Использование в отборе персонала психологической типологизации

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

• 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:

1. низкие показатели по шкале Sp и высокие показатели по шкале Fx. 
2. высокие показатели по шкале Sp и высокие показатели по шкале Fx. 
3. 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

1. 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);
2. если кандидат попадает в первый кластер, то вероятность незвездности - 80 %, и мы отклоним такого кандидата;
3. вероятность стать звездой у кандидата из второго кластера (типа) - 7 %, поэтому этих мы также уверенно отклоним;
4. Лучше всех кандидаты из третьего кластера - вероятность того, что кандидат  станет "звездой", равна 75 %, т.е. трое из четверых оправдают наши надежды;
5. 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)

Спецам, думаю, понятно, что я использовал K means для создания типов / кластеров
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