Как корреляцию превращать в точность подбора (о границах принятия решения по кандидату)

Основной задачей hr-аналитика в области подбора персонала является не только и не столько нахождение взаимосвязей / корреляции между качествами кандидата и эффективностью в работе, сколько определение точности прогноза.
В самом деле, что нам как специалистам по подбору персонала дает информация о том, что между шкалой теста Х и эффективностью в работе корреляция равна 0, 4? Будем мы использовать эту шкалу или нет?
Ответ здесь такой: само по себе наличие значимой корреляции / взаимосвязи позволяет говорить, что мы потенциально можем использовать ее при отборе кандидатов, но при этом нам необходимо проделать еще одну важную процедуру помимо нахождение взаимосвязей - нам необходимо определить точность данной шкалы (теста) при использовании в подборе.

Кейс

покажу на примере. У нас было протестировано 87 работников (точнее, еще кандидатов). В дальнейшем часть из них показали высокие результаты в работе (на диаграмме - синие точки), часть - средние результаты (красные). Были выявлены взаимосвязи между эффективностью и шкалами Sp и Fx

Корреляция на картинке интуитивно понятна: синие точки распределены не равномерно по площади картинки, а сконцентрированы в правом нижнем углу. Однако нам становится ясным факт, что разделить строго синих и красных не получится. Это говорит о том, что корреляция не идеальна и далека от единицы.
Замечу, что в социальных областях вообще не бывает идеальных корреляций. И когда вам обещают 95 % инструмента, смело можете заканчивать общение с таким "специалистом".
Все, что мы можем сделать в такой ситуации - определить точность прогноза и, что тоже самое, границы принятия решения.

Границы принятия решения

Далее я доверюсь машинному алгоритму, который сам предложит границы, а я буду только задавать определенные параметры. Давайте зададим только одну границу

Мы предложили машине провести только одну границу, машина провела границу по линии 56 балов шкалы Sp (так мы заодно поняли, что шкала Sp по мнению машины является более значимой с т.з. подбора работников).

Прогноз времени продаж квартир

Я уже показывал прогноз цен на квартиры. Однако, бизнес может не меньше прогноза стоимости квартиры интересовать время продажи - скорости продаж квартир. И этот анализ сложнее, чем прогноз стоимости. Мы не можем применить обычное уравнение регрессии, хотя бы потому,что у нас часть квартир проданы, часть нет. Можем выкинуть непроданные из анализа, но тогда мы получим смещение выборки, результаты будут некорректные.
В данном случае корректным будет анализ дожития и рисков.
Если вы не знакомы с таким типом анализа, то наверняка слышали выражение "риск инфаркта курильщика в ... раз выше, чем у не курильщика". Вот именно такой тип анализа я провожу.
И покажу только несколько картинок.
Напомню, что данные - несколько тысяч квартир по российскому городу (не Москва)

Значимость факторов, влияющих на скорость продажи квартир

Все, что ниже ремонта, можно отбрасывать. Забавно, что в прогнозе стоимости квартир переменная "район" не значима, а вот на скорость продажи влияет.....

Влияние фактора цены на скорость продаж

Это очень визуазибельный тип визуализации. По оси X у нас цена продажи. Каждый график обозначет временные промежутки: 30 дней, 60 и 90
по оси Y - вероятность продажи квартиры (точнее, НЕ продажи, вероятность дожития). Т.е. к 90 дням уквартиры стоимостью менее 2 000 вероятность быть непроданной значительно менее 50 %
Зеленые точки - то, что продано, красные - что стоит
классно же, правда?

Влияние фактора "ремонт" на скорость продаж

Тоже самое - для категориальной переменной

Заметно, что квартиры с косметическим ремонтом и квартиры, где ремонт требуется, продаются быстрее.
Ну и самое главное: на основе данного анализа мы можем дать прогноз скорости продаж по каждой квартире с учетом всех значимых факторов.




__________________________________________________________

На этом все, читайте нас в фейсбуке, телеграмме и вконтакте

Современные тенденции на рынке HR-аналитики

Провел сегодня вебинар Современные тенденции на рынке  HR-аналитики (по ссылке - запись). Когда копаешься, уткнувшись носом в землю, сложно рассуждать про перспективы. У меня то все это глубоко сидит, но наружу выдавать - сложно. Это пока чувства, а не мысли.
Дозреваю до мысли провести свою конференцию по hr-аналитике, чтобы там общаться с коллегами.
На вебинаре было несколько ссылок. Я отслеживал статистику переходов с вебинара по ссылкам.
Первое место получает пост Пакетное управление компенсационным пакетом (какие опции компенсационного пакета надо совмещать) как самый популярный среди участников вебинара
И презентация вебинара

современные тенденции на рынке Hr аналитики from Edward Babushkin

Как оценить влияние руководителя на текучесть персонала

Нарыл данных про связь текучести персонала и качеств руководителя. Если раньше смотрел данные в которых каждому работнику соответствовали результаты его входных тестов, то сейчас я напротив ID работника поставил результаты тестов руководителя. Отсюда, кстати, некоторые неудобности: при наличии N работников в компании, мы имеем лишь K уникальных результатов тестов.
С другой стороны, нам очень сложно оценить влияние конкретного руководителя на текучесть его подчиненных - выборка очень мала, поэтому показатели руководителя позволяют снять эту проблему. Если, конечно, "снимают" нужное качество.
Получилось у меня не густо

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

Результат такой: риски увольнения сотрудников при руководителе с высокими показателями по выявленным значимым шкалам всего на 10 % выше, чем у сотрудника при руководителе с низкими показателями. Т.е. если совсем по простому, то если два руководителя примут к себе на работу по 10 человек, то у одного через два года будет 9 работать, а у другого - 8.
И засада в том, что заслонку не выставишь. Нет здесь критичных норм.
Параллельно смотрел текучесть по подразделениям. В одном месте зашкаливало

"Синее" подразделение явно выбивается в худшую сторону в сравнении с остальной компанией. Посмотрел показатели руководителей по значимым с т.з. текучести персонала шкалам

Различия значимые (слева показатели по шкале теста у руководителей других подразделений компании, справа - у "западающего" подразделения с т.з. текучести). Остается понять, почему уровень это качества в данном подразделении значимо отличается от уровня компании. Может в этом и есть сермяжная правда проявляется корпоративная культура?

Как напроситься на благодарность руководителя

Мой интерес к recognition - признаю заслуг подчиненного - объясняется просто: исследование показывает, что это один из самых мощных факторов удержания работника рядом с руководителем. См.

• Почему подчиненные уходят от руководителей
• Отношения с руководителем - основные драйверы

Ранее я выяснил забавную штуку (см. Recognition: как признание заслуг подчиненного влияет на удержание талантов): если респондент в вопросе "Благодарил ли Вас Ваш руководитель за достижения" выбирал вариант "Все достижения были отмечены руководителем", то это не является самым мощным фактором, влияющим на снижение риска текучести персонала. Самый рискованный фактор - вариант "Нет" (руководитель не признавал, не подчеркивал заслуг подчиненного), а самый лучший с т.з. удержания - вариант "Если не все, то многие".
Захотелось проверить гипотезы, почему "самый лучший" вариант "Все" не стал самым лучшим фактором влияния на текучесть персонала.
Несколько гипотез высказал А.Г. Виноградов (всем любителям hr-аналитики рекомендую подписаться на профиль):

1. Сотрудник, ориентированный на развитие карьеры, показывает больше успехов
2. Чрезмерная квалификация сотрудника 
3. Возраст (хвалят прежде всего тех, кто нуждается в дополнительной мотивации, т.е. начинающих)
4. Хорошего руководителя быстро продвигают, на его место приходит в большинстве случаев худший (закон регрессии к среднему)
5. Похвалой руководитель старается заменить другие виды мотивирования персонала
6. Плохой руководитель хвалит за все без разбору, пытаясь заработать дешевый авторитет
7. Связь обусловлена типом работы: в индустрии с коротким циклом проектов и результатом, который легче квантифицируется, наблюдается текучка кадров

Я сделал несколько срезов аналитик. В идеале стоило бы сделать алгоритм машинного обучения по задаче классификации, но я 1) не имею сейчас времени и 2) что важнее, не "прощупал" задачу содержательно. Но есть уже описательные результаты, которыми 1) хочется поделиться и 2) которые помогут для дальнейшего исследования.
Будет мало картинок и много табличек, гуманитарии могут не читать, послушаете потом  на конференции доклад.
И не забывайте участвовать в исследовании

Результаты

Я буду тупо называть фактор и показывать результат. Делайте выводы сами

Как измеряют корпоративную культуру, ценности, скилсы и подбирают нужных кандидатов в eHarmony

Одна из самых моих интересных тем - сервис eHarmony (см, например Дождались варягов: революция в рекрутинге от eHarmony). Это компания, которая подбирает мужа / жену на основе опросника (там 473 вопроса, если память не изменяет). После заполнения опросника идет анализ полученных данных, подбирается наиболее подходящая пара.
eHarmony также залезла уже на кадровый рынок и стала сводить между собой кандидатов и работодателей (читай по ссылке).
Сегодня я зарегистрировался на сайте компании с тем, чтобы понять, какие вопросы задают респондентам.
Компания дает три блока вопросов (не считая дженерал вопросов про демографию и т.п.):

1. Скилсы
2. Корпоративная культура и ценности
3. Линые качества, установки и т.п.

Далее просто выкладываю вопросы для тех, кому это может быть интересно, кто может это использовать в своей работе (все ответы по семибальной шкале)