Share |

вторник, 24 мая 2016 г.

Карьерный рост / карьерное планирование в компании на основе машинного обучения

Очень много работы, поэтому штрихами обозначу пост.
Но эту задачу я еще ни разу не показывал, думаю, будет интересно на нее посмотреть.

Итак, 

Клиент - крупный ритейлер, массовый подбор.
задача:
  • сделать прогноз, кто из вновь принятых скорее станет менеджером (руководителем + 1 и + 2 уровня).
  • Понять, кого стоит готовить в кадровый резерв / кого не стоит.
Для этого проводим ретроспективный анализ по имеющимся данным.

Зависимость результативности и стажа работы в компании

Накопал интересную зависимость: взяли уже назначенных руководителей, посмотрели их эффективность (поделили на звезд и не звезд) и в качестве предиктора взяли стаж работы в компании. Выяснилось, что "звезды" идут к позиции руководителя дольше, чем остальные.
Средний срок от приема на работу до назначения на позицию руководителя для звезда 27 месяцев, для остальных - 18.

И визуализация
Карьерный рост / карьерное планирование в компании на основе машинного обучения
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 Не станет руководителем.

Пунктиром обозначен 95 % доверительный интервал. Т.е. через 36 месяцев вероятность, что работник станет руководителем 70 % примерно.
И кроме того, мы выяснили, что на основе входных тестов можно предсказывать скорость карьерного продвижения.
На картинке ниже:
По шкале X – показатели шкалы, каждый график обозначает состояние с назначением через определенный промежуток стажа (18 месяцев, 27 и 36), по оси Y – вероятность, что назначать начальником (точнее, вероятность, что не будешь назначен, т.е. точка напротив вероятности 0,25 на графике 36 обозначает, что вероятность назначения руководителем составляет к третьему году работы 75 % - мы говорим не про вообще всех работников, а аудиторию руководителей)
Заметно, что кандидаты с более высокими показатели по шкале быстрее становятся руководителями?
Карьерный рост / карьерное планирование в компании на основе машинного обучения
Связь заметна. Точность модели при этом (см. ниже) - 58 % (AUC), но
Карьерный рост / карьерное планирование в компании на основе машинного обучения
Мы, тем не менее, можем сделать вывод:
личные качества кандидата влияют на его карьерный рост, и мы это можем использовать при формировании кадрового резерва и карьерном планировании.

Чего нет

Я показал связь между личностными качествами и карьерным ростом, но не показал, с какой вероятностью кандидат с этими качествами попадает в звезды и наоборот. Заметили, что у нас а) есть качества, которые обеспечивают более быстрый карьерный рост и б) более быстрый карьерный рост скорее связан не со звездностью.
Ту би континьед.....

Понравился пост?

если Вы захотите выразить мне благодарность за интересный пост, 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 "карьерное планирование". 
Или просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег. 
спасибо!

Комментариев нет:

Отправить комментарий