При подборе персонала на основе тестов специалист по отбору видит показатели по шкалам и сравнивает их с профилем успешности. Кандидат в этом случае у нас превращается в набор характеристик. Мне в отборе хотелось решить вопрос использования не просто набора показателей по шкалам, а сочетания шкал - по сути выведения психологических типов кандидатов.
К примеру, у нас три показателя: интеллект, коммуникация, волевые характеристики. Мы смотрим успешность не просто по отдельным шкалам, а говорим, что
Для аналитиков просто скажу, что хотел всегда посмотреть кластерный анализ в прогнозе.
Итак, у нас есть специалисты, часть из которых мы определяем как "звезд", часть - все остальные. И у нас есть результаты входного тестирования этих спецов, когда они еще были кандидатами. Некие шкалы теста Sp и Fx.
Наши спецы расположены так по шкалам
По оси X - шкала теста SP, по оси Y - шкала Fx. Зеленые точки - эффективные работники, красные точки - все остальные.
Мы видим, что эффективные работники те, что имеют высокие показатели по шкале Sp и низкие показатели по шкале Fx.
Если спросить, какие психотипы можно вывести из данной диаграммы, большинство из нас выведет три типа:
И только третий тип дает звезд
Машинка нам выдает такое отнесение спецов по трем типам
Как -то более менее отражает "правду"?
Вот тут и "порыта собака". Мы вправе задавать машинке любое количество типов, все, что нас ограничивает - то, насколько типы "бьются" с успешностью. И количество типов должно быть таким, чтобы наши типы "бились" с успешностью максимально точно.
В нашем случае оптимальное количество типов - пять!
Центры кластеров
Процедура отбора кандидатов сводится к определению того, к какому типу (кластеру) относится кандидат, чтобы понять, насколько успешен он будет в работе
Из диаграммы видно, что
Вопрос читателям, которые далеки от аналитики: насколько понятным кажется объяснение?
Добавлю еще, что общая точность модели составляет примерно 75 %, что вполне сопоставимо с методами дерева и логистической регресси (см. этот же кейс, но с другими методами анализа Отбираем "звезд" на этапе подбора с помощью тестов).
И если заинтересовало, обращайтесь Прогноз успешности кандидатов на основе тестов
К примеру, у нас три показателя: интеллект, коммуникация, волевые характеристики. Мы смотрим успешность не просто по отдельным шкалам, а говорим, что
- тип №1 имеет в среднем такие показатели по этим трем показателям (умный, волевой, коммуникативный) - и этот тип в 86 % будет успешным в работе,
- тип №2 высокий интеллект, хорошая коммуникация, но невысокие волевые качества, вероятность успешности - 55 % ... и т.п..
Для аналитиков просто скажу, что хотел всегда посмотреть кластерный анализ в прогнозе.
Задача
Я задачу упрощаю специально для большей интерпретабельности. Я беру всего две шкалы для визуализации, что делает пример несколько туповатым, но в принципе это можно делать с большим количеством шкал, и, наверное, главный кайф этого метода - психологи ческая интерпретация типов.Итак, у нас есть специалисты, часть из которых мы определяем как "звезд", часть - все остальные. И у нас есть результаты входного тестирования этих спецов, когда они еще были кандидатами. Некие шкалы теста Sp и Fx.
Наши спецы расположены так по шкалам
По оси X - шкала теста SP, по оси Y - шкала Fx. Зеленые точки - эффективные работники, красные точки - все остальные.
Мы видим, что эффективные работники те, что имеют высокие показатели по шкале Sp и низкие показатели по шкале Fx.
Если спросить, какие психотипы можно вывести из данной диаграммы, большинство из нас выведет три типа:
- низкие показатели по шкале Sp и высокие показатели по шкале Fx.
- высокие показатели по шкале Sp и высокие показатели по шкале Fx.
- высокие показатели по шкале Sp и низкие показатели по шкале Fx.
И только третий тип дает звезд
Машинка нам выдает такое отнесение спецов по трем типам
Как -то более менее отражает "правду"?
Вот тут и "порыта собака". Мы вправе задавать машинке любое количество типов, все, что нас ограничивает - то, насколько типы "бьются" с успешностью. И количество типов должно быть таким, чтобы наши типы "бились" с успешностью максимально точно.
В нашем случае оптимальное количество типов - пять!
Центры кластеров
Sp Fx
1 65.06250 52.87500
2 43.94737 36.52632
3 60.47826 38.08696
4 45.66667 59.00000
5 53.84615 43.57692
Т.е. человек третьего типа (кластера) тяготеет к значению 60 балов по шкале Sp и 38 балов по шкале Fx. И т.п..Процедура отбора кандидатов сводится к определению того, к какому типу (кластеру) относится кандидат, чтобы понять, насколько успешен он будет в работе
Из диаграммы видно, что
- у 4-го кластера нет шансов устроиться на работу (думаю, не стоит объяснять, что мы смотрим то, насколько наши кластеры "бьются" с зелеными точками - с успешностью);
- если кандидат попадает в первый кластер, то вероятность незвездности - 80 %, и мы отклоним такого кандидата;
- вероятность стать звездой у кандидата из второго кластера (типа) - 7 %, поэтому этих мы также уверенно отклоним;
- Лучше всех кандидаты из третьего кластера - вероятность того, что кандидат станет "звездой", равна 75 %, т.е. трое из четверых оправдают наши надежды;
- И у кандидатов из пятого кластера вероятность стать звездой равна 30 %, поэтому брать мы их будем только тогда, когда с третьим типом (кластером у нас будут уже совсем туго)
Вопрос читателям, которые далеки от аналитики: насколько понятным кажется объяснение?
Добавлю еще, что общая точность модели составляет примерно 75 %, что вполне сопоставимо с методами дерева и логистической регресси (см. этот же кейс, но с другими методами анализа Отбираем "звезд" на этапе подбора с помощью тестов).
И если заинтересовало, обращайтесь Прогноз успешности кандидатов на основе тестов
Комментариев нет:
Отправить комментарий