Хочу познакомить с одним интересным термином, еще одной интересной техникой и проблемой в отборе персонала (настоящей проблемой, а не выдуманной)
В основе поста уже часто приводимый пример - Отбираем "звезд" на этапе подбора с помощью тестов.
Вводная: 87 работников экспертным путем поделены на "звезд" (эффективных) и "не звезд". Все они при приеме на работу проходили тестирование. Проведенный анализ выявил две шкалы, которые позволяли прогнозировать, будет ли кандидат "звездой" или "не звездой".
Визуально это выглядит так
"Звезды" - зеленые, а "не звезды" - красные. Заметно, что звезды не имеют показателей выше 50 баллов, по шкале Fx, а вот со шкалой Sp все сложнее. Здесь нет однозначного решения. Можно провести границу по 50 баллам, но тогда мы в "звезды" захватим не звезд... Если по 60 баллам, то многих "звезд" просто выкинем. Это проблема выбора границы.
Машинка может подсказать нам решение - Алгоритмы выявления звезд: дерево решения в R и Python. Вот каковы границы принятия решения, подсказанные машинкой
В данном случае машинка определяет звезд по границам:
Но точность модели при таких границах 83 % (т.е. мы в 83 % "попадаем" с прогнозом), а со звездами вообще проблема: у нас всего 29 "звезд", из них мы "звездами" отбираем 18, т.е. 62 %. Фактически каждую третью "звезду" мы пропускаем. Это прискорбно.
Можно поменять границы, но это уже проблема компромисса.
Машинка по нашей просьбе может нарисовать гибкие границы
Это тот же самый рисунок, где цвет обозначает "звезд" - синим и "не звезд" - красным. И границы, как видно, гибкие. При такой постановке задачи точность принятия решения достигает 90 %. Просто невероятная точность на сегодняшний день для наших компаний. Ну если не верить бреду тех консалтеров про 95 % точность. Напомню, что в Google приближаются к точности в 86 % см. Про качество подбора персонала на основе интервью.
И напомню: границы рисует машинка, а не человек, не пытайтесь повторить трюк)))
Удачи вам в отборе персонала)
И обращайтесь: я предоставляю услугу Прогноз успешности кандидатов на основе тестов
В основе поста уже часто приводимый пример - Отбираем "звезд" на этапе подбора с помощью тестов.
Вводная: 87 работников экспертным путем поделены на "звезд" (эффективных) и "не звезд". Все они при приеме на работу проходили тестирование. Проведенный анализ выявил две шкалы, которые позволяли прогнозировать, будет ли кандидат "звездой" или "не звездой".
Визуально это выглядит так
Машинка может подсказать нам решение - Алгоритмы выявления звезд: дерево решения в R и Python. Вот каковы границы принятия решения, подсказанные машинкой
- Sp - 56 баллов;
- Fx - 44 баллов.
Но точность модели при таких границах 83 % (т.е. мы в 83 % "попадаем" с прогнозом), а со звездами вообще проблема: у нас всего 29 "звезд", из них мы "звездами" отбираем 18, т.е. 62 %. Фактически каждую третью "звезду" мы пропускаем. Это прискорбно.
Можно поменять границы, но это уже проблема компромисса.
Гибкие границы
Но кто сказал, что границы принятия решения должны быть прямыми?Машинка по нашей просьбе может нарисовать гибкие границы
И напомню: границы рисует машинка, а не человек, не пытайтесь повторить трюк)))
Удачи вам в отборе персонала)
И обращайтесь: я предоставляю услугу Прогноз успешности кандидатов на основе тестов
Комментариев нет:
Отправить комментарий