например Кейс "Связь оценки по компетенциям и результатов деятельности"

Блоггинг в системе HR-бренда

Результаты нашего исследования HR-бренда. Потратьте 10 минут своего времени, чтобы сделать результаты более репрезентативными.
В данном посте рассматриваю взаимосвязи переменной

Есть ли у компании блоги (корпоративный, тематический (-е), профессиональные блоги сотрудников)?

Со следующими HR-метриками

• Готовы ли Вы рекомендовать Вашу компанию своим родственникам, друзьям в качестве работодателя?
• Рассматриваете ли вы предложения о работе?
• Оцените общую удовлетворенность работы в компании (1 – минимальная степень удовлетворенности; 10 – максимальная степень удовлетворенности)

Я надеюсь, что теоретическую составляющую про важность выявления взаимосвязи между переменной и метриками не надо объяснять: она и так понятна.

К оценке эффективности обучения

Делюсь одной фишкой оценки эффективности обучения – совершенно бесплатно.

Прежде методологическая вводная.

Чтобы показать влияние обучения на бизнес результаты совсем не обязательно считать эффект в рублях (а скорее вопрос в том, что чаще всего это невозможно сделать). Но мы можем показать влияние обучения другими способами: например различием в результатах обучения в зависимости от уровня подачи учебного материала.
Я такое проделывал, когда показывал одинаковую ценность очной и дистанционной форм обучения: спустя время тестируем одним тестом группу тех, кто учился очно, и тех, кто проходил электронные курсы (кстати, посмотрите на мое предложение по внедрению системы дистанционного обучения – тем, у кого в компании этот вопрос стоит, я готов помочь определиться). Результаты показали, что степень усвоения знаний не зависит от формы корпоративного обучения.

Как влияет доступ в соцсети на HR-бренд

Еще несколько результатов нашего исследования HR-бренда. Надеюсь, публикация материалов явится стимулом поучаствовать для тех, кто еще этого не сделал.
В данном посте я анализирую взаимосвязь ответов на вопрос "Есть ли доступ к социальным сетям с рабочих компьютеров?" со следующими HR-метриками (или показателями, как вам больше нравится):

• Готовы ли Вы рекомендовать Вашу компанию своим родственникам, друзьям в качестве работодателя?
• Рассматриваете ли вы предложения о работе?
• Оцените общую удовлетворенность работы в компании (1 – минимальная степень удовлетворенности; 10 – максимальная степень удовлетворенности)

Полагаю, что никто особо не будет особо возражать, если я скажу, что три данных вопроса являются показателями HR-бренда. Поэтому постановка вопроса "Как влияет доступ в социальные сети на HR-бренд" кажется мне справедливой. Специалисты по матстатистике скажут, что термин "влияет" не корректен, что можно говорить только о взаимосвязи. И я отчасти соглашусь, но позвольте мне в моей модели факт доступа в социальные сети сделать предиктором силы HR-бренда.
далее последовательно о взаимосвязи с тремя показателями

Корпоративный кодекс воодушевляет только HR?

Продолжаю давать предварительные результаты исследования HR-бренда - присоединяемся, если интересны результаты
Даю два графика.
В графике показано соотношение ответов респондентов на вопросы

• "Готовы ли Вы рекомендовать Вашу компанию своим родственникам, друзьям в качестве работодателя?"
• "есть ли в компании Есть ли в Вашей компании Корпоративный Кодекс (формализованы ли корпоративные ценности, миссия, корпоративная культура"

Создание модели компетенций по технологии BigData HR

Этот пост носит как самостоятельный характер (и будет интересен специалистам по оценке персонала), так и как завершение трилогии с постами

Анализ критериев успешности продавцов

Критерии отбора торговых представителей

Данный пост носит общий характер – основные этапы разработки модели компетенций по технологии BigData HR. Просто показ на примере кейса, как можно (и нужно) разрабатывать модель компетенций. Я опускаю математические расчеты, полагая, что дал часть в предыдущем посте, а также думаю, что вы можете понять это сами, изучив метода математической статистики самостоятельно или на семинаре по аналитике. 

В вводной также надо отметить, что термин «модель компетенций» - это очень условное название, я его применил лишь для того, чтобы была понятна смысловая нагрузка этого термина по аналогии с тем, что сейчас называется моделью компетенций. На самом деле можно говорить о модели предикторов, модели предсказания успешности поведения сотрудников. 

Основная задача такой модели – предсказывать успешность / не успешность деятельности сотрудников. 

Модель обладает такими свойствами:

• Она показывает уровень соответствия модели реальности
• Модель должна содержать показатели успешности. К ним могут относиться уровень продаж, количество ошибок, выполнение KPI, а также оценки экспертов – «лучших», «худших» исполнителей и т.п.
• Модель должна содержать предикторы – атрибуты деятельности специалистов / самих специалистов, которые влияют на успешность выполнения деятельности. 
• К предикторам могут относиться как компетенции (в понимании компететнтностного подхода), так и социально – демографические характеристики специалиста (пол, возраст, образование и т.п.), результаты тестирования, и вообще все, что так или иначе взаимосвязано с успешностью выполнения деятельности.
• Предикторы могут иметь разный вес влияния на показатели успешности. Вместе предикторы образую уравнение, по которому можно предсказывать успешность выполнения деятельности.

Правила и указания относительно блоггинга в IBM

Глава из книги Корпоративные блоги Нэнси Флин издательства Манн, Иванов и Фербер. Публикуется с разрешения издательства.
Рекомендую также свои посты по теме блоггинг
Блоггинг как форма обучения
Блоггинг как ключевой элемент системы управления талантами
О чем писать в своем профессиональном блоге
Несмотря на то, что книга вышла в издательстве в 2008 году, я пока не заметил особой популярности корпоративного блоггинга в России. Буду благодарен ччитателям данного поста, если укажите успешные примеры российских (и не российских) корпоративных блогов.
Итак

Анализ критериев успешности продавцов

Данный пост – результат работы с данными кейса Критерии отбора торговых представителей
Формат поста – описание того, как я искал решение. Решение само я даю в виде вопроса, поскольку не уверен в корректности решения. Тем более, сама выборка из 15-ти человек не позволяет говорить о корректности. Но важны сами обсуждаемые принципы. Включайтесь.
И честно признаюсь, что не владею пока математическим инструментом решения таких кейсов.
Очень надеюсь, что читателями поста станут спецы по статистике, которые подскажут мне метод решения таких задач. Для спецов назвал бы пост «Поиск латентных переменных».
Но думаю, что и не спецам по статистике будет интересно посмотреть, как может происходить анализ критериев успешности продавцов. Или сразу переходите в самый ботом статьи к содержательной интерпретации.
И последнее замечание: я многие вещи опускаю, поскольку иначе пост был бы крайне раздут, поэтому приветствую вопросы на понимание и критику.

Анализ результатов анкеты exit интервью

У кейса на самом деле два смысла:

1. это первый отклик на мое деловое предложение Какие вопросы включать в exit интервью.И значит рынок разворачивается в сторону оцифровки и анализа данных, и мышление даже в области рекрутинга начинает формироваться в цифрах и взаимосвязях. Спасибо Светлане Кумалаговой - выражаю искреннюю благодарность!
2. собственно сам кейс. файл заполнен корректно. 25 респондентов. Скачайте файл Результаты анкеты exit интервью

Гипотезы можно посмотреть в посте Какие вопросы включать в exit интервью (а также то, что означают цифры). Вопрос к вам: какие взаимосвязи между данными можно обнаружить? О чем в целом говорят цифры?
Кейс может быть покажется простым, если вы владете прекрасно матстатистикой. Если нет - порешайте.
В помощь можно почитать пост Пример дизайна в корпоративном исследовании
И посмотрите еще раз, как должны быть оформлены данные в exit интервью - это может быть самым важным уроком для начинающих! И прогнозирую, что exit интервью будет все более востребованным инструментом управления HR-процессами. Навскидку скажу, что exit интервью можно использовать в следующих процессах / технологиях:

• управление текучестью / удержанием персонала - это самое очевидное
• управление вовлеченностью / HR - бренд
• управление эффективностью

Удачи вам в применении exit интервью!

Критерии отбора торговых представителей

Очередной кейс проекта Аналитика для HR
Кейс скинул мне Дмитрий Петрович Соловьев. Выражаю огромную благодарность. И беру в свой семинар Аналитика для HR
Сам кейс взят из книги "Фатрелл Ч. Управление продажами / Пер. с англ. Под ред. В.В.Кулибановой. – СПБ.: Издательский Дом «Нева», 2004. – 640 с."
Привожу для анализа только таблицу, а текст из книги опускаю. Т.е. таблицы для анализа критериев отбора торговых представителей достаточно для решения кейса.
Надеюсь, что в данном кейсе не будет претензий, что данные "кривые", что торговые представители не такие - этот кейс, может быть, и не реальный, но зато из западной книжки. Так что остается только анализировать торговых представителей. Не спрашивайте, что измеряют тесты склонности к продажам, Кэмпбелла Стронга и Вандерлинка - я не знаю и считаю, что это не имеет отношение к решаемой задаче.
А задача очевидна: определить, какие характеристики торговых агентов можно использовать в отборе кандидатов на данную позицию.
С помощью какого критерия будете решать задачу?
Отдельная подзадача: как мы будем оцифровывать номинативные переменные?
Посмотрите не переменную "Тип личности" и предложите свое решение

Торговый агент	Общий показатель про- изводи- тельности	Воз- раст	Семейное положение	Пол	Стаж работы в области сбыта	Тип личности	Склон- ность к продажам	Показатель заинтересо-ванности по тесту Кэмпбелла Стронга	Показатель заинтересо- ванности по тесту Вандерлика
Кахиль	120	29	Женат	М	5	Восприимчивый	55	33	32
Эверест	115	26	Женат	М	3	Восприимчивый	60	55	36
Билингс	110	34	Холост	М	10	Восприимчивый	32	38	38
Кэйн	110	55	Женат	Ма	15	Интуитивный	35	43	38
Дэйси	109	25	Не замужем	Жа	3	Интуитивный	65	35	41
Куртин	105	41	Холост	Мб	19	Восприимчивый	56	54	34
Манус	104	46	Женат	М	20	Восприимчивый	33	42	28
Мэй	102	62	Холост	М	32	Думающий	55	42	28
Рассел	100	49	Холост	М	20	Интуитивный	68	48	39
Спан	99	24	Холост	Ма	2	Думающий	63	43	38
Уолтер	96	24	Замужем	Ж	1	Интуитивный	63	41	29
Смит	91	27	Холост	М	5	Думающий	43	49	36
Хэд	85	38	Женат	М	9	Восприимчивый	61	43	23
Холмс	78	36	Женат	М	11	Чувствующий	71	46	28
Рэзор	77	52	Холост	М	10	Думающий	55	39	28
а Афро-американец. б Мексикано-американец.