Share |

четверг, 28 мая 2015 г.

Управление эффективностью работников: анализ через деревья условного вывода


Покажу еще пример / методы анализа и визуализации, которые HR может использовать в управлении эффективностью.
Покажу на примере двух кейсов, которые следящим за моим блогом

Первый кейс

Прогноз эффективности продавцов, у которых есть объективный измеритель - уровень продаж
См. про этот же кейс Прогноз эффективности кандидатов: еще один инструмент
У нас есть собранные данные по нашим работникам:
результаты теста способностей при приеме на работу
ответ на вопрос рекрутера "Есть ли у вас аналогичный опыт работы"
показатели продаж за полгода работы
Мы с помощью специального инструмента анализа Conditional Inference Trees - я не знаю перевод, могу только на свой манер назвать - деревья условного вывода  (хотя однозначно это некорректный перевод, поскольку смысл тут в статистическом выводу через условия).
Вопрос к вам, читатели: понятно, вообще, что эта картинка обозначает?

Если кратко, то все сотрудники разбиваются на три группы:

  1. выше 91 бала IQ
  2. ниже 91 бала IQ с опытом работы
  3. ниже 91 бала IQ без опыта работы

Для продвинутых пользователей задам вопрос: напомню, что в данном кейсе бизнес поставил планку: те, кто меньше 80-ти продает, бизнесу не нужны.
Как вам средство визуализации?
Но и обратите внимание, что данные анализа через деревья условного вывода не совпадают с результатами линейной регрессии или деревьями решений. Хотя многое похоже.
Вот такая же картинка, только вместо диаграммы плотности - boxplot

Второй кейс

У нас эффективность работников не измеряется количественно, только через экспертную оценку. (см кейс Отбираем "звезд" на этапе подбора с помощью тестов)
У нас есть несколько десятков человек работников, оцененных экспертами и данные тестирования. Задача - по результатам теста определить кандидата в "звезды" или не в "звезды". Упомянутый инструмент дает такую картинку
В данном случае у нас работники также разбиваются на три категории: в нашем случае NODE4 является лучшим - т.е. там находятся работники - "звезды".
Общая интерпретация такова:
  1. Если по шкале Sy у тебя показатели меньше или равно 61 баллу, то с вероятностью 85 % ты не "звезда"
  2. Если по шкале Sy у тебя показатели больше 61 балла и по шкале Fx показатели больше 49, то с вероятностью 100 % вы не "звезда"
  3. Если по шкале Sy у тебя показатели больше 61 балла и по шкале Fx показатели менее 49, то с вероятностью 2/3 вы "звезда"

Т.е. если по русски, то мы ошибаемся в одном случае из трех, предсказывая "звезд". 

6 комментариев:

  1. Мне визуально боксплот более понятен, хотя это потому что больше с ним работал - дело привычки.

    ОтветитьУдалить
    Ответы
    1. Максим, а сам смысл диаграмм схватывается легко?

      Удалить
  2. Почти.
    Не понял на первой диаграмме с плотностью распределения значения горизонтальной оси, от 0 до 0,05 - что это?

    ОтветитьУдалить
    Ответы
    1. если p = 0, 05 - это значимость, если горизонтальная ось на диаграмме плотности, то это %
      т.е. если брать самый левый график, то там мода приходится на примерно 90 рублей продаж и мода составляет примерно 6 %

      Удалить
  3. На графике плотности распределения пик - это мода, а на боксплоте красная линия в ящике это ведь медиана - правильно?

    ОтветитьУдалить

рек

Популярные сообщения