Статьи по hr-аналитике на английском 16

Представляю шестнадцатый выпуск статей по HR-аналитике на английском. Выпуск небольшой, но крутой нереально.
Предыдущий выпуск статей по hr-аналитике на английском - пятнадцатый - вы можете найти по ссылке Статьи по hr-аналитике на английском 15, а через по ссылкам пройти до первого выпуска.

Итак, 

1. How Nielsen Used People Analytics to Increase Retention (and Saved Millions) - шикарная статья, такие даже среди статей по hr-аналитике бывают редко. Здесь нет воды, все по делу. По делу так, что бери и применяй в своей компании. Только небольшая цитата из статьи: Nielsen built a model with 20 simple points of employee data like age, gender, tenure and manager rating. They’ve refined the model over time to include data like commute time and participation in CSR programs. Т.е. компания прямо рассказывает, как она создавала свою модель управления текучестью персонала. И не только выявляла драйверы, но превращала это в программу снижения текучести. Кроме того, почитайте про ресурсы HR-аналитики в компании. Один аналитик на 44 000 работников компании. И тем не менее компания достигла многого. Обратите внимание, для снижения текучести компания не занималась воздушными замками а ля собирать информацию про работников из соц сетей. Все проще (читай цитату) и со вкусом. Только ради этой статьи стоило открывать этот выпуск.
2. Employee Engagement Analytics: How to Do it and Add Value - Raja Sengupta в соавторстве написал статью про вовлеченность. Если вы занимаетесь вовлеченностью персонала, причем занимаетесь не глядя в рот консалтерам, потому что у них во рту вы мало что умного увидите, а занимаетесь самостоятельно, то вы не сможете пройти мимо этой и этих статей. Эта статья мастрид по одной причине - в ней показана целостная схема аналитики вовлеченности персонала. Наверное, для неподготовленного читателя это не самая легкая статья. нужно начинать с более простых. Я бы для контекста дал еще вот такие статья (опять же не базовый уровень, но это как контекст того, что сейчас происходит в теме вовлеченности персонала - Employee mood measurement trends - это первая важная статья; New ways to run engagement surveys - Андрю Марритт пишет о новом заходе на вовлеченность)
3. How Natural Language Processing can Revolutionize Human Resources - и ОБЯЗАТЕЛЬНО прочтите эту статью. Автор тот же - Раджа Сенгупта. В аналитике все большее количество неструктурированных данных а ля текст, фото, видео и т.п., так вот в HR количество текстов значительно больше, чем цифр. Аналитика двинулась настолько, что может анализировать тексты не хуже, чем цифры. Я вам, кстати рекомендую включать в свои опросы открытые вопросы - обращайтесь - edvb()yandex.ru, проведем анализ. А статья показывает, в каких сферах HR можно и нужно анализировать тексты. 
4. 13 Signs That Someone Is About to Quit, According to Research - мне сложно судить, насколько приведенные в статье данные корректны, не очень понятно, как это было замеряно, но руки чешутся проверить, наскольо это действительно работает.
5. Will “People Analytics” Be “Open-Source”? - начну с другого представление статьи. Вы заметили, как работают бОльшинство наших консалтеров? Эта каста с закрытыми технологиями, где Заказчику нужно доверять мнению "экспертов". "Эксперт" говорит: это хорошо, а клиенты идет и покупают это. Таким образом это выгодно компаниям, которые уже имеют имя на рынке, их покупают, потому что сложилось мнение. И никаких критериев оценки эффективности. В статье автор делится тем, что культура hr-аналитики не может строится на кастовости и мнениях "экспертов". Культура hr-аналитики может носить только открытый характер, где критерии эффективности всем понятны и открыты. Я на эту статью даже разразился своей - программной статьей - О революции и новом формате коммуникаций в HR - рекомендую ознакомиться, я привожу реальные примеры современного консалтерского дискурса и дискурса оупен сорс. 

На этом на сегодня все, хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику.

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

Ждут ли работники годового бонуса, чтобы уволиться

Прошу поучаствовать в нашем исследовании, прежде чем читать дальше.
Сам пост полностью повторят пост Евгения Бондаренко Анализ текучести Кадрового резерва, только данные я взял из нашего исследования, их просто больше.
В основе анализа лежит методология анализа текучести Контрольная карта Шухарта в управлении hr бизнес процессами (на основе текучести персонала) - мы смотрим сезонные отклонения числа уволившихся.
Идея поста простая: нам нужно проверить, действительно ли работники ждут головой бонус, и только после этого увольняются. Если это так, то в месяц после бонуса будет повышенное число увольнений.
И конечно же, я взял в анализ только тех, кто указал, что он на работе получал годовой бонус (у нас в опросе есть вопрос о частоте выплаты премии, среди вариантов есть варианты: "не выплачивали", "ежемесячно", "ежеквартально", "ежегодно").

Вот что получилось

По оси X - месяц,
По оси Y - частота увольнений
Среднее значение увольнений по месяцам - 24, 66,
Стандартное отклонение - 4, 64 (напомню, читайте Контрольная карта Шухарта в управлении hr бизнес процессами (на основе текучести персонала, чтобы понять методологию анализа).
Таким образом, самым граничным месяцем по увольнениям является январь, что говорит скорее о том, что работники полмесяца не работают.
Если верить информации, что годовой бонус платят в марте, то март у нас идет в линейке июля, августа, сентября, октября и декабря - полгода фактически на одном уровне.
Таким образом, на сегодня у нас нет данных говорить о том, что работники значимо и сознательно выжидают годового бонуса, чтобы потом быстренько свалить из компании. Наверное, у большинства есть совесть, и они увольняются постепенно в течение второй половины года.
..........................
Хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег. 

Премии HR в разрезе отраслей и текучесть персонала

Прошу поучаствовать в нашем исследовании, прежде чем читать дальше.

Про задачу

По всем данным я выявил два интересных факта: 

1. текучесть зависит от отрасли;
2. текучесть зависит от периодичности выплаты премии

Я решил посмотреть, как связаны между собой отрасль и периодичность выплаты премий: одна из гипотез различия в текучести по отраслям - разный жизненный цикл, который можно "снять" через частоту выплат премий . 

Текучесть по отраслям

• По оси X - стаж работы в компании;
• По оси Y - вероятность выбытия.

Значимые различия только между банкирами и промышленными HR.

Частота выплат премий

Картинка аналогична верхней, только линии - частота выплат премий. Ожидаемо значимое различие в текучести персонала для тех, кто не получает премий, но при этом p-value - 0, 22 между ежегодными бонусами и ежемесячными. 

Ну а вдруг?

Связь отрасли HR и периодичность выплат премии

Хи квадрат, как вы уже догадались, значим. Где там 8 нулей после запятой. 

На этой картинке логично только выглядит бОльший % ежегодных премий для промышленных HR (обозначены как "Manuf" - от "мануфактура"), но и ежемесячных премий у промышелнных HR больше, чем у остальных! В ритейле половина HR вообще премий не получает! Айтишники подкачали! И удивили всех банкиры: ребят, вы больше всех получаете премии, и больше всех бежите. 

Обращаю вашу внимание, что брал я только волюнтарную текучесть, поэтому привязать это к кризису сложно, если только не придумать, что наши коллеги указывали "ушел по собственной инициативе", хотя его быть может попросили, а указал он так из обиды, гордости и т.п.. Но я лично не очень верю в такой вариант. 

Вывод

на сегодня у нас нет оснований полагать, что в основе различий текучести HR по отраслям лежит частота выплат премий.

На этом на сегодня все, хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.  

О революции и новом формате коммуникаций в HR

Этот пост – обращение к тем коллегам HR, кто транслирует свой опыт, знания, продукты на рынок через выступления на конференциях, публикации, интервью и т.п… Обращение с просьбой изменить формат коммуникаций в HR. Изменив формат, мы изменим культуру общения, сделаем ее культурой самообучения, саморазвития, культурой обратной связи и т.п..
Поскольку обращение фигуранты поста проигнорируют,постольку оно бессмысленное и беспощадное.
Недавно одна тетка из Израиля опубликовала пост Will “People Analytics” Be “Open-Source”?
Сама тетка – HR аналитик. В статье она рассказывает и призывает сделать культуру hr-аналитики open-source. Она начинает рассказ с того, как начинала изучать программу R. Те, кто изучал аналитические программы в HR, не могли не заметить, что единственный вариант успешного освоения программы – оупен сорсный. Т.е. через активное общение с коллегами. Через вопросы, через обратную связь, через share собственных целей, задач и т.п..
И эта оупен сорсная культура вступает в противоречие с существующей культурой HR общения в России. Культура общения HR закрыта, она представляет собой черный ящик для Заказчика. По этой причине не происходит развития рынка, а Заказчик не имеет возможности выбрать эффективные инструменты, не имеет возможность проверки эффективности инструментов в своей работе.
И чтобы не быть голословным и соответствовать культуре оупен сорса, я приведу примеры  закрытой культуры, культуры черного ящика.

Кейс Хофф

Компания Хофф заявила кейс по HR – аналитике, который радостно транслирует Руководитель аналитики Лаборатории Гуманитарные Технологии.

Далее я пытаюсь выяснить у главного по аналитике в ЛГТ, а что же собственно было повышено в эффективности в компании Хофф?

И вот что мне отвечает руководитель направления аналитики.

Вы уже поняли, почему я акцентирую внимание на статусе моего оппнента. Если бы статьей восхищался филолог, я бы не вступал в дискуссию. Но здесь аналитик даже не задумывается над вопросом, а какова цена – эффективность – внедрения системы аналитики. В кейсе Хофф нет ничего про те самые модели, оценку эффективности, есть только «В итоге наши директора стали брать на себя больше ответственности за происходящее, стали эффективнее принимать решения», это может убедительно звучать для филолога, но "мой коллега" - аналитик ЛГТ - даже не задается вопросом, а какие там модели могут быть, он полностью доверяет коллегам, хотя по идее это его хлеб как аналитика понимать, какая модель стоит за этим! Вы так про "больше ответственности" попробуйте на нормальной конференции по HR аналитике в Лондоне или Сан-Фриско сказать, опозорите нашу страну, дорогой мой "коллега"!

Оппонент предлагает мне доказать, что система не работает, но я ведь говорю о другом: система может быть прекрасно и эффективно работает, но нам про это ничего не известно. Нам про это НИЧЕГО не сообщают. 

«В итоге наши директора стали брать на себя больше ответственности за происходящее, стали эффективнее принимать решения» - если вас эта фраза про результаты кейса вполне удовлетворяет, не читайте дальше, мы из разных Миров.

Как должно было бы выглядеть обсуждение в культуре Оупен Сорсе?

Дальше я фантазирую: Оппонент мне сообщает, что в качестве управляемой переменной они выбрали прохождение / не прохождение вновь принятым испытательного срока. Далее они собирали данные (вот здесь уже вполне возможно сокрытие информации по одной простой причине, что характер собираемых данных может быть ноу хау), а потом построили вот такую модель. И получилось офигенно. Вот к этому уже можно относиться и обсуждать. И я бы сказал: да, блин, молодцы. Но нет, не сказал мне оппонент, поэтому я привожу примеры, КАК должен выглядеть текст в культуре оупен сорсного дискурса

1. Вот простой пример такого поста в культуре оупен сорсе Кейс по оценке эффективности подбора и адаптации персонала - здесь даны все наводки на то, чтобы повторить у себя в компании тоже самое. Много в России подоных кейсов? Да, целых 0. 
2. А вот здесь Почему мы задерживаемся на работе по собственной инициативе? я специально для рукоодителя направления аналитики Лаборатории Гуманитарные Технологии показываю, как должен выглядеть кейс с использованием тестов Лаборатории гуманитарные Технологии. 
3. Если же ни один из упомянутых кейсов не устроит начальника аналитики ЛГТ, то приведу пример альма матер моего оппонента - Склонность к риску грозит отчислением из вуза - специалисты Высшей школы экономики показали предиктор успешности обучения студентов в ВУЗе. Если этот кейс перелицевать на наши бизнес условия, то можно сделать неплохую модель прогноза. 
4. Если вы считаете, что я таким образом рекомендую пройти свои семинары по HR-аналитике, то вы тоже ошибаетесь, вот руководитель корпоративного университета Евгений Бондаренко дает свою аналитику Как аналитика может помочь в оценке эффективности мастер-класса?, и когда ему коллеги задвигают  замечания и критику, он поясняет Normal Test and Power Calculation. Это человек, который не посещал мой семинар, сам пришел к этому. Он открыт к обратной связи. Точнее, я бы сказал, что сама культура работы с данными другого просто не предполагает. 

Достаточно уже примеров?

Следующий кейс. Кейс про Хлебпром

Еще один популярный ресурс в HR приводит пример Как работает ассессмент-центр в компании Хлебпром

Цитирую Евгения Лурье

Всегда полезно, когда коллеги делятся опытом. Особенно, если они проговаривают детали. Ничего нового в ассессмент-центрах пока не придумали, а вот нюансы могут быть полезными.
Я отмечу, что меня зацепило в статье коллеги из Хлебпрома.
1. Совместное использование оценки 360 и АЦ. Идея интересная и известная. Но как в итоге сочетаются эти два вида оценки, вопрос крайне непростой. Мне кажется, что тут проще облажаться, чем преуспеть (оценка потенциала и оценка моим проф.окружением сходны только в одном - оцениваемых компетенциях).
2. Использование АЦ в качестве ежегодной процедуры. Я могу предположить, какие могут стоять за этим аргументы (типа не доверяем обычной оценке менеджеров). Но итоговые затраты выглядят чудовищно, если даже не брать в контур линейных менеджеров.
3. Использование руководителей в качестве оценщиков. Опять же практика на бумаге считается крайне правильной. Но ресурсы... И вопрос обеспечения качества (ведь нужно их всех обучить по стандартам и дальше заставлять стандарты блюсти).
Что думаете про правильные начинания коллег?

Акцентирую ваше внимание на фразе "Что думаете про ПРАВИЛЬНЫЕ начинания коллег?"
А в чем ПРАВИЛЬНОСТЬ, Евгений??? Ну может ответ в статье? Давайте посмотрим
Цитирую статью:

Какие плюсы мы видим в использовании АЦ
АЦ отражает стратегию компании. Проходя через процедуру оценки, сотрудник четко понимает стандарты, к которым нужно стремиться, работая в нашей компании;
АЦ позволяет получить более объективную комплексную оценку по сравнению только с тестами и интервью. Он дает возможность увидеть степень развития компетентностей сотрудника, а также уровень владения необходимыми навыками в ситуациях, максимально приближенных к рабочим;
АЦ дает нам возможность более грамотно планировать обучение сотрудников, развивать именно те компетентности, в которых они  нуждаются.

А в чем "бОльшая объективность оценки"? В статье ни одной цифры!!! Нам могли бы сообщить о том, ради чего оценка проводилась. Может быть по результатам оценки выбирают более эффективных руководителей, у которых меньше текучесть персонала, и они "снимают" это? Нет?
Может быть авторы статьи поделились с Евгением Лурье результатами, а он не счел нужным с нами поделиться? Так это тогда и есть культура черного ящика. Когда "очень крутые" эксперты рынка рассказывают про ПРАВИЛЬНЫЕ решения, не раскрывая при этом саму правильность решения. А мы, простые участники рынка, должны открывать рот и кушать то, что подано.
Или все гораздо проще: автор вообще не думает в дискурсе эффективности?

Вместо заключения

Я ведь ничего нового не выдумаю. Я уже предлагал формат обсуждения (см. О формате конференций по HR-аналитике), причем предлагаемый формат не претендует на уникальность, а, наоборот, всего лишь попытка взять из науки. Хотя у нас, безусловно, свои задачи, свои особенности и свои особенности сбора данных.
Что произошло с момента публикации данного предложения? Меня перестали пускать на подобные конференции - вот главный результат.
Я обращаюсь к экспертам рынка: ну ок, Бабушкин мудак и придурок, но у вас то не возникло вопросов, а собственно, в чем измеряется эффективность системы аналитики в Хоффе? Как там смогли померить "директора стали брать на себя больше ответственности за происходящее, стали эффективнее принимать решения"?
У вас, эксперты рынка, не возникло вопросов к Хлебпрому, к чему они всю эту оценку проводили? Чего они там вообще оцифровали?
Вы, эксперты рынка, чем руководствовались, когда "не замечали" эти статьи? Вы соблюдаете политес? Или вам реально насрать все равно, что с рынокм происходит?

Что даст нам оупен сорсная культура

Я этот пост опубликовал не ради "наехать" или поругаться", как это сразу в кулуарах объяснят некоторые фигуранты данного поста. И я не предлагаю коня в вакууме.
Мои цели предельно прагматичны: я предлагаю сделать рынок HR открытым для конкуренции, для развития. В таких условиях рынок будет расти, спецы будут понимать правила игры и т.п. На сегодня на рынке существует определенная клановость, где вся конкуренция построена на красивых презентациях, личных связях, "мнениях" экспертов.
Не согласны? Пример с Хофф и Хлебпром не убеждает? В одном случае руководитель направления аналитики уважаемой компании "восторгается" решением компании Хофф, после чего рынок начинает "покупать" решение, но эффективности решения не заявлено!!!
В Хлебпроме другой "эксперт" пишет про ПРАВИЛЬНЫЕ решения, но опять 0 цифр... И рынок опять покупается на "мнение эксперта".
АУ! Вам не надоело оболванивать рынок??? Вам не надоело считать нас за идиотов?
Что в ваших решениях больше:
амбиций быть на виду?
лени вгрызать по настоящему в глубину?
просто жажда бабок?
А превращается это все в то, что я прихожу в один очень крупный банк работать аналитиком, обнаруживаю, что связь между результатами ассессмент центра / тестами одной очень известной консалтинговой компании Х и эффективностью работы рукоковдителей равна нулю, а мне руководитель отдела оценки этого банка говорит, что "ну они же мол такие крутые ребята, не может же быть чтобы уж совсем ничего". И продолжают пользоваться говном компании Х.
Уважаемые друзья, мои консалтеры и прочие! Если вы считаете, что я поклеп на вас навожу, то я всегда готов к открытой дискуссии. И сам уже многажды предлагал ее в открытом формате - вплоть до формата как у Навального с Артемием Лебедевым. Но я с легкостью прогнозирую, что для вас пост пройдет незамеченным, ибо это в ваших правилах культуры черного ящика, вы дискутируете только с теми, кто придерживается ваших правил игры. Аминь.
На этом на сегодня все, хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику

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

Normal Test and Power Calculation

Введение

Две статьи тому назад я писал о том, как при помощи HR аналитики можно оценить эффективность учебного мероприятия
Тогда коллеги-аналитики справедливо сделали замечание о том, а были ли проведены тесты на нормальность распределения?
А другие коллеги, тоже из среды умножающих в уме 5-значные цифры, поинтересовались расчетом мощности t-теста, поскольку выборка в итоговом расчете была маловата.
Справедливо и первое и второе замечание.
В предыдущем материале, все эти расчеты остались за кадром. В данной статье я пролью свет на выше озвученные комментарии.

Карьерная скорость в HR

Ну давайте про карьеру. Только сначала пройдите опрос Ключевые факторы эффективности и текучести персонала.
Тема эта мало кого интересует, судя по нашей статистике: 70 % HR не имели или еще не имеют карьерного роста на своей работе. Т.е. как пришли на какую-то позицию, так с нее ушли или еще сидят.
В карьере меня интересует карьерный шаг или карьерная скорость - как быстро кандидат перемещается по карьерной лестнице (кстати говоря, сразу мотайте на ус следующую задачу - выявление драйверов карьерного перемещения).

Методология решения задачи

В опросе я интересовался уровнем позиции респондента на входе и на выходе из компании или на дату заполнения опроса, если респондент работает. Уровни позиции в опросе указаны такие:

1. Начальный уровень   
2. Специалист                  
3. Ведущий (старший) специалист 
4. Руководитель низового звена    
5. Руководитель среднего звена   
6. Руководитель высшего звена 

Т.е. всего 6 уровней. Для решения нашей задачи напрашивается простое решение: посчитать время от начала работы до последнего карьерного перемещения (а у нас в исследовании есть вопрос "Когда было последнее карьерное перемещение перед увольнением"), потом посчитать количество пройденных карьерных ступенек, и понять, на сколько карьерных ступенек уходит рабочего времени, т.е. стажа. Это и будет скоростью карьерного перемещения или карьерной скоростью.

Вот что получилось

• На диаграмме по оси X - стаж работы от даты трудоустройства до даты последнего карьерного перемещения;
• Ось Y - количество карьерных ступенек 

Круто получается. Мои ощущения подсказывают мне, что перемещения по 1-2 карьерным ступенькам от спеца вроде как ничего и не требуют, эти карьерные сдвиги вроде как сами собой происходят, а вот для того, чтобы пройти уже 3-5 ступенек карьеры, нужно уже напрягаться в смысле усидчивости и еще чего-то там типа стабильности что ли.

Динамика карьерного перемещения

Второй важный вопрос, который я хотел проверить - есть ли разница в карьерной скорости в зависимости от того, с какой позиции ты делаешь карьерный шаг.
Ну т.е. быстрей ли ты становишься специалистом с позиции начального уровня или быстрей ли ты становишься руководителем среднего звена будучи руководителем низового звена.

получилось интересно

Здесь ось X также - стаж между позицией, которую спец занял на входе и первым карьерным перемещением.
А ось Y - это уровень, на который спец пришел в компанию
Крускал Уолисс 0, 28, из чего следуют важный вывод: скорость карьерного перемещения не связана с уровнем позиции.
И главное в карьерной скорости - медиана карьерного шага в HR (стаж между двумя разными уровнями в компании) равен 28 месяцев.
Желаю вам в связи с этим ускорения карьерного падения.

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

Статьи по hr-аналитике на английском 15

Представляют пятнадцатый дайджест статей на английском. Предупреждаю - выпуск шикарный, половина статей must read, чтива на месяц. Не забывайте кликать на директ рекламу в качестве благодарности.
Предыдущий - четырнадцатый - вы можете найти по ссылке Статьи по hr-аналитике на английском 14, а через по ссылкам пройти до первого выпуска.

Итак,

1. How Natural Language Processing can Revolutionize Human Resources - HR-аналитика это не только цифры, это еще и текст. И текста в HR значительно больше, чем цифр. Но аналитика давно научилась обращаться и с текстом. Raja Sengupta показывает области применения и задачи, которые решаются с помощью анализа текста. Автор практически неизвестен российской публике, и зря. Хочу сказать, что в данном выпуске было сложно выбрать первую статью, но вы точно не пожалеете, если зашлю сюда и прочитали хотя бы только этот пост. Замечу, что часть поставленных задач мы уже решаем - мониторинг высказываний сотрудников, кандидатов, как вовне, так и внутри компаний см. Сравнение отзывов на Банки.ру. Хотя до уровня Raja Sengupta нам еще очень далеко.
2. Top three trends in people analytics and the future of work 2017 (PAFOW, San Francisco) - мне очень сложно выдавать такие статьи по одной причине: здесь содержится рефлексия пройденного пути и постановка целей вперед. Как это можно понять, если мы это не прожили на своей шкуре? Даю статью, говорю, что очень важно, но читайте осторожно, помня, что нельзя понять вкус банана, если ты его не ел. Картинка в моем дайджесте из этой статьи. Это показ того, где сейчас HR аналитика есть. На конференции по HR-аналитике, которую я проведу, мы должны нарисовать свою картинку. 
3. Will Machine Learning Consume Psychometrics? - главная моя претензия к пользователям психометрических инструментов -использование этих инструментов без валидизации на данных компании. Есть у нас звездоболы консалтеры, которые считают, что такой то тест позволяет отбирать эффективных, значит так оно и есть. Это неправильный, мягко говоря, подход. Делается это как минимум вот так Отбираем "звезд" на этапе подбора с помощью тестов. Психометрика сама по себе может быть полезной HR-аналитике, если последнюю понимать как машинное обучение. Вот как раз на выстраивание сотрудничества нацелена данная статья.
4. People Analytics & the Future of Work Conference: A Review - эта статья тоже про осмысление путей. Это опять для тех, кто сделал несколько шагов. Вот только одна фраза для затравки "Balancing data analysis on aggregates (segments, clusters) and individuals (flight risk) is a move to understand how interactions with peers might help, or hinder, productivity and engagement". Поверьте, чуваки, которые в теме, оценят эту фразу.
5. The People Analytics Interviews: #1 Anshul Sheopuri, IBM - David Green, которого будут возить в Россию как сейчас стали возить Джона Салливана, которого я открыл рынку, придумал классную штуку: стал брать интервью с действующими hr аналитиками в компаниях. Не показушными типа Берсина, а действующими. Читаем и завидуем. 
6. Интервью от уважаемых авторитетов:Берзин (я не объясняю, кто это, но вы уже должны знать)

• Everything Is Becoming Digital: Talent, Business, And HR Predictions For 2017 - статья из Форбс
• Everything Is Digital: Ten HR and Talent Predictions for 2020 - это не статья, а презентация на slideshare
• «Руководители перестают верить HR-менеджерам» - а это интервью на русском. Но текст очень простенький: для начинающих и убогеньких 
• Laszlo Bock: The Future of HR Lies with Data Science - и из названия вы уже поняли, что это не Берзин, а бывший вице президент Google по HR Ласло Бок дает интервью. Неплохое интервью.

На этом на сегодня все, хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

Потребность в отраслевых HR по регионам

Еще один результат нашего исследования Ключевые факторы эффективности и текучести персонала. Вам нужно пройти по ссылке и поучаствовать в опросе.
Название сегодняшнего поста корявое, смысл его простой: я хочу показать отраслевое распределение HR по регионам.
Или, поскольку HR обслуживает отрасли, мы можем сказать, что мы просто снимаем популярность тех или иных отраслей по регионам.

Результат

Как читать диаграмму

• В строках - отрасли
• В колонках - регионы, надеюсь, вы разберетесь с названиями
• В ячейках - доля по колонке/ Региону. Т.е. сумма по колонке равна 1

Результат ожидаем и интуитивно понятен за некоторыми исключениями.
В Москве на первом месте стоят банковские HR, но в процентном соотношении Москву обогнал Урал. Урал, у васпромышленные HR не имеют выхода в интернет? У станка застряли? Подтягивайтесь - вот ссылка на опрос, выравнивайте положение.
Самый IT регион - Санкт-Петербург, это ожидаемо, но я лично большего ожидал от Поволжья
Промышленность развита в подбрюшье Москвы и Санкт-Петербурга. И Урал, конечно, повел.
А вот Дальневосточные HR реагируют на опрос по большей части только из розницы. Явный перекос.
На этом на сегодня все, хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику.

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

Проблемный анализ взаимного влияния отрасли и частоты премий на текучесть HR-ов

В исследованиях Э. Бабушкина было показано:

1. Отрасль связана с текучестью среди HR;
2. Частота премий связана с текучестью персонала.

Проверяем гипотезу о связи двух факторов текучести среди HR-ов: отраслью и частотой премий.

С целью повтора и проверки исследования привожу входные данные анализа:

Для исследования использован датасет от 17.12.2016.
Установлены следующие ограничения:
1. Сфера деятельности: HR;
2. Диапазон стажа в месяцах: от 1 до 100;
3. Отрасли оптимизированы (сгруппированы) следующим образом:
- Банки;
- ИТ;
- Консалтинговые компании;
- Производство = промышленность, энергетика, добыча сырья, сельское и лесное хозяйство;
- Прочее = ВУЗ, культура и искусство, наука и образование, здравоохранение, физическая культура и социальное обеспечение, государственные органы управления, некоммерческие организации;
- Сервис и торговля = оптовая торговля, розничная торговля, отели и туризм, недвижимость, общественное питание;
- Строительство.
4. Итоговое количество наблюдений: 1489.

Проверка распределения частоты премий по отраслям выявила Хи2 = 4,45068E-16.

 Таким образом наибольшая доля отсутствия премирования пришлась на строительство, сервис и торговлю, IT. Наименьшая на банки и производство. Самые частые выплаты премий в зависимости от периодичности:

1. Ежемесячные - консалтинговые компании;

2. Ежеквартальные - банки;

3. Ежегодные - производство.

Проблемная часть анализа.

Повторим для выделенных групп анализ выживаемости с помощью регрессии Кокса в SPSS.

Событие увольнения состоялось для 64% наблюдений.

Универсальные критерии коэффициентов модели
-2 Log-правдоподобие	Общая (оценка)			Изменение от предыдущего шага			Изменение от предыдущего блока
	Хи-квадрат	ст.св.	Значимость	Хи-квадрат	ст.св.	Значимость	Хи-квадрат	ст.св.	Значимость
12438,547	14,811	6	,022	14,978	6	,020	14,978	6	,020
Общая оценка показывает статистическую значимость модели. График свидетельствует о наибольшей текучести HR-ов в строительстве и наименьшей в производстве. Данные относительно этих категорий находят подтверждение в долях отсутствия выплат премий, для строительства она наибольшая, а для производства наименьшая. Но текучесть для остальных категорий не укладывается в настоящую модель. На графике к строительной области довольно близки консалтинговые компании (наибольшая доля ежемесячных премий), банки (наибольшая доля ежеквартальных премий, наименьшая доля отсутствия премирования). При этом к производству, где текучесть оказалась наименьшая, на графике близка IT-сфера, в которой, как и в строительстве, высокий процент отсутствия премиальных выплат.  По совокупности: модель адекватно отразила экстремумы наличия или отсутствия  премий в зависимости от отрасли (строительство/производство), но не позволяла интерпретировать все промежуточные сферы. Вероятно, что большую роль играет также частота именно ежегодных премий, но это также не объясняет всех наблюдений.

Анализ текучести Кадрового резерва

<!--

Данная статья подготовлена для учебных целей. В ней используются вымышленные данные. Любые совпадения с реальными бизнесами или компаниями являются случайными.

Все расчеты и визуализация сделаны в R. Отчет – в R Markdown.

Введение

Идея этого небольшого исследования состоит в том, чтобы ответить на вопрос, есть ли закономерность во времени (месяц) увольнении сотрудников из кадрового резерва.

Например, существует стереотип, что “многие менеджеры ждут годовых бонусов, а уже после их получения увольняются из компании”. Если это действительно так, тогда цифры должны нам все показать. Т.е. если компания выплачивает годовой бонус, например, в марте, тогда в апреле-мае нужно ожидать гораздо больших увольнений, нежели в другие месяцы года.

Давайте это и узнаем и проверим данную гипотезу!

Статьи по hr-аналитике на английском 14

Представляют четырнадцатый дайджест статей на английском. Предыдущий - тринадцатый - вы можете найти по ссылке Статьи по hr-аналитике на английском 13, а через по ссылкам пройти до первого выпуска.
Итак,

• New ways to run engagement surveys - если Вы всерьез задолбались от проведения опросов вовлеченности, и всерьез хотите сами что-то поменять, а не просто слушать лапшу консалтеров, то вам не пройти мимо имени Andrew Marritt, в статье он рассказывает про новые подход к измерению вовлеченности. Но нчать я бы предложил со статей Engagement surveys - Part 1, issues with the traditional approach и Employee feedback & engagement measurement - the future. Замечу кстати, что скоро бОльшая часть консалтеров как попугаи будут повторять то, о чем я пишу у себя в блоге про вовлеченность, поэтому успевайте включить свои мозги. И вдогонку еще одна статья в ту же тему How frequently should you survey employees?
• Top 5 Trending HR Analytics Articles of January 2017 - в моем дайджесте ссылка на чужой дайджест лучших статей. Читаем.
• It's never too early to start - HR аналитик Apple Amit Mohindra расшарил свою статью шестилетней давности. Как вы догадались, актуальность эта статья не потеряла до сих пор. Заодно открываем для себя одного имя в HR аналитике. 
• Mapping unemployment data, 2016 - это чисто для спецов, кто работает в R. Я так намекаю, что интересно было бы посмотреть российскую картинку.
• Why Informal networks are set to revolutionize HR and People Analytics - статьи в HR, основанные на анализе графов, появляются не часто, тем они ценны. Хотя я откровенно не понимаю пока бизнес value исследования неформальных сетей в компании, но может быть со временем прозрею. Подскажите мне, если у вас есть свое мнение на этот счет.
• Developing a Talent Analytics Function: Build, Buy, or Borrow - и еще на тему того, как строить команды HR аналитики в компании.
• И еще для спецов: на kaggle-е создана страничка HR-аналитики с датесетом по текучести персонала. Попытайте счастья.

На этом на сегодня все, хотите следить оперативно за интересными ссылками, лайкните нашу страницу в фейсбуке Блог про HR-аналитику

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.

Сколько я стою на рынке. Как создавался сервис

Хочу спецам рассказать, как создавал сервис Сколько я стою на рынке.

Идея очень простая: клиент заполняет анкету, сообщая данные о себе и своей работе, а я в ответ даю отчет, насколько зарплата клиента «в рынке». «В рынке» это среднее значение зарплаты, которое платят на рынке  при данных клиента.

Математика за этим такая: я построил регрессию, где Y выступает актуальная зарплата, а в качестве предикторов – порядка 20 факторов. Полный список их указан здесь Сколько я стою на рынке. И если реальная зарплата клиента ниже прогнозного значения, то он недооценен на рынке, и, наоборот, если зарплата клиента выше прогнозного, то ему платят больше.

Самый важный вопрос

Данные я насобирал сам. Два года назад я начал опрос ключевые факторы текучести персонала, за это время я набрал более 4 000 строк данных. Но модель я пока нарисовал только для коллег HR. У меня есть по HR 1 500 строк с зарплатой. Поэтому самым трудным было насобирать данные. Было и остается самым трудным, поэтому, если вы хотите мне искренне помочь, поучаствуйте сами и пригласите друзей поучаствовать в опросе Ключевые факторытекучести персонала.

Сложности создания модели

Этот раздел для тех, кто сам создает алгоритмы. Для меня проблема была не в настройке модели, не в тюнинге модели, а в создании именно сервиса. В настройке pipeline. Технически теперь это выглядит так: клиент заполняет анкету, я первым кликом загружаю его данные в машину, вторым кликом получаю результат, третьим кликом выгружаю данные в отчет. Но алгоритм в этом момент не просто строит прогноз зарплаты, но проделывает работу по преобразованию исходных, сырых данных опроса.

В этом для меня и кроется различие между статистикой и машинным обучением. Ниже я расскажу про то, какие проблемы я решал.

Dummy coding

Первая проблема, с которой я столкнулся – преобразование категориальных переменных в новом датасете. Уже начинающий аналитик знает, как преобразовывать категориальные переменные с помощью фиктивных переменных.

В итоге из одной переменной мы получаем N-1 фиктивных переменных, где N – число уровней категориальной переменной. В Python для этого существует прекрасная функция pandas.get_dummies()

Это просто на самом деле. Проблема возникает, когда мы на вход натренированной модели подаем новый датасет. Поскольку количество уровней категориальных переменных будет различаться, и будет различаться количество фиктивных переменных.

Т.е. если в датасете, на котором мы тренировали модель, у нас десять регионов, то фиктивных переменных будет девять. А потом мы хотим дать прогноз какому то одному клиенту из Нижнего Новгорода. Применяя dummy coding, мы получим одну фиктивную переменную. И размерность датасета для модели и нового датасета будут различаться. Модель не примет наш новый датасет. Нам нужно получить 9 колонок. Поначалу я хотел в каждый новый датасет добавлять искусственно созданных работников, в данных которых бы содержался полный набор уровней всех категориальных переменных. Но это неудобно!

В итоге решил эту проблему (но не с помощью pandas.get_dummies(), я применил в pipeline DictVectorizer(), хотя готов поспорить, кто -то из спецов по Python попробуют меня убедить, что надо использовать OneHotEncoder(). Можно его использовать, но путь долгий и через жопу), заложив в def fit датасет, на котором тренирую модель, а в def transform новый датасет. Если вы работаете в Python и работаете с class, то понимаете, о чем речь. Сейчас мое решение кажется понятным и простым, но убил я на него кучу времени.

Стаж

Другая проблема заключалась в том, что я создал несколько переменных, которых не было в опросе. Это такие переменные, как стаж и возраст. В опросе есть вопросы «Дата трудоустройства», «Дата увольнения», причем, если респондент работает на момент заполнения анкеты, то Дата увольнения остается пустой. Таким образом, если клиент работает на сегодня, то на входе его дата увольнения заполняется датой заполнения опросника, а потом получается стаж вычитанием из актуальной даты даты трудоустройства. Ну и естественно, применяется scaling, как впрочем, ко всем переменным в алгоритме

Текст

Текстовая переменная в исследовании появилась, когда я понял, что такой вариант работы с функционалом будет идеальным. От всякой классификации функционала работников я отказался изначально. Это была бы портянка на десятки поинтов, причем, даже в этом случае я бы не смог дать 100% совпадения, но, главное, в том же HR никто не занимается одной функцией. Поэтому я сделал просто: предложил респондентам «руками» описать свой функционал.

В работе непосредственно с самим текстом трудности существуют только в настройке правил. Кто-то свою функцию описывает как “c&b”, кто-то как “comp&ben”, я оба вариант привожу к варианту ”compben”. Поэтому работа такая не закончена, я стараюсь каждую новую запись проверить на наличие каких-либо профессионализмов с тем, чтобы привести к едином виду.

Техническая проблема для меня была заставить работать сетку (GridSearchCV) на настройку параметров текста (параметры TfidfVectorizer: ngram_range, max_df, min_df) с параметрами модели. Опытные спецы скажут, а что здесь такого, я отвечу: да, ничего такого нет, когда ты прошел хоть один раз, но первый раз не просто.

Спасибы

• В первую очередь, спасибо курсу МИФИ на Курсере Обучение наразмеченных данных и преподавателю Эмели Драль, лекции которой были просты, ясны и вкусны из-за наличия кода. Собственно, на лекции Эмели я познакомился с pipeline, поначалу жжужал от этих трехэтажных кодов, не понимал, зачем этот OneHotEncoder нужен, когда есть простой и прекрасный get_dummies. К сожалению, жизнь не такая простая. Кстати говоря, Эмели не дала код по pipeline, который можно было просто брать и применять. Т.е. он сам по себе полезный, но не для моей задачи. Мой код в итоге кардинально отличается от даваемого на курсе лаже в том, как подаются переменные на вход. Но тем не менее, знание бесценно. И бесплатно!
• Во-вторых, хочу выразить всем чувакам со stackoverflow! Там куча крутых перцев, и я там на сегодня заработал уже больше 300 баловJ И не только вопросами, я уже отвечаю иногда. Это крутой ресурс для развития.
• В третьих, отдельное спасибо Zac Stewart с постом Usingscikit-learn Pipelines and FeatureUnions. Я не постеснялся задать два вопроса. В итоге сам решил свою проблему, но, тем не менее, без общения и без этого поста я не уверен, что сервис был бы создан. И если вы будете создавать свои pipeline-ы, то вы мимо этого поста не пройдете, на него ссылаются многие другие спецы. 
• Спасибо Кириллу Захарову - аналитику из Днепра, Украина, который помогал мне создавать опрос.
• Спасибо Людмиле Роговой, которая терпеливо выслушивала мои размышления по поводу алгоритма.
• И спасибо рынку, который пинает и заставляет искать решения.

Последнее

Если вы причисляете себя к IT рынку, если вы называете себя IT специалистом (Россия), я сделаю вам отчет (по ссылке шаблон) совершенно бесплатно, если вы корректно и полно пройдете мой опрос. И напишите мне edvb()yandex.ru

Это бесплатно! Можете в качестве благодарности покликать директ рекламу у меня в блоге. 

Стоимость функций HR на рынке

Затачиваю услугу Сколько я стою на рынке, смотрю как различные факторы влияют на уровень вознаграждения. Сегодня посмотрел, как функционал HR связан с нашей зарплатой.
Ранее я уже давал такой анализ, см. Какой функционал HR самый дорогой или кто в HR получает больше. В этот раз анализ дает более точную картину по простой причине: у нас значительно больше данных.
Коротко введу в проблему анализа: очень сложно формализовать функции HR (даже подбор бывает массовый и для топ позиций,  еще кдп в полном объеме и не полном, а еще есть охрана труда и все такое прочее), а кроме того, сложно найти компанию, где HR выполнял бы только одну функцию.
Поэтому я пошел по самому простому пути: я прошу респондентов словами / текстом описать свой функционал. А далее строю регрессию, где Y - указанная зарплата, а X - описание функционала.
Для самых продвинутых скажу, что описание функционала объясняет 8 % дисперсии зарплаты. Ничего не могу сказать по поводу, много это или мало.

Результат

Самое вкусное в том, какая функция сколько стоит.
Даю две картинки по традиции

Рекомендую кликом увеличить картинку. Здесь показаны самые дорогие функции HR. Размер шрифта соответствует рангу стоимости функции HR на рынке. Заметно, что управление бюджетом практически равно HRD. Очень много функционала, связанного с мотивацией:

• comp&ben;
• мотивация;
• оплата труда;
• премирование и т.п.

Обратите внимание, что на картинке широкий спектр функций:

• elearning;
• автоматизация;
• формирование кадрового резерва;
• социальная политика;
• проведение корпоративного мероприятия;
• HR бренд

И HR аналитики не на последнем месте. Но обратите внимание, какой разрыв в оплате труда между стоимостью функции руководства HR и ... не руководством...

Низкооплачиваемые функции

Смысл данной картинки аналогичен вышеприведенной - показана стоимость функций HR на рынке, но показаны они с другого конца. Т.е. чем больше размер шрифта, тем меньше оплачивается функция HR на рынке. Здесь в общем тоже неплохой набор функций HR:

• внутренние коммуникации;
• tandd - это T&D;
• корпоративная культура;
• наставничество;
• ассессмент;
• тестирование;
• удержание персонала.

Пожалуй все. Не согласны? участвуйте в исследовании и доказывайте, что ваша HR функция дорога не только вам, но и рынку.

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.