.

Сделать репост в соц сети!

пятница, 31 октября 2014 г.

Как в Google выстроен процесс подбора персонала


Даю видеозапись выступления HR-директора компании Google Ласло Бок. 


Если английский не ваш конек, вот ссылки на статьи о Google
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
Обращаю ваше внимание, что выстпление не только про использование аналитики, если я вам уже надоел с этой темой.
Даю два скриншота из выступления

Принципы подбора кандидатов

Как в Google выстроен процесс подбора персонала

По каким критериям отбирают кандидатов

Как в Google выстроен процесс подбора персонала
И в процессе собеседования используют два типа интервью:

  1. Ситуационное (дают гипотетическую ситуацию и спрашиваю, как бы повел себя кандидат, почему, какие результаты и т.п..)
  2. Бихевиоральное ("приведите пример решения такой то проблемы")

четверг, 30 октября 2014 г.

Ложные корреляции: очищение эффекта (на примере текучести персонала)



Не любителям теории рекомендую пропустить вводную часть, перейти сразу вниз к кейсу.
"Фанаты" моих исследований полюбили новый "контраргумент" результатов моих исследований - "ложные корреляции". Пишу "контраргумент" в кавычках, поскольку те, кто используют его, не понимают сути ложности корреляции. Чаще всего их понимание сводится к тому, что корреляции можно найти всегда, если постараться: между размеров обуви мужчин племени Папуа и количеством опечаток в журнале "Наука и Жизнь" на 1963 год.
Мне даже не хочется останавливаться на такой ерунде, я обозначу то, что меня интересует в ложных корреляциях.
Часто происходит так, что мы выявили связь между факторами X и Y, но эта связь обусловлена неким третьим фактором G, который находится в причинно следственных отношениях с Y. Мы при этом принимаем X за "чистую" монету и получаем некорректную модель.
А именно: ложная корреляция не позволяет нам прогнозировать / принимать правильные управленческие решения. 
В регрессионных моделях преодолеть эту проблему позволяет кросс валидация, но в более простых кейсах я бы предложил включать голову.
В моих исследованиях уже были такие примеры. 
  1. Связь между социальной сетью, в которой кандидат проявляет активность, и текучестью персонала (см. Как социальные сети можно использовать в аналитике для рекрутеров). Связь эта опосредована возрастом. А возраст нам не позволяет прогнозировать стаж работы в компании
  2. Связь домена электронной почты и текучести персонала. Анализ влияния домена личной почты сотрудника на текучесть персонала. По той же самой причине: gmail пользуются более молодые люди. Но они, молодые люди, не более склонны к увольнению, просто они еще не успели наработать столько, сколько немолодые. 
  3. Вчера я выяснил, что ложной корреляцией является корреляция между стажем и тем, как человек добирается на работу: на машине или общественном транспорте - эта связь тоже опосредована возрастом. 
  4. В Кейсе по оценке эффективности очного и дистанционного обучения мы выявили значимость различий результатов теста очников и дистанционников, но это не позволяет говорить нам, что очное обучение эффективнее дистанционного, поскольку мы не учли влияние других факторов: например, того, что очники изначально были более подготовлены.
Сегодня покажу, как я "очищал" эффект влияния отрасли на текучесть HR специалистов

воскресенье, 26 октября 2014 г.

Анализ эффективности каналов привлечения (источников трафика) кандидатов



Еще один из результатов нашего исследования факторов текучести персонала (активно участвуем).
Сегодня покажу взаимосвязь между текучестью персонала и каналом привлечения (источником трафика) кандидатов.
Обращаю ваше внимание, что вы можете сделать аналогичный анализ у себя в компании, достаточно иметь следующую информацию:

  1. Дата приема на работу
  2. Дата увольнения ("живых" тоже используем в анализе, дата увольнения будет пустой)
  3. Причина увольнения (а именно: по чьей инициативе произошло увольнение, работодателя или работника - и нас, конечно, последнее интересует)
  4. Каналы привлечения кандидатов (у вас свои каналы, я показываю свои - то, как обозначал). 

Внимательные читатели моего блога помнят, что я уже делал подобное (Влияние каналов привлечения (источников трафика) кандидатов на текучесть персонала), сегодня показываю другой инструмент. В прошлый раз я использовал знакомый всем Манн Уитни, сегодня использую более корректный, точнее, более корректные инструменты анализа дожития: Log Rank Кокса и Bresow или обобщенный Вилкоксона. Обращаю ваше внимание, что данный показатель можно использовать не только по уволенным сотрудникам, но учитывать "живых", еще работающих сотрудников в анализе, что повышает качество анализа как минимум за счет большего числа наблюдений. Участники моего семинара Аналитика для HR должны помнить критерий Вилкоксона. По методологии пост идентичен посту Бенчмаркинг: текучесть HR специалистов по отраслям
Также обращаю ваше внимание, что такой анализ можно проводить в отношении любых признаков:

  • М/Ж
  • женат / не женат
  • Высшее образование / не высшее
  • Блондины / брюнеты
  • Есть собака / есть кошка

Описание задачи

Одна переменная - стаж работы. Другая - источник трафика или канал привлечения: как кандидат узнал о вакансии. Я беру следующие источники:
  1. Знакомые - в результатах анализа обозначены как friend
  2. Джоб сайты - js
  3. Работодатель сам вышел на Вас - emp
  4. Кадровое агентство - KA

Результат анализа

суббота, 25 октября 2014 г.

Бенчмаркинг: текучесть HR специалистов по отраслям

Пост в продолжение серии постов Управление текучестью персонала. Хочу показать еще один шаблон анализа текучести. Данные взяты из исследования Ключевые факторы удержания и текучести персонала (вы уже поучаствовали? опрос активен до сих пор).
Мы анализируем стаж специалистов по отраслям. Вы же можете использовать этот шаблон для анализа текучести у себя в компании по любому параметру: семейное положение, подразделение, позиция, уровень образования и т.п....
Я писал ранее, что базовый показатель текучести персонала - медиана (см. Управление текучестью персонала на основе данных - базовый показатель текучести персонала). Сегодня добавим еще квартили.

Описание задачи

Итак, в опросе поучаствовало:
  1. 49 HR из банков,
  2. 44 HR с производства,
  3. 39 HR из IT отрасли.
Задача состоит в проверке гипотезы, есть ли разница в текучести HR по отраслям. Или по другому: влияет ли отрасль на текучесть HR.
*Вы хотите сказать, что мало участников? Согласен! Тогда помогите привлечь аудиторию к исследованию

пятница, 17 октября 2014 г.

Управление текучестью персонала на основе данных - базовый показатель текучести персонала



Пост в продолжение и развитие темы Управление текучестью персонала.
См. предыдущий пост Управление текучестью персонала на основе данных (кейс- задача для самостоятельной работы). На этот пост я получил решения от четырех специалистов, двое уже, видимо, отвалились, с двумя продолжаем работать.
Сегодня пост про базовый показатель текучести персонала. Базовым показателем текучести персонала является медиана стажа "живых" работников.
Специально делаю акцент на "живых", поскольку в прошлом посте мы разбирали распределение уволившихся сотрудников по собственной инициативе. Никакого противоречия здесь нет, в анализе участвуют обе группы: "живые" и те, кто уволился по своей инициативе. В последующих постах я покажу, как участвуют представители обеих выборок в анализе, а пока просто хочу обратить ваше внимание, что мы работаем с двумя выборками.
Медиана - базовый, главный, основной показатель текучести персонала. Не коэффициент текучести персонала, не коэффициент стабильности персонала, а медиана. Коэффициент стабильности и коэффициент текучести являются производными от медианы, но они не просто про другое, главное преимущество медианы - этот показатель является робастным, более надежным для измерения, чем коэффициент текучести персонала. Медиана менее подвержена случайным воздействиям и более чувствительна к изменениям во времени (т.е. чтобы понять значимость изменений текучести персонала, медиане нужно меньше времени, чем коэффициенту текучести персонала).

четверг, 16 октября 2014 г.

Кейс по оценке эффективности очного и дистанционного обучения



Кейс может показаться простым. Он в отличие от предыдущего поста (см. Кейс по HR-аналитике без цифр (на понимание)), во первых, на определение критерия (это про цифры), а, во вторых, на понимание: важным элементом анализа является корректная интерпретация полученных результатов.
Удачи в решении.

Кейс

В банке прошло одновременно очное и дистанционное обучение по продукту: 13 менеджеров отправили обучаться в подмосковный пансионат, 24 менеджера учились дистанционно.
После обучения спустя две недели все прошли дистанционное тестирование.
Результаты показали следующие:

  • В группе "очников" 3 студента ответили на 100 % правильных ответов по тесту, 7 - 90 % правильно, 2  - 80 %, 1 - 70 %.
  • В группе "дистанционщиков" такие результаты: 2 студента - 100 % правильных ответов, 6 - 90 %, 8 - 80 %, 4 - 70 %, 3 - 60 %, 1 - 50 % правильных ответов.

Вопрос к кейсу:


  1. Представьте данные в виде таблицы;
  2. Визуализируйте данные (каким типом диаграммы воспользуетесь)
  3. Определите статистический критерий для решения
  4. Ответьте на вопрос: можно ли по полученным результатам утверждать, что очное обучение эффективней дистанционного (или наоборот, или они не отличаются по эффективности)

Кейс по HR-аналитике без цифр (на понимание)



На одном из последних семинаров "Аналитика для HR" поступил запрос от одного участника. Запрос без цифр, просто на понимание. Тем он ценней для аналитиков: нужно иногда уметь принимать то, что стоит за "простым" языком бизнес запросов.
Итак, текст был примерно такой:
"У нас сеть гостиниц. Занимаюсь подбором технического персонала. По простому - уборщиц. При приеме общаешься, девушка готова на все. И во время стажировки / испытательного срока тоже вроде все выполняет и делает. Но когда проходит стажировка, начинаются проблемы: уборщица говорит, что не хочет работать руками, ей такой труд неинтересен и увольняется.
Как на этапе подбора определить тех, кто готов работать руками?"
Вот, собственно, сам текст. Прошу подойти к решению кейса с т.з. аналитики. На семинарах по HR-аналитике я рассказываю технологию решения бизнес задач на основе аналитики.
Кейс по HR-аналитике без цифр (на понимание)Первым пунктом идет постановка задачи бизнесом.
Далее, задача аналитика перевести эту задачу на язык аналитики и определить управляемую переменную - переменную, которая является градусником для данной проблемы. В начале лечения мы измеряем градусником температуру, в конце смотрим, что случилось с температурой.
Далее мы уже выдвигаем гипотезы, оцифровываем, решаем и т.п..
Но изначально надо решить, что будет градусником.
Причем, напоминаю, "градусник" - управляемая переменная должна быть оцифрована - т.е. принципиально измерима.
Итак, вопрос кейса:
Что в данном кейсе мы можем / должны взять как управляемую переменную? И в чем данная переменная может / должна измеряться?
У меня есть свое решение, мне интересно узнать ход ваших мыслей, рассуждения.

вторник, 14 октября 2014 г.

Топ 100 HR-брендов Работодателя из списка Fortune 500

Еще один рейтинг hr-брендов. Западных, конечно.
Рейтинг составлен компанией WilsonHCG и определяется на основе следующих критериев
Карьерный портал: обновляются ли объявления вакансия? Есть ли контент?
Представленность на job сайтах: размещаются ли вакансии на общих площадках? Есть ли вакансии на тематических сайтах?
Опыт кандидатов: какой рейтинг компании у Glassdoor (компания, занимающаяся отслеживанием отзывов о компаниях и т.п..)?
Social media: ведет ли компания блог о корпоративной культуре?
Социальная ответственность: какой рейтинг компании с т.з. заботы о ветеранах, diversity, "зеленых" списков?
Первоисточник The Top 100 Employment Brands of the Fortune 500
Презентация - список 100 HR-брендов Работодателя из списка Fortune 500, правда, корявая((



понедельник, 13 октября 2014 г.

HR-аналитика в Екатеринбурге

9-10 октября 2014 года проводил семинар "Аналитика для HR" в Екатеринбурге. Публика благожелательная)
Участники по прежнему хотят "ЧТО", а на только "КАК", и я в Екатеринбурге уже даже прочитал под запись свой наиболее общий вариант анкеты рекрутера.
Но семинар я менять принципиально не собираюсь: сверхзадача семинара - создать прослойку HR, говорящих со мной на одном языке.
А дальше уже содержательно будем управлять текучестью персонала, управлять эффективностью персонала на основе данных и т.п...
И спасибо всем участникам екатеринбургского семинара за неформальную обстановку и кайфовое пространство.
HR-аналитика в Екатеринбурге

вторник, 7 октября 2014 г.

HR-аналитика в Санкт-Петербурге

03-04 октября проводил семинар "Аналитика для HR" в Санкт-Петербурге и там же проводил занятие для группы MBA АМИ-консалт по теме "Управление HR бизнес процессами на основе данных".
Заметил, что обратная связь после семинара тем лучше, чем больше поблажек я даю участникам. Вот и выбирай: хорошая обратная связь и ощущение легкости аналитики или перегруз информацией.
И повторюсь для потенциальных участников: семинар не про то, что считать, а про то как считать. Я не говорю, какие показатели считать или как определять эффективность персонала, я рассказываю, как посчитать, что лежит в основе эффективности, текучести и т.п...
Как я писал ранее (см. HR-аналитика 18-19 сентября в Москве), я планирую выходить на создание семинаров содержательного характера: что анализировать, а не как.
Например, в семинаре управление текучестью персонала будем проходить всю технологию от начала до конца: делай раз, делай два, делай три... Включая то, что нужно включать, какие вопросы использовать, как заполнять формы и т.п..
Напоминаю, что ближайшие семинары "Аналитика для HR" состоятся
Новосибирск 21-22 ноября
Москва, 15-16 декабря
HR-аналитика в Санкт-Петербурге



среда, 1 октября 2014 г.

Управление текучестью персонала на основе данных (кейс- задача для самостоятельной работы)



Управление текучестью персоналом осуществляется на основе мониторинга определенных показателей, выявления факторов, влияющих на показатели текучести, и влияния на эти факторы.
Обычно в компаниях главный показатель текучести персонала - коэффициент текучести кадров - % уволившихся за определенный период.
Я хочу показать, что % текучести не самый надежный показатель, что есть более точная и надежная технология управления текучестью персонала.
Этот кейс - практическое задание и является первым шагом в управлении текучестью персоналом.
Если кто - либо сделает этот кейс, я готов продолжить серию постов по теме "управление текучестью персонала"
И эта серия управления текучестью будет течь, пока кто либо выполняет задания.
И последующие посты я буду делать по данным, которые мне присылают, т.е. управление текучестью персонала вашей компании.
Готовы?) Тогда первое задание и самое простое.
* Если серия постов состоится на ваших данных, я расскажу по сути о технологии управления текучестью персонала, которая заложена в этой статье Забудьте про резюме: Большие Данные определяют решение рекрутера

Стаж. Описательные статистики

Управление текучестью персонала начинается с описательных статистик. Для этого предлагаю скачать данные по уволившимся работникам из системы учета кадров. Поскольку мы говорим об управлении текучестью, то имеет смысл брать информацию только по тем работникам, кто принял решение уволиться сам. Кроме того, определитесь, какие позиции вас интересуют, и возьмите для анализа только "горячие" позиции (например, в банке имеет смысл работать с позицией операциониста отдельно от позиции бек офиса).
В системе учета кадров обычно не содержится информации о стаже уволенных сотрудников, но всегда есть следующие поля:
  1. Дата приема
  2. Дата увольнения
Вот первая задачка: создайте колонку в excel и посчитайте стаж работника на основе даты приема и даты увольнения. Стаж предлагаю считать в месяцах.

Итого у вас получится колонка "стаж", которую я дальше буду именовать переменной. Задание:

  1. Постройте гистограмму распределения частот стажа (см. ниже). Я в своей гистограмме взял шагом полгода стажа. Вы можете поиграться с шагом и определить сами, какой период стажа более показателен.
  2. Определите минимальное и максимальное значение переменной "стаж"
  3. Вычислите среднее и медиану переменной "стаж"

Все. Данные присылайте в файле excel на е майл edvb@yandex.ru

Приложение 1

По моим данным получилось вот такое распределение стажа уволенных.

Минимальное значение переменной "стаж" для моих данных - 1 месяц
Максимальное - 197 месяц.
Т.е. были работники, которые ушли из компании, проработав месяц, а кто то ушел, проработав 197 месяцев или более 16 лет.
Среднее значение стажа по моим данным - 34, 67 месяца
Медиана - 24
Т.е. в среднем в компании уволившийся работник отработал 34, 67 месяца и 50 % увольняющихся по своей инициативе не переходят рубеж стажа в 24 месяцев.
Какие данные получатся у вас? Жду ваши решения.

Пысы

Это только первый шаг в управлении текучестью персонала.
Помимо решений хочу получить обратную связь: не кажется ли текст сложным?