Отношения с руководителем - основные драйверы

Продолжаю тему отношений с руководителем. Этот пост в продолжение поста Почему подчиненные уходят от руководителей. Сейчас я применил новый алгоритм (для аналитиков: в прошлом посте был алгоритм случайного леса, сейчас градиентный бустинг).
Описание задачи: в качестве зависимой переменной мы смотрели время совместного стажа руководителя и подчиненного (время от начала совместной работы до времени уходя подчиненного, мы брали в расчет только вариант, когда подчиненный сам принимал решение уйти из компании и от руководителя).
Ниже в таблице факторы и коэффициенты факторов. В графе "драйверы" идет вопрос и вариант ответа, который показал значимость, а в графе "коэффициент" - показатель связи: если отрицательный, значит фактор повышает риски ухода от руководителя, если положительный - снижает риски, повышает вероятность большей продолжительности совместной жизни руководитель подчиненный.
Коллеги, и по прежнему прошу поучаствовать в опросе ключевые факторы текучести и удержания персонала

Драйверы	показатель
Источник трафика: Вы откликнулись на вакансию в социальных сетях	-0.5745
Признание заслуг подчиненного: Нет	-0.53795
Размер компании: 5 000 - 9 999 (количество работников)	-0.49827
Частота выплат премий: Ежемесячно	-0.46365
Частота выплат премий: Нет	-0.46241
Позиция респондента: Юриспруденция	-0.29259
Источник трафика: Работодатель вышел на Вас по рекомендации человека, знающего вас	-0.27465
Размер города: менее 100 000	-0.25439
Источник трафика: Работодатель нашел Вас через социальные сети	-0.24874
Размер компании: 50-99	-0.22068
Доступ к соц сетям на работе: у меня, в принципе, не было доступа к интернету на работе	-0.19426
Как вы добирались до работы: Общественным транспортом	-0.19173
Источник трафика: Вы откликнулись на вакансию на джоб сайте

Презентация вебинара ключевые факторы удержания и текучести персонала

Провел сегодня вебинар Ключевые факторы текучести и удержания персонала.
Выкладываю презентацию. Буду благодарен, если вы сами поучаствуете в опросе и пригласите коллег. Ссылка на опрос
Презентация

ключевые факторы удержания и текучести персонала from Edward Babushkin

Почему подчиненные уходят от руководителей

"Приходят в компанию, уходят от руководителя"
Я решил сделать картинку отношений с руководителем. Знаете ли вы сервис eHarmony? читай Дождались варягов: революция в рекрутинге от eHarmony. Вот лавры этого сервиса не дают мне покоя. Логика сервиса простая: eHarmony берут в качестве управляемой переменной срок совместной жизни (для сервиса знакомств - срок жизни семьи, а на карьерном портале - совместный срок жизни работодателя и работника).
У меня нет таких ресурсов, у меня есть только опрос ключевые факторы текучести персонала (что еще нужно, чтобы убедить вас поучаствовать в этом опросе? пройдите по ссылке и примите участие). Для данного поста я беру в качестве управляемой переменной срок совместной жизни подчиненного и руководителя, т.е. не просто стаж работника в компании, а именно стаж совместной работы подчиненного и руководителя. Беру только те случаи, когда подчиненный сам уходит от руководителя. И посмотрел, какие факторы влияют на срок совместной работы руководителя и подчиненного. Для аналитиков сообщу, что использовал случайный лес для дожития.
Картинка весов факторов

Вес факторов

	Importance	Relative Importance
recognition (Благодарил ли Вас Ваш руководитель за достижения)	0.0143	1
develop (Проявлял ли Ваш руководитель заботу о Вашем развитии)	0.0133	0.9345
ini (Выходили (выходите) ли Вы со своими инициативами на руководителя)	0.0064	0.4512
position (Ваша позиция - имеется в ввиду HR, IT, продажник и т.п.)	0.006	0.4217
feedback (Как часто Ваш руководитель давал Вам обратную связь)	0.0043	0.3025
firstZP (Отличались ли договорённости по зарплате на собеседовании при приеме на работу и при первой выплате)	0.0039	0.2705
premia (частота выплат премий)	0.0034	0.2386
zaderzki (задерживались ли Вы на работе)	0.0034	0.2349
zaderzkiR (задерживался ли Ваш руководитель)	0.0029	0.2014
workplace (каким было рабочее пространство)	0.0027	0.1862
way (как вы добирались от дома до работы)	0.0019	0.1326
region (регион)	0.0018	0.1253
level (уровень позиции)	0.0017	0.1176
foreing (западная/российская компания)	0.0014	0.0961
sizetown (масштаб населенного пункта)	0.0012	0.0856
grafik (график работы)	0.0011	0.0754
sizecompany (размер компании)	0.001	0.0708
crit (Критиковал  ли Вас руководитель в присутствии других)	0.0008	0.0585
talk (интенсивность взаимодействия в коллективе)	0.0008	0.0551
bossgender (пол босса)	0.0002	0.0125
sm (были ли доступ в соц сети с рабчоих компов)	0	0.002
whiteZP (зарплата была белой или серой)	-0.0002	-0.0116
trafic (как вы нашли работу)	-0.0004	-0.0288
gender (пол респондента)	-0.0008	-0.0553
match (сочетание пола руководителя и подчиненного)	-0.0018	-0.1265

• В первой колонке - название фактора и его расшифровка (вопрос исследования); 
• вторая колонка - абсолютный вес; 
• третья - нормированный (самый важный фактор имеет вес 1).

Обращаю внимание на несколько тонких моментов: 

• некоторые факторы имеют небольшой вес, поскольку сильно коррелируют с факторами, имеющими бОльший вес, поэтому машинка их опустила вниз, при другом наборе факторов картинка может поменяться;
• в расчет реально надо брать не все факторы выше нуля, также как в данном кейсе Прогностичная ценность (важность) шкал теста CPI в отборе эффективных работников мы берем максимум пять факторов, так и в нашем случае я бы  остановился в лучшем случае на рабочем пространстве;
• мы говорим здесь об "общей картине по больнице", с учетом "мусора", я взял в обсчет менее 1 000 ответов респондентов, что очень мало для такого масштабного исследования (поучаствуйте в опросе>>);
• объясненная дисперсия - примерно 60 %, нам есть еще куда копать;
• главное: мы говорим про пост фактум оценку подчиненным руководителя, поэтому нам данную информацию будет сложно использовать в прогнозе, как eHarmony

Recognition: как признание заслуг подчиненного влияет на удержание талантов (результаты нашего исследования)

Любопытный факт про recognition. 
Вы, может быть, слышали про программы recognition на Западе. Я писал про исследования Джоша Берзина в этом вопросе - Как признание заслуг подчиненного влияет на удержание талантов (результаты западных исследований)

Наши исследования вносят интересную струйку в это исследование. У нас в исследовании был вопрос "Благодарил ли Вас Ваш руководитель за достижения":

• Да, практически все достижения были отмечены моим руководителем - 67;
• Если не все, то многие - 94;
• Получал лишь изредка - 85;
• Нет - 81.

Цифра напротив - число респондентов отметивших данный вариант.

Результаты такие (обращаю ваше внимание, что в качестве зависимой переменной я смотрел продолжительность совместной жизни с руководителем, а не стаж работы в компании)

Как читать такой тип диаграммы - Анализ и визуализация дожития: чем HR похож на медиков.

• По оси Y - вероятность, что работник доработает до этого момента стажа в компании.
• По оси X - число месяцев стажа

Если с вариантом "нет" все понятно, то вариант "Все" вызывает удивление: при этом варианте риски ухода подчиненного выше, чем при вариантах "Если не все, то многие" и "Получал лишь изредка".

Какой вывод? Нельзя сильно любить подчиненного?

круто? тогда не забывайте участвовать в опросе ключевых факторов текучести.

Бенчмарк текучести IT специалистов (на примере компании Luxoft - сравниваем с рынком)

Сегодня проводил модуль hr-аналитики для hr-директоров, мне дали данные по текучести персонала одного из подразделения компании Luxoft. Я сделал бенчмарк с рынком.
Напомню, что я провожу исследование ключевых факторов текучести персонала (ссылка дана для того, чтобы вы прошли по ней, поучаствовали сами, пригласили знакомых). Так вот, у меня есть своя база текучести IT специалистов (см. Нормы текучести IT специалистов). На сегодня в моей базе данные по 211 специалистам IT сферы. Вот с этой базой я сравниваю данные подразделения Luxoft

Как читать такой тип диаграммы - Анализ и визуализация дожития: чем HR похож на медиков.

• По оси X - число месяцев стажа
• По оси Y - вероятность, что работник доработает до этого момента стажа в компании.

Статистический анализ показал значимость различий текучести в подразделении компании Luxsoft и в целом по рынку. Риск увольнения it специалиста в компании luxoft меньше на 30 %, чем в целом по рынку. Это данные в цифрах:
1 - рынок, 2 - luxoft

25 - 1-й квартиль, 50-медиана, 75 - 3-й квартиль
lower и upper - нижний и верхний 95 % интервалы

$quantile
         25            50           75
1 13.56322 28.14450 55.56650
2 17.70115 38.65353 93.13629
$lower
         25              50           75
1 12.21675 24.36782 47.91461
2 16.58456 35.89491 81.21511
$upper
           25          50             75
1 16.35468 33.43186  75.92775
2 19.67159 41.44499 123.28407

круто? тогда не забывайте участвовать в опросе>>. IT компании могут обращаться за подобным анализом:)

Обращение

Коллеги, опрос проводится на некоммерческой основе, у меня нет спонсоров, я трачу много своего времени, поэтому, если Вы захотите выразить мне благодарность за интересные результаты, вы можете перевести небольшую сумму мне на Яндекс кошелек (кликните по кнопке Перевести) 

или сделать перевод на карту Сбербанка,

Номер карты 676 280 38 921 538 46 57 - укажите "за результаты исследования". 

Или просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег. 

спасибо!

Анализ дожития с множественными вариантами event

Этот пост напоминалка себе
How do I analyze multiple failure-time data using Stata?
mstate: Data Preparation, Estimation and Prediction in Multi-State Models
msm: Multi-State Markov and Hidden Markov Models in Continuous Time

Прогностичная ценность (важность) шкал теста CPI в отборе эффективных работников

Кейс, который уже всем надоел: у нас есть 87 работников, которые при приеме на работу прошли тест CPI, которые впоследствии были причислены к условным "звездам" и "не звездам" (очень эффективным и остальным).
Задача сводится к использованию теста CPI при отборе эффективных работников. Сразу сообщаю, что тупо использовать результаты нельзя у вас в компаниях, надо обязательно все процедуры повторять, однако тест будет интересен содержательно.
Кратко напомню онтологию анализа.
Линейные методы типа логистической регрессии давали такую картинку (см. подробней Отбираем "звезд" на этапе подбора с помощью тестов)

Лошистическая регрессия отбирала три шкалы: Sp, Fx, Lp - причем вес в порядке убывания, т.е. Sp самый важный фактор.
Дерево решений давало два фактора Sp, Fx,  - и важность та же. Точность моделей при этом не превышала 80 %
Ну и кстати обратите на рисунок, границы достаточно четкие, но в случае шкалы Sp м должны пойти на компромисс, проводя границу. Чаще всего машинка проводила границу по 56 баллам Sp. Т.е. мы жертвуем эффективными работниками, но отсекаем больше не эффективных.
Но кто сказал, что границы должны быть прямыми? У нас есть непараметрические алгоритмы решения данной задачи, которые прописывают границы очень гибко (см. О границах принятия решения по кандидату).

Точность модели вырастает до 90 %.
И эти самые непараметрические алгоритмы так расставляют важность шкал в отборе

Обратите внимание, что шкала Fx оказалась в этом алгоритме важнее Sp на треть. Приятно, что эти две шкалы являются самыми объясняющими, но работают не только они.

• Fx (гибкость). Для определения степени гибкости и адаптабельности индивидуального мышления и социального поведения. Низкие оценки: Осмотрительный, осторожный, надоедливый, трудолюбивый, сдержанный, вежливый, методичный и ригидный; с формальным и педантичным мышлением; относящийся со слишком большим уважением к авторитетам, обычаям и традициям.
• Sp (социальный облик). Для оценки таких факторов, как манера держаться, спонтанность и самоуверенность в личных и социальных взаимоотношениях. Высокие оценки: Умный, полный энтузиазма, с богатым воображением, проворный, неформальный, спонтанный и разговорчивый, обладающий экспрессивной, кипучей натурой.
• Wb (чувство благополучия). Для идентификации лиц, склонных минимизировать свои неприятности и недовольства, относительно свободных от сомнений и разочарований. Высокие оценки: Энергичный, предприимчивый, бдительный, честолюбивый и многогранный; выглядящий человеком активным и продуктивным; ценящий работу и усилия сам по себе.
• Sa (самопринятие), для оценки таких факторов, как чувство собственного достоинства, самопринятие и способность к самостоятельным мыслям и поступкам. Высокие оценки: Интеллегентный, искренний, остроумный и эгоцентричный; способный легко и убедительно говорить; с присущей самоуверенностью и самонадеянностью
• Gi (хорошее впечатление) Для определения лиц, способных создавать о себе благоприятное впечатление и озабоченных тем, как к ним относятся другие люди.Высокие оценки: Проявляющий готовность к сотрудничеству, предприимчивый, открытый, общительный, сердечный и готовый оказать услугу; заботящийся о том, чтобы производить хорошее впечатление и выглядеть прилежным и упорным.

Ну и хватит. напомню, что в Вашей компании список значимых шкал и их вес может быть совсем другим, если вообще CPI позволит что-либо дифференциировать.
Удачи в отборе "pdtpl@

HR-аналитика. Анонс нового семинара

1-2 марта я провел очередной семинар "Аналитика для HR". Группа была очень серьезная, были представители от таких компаний как Ростелеком, Вымпелком, МТС, РайффайзенБанк, Ланит, Мостра-групп и другие, извините, если кого не упомянул.
У меня есть правило - постоянно обновлять семинар. В этот раз я уже даю логистическую регрессию (давал раньше, но в этот раз лог регрессия уже на рабочем уровне идет, воспринимается спокойно участниками). Дал анализ дожития. Впервые. Прошло с косяками, буду исправляться.
Еще раз спасибо всем участникам!
Новый семинар состоится 7-8 июля, анонс и регистрация по ссылке. Приглашаю

Спасибо ДМК - пресс - дали мне несколько книг, которые я разыгрываю среди участников. Вот победители
От себя лично рекомендую книги по анализу данных от ДМК Пресс

Прогноз цен на квартиры

Последнее время работы так много, что в блог не успеваю писать.
Решил выложить несколько картинок по прогнозу цен на квартиры, который я делал на реальных данных.

Распределение цен на квартиры - очень логично выглядит, обращаю внимание, что это не Москва.

А это карта продаж: мы просто ставим по осям географические координаты и поучаем карты. Ну и плотность продаж.

Сглаживающая линия средней цены по времени.

Боксплот цен на квартиры в зависимости от типа ремонта.

График связи цены и площади квартир, цветом обозначена комнатность. Заранее предупреждаю, я не отвечаю за качество данных, поэтому двух комнатные квартиры менее 30 кв м - вопрос не ко мне.

Финальная картина - по оси X прогнозные значения нашей модели, по оси Y реальные.
R^2 - 90 %