.

Сделать репост в соц сети!

пятница, 26 декабря 2014 г.

Новый опрос про факторы текучести персонала

Есть идея опрос про факторы текучести персонала сделать незавершенным: пусть висит годами, а мы будем иногда шлифовать вопросы и снимать данные.
Нужна ваша помощь: я составил список вопросов опросника. Прошу добавить вопросы, влияние которых на текучесть было бы интересно измерить.
Было бы интересно услышать советы, какими вопросами мы можем снять: а) личные характеристики кандидата и б) отношения в коллективе
Обращаю внимание: меня не интересуют, какие именно характеристики, меня интересует, что можно спросить. Тоже самое касается отношений в коллективе.
И интересуют скорее факты, а не самоотчет работника - буду крайне благодарен за помощь!!!
  • Дата устройства
  • Дата увольнения
  • Год рождения
  • Как узнали о вакансии (канал привлечения)
  • Были ли хорошие знакомые на момент устройста
  • Пол
  • Семейное положение на момент трудоустройства
  • Образование на момент трудоустройства
  • Знание иностранного языка на момент трудоустройства
  • Инициатор увольнения
  • Отрасль
  • Позиция
  • Размер компании
  • Регион
  • Масштаб населенного пункта
  • Как добирались до работы (машина, общественный транспорт, пешком)
  • Сколько времени отнимала дорога до работы
  • Жилищные условия на момент трудоустройства
  • В какой социальной сети вы проявляете максимальную активность
  • График работы
  • Были ли задержки на работе
  • Каким было рабочее пространство
  • Когда было последнее карьерное перемещение? Если не было за все время работы - пусто
  • Как долго Вы проработали со своим последним руководителем в компании?
  • Критиковал ли Вас руководитель в присутствии других?
  • Отмечал ли руководитель Ваши достижения, успехи в работе?
  • Как часто Ваш руководитель давал Вам обратную связь
  • Пол Вашего руководителя
  • Ваш руководитель по возрасту


среда, 24 декабря 2014 г.

Год 2014. Популярные посты. Чем запомнился

Год был выдающийся: я стал самостоятельно проводить семинары по Аналитике для HR в Москве. И провел целых четыре семинара. Спасибо всем участникам!
Самый приятный отзыв после семинара Как команда HR ушла в управление продажами: обратная связь по семинару Аналитика для HR спустя 5 месяцев
Помимо Москвы провел семинары / выступления в Санкт-Петербурге, Екатеринбурге, Новосибирске, Тюмени, Челябинске, Архангельске, Ярославле, Самаре, Красноярске, Кемерово, Перми, Нижнем Новгороде (кажется, не забыл никого).
В семинарах перешел практически полностью на тему аналитики - она меня утащила.
Стал задавать более сложные опросы
Ключевые факторы удержания и текучести персонала
Исследование времени поиска работы

Самое вкусное - популярные посты

На первом месте перевод статьи Берсина

  1. Топ 10 прорывов в HR технологиях - с большим отрывом опережает другие тексты
  2. Забудьте про резюме: Большие Данные определяют решение рекрутера - не менее яркая статья, которая во многом задала мое профессиональное движение
  3. Можно ли предсказать готовность работать сверхурочно на основе браузера, которым пользуется кандидат - этот пост замыкает тройку лидеров, но слава скандальная. Кто и сколько людей меня за него пинали, хотя и гипотеза была взята из исследований Evolv, и результаты скромные.


Книга года Отзыв на книгу: Большие данные. Виктор Майер-Шенбергер и Кеннет Кукьер

И несколько постов по аналитике

воскресенье, 21 декабря 2014 г.

суббота, 20 декабря 2014 г.

Как в Boxplot в R, Rstudio избавиться от ненужных факторов



Представьте такую задачу: вам нужно построить boxplot в Rstudio для фактора "а" для набора данных
   q p
1   1 a
2   2 b
3   3 a
4   4 b
5   5 a
6   6 b
7   7 a
8   8 b
9   9 a
10 10 b

Стандартный вариант
boxplot(q ~ p, data = h)
Как в Boxplot в R, Rstudio избавиться от ненужных факторов
Но нам надо избавиться от правого "ящика"
Мы делаем так
j = subset(h, p == "a")
boxplot(q ~ p, data = j)
Как в Boxplot в R, Rstudio избавиться от ненужных факторов
И нас, вероятно, не устроит такой вариант: ось X показывает наличие пустого фактора. Если проверить данные, str(j), то увидим присутствие этого фактора - "b".
В данном конкретном случае можно обойтись простым решением
boxplot(q, data = j)
но чаще мы выделяем не один, а несколько факторов, тогда такое решение не прокатит.
Среди вариантов решения:

  1. переменную перекодировать в тип переменной numeric -  для количественной переменной Rstudio этот глюк исчезает
  2. сохранить subset на компе как txt или csv файл, потом загрузить снова, R воспринимает как новый файл 
  3. посоветуете свой вариант? я подозреваю, что есть более простое решение
  4. либо вопользоваться формулой

boxplot(q ~ droplevels(p), data=subset(h, p %in% c('a'),
                                       drop=TRUE))

Как в Boxplot в R, Rstudio избавиться от ненужных факторов

читаем: The function droplevels is used to drop unused levels from a factor or, more commonly, from factors in a data frame.
надеюсь, было полезно

P.S.

уже после публикации мне подсказали более простое решение
boxplot(q ~ as.character(p), data = subset(h, p == c("a", "b")))
в данном случае мы переменную из категориальной / номинативной перекодируем в текстовую, а данный тип переменных позволяет исключать ненужные значения переменной

четверг, 18 декабря 2014 г.

Семинар Аналитика для HR в Москве, 15-16 декабря

15-16 декабря провел семинар Аналитика для HR в открытом формате в Москве.
Четвертый аналогичный семинар в этом году в Москве. Для меня это подтверждение популярности темы аналитики, цифр в HR, интереса к статистике и Большим Данным.
Буквально сразу после семинара получил письмо от участника летнего семинара - см. Как команда HR ушла в управление продажами: обратная связь по семинару Аналитика для HR спустя 5 месяцев.
В этот раз увеличил количество материала, убрал интерактивную игру. Не выполняла она свою задачу, уплотнил семинар, добавил конкретных кейсов из практики на основе цифр от компаний.
Дал даже представление о boxplot как способе визуализации сравнения групп, показал, как делать boxplot в excel.
Это информация скорее для участников прошлых семинаров.
На новогодние праздники соберусь и сделаю предложение участникам прошлых семинаров провести вебинар - ответить на накопившиеся вопросы.
Кроме того, надеюсь написать программы семинаров

  • Управление текучестью персоналом на основе данных
  • Статминимум для HR-директора (семинар без ноутбуков - про то, как ставить задачи и использовать результаты аналитики)

Это в том случае, если кризис не накроет нас всех большим медным тазом
Семинар Аналитика для HR в Москве, 15-16 декабря

среда, 17 декабря 2014 г.

Как команда HR ушла в управление продажами: обратная связь по семинару Аналитика для HR спустя 5 месяцев

Вчера получил письмо от одной участницы семинара Аналитика для HR 
Это даже не обратная связь,  а рассказ о проделанном пути.
Впечатляет, правда?
".....досчитались до того, что выявили взаимосвязи в паттернах поведения (пока только профессионального)  продавцов: новичков и неэффективных с результативностью. Поставили уже 2 эксперимента (продолжительностью 3 мес и 2 мес по каждой из категорий) - получили результативность в производительности.
Сейчас со своей командой перехожу в отдел по Управлению продажами. Там конечно считать тоже есть что:)
Все таки запрос от бизнеса стоит по поводу прогнозов на входе по сотруднику и по поводу установки к-то фильтров по срокам, когда можно диагностировать что чел неэффективен в продаже и можно уже с ним прощаться (в общем, необходимо обозначить сроки рентабельности присутствия сотрудника в компании с прогнозированием, что он уже не будет производительным).
2)..... (наш аналитик, который тоже был на обучении) стал Руководителем отдела аналитики.
Возможно взаимосвязь с пройденным летним семинаром и неочевидна, но я думаю, если начать собирать массив данных по поводу приезжающих на семинар по  HR-аналитике и получивших повышение по вертикали в компании найти взаимосвязи будет можно. Представляешь, как повыситься продаваемость семинара:)
3) За нами закрепили аналитика, который будет обрабатывать данные только по HR-направлению.
В общем, не прошло и пол-года, как у нас  все изменилось в лучшую сторону. Это обратная связь уже не эмоциональная, а так сказать пост-тренинговая (по истечению 5 мес после обучения). "

пишите edvb()yandex.ru 

суббота, 13 декабря 2014 г.

Как строить boxplot в excel



Данный пост будет интересен тем, у кого пока нет офиса 16, в 16-м офисе в excel уже есть возможность строить боксплот.

Warning
Если у вас 2016 excel и выше, см. видео


В посте Прогноз эффективности продавцов на основе теста CPI и многих других постах ранее я использовал диаграмму boxplot

Диаграмму включает такие показатели:
  • медиана - средняя линия в боксе;
  • минимальное значение - нижний хвост, перевернутая Т;
  • первый квартиль - "дно" бокса;
  • третий квартиль - "крышка" бокса;
  • максимальное значение - верхний хвост 
  • и выбросы, которые точками

Диаграмма информативна и показательна для решения задач:
  • представления о распределении выборки (нормальное / ненормальное, в какую сторону scew)
  • разнице групп

Делал я эту диаграмму в программе Rstudio. Можно делать в SPSS. Но это специализированные программы, а если под рукой только excel? А в excel нет возможности создать легко и просто такой тип диаграммы. Зато есть возможность создать не очень легко и не очень просто. И я расскажу, как это делается.
За основу возьмем данные этого поста Прогноз эффективностипродавцов на основе теста CPI
Итак, строим boxplot в excel

четверг, 11 декабря 2014 г.

Прогноз эффективности продавцов на основе теста CPI



Хочу показать один из вариантов процедуры применения тестов для прогноза успешности работников.

Описание

Данные скинула мне Марина Петкун (по ссылке – ее профиль в Линкедине, рекомендую френдиться), и этот пример доказывает, что HR-ты таки используют анализ данных. Причем, заметьте, Марина из Новосибирска, не из первопрестольной (не хочу обидеть провинцию, а как раз наоборот: я сам из Красноярска и первую регрессионную модель предсказания успешности банковских работников сделал до Москвы).
При приеме на работу кандидаты в продажники проходили тестирование по тесту CPI, в дальнейшем замеряли их эффективность. Оценка эффективности состояла из трехбальной шкалы: 
1 – высокоэффективные, 
2 – средне эффективные, 
3 – низкоэффективные (не раскрываю содержания шкал, поскольку инфо таки коммерческая).
С другой стороны, что дали, то дали. Можно, конечно, подозревать, что если был лаг в замере результатов, то могли сказаться факторы сезонности, территории и т.п.., но к сожалению, всейчас уже нет возможности править ситуацию, поэтому что есть, то есть
Всего было протестировано 87 человек.

воскресенье, 7 декабря 2014 г.

17 отличий между HR метриками и предиктивной HR аналитикой



Многим уже известная моя нелюбовь к HR метрикам.
Нелюбовь эта связана с тем, что HR-ы часто просят: вы нам подскажите "те" HR - метрики, "правильные" hr метрики. И жизнь наступит замечательная. Ага.
Не наступит.
Наконец нашел подтверждение свои мыслям на западном сайте: HR - метрики и HR аналитика - это про разное!
17 Differences Between HR Metrics And Predictive HR Analytics
Ребята не задавались целью сделать законченный анализ - они просто набросали на мастер классах / воркшопах мысли по поводу
вот эти мысли: тем, кто знает английский, будет удобнее читаь не в моем корявом переводе.


HR метрики
Предиктивная HR Аналитика
1. материальные Tangible (hard data)
1. нематериальные (вероятностные) Intangible (likelihood)
2. Учет (100 % точность) Accounting (100 % correctness)
2. Вероятность Probability (never 100%)
3. Ретроспективные Backward-looking
3. Перспективные Forward-looking
4. Данные Data
4. Идеи, гипотезы Insights
5. Комплексные Comprehensive
5. Выборочные Selective
6. Промежуточные Transactional
6. Стратегические Strategic
7. Информация Information
7. Трансформация Transformation
8. Низкая добавочная ценность Low addition of value
8. Дифференциатор Differentiator
9. Отслеживание Tracking
9. Вопросы Asking questions
10. Отчетность Reporting
10. Прогноз Predicting
11. Помойка HR Silo HR
11. Заточенные на бизнес Business critical
12. обладатель результатов HR HR ownership
12. Обладатель результатов бизнес Management ownership
13. Контроль Controlling
13. Оптимизация Optimization
14. Внутрь Inside-in perspective
14. Наружу Outside-in perspective
15. Нарезка и игра в кости Slicing-and-Dicing
15. статистическое прогнозирование Statistical Forecasting
16. Матрики Metrics
16. Шаблоны Patterns
17. Отношения Ratio’s (fraction)
17. Модели Models (mathematical algorithm)

суббота, 6 декабря 2014 г.

Какую диаграмму текучести персонала показать на презентации совету директоров



Нужен ваш совет.
Представьте, что нужно доложиться совету директоров про состояние дел с текучестью персонала. Вы хотите показать разницу в текучести персонала по рознице (продавцам магазинов) и складу (грузчикам).
Какую диаграмму вы бы предпочти показать, какая, на ваш взгляд, более ясно покажет совету директоров состояние дел с текучестью персонала в рознице и по складам?
1. Плотность стажа
по оси X - время работы в компании в днях работника. По оси Y - плотность или доля работников проработавших проработавших определенное количество дней.
2. Боксплот
Диаграмма показывает те же цифры: по оси X - продолжительность работы в днях.
Т.е. мы видимо, что медианы стажа у работников склада и розницы практически одинаковы, но у розницы первый квартиль (левая стенка бочки) меньше, т.е. в рознице люди поначалу бегут чуть быстрее, чем на складе, зато и третий квартиль больше значительно, т.е. люди из розницы работают и дольше задерживаются на работе. А вот на складе, если не считать одного странного человека, который проработал 30 месяцев в компании, никто не смог переступить порог в 600 дней.

Итак, какая диаграмма должны быть представлена совету директоров?
Если можно, поясните свой ответ

четверг, 4 декабря 2014 г.

Google нашла формулу продвижения по службе


Даю даже не вольный перевод, а пересказ статьи о аналитике карьерного продвижения в Google. Какие – то оттенки перевода и серого могу упустить, если найдете что добавить из упущенного в статье – буду благодарен.
7 лет назад в Google была создана группа People Analytics, которая занялась аналитикой в сфере HR. Я опущу многие вводные, поскольку уже много писал ранее про Google (см.
Вот один из результатов работы.
Google нашла формулу продвижения по службе

Собственно эта формула - уравнение логистической регрессии
Даю свои пояснения по формуле, как я понял
  • AvrgPerf – среднее оценок по эффективности
  • MgrRecommended – рекомендации руководителя
  • SelfRecommended - самооценка
E – константа = 2,71828182845904523536
Это не очень вкусно выглядит, но это работает.
Prasad Setty (Director of People Analytics Google) говорит, что формула надежная, стабильная в разных циклах, имеет 90 % точность, и треть решений о карьерном повышении мы могли бы принимать на основе этой формулы.
Команда People Analytics была в восторге, поскольку думали, что сделали хорошее дело: разработчики  могли бы высвободить до трети своего времени на более важные задачи вместо совещания на комитетах по рекрутингу.

Разработчики возненавидели формулу карьерного продвижения. Им нужно человеческое участие в принятии решений о людях. И эта модель оказалась невостребованной в компании.
Даже разработчики не готовы отдать принятие решений о карьерном росте на откуп алгоритму машины.

вторник, 2 декабря 2014 г.

Поиск работы: вакансии, резюме

Хочу похвастаться: 1 ноября я создал группу Поиск работы: вакансии, резюме в Линкедине.
Хвастовство в том, что на прошлой неделе группа сделала мощный рывок в количестве участников: 2 128 новых участников за неделю!
Я не встречал ни одной группы, которая бы за неделю собирала бы такое же количество участников.
Приглашаю присоединиться всех желающих: и рекрутеров, и соискателей.
Кроме того, HR предлагаю такой формат: вы присылаете свое резюме или вакансию на е майл edvb()yandex.ru, а я размещаю его у нас на сайте или в разделе вакансий
Вакансии HRM
или в разделе резюме
Резюме HRM
Это бесплатно!
Поиск работы: вакансии, резюме


суббота, 29 ноября 2014 г.

Как влияют переработки на текучесть персонала - 2 (кейс по hr-аналитике)

Продолжение кейса Как влияют переработки на текучесть персонала - 2 (кейс по hr-аналитике).
Суть вкратце: я исходил из версии, что переработки отрицательно влияют на текучесть, т.е. увеличивают текучесть.
Однако анализ показал другое.
Систематические переработки снижают риск увольнения в 2,6 раза в сравнении с теми, кто не перерабатывает в компании.
Если же работник имел переработки в первый месяц работы, то риск увольнения в сравнении с теми, кто не имел переработок в первый месяц снижается в 1, 34 раза.
Давайте посмотрим на график
Как влияют переработки на текучесть персонала - 2 (кейс по hr-аналитике)

По оси X - стаж работы в месяцах. ось Y - процент сотрудников, оставшихся работать в компании на том или ином месяце стажа. Синей линией показана динамика тех, кто перерабтывал в первый месяц работы в компании, пунктирной - кто не перерабатывал.
Т.е. например, через полгода работы в компании осталось чуть более 50 % тех, кто не перерабатывал и примерно две трети (66 %) тех, кто переработал в первый месяц работы в компании.
Я думаю, есть повод для разговора с Заказчиком, правда?
Есть несколько версий:

  • Если переработки назначаются случайным образом, то получается, что люди получили дополнительные деньги и их это вдохновило на дальнейшую работу;
  • Если переработки не случайны, т.е. работники сами напрашиваются, то по тому, кто накинулся на переработки в первый месяц работы, можно прогнозировать стаж человека в компании (хотя версия вызывает сомнения, поскольку переработки возникают не по желанию администрации (ну нет смысла ей переплачивать);
  • Совсем коварный вариант: приписывают переработки своим людям.
  • Мотивация: допустим, что на мотивированных переработки влияют позитивно (они оплачиваются вдвойне), а на не мотивированных они сказываются негативно. У Наследова в книге "Математические методы психологического исследования" приводится классный пример двухфакторного дисперсионного анализа, когда разные уровни измерения двух номинативных переменных оказывают разное влияние на метрическую переменную. 

Проверка мотивационной версии

воскресенье, 23 ноября 2014 г.

HR-аналитика в Новосибирске. Прошедший семинар

21-22 ноября проводил семинар Аналитика для HR в Новосибирске. Был прекрасный коллектив из 15 участников и прекрасная организация от Анны Егоровой.
Затронули тему ассессмент-центра, я отстаивал свой взгляд (Прогноз 2015: российский рынок изменит свое представление о природе ассессмент центра).
Было забавно услышать мнение о себе как добром и терпеливом)))
В целом я таки семинары воспринимаю через призму компромисса между удовлетворением слабостей аудитории и необходимостью давать материал.
К сожалению, иногда идешь на то, чтобы оставить хорошее мнение, теряя при этом в содержании. С другой стороны, непонятно: если не создать хорошего мнения, будет ли содержание в принципе восприниматься?

HR-аналитика в Новосибирске

понедельник, 17 ноября 2014 г.

Как влияют переработки на текучесть персонала (кейс по hr-аналитике)

Предлагаю включить рассуждалку и соображалку и подумать, какие действия по анализу информации можно предпринять.
Итак
Есть файл по персоналу розничной компании (данные настоящие).
В файле такие данные:
  1. Подразделение
  2. ФИО
  3. Дата приема
  4. Дата увольнения (если поле пустое - человек работает по сей день)
  5. Город
  6. Январь - октябрь - показатели переработок в 2014 году
Вопрос: какие действия вы бы предприняли, чтобы ответить на вопрос, оказывают ли переработки влияние на текучесть персонала.
Буквально ответ должен выглядеть примерно так:
  1. посчитаю среднее значение по ....
  2. посчитаю сумму по ....
  3. вычислю ....
  4. посмотрю корреляцию между....
  5. и т.п..
Жду ваших ответов

подраз
деление
Фио
Дата приема
Дата увольнения
Город
январь
февраль
март
апрель
май
июнь
июль
август
сентябрь
октябрь
Склад

18.03.2014
28.05.2014

0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
Склад

18.02.2014


0,00
1,00
0,00
1,00
2,73
2,00
2,00
0,00
0,00
1,00
Склад

10.12.2013


0,00
0,00
1,00
0,00
0,73
1,00
2,00
0,00
0,00
0,00
Склад

18.02.2014
11.06.2014

0,00
1,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
Склад

13.05.2014
27.05.2014

0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
Магазин

02.09.2013


0,00
1,00
0,36
0,00
1,00
0,00
3,00
1,00
1,00
0,00
Магазин

10.09.2013


0,00
1,00
0,00
0,00
0,00
0,00
2,00
3,00
3,00
3,00
Магазин

04.03.2014
10.07.2014

0,00
0,00
1,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
Магазин

12.08.2014
07.11.2014

0,00
0,00
0,00
0,00
0,00
0,00
0,00
1,00
0,00
0,00
Магазин

02.09.2013
07.02.2014

0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00

Пишите и тренируйте навыки анализа
Еще кейсы: