.

Сделать репост в соц сети!

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.....


Комментариев нет:

Отправить комментарий