Анализ текучести персонала – Описательные методы

Перевод статьи Analyzing Employee Turnover - Descriptive Methods. Автор статьи мой хороший знакомый - Richard Rosenow. Надеюсь, он не обидится на такое панибратство, а даже проведет вебинар у нас на сайте.
А автор перевода Екатерина Малинина. HR business partner в IT-отрасли. Эксперт в оценке, обучении, развитии талантов. Помогает менеджерам строить эффективные и надежные команды, способные переложить в программный код любую задачу бизнеса. Профиль в фейсбуке и в Линкедине
Перевод выполнен в рамках нашего проекта переводы статей по hr-аналитике на английском.
Итак

Анализ текучести персонала – Описательные методы

Текучесть персонала, как дырявое ведро

Маркетологи сравнивают привлечение новых клиентов с наполнением дырявого ведра водой. Сколько ни лей воды в такое ведро, наполнить его не удастся. Мешает либо протечка (клиенты уходят к конкурентам), либо испарение (клиенты покидают рынок).
(Подписи к рисунку с ведром)
Покупатели, которые покидают рынок
Испарение
Покупатели, которые только пришли на рынок (процент привлеченных нашей компанией)
Покупатели, которые пришли к нам от конкурентов (величина переключаемости между брендами/ компаниями)
Доля рынка
Покупатели, перешедшие к конкурентам (показатель удержания компанией)

Заменив «покупателей» на «сотрудников», получим подходящую аналогию, демонстрирующую взаимосвязь найма и «текучки» персонала. Рекрутеры наливают воду в ведро (т.е. нанимают сотрудников), а исчезает она через дыры («добровольная текучка») и испарение («вынужденная текучка»). Если мы имеем 10%ную добровольную текучку, значит, именно такое количество людей мы должны нанять, чтобы обеспечить рост бизнеса. Восполнение оттока сотрудников есть борьба за бизнес.

Что, если бы мы знали, в каких местах повреждено ведро и могли его заделать? Вместо того, чтобы терять персонал и нанимать заново, мы могли бы лучше разобраться в своих сотрудниках. Без понимания причин текучести эту проблему нельзя решить.

Методы анализа текучки персонала

Ниже я расскажу о нескольких базовых методах выявления и анализа текучки персонала в организации. В частности, я остановлюсь на описательных методах оценки текучки и промежуточных методах, которые учитывают изменения с течением времени.

Описательные методы

Подсчет показателей текучести и удержания персонала доступен любому HR-профессионалу. Это прекрасный старт для начала изучения проблемы оттока персонала. Существуют и более продвинутые мотодики описания текучки и выявления факторов, прогнозирующих ее, но начнем с наиболее простых метрик.

Показатель текучести персонала

Это оценка текучки, о которой вы слышали чаще всего. Показатель ежегодной текучки кадров определяется как число сотрудников, покинувших компанию в прошлом году, к общему числу сотрудников. Численность персонала в данном случае высчитывается как среднее от общей численности персонала в начале и в конце периода. Данный показатель может быть рассчитан не только для года, но и месяца, недели. Период, для которого исчисляется показатель, должен быть определен в названии показателя.

Надеюсь, я еще не утомил вас. На Wikihow можно найти подробное объяснение, «как высчитать текучесть персонала» (картинка как раз оттуда).

Данный показатель можно применять, например, для сравнения текучки персонала в вашей компании и в среднем по отрасли бизнеса. Существует довольно много бенчмаркинговых исследований, например, CompensationForce.com, который я использовал в таблице ниже. Однако межотраслевое сравнение может быть непоказательным, если вашей отличительной чертой в бизнесе является стратегия оборота/удержания персонала.

Перевод картинки 

2014 Добровольная текучка персонала
Все отрасли	11.0%
Банковское дело и финансы	13.3%
Здравоохранение	13.0%
Гостиничный бизнес	20.2%
Страхование	8.1%
Производство и дистрибуция	8.6%
Некоммерческие организации	11.2%
Сфера обслуживания	8.6%
Коммунальные услуги	6.9%

Определив уровень текучки персонала вашей компании, продолжайте анализ с учетом различных демографических показателей или различных направлений бизнеса. Сравнение текучки двух похожих подразделений позволит определить «болевые точки» и предложить конкретные действия в помощь менеджеру для сокращения числа увольнений. Анализ показателя в разрезе демографических данных поможет удостовериться в отсутствии трендов внутри конкретных групп персонала.

Я предлагаю данный метод, потому что он является основополагающей метрикой для изучения текучки и отправной точкой для осуществления более продвинутого анализа. Однако данный показатель отвечает на единственный вопрос: «сколько людей покинуло компанию?» Если на совещании с высшим руководством вам необходимо ответить на вопросы «кто, почему, когда и как покидает компанию?», одна единственная цифра вам не поможет.

Подсчет числового показателя не расскажет вам, кто склонен покинуть компанию, какая группа персонала, скорее всего, уйдет и на каком этапе своей работы в компании, как это предотвратить и является ли это проблемой, вообще. Например, если причиной ухода сотрудников в течение первого месяца работы является неэффективный процесс адаптации, сам по себе показатель текучки не поможет выявить это. Но я гарантирую, что анализ текучести персонала может дать гораздо больше, чем просто цифру. 

Показатель удержания персонала

Показатель удержания персонала похож на показатель текучки, но имеет дополнительное преимущество. Он учитывает потерю персонала за определенный период времени и, в дополнение, убирает «шумы» в виде сотрудников, нанятых и уволившихся за этот же период времени. В зависимости от того, что вы хотите измерить, данный показатель может значительно увеличить надежность вашего исследования. Процитируем статью SHRM «Подсчет показателя удержания персонала»:

(Число сотрудников, продолжающих работать в компании за расчетный период времени/ число сотрудников в начале расчетного периода времени)* 100

Данный показатель позволяет исследовать персонал компании отдельно от новичков. Так же, как и показатель текучки, его можно использовать в разрезе демографических данных, функций, общностей, подразделений компании.

Вы можете использовать показатель удержания персонала относительно текучки, чтобы исследовать, какое влияние на персонал оказала новая программа вовлечения, процесс объединения или определенное управленческое решение. Также данная метрика позволяет отделить ежегодные изменения в текучке от изменений численности, вызванных ростом компании. Бурный рост означает высокий отток новичков, который отразится на показателе текучки, но не проявится в показателе удержания персонала.

Промежуточные методы

Я называю эти методы промежуточными, т.к. они не оcновываются на продвинутых показателях и по своей природе остаются описательными. Однако методы скользящих средних и когортный анализ вводят переменную времени в исследование текучки, что позволяет еще качественнее раскрыть данное явление.

Метод скользящего среднего значения

Скользящее среднее значение придает новый увлекательный смысл данным. Это базовый метод сглаживания, позволяющий анализировать набор данных на протяжении времени. Метод заимствован из сферы финансов, где обычно он используется для анализа биржевых показателей.

На графике ниже представлены сырые данные о ежедневной доходности (изменчивые и сложные в интепретации), 15ти-дневная скользящая средняя и 50ти-дневная скользящая средняя. На основе ежедневных данных невозможно выявить значительные изменения в цене на протяжении всего колебательного цикла, но, если сравнить с 50ти-дневным скользящим средним, становится очевидным, что цена на акции выросла. Таблица ниже (источник: Investopedia) показывает, как посчитать 10ти-дневное скользящее среднее значение.

Применительно к текучке этот метод позволяет наблюдать ее изменение с течением времени. По моим наблюдениям, сочетание управленческих практик, традиций и психологии приводит к тому, что количество увольнений увеличивается по понедельникам и пятницам, а также в начале и в конце месяца. Люди не увольняются по средам перед днем выплаты зарплаты. Отслеживание двухнедельных (период выплаты заработной платы) или месячных скользящих средних значений позволяет сгладить потенциальные «вспышки» увольнений.

Скользящие средние помогают ответить на вопрос «изменился ли показатель текучести?» Во время массовых увольнений или изменений в бизнесе этот показатель позволит отслеживать уровень добровольной текучести. А в сочетании со статистическими методами управления процессами данный показатель поможет выявить увеличение текучки в одном подразделении по сравнению с другими вследствие изменения бизнес-процессов.

Примечание: занимательная статья двух превосходных исследователей текучести персонала Charlie Trevor и Anthony Nyberg о корреляции между увольнениями и всплесками добровольной текучести.

Для данного метода важен размер выборки. Если в вашей организации или отдельном ее подразделении количество увольнений невелико, то метод скользящего среднего значения не будет показателен. Размер выборки принципиален не только для метода скользящего среднего, но, в целом, и для всех показателей в данном обзоре. Метод скользящего среднего значения – важный шаг на пути к изучению причин текучести персонала, но стоит рассмотреть и другие техники.

Когортный анализ

Техника когортного анализа чаще всего используется в маркетинге для изучения оттока клиентов. Как маркетологи хотят знать, когда клиент перестанет пользоваться их услугами, так и HR’ы хотят знать, когда сотрудник решит покинуть компанию. Сегментируя сотрудников в группы (когорты) по дате начала работы в компании, вы можете отслеживать показатель удержания персонала внутри каждой когорты. Исследуя группы вместе, можно наблюдать сходство с покупательским жизненным циклом.

На рисунке выше (источник – Kissmetrics blog) замените «покупатель» на «сотрудник» и получите те же выводы, что и маркетолог. В когорте «сотрудников», нанятых 13 января, по горизонтали можно наблюдать число сотрудников, удерживаемых из месяца в месяц. Так же, как и показатель удержания персонала, анализ групп исключает некоторые шумы, которые присутствуют в смешанных выборках сотрудников.

Усредняя набор данных в каждой колонке, мы можем предполагать (довольно грубо) примерное значение показателя удержания персонала для каждой когорты. Если бы в таблице шла речь о сотрудниках, и мы бы наняли в конкретном месяце 100 человек, то при отсутствии каких-либо изменений в процессах примерно 80% из этих ста человек продолжали бы работать с нами 9 полных месяцев (крайняя правая ячейка внизу таблицы). Я подчеркиваю, что эти цифры лишь примерны, потому что этот вид анализа в большей степени эвристический, чем обоснованный статистическими исследованиями. Тем не менее, он более надежен, чем предположение или интуиция. 

Корень когортного анализа в том, что этап жизненного цикла сотрудника отражает вероятность его ухода. Исследования подтвердили, что вероятность ухода «новичков» (не обязательно молодых сотрудников) отличается от вероятности ухода «старичков» (Hom et al 2008). Вполне здравое утверждение, однако мы забываем о нем, когда используем агрегированные базовые метрики, такие как показатель текучести или показатель удержания персонала, в целях построения прогнозов. Метод когортного анализа позволяет предполагать вероятность ухода сотрудника из компании в зависимости от того, в каком месте жизненного цикла работы в компании этот сотрудник находится в данный момент.

В то время, как когортный анализ приближает нас к пониманию некоторых факторов, лежащих в основе текучести персонала, многое остаётся нераскрытым. Для начала, если учет ваших кадровых данных велся не вполне добросовестно, использовать их в целях анализа за большой промежуток времени будет проблематично. Чтобы изучить 9 выборок текучести за первый месяц, требуется сбор и ведение данных в течение 9 месяцев. Только за 9 месяцев число усредняемых выборок неуклонно снижается с каждым месяцем, пока (рисунок выше) у вас не остается одна единственная выборка, на основе которой вы вынуждены судить (с большой долей допущений) о поведении сотрудников в 9 месяце.

Несмотря на то, что данная оценка не может предсказать уход конкретного сотрудника, вы можете использовать ее при прогнозировании движения целых групп кадровых ресурсов. Когортный анализ, например, поможет оценить, сколько новичков дойдет до конца своего испытательного срока. Дополнительную информацию или примеры когортного анализа можно изучить на CohortAnalysis.com.

Заключение

Я надеюсь, мне удалось раскрыть несколько базовых техник изучения текучести персонала. Новичкам в этой теме я предлагаю поделиться обратной связью, полезен ли материал данной статьи. Я хотел бы рассказать еще очень многое по теме текучести, но объем информации достаточно велик и, думаю, будет лучше разбить его на несколько частей. Ждите на следующей неделе статью о продвинутых методах. Я собираюсь рассказать о логистической регрессии и анализе выживаемости, которые позволят вам прогнозировать текучесть.

- Richard Rosenow 

Как наставники на испытательном сроке формируют бренд компании

В нашем исследовании, которое ждет вас и надеется на ваше личное участие есть вопрос "Наличие наставника на испытательном сроке":

1. да, другой специалист компании
2. да, он же мой руководитель
3. нет, наставника не было

А также есть вопрос "Готовы ли Вы рекомендовать эту компанию в качестве работодателя своим знакомым, коллегам?":

1. Да
2. Нет
3. Не знаю

Второй вопрос я рассматриваю как одно из проявлений Бренда компании: чем больший % рекомендует, тем бренд брендовей.
Связь между наличием наставника на испытательном сроке и брендом такая

Хи квадрат устроит любого гурмана - 0.000234992723754384.
Таким образом нам осталось понять, может ли быть этот эффект опосредован другим фактором, а если нет, то тогда наставникам на испытательном сроке надо доплачивать надбавку за вредность за работу по формированию бренда компании.
То, что я сделал, является очень простой аналитикой, вы такое будете легко делать после семинара Семинар - практикум "Аналитика для HR", 19-20 октября 2017 г., г Москва

Понравился пост? 

и Вы захотите выразить мне благодарность, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег. Или поучаствуйте в исследовании в знак благодарности.
На этом все, читайте нас в фейсбуке 

Отзыв на Семинар-практикум "HR-Аналитика в R", Москва, 20-21 июня 2017

20-21 июня состоялся первый в России семинар HR-Аналитика в R, на который пришли пятеро участников. 

Надеюсь. что первый блин не комом.

Самое вкусное скажу в начала: участник разыграли книги издательства ДМК Пресс по аналитике, и самая вкусная книга досталась Людмиле Роговой (на моя взгляд, самая вкусная) - Введение в статистическое обучение с примерами на языке R - если у Вас есть желание развиваться в аналитике, обязательно купите эту книгу. Она не самая дешевая, но дешевле семинара, а знаний там больше!

Остальным участникам тоже неплохая книга досталась - R в действии. Анализ и визуализация данных на языке R - это хороший справочник по выполняемым действиям в R. 

В идеале стоило бы стоило сделать курс с последовательным изложением тем, примерами и последующими заданиями, но как показывает практика, очень сложно собрать участников на такой курс, они отваливаются по ходу курса. Поэтому я создал двух дневный семинар. 

Понимая все риски такого подхода, где главная проблема - проблема закрепления навыков, я построил семинар так, чтобы дать участникам семинара максимум шаблонов готового кода в R для решения большинства известных задач предиктивной аналитики в HR. И каждый скрипт представлял из себя решение какой либо задачи. Начиная от самого важного этапа аналитики - знакомства и чистки данных. 

В этом смысле, кстати, семинар отличался от многих курсов по машинному обучению, где чаще даются знания об алгоритмах машинного обучения. Я же постарался дать код и знания про то, как бороться с мусором в данных. 

И конечно же, упор был на алгоритмах машинного обучения, мы решали задачки:

• регрессии;
• классификации;
• дожития.

Разбирали подходы к кросс - валидации, обучению различных алгоритмов на одинаковых данных, выбор лучшей модели на основе метрик качества модели. 

Ну и плюс дополнительно посмотрели анализ текста, и я дал скрипт, который позволяет автоматизировать обсчет результатов корпоративного опроса: вы его запусаете, а он вам в итоге дает одну картинку про все. 

Ну вот как-то так. 

Важный элемент семинара: участник должны выполнить домашнее задание. Они получили сет с данными, в котором им самим нужно выбрать решаемую задачу, далее они чистят данные, тренируют несколько разных алгоритмов и выбирают лучшую модель. Ну и безусловно, я буду отвечать на вопросы участников, которые возникают по ходу выполнения домашнего задания. 

И я для себя решил: не будет выполненных домашних заданий от участников, не буду больше проводить семинар. Ибо а нафиг тогда?

Тем не менее, если у Вас есть желание поучаствовать в семинаре, вы можете подать заявку, пройдя по ссылке 

Семинар-практикум "HR-Аналитика в R", Москва - даты не определены, но я буду понимать, есть ли желающие, я с Вами свяжусь, обсудим ожидания, программу, ваш запрос и т.п...

Ждем их постов в блоге. Жестко? Год назад я бы не поверил, что решусь на такое: за два дня давать XGBoost, KNN, кросс валидацию, caret, анализ текста и все такое.

Теперь понимаю, что можно такое делать. Принципиально концепцию менять не буду, но акценты надо таки акцентировать. 

Как дорого обходится текучесть персонала? Бизнес-кейс

Перевод статьи How Expensive is Staff Turnover? A Business case .
Первод выполнила Ирина Тимофеева, специалист по T&D, которому я даю переводить статьи про текучесть)) еще два перевода, Ирину можно брать специалистом по управлению текучестью персонала на основе данных. Ссылка ведет на профиль в фейсбуке.
Перевод выполнен в рамках нашего проекта переводы статей по hr-аналитике на английском.
Итак

Как дорого обходится текучесть персонала? Бизнес-кейс 

Несколько недель назад, я беседовал с Джейком, управляющим партнером в одной из бухгалтерских фирм. Его проблема номер один -  нанимать на работу в компанию правильных сотрудников. Проблема номер два – удержание этих людей. Выяснилось, что каждый год компанию покидают свыше 20% сотрудников. Я спросил Джейка (немного удивив этим) как он думает сколько обходится компании замена одного бухгалтера. После небольших раздумий, он прикинул, что затраты составляют около 100 000 долларов на 1 бухгалтера. Оказалось, что Джейк теряет деньги также быстро как и свой персонал. Текучка кадров в его компании значительно уменьшала его прибыль, а он даже не в полной мере осознавал это.
Мы попытаемся помочь разобраться с этим. Много кто упоминает об аналитике, посвященной анализу текучести кадров и его удержанию. Именно поэтому мы решили создать серию из трех статей, посвященную тому как прогнозировать текучесть персонала (включая пошаговую инструкцию). В этой первой части мы опишем общую вводную часть относительно текучести персонала.
Почему затраты при уходе персонала так велики и можно предотвратить их?
Уход персонала  - серьезная проблема для некоторых компаний, особенно если это касается высокопотенциальных сотрудников. Так называемая «война за таланты» отражается на каждом. Возьмем для примера разработчиков – разница в результативности между самыми лучшими в мире и самыми худшими достигает более чем десятикратного значения. Этот феномен не уникален только для IT-индустрии. В большинстве индустрий, 20% наиболее эффективных сотрудников обеспечивают около 50% всего результата. Это было выявлено среди писателей, изобретателей, футболистов, полицейских и представителей других профессий (Augustine, 1979). Эти выдающиеся люди просто делают свое работу лучше, чем все остальные.
Мы все хотим нанимать только этих лучших 20%. И когда они приходят к нам в компанию, мы едва ли предпринимаем какие то действия, чтобы удержать их.  Вот что такое «война за таланты». Этим талантливым людям делают такие предложения, перед которыми сложно устоят перед искушением поменять свое рабочее место. Когда сотрудники уходят, компания теряет деньги. Ниже дополнительные побочные эффекты, которые также имеют место быть:

• Потеря знаний и связей

Помимо потери специфических (тактических) знаний, компания теряет также связи и контакты. Это может быть особенно болезненно для бухгалтерских фирм, таких как у Джейка. Когда клиенты обслуживаются в одной компании в течение нескольких лет, есть вероятность что в течение этого периода у них будет несколько разных бухгалтеров. Каждый новый бухгалтер должен познакомиться с клиентом и компанией заново, тем самым потеряв ценное время для клиента. Контакты еще более важны для продавцов, так как они могут забрать с собой своих клиентов. Кроме того, текучесть кадров иметь большое влияние на долгосрочные закупки и проекты. Когда ключевые сотрудники покидают компанию, они  забирают с собой знания организации (иногда эти потери невосполнимы).

• Негативное влияние на коллег

Когда кто-то покидает компанию, на его или ее коллег сваливается (правда, временно) больший объем работы. Это может привести к повышению ошибок и стрессу, а это, в свою очередь, повышает вероятность прогулов. Также, когда кто то из коллег покидает компанию, оставшиеся сотрудники гораздо чаще начинают задумываться о своей роли в компании.

• Адаптация новых сотрудников

Адаптация сотрудника на новом месте работы требует времени и денег. В среднем, период адаптации бухгалтера до того момента как он достигнет оптимального уровня результативности занимает 32 недели. Когда вновь принятый сотрудник - недавний выпускник период адаптации может занимать более года.

• Найм персонала дорогое удовольствие

Найм персонала включает в себя много издержек. Совокупные затраты найма сотрудника (подбор, проведение оценочных процедур, период адаптации и обучение) могут составить от 1 до 4-х его годовых окладов. Однако, когда вы нанимаете не того человека, ситуация становится еще хуже. Некачественный найм персонала обойдется вам до 5 годовых заработков сотрудника.

Вернемся к Джейку. Мы подсчитали, что 15% его годового дохода уходят на замену и адаптацию нового персонала. А это более 10 миллионов долларов из 80 миллионов долларов годового дохода! Если Джейк сможет удержать каждого сотрудника еще хотя бы на один год, его компания сэкономит более 2 миллионов долларов ежегодно.

LinkedIn также изучает затраты на замену персонала. Согласно исследованиям LinkedIn, снижение текучести персонала на 1% позволит сэкономить американским компаниях со штатом 10 000 сотрудников 7,5 миллионов долларов в год. Это значит, что на каждый месяц пока сотрудник остается в компании, организация экономит до 750 долларов на одного сотрудника. Эти впечатляющие цифры предоставляют HR прекрасную базу для внедрение  HR аналитики.
К счастью, надежда есть. Одно из самых больших заблуждений состоит в том, что руководители не сильно могут влиять на текучесть персона. Они могут и как везде – профилактика лучше лечения. Есть 4 способы, с помощью которых вы сможете уменьшить количество сотрудников, которые хотят покинуть компанию:

• Признание

Вопреки распространенному мнению, материальное вознаграждение имеет незначительное влияние на решение сотрудника оставить работодателя. Отношения между сотрудником и организацией намного важнее, также как и удовлетворенность сотрудника своей работой. Улучшение обоих этих показателей принесет пользу и организации, и сотруднику.

• Активное внутренне продвижение

Одна из основных причин почему сотрудники уходят из компании – это отсутствие возможностей для развития. Распознавание сотрудников, которые задумываются над тем, чтобы покинуть компанию – ключевой момент для их удержания. Спрашивая сотрудников об их карьерных ожиданиях и последующая поддержка их амбиций в вашей компании, очень помогает сохранить сотрудников. Другой вариант – ротация. Это помогает сотрудникам сохранять интерес к работе.

• Улучшение навыков лидерства

«Люди уходят не из компании, а от руководителей». Честная оценка лидерства будет иметь прямое влияние на вероятность ухода сотрудников.

• Вовлеченность работников

Вовлеченные сотрудники работают не только усерднее, но и, как правило, остаются в компании дольше. Повышать вовлеченность можно простыми способами. Я разговаривал с HR директором, который попросил коммерческого директора пообедать с экспатом, который собирался покинуть страну. Этот экспат играл важная роль в соединении людей с разных континентов. Когда экспат получил приглашение на обед, вначале он решил, что просто ошиблись адресом. Он высоко оценил внимание коммерческого директора, уважение к которому он испытывал. А финансовый директор все равно должен был пообедать. Ситуация выигрыш-выигрыш!
Но это еще не все: представьте, что если бы Джейк знал, кто из его сотрудников собирается увольняться. Он мог бы эффективно применить вышеупомянутые решения, чтобы сохранить этих сотрудников.
Именно здесь аналитика выходит на первый план. Анализируя данные по сотрудникам и создавая прогностические модели, у Джейка будет возможность предсказать в каком подразделении будет больший отток персонала. Одновременно с этим, у Джейка будет понимание какие факторы влияют на решение сотрудников покинуть компанию. Контроль и влияние на эти факторы необходимы для сохранения таких людей.
Аналитика текучести персонала – это инструмент для решения организационных проблем. Если компания сталкивается с большой текучкой персоналом и вы ничего с этим не делаете, мы рекомендуем вам начать сейчас.
Несмотря на то что бизнес-кейс не столь прозрачен, как абсентеизм (прогулы), текучесть персонала по-прежнему вполне осязаема.
Текучесть персонала относительно легко изменить. Т.к. данные практически всегда доступны, текучесть персонала часто является стартовой точкой в HR аналитике. Снижение уровня текучки персонала сохранит деньги компании и поможет заработать еще больше, сохранив ключевой персонал и лучших исполнителей.
Это первая часть из трех, посвященных тому как применить аналитику по текучести персонала в вашей компании. Во второй части мы углубимся в факторы, которые вызывают отток персонала. В третьей части мы предоставим вам пошаговую инструкцию, которая поможет внедрить аналитику по текучести персонала в вашей компании.
__________________________________________________________
На этом все, читайте нас в фейсбуке и телеграмме

Анализ данных реферальной программы: привлечение рефералов зависит от производительности сотрудников и сильно влияет на удержание персонала

Перевод статьи Data: Referrals Strongly Impact Retention and Depend on Employee Performance. Перевод выполнен студентом Высшей Школы Экономики Назмутдиновой Ринатой.
Перевод выполнен в рамках нашего проекта переводы статей по hr-аналитике на английском.
Для тех, кто занимается внедрением HR аналитики в компании: посмотрите, аналитика, приведенная в статье, не сложная, не надо там обучать нейронные сети, но можно получить классные результаты. Успехов во внедрении!
И да, в статье описан опыт компании Тесла. Это производственная компания, т.е. мы делаем вывод, что не только в ритейле и банках сгодится HR-аналитика.
Итак,

Анализ данных реферальной программы: привлечение рефералов зависит от производительности сотрудников и сильно влияет на удержание персонала

Внимательно ли вы следите за тенденциями, которые проявляются в данных вашей реферальной программы?

Если вы этого не делаете, то вам стоит начать. Эти тенденции - очень полезный материал для анализа.

В нашей компании, мы поняли, что мы были недальновидны, когда просто платили реферальные бонусы квартал за кварталом, и только отслеживали объем рефералов и их влияние на бюджет.

Накапливая статистику о рефералах и сотрудниках, мы обнаружили, что у нас есть богатый набор данных, который может показать значимые тенденции в компании. Этот мощный инструмент может привести к положительным изменениям во всей компании - помочь в формировании корпоративной культуры, обеспечить построение эффективных систем управления талантами и разнообразием. В наших данных было много сильных корреляций между свойствами рефералов и теми, кто их привел, данные корреляции могли помочь нам с введением в работу новых инициатив компании, которые в данный конкретный момент могли быть поддержаны сотрудниками.

И так, вот что мы узнали:

Рефералы влияют на эффективность такого показателя, как удержание сотрудников. 

1. Работник, привлеченный вашими сотрудниками, остается в штате  дольше по сравнению с нерефералами.

И разница в стаже значительная. Наверно, это связано с тем, что, если я решил пригласить моего приятеля Тодда работать в моей компании, я уже предварительно оценил, подходит ли он для нашей корпоративной культуры и достаточна ли его производительность. Я был в состоянии понять это в процессе нашего общения на протяжении многих лет дружбы, а также на основе его мнений, оценок, комментариев, замечаний по поводу различных жизненных и профессиональных аспектов. Я знаю, что он любит работать четко с 9 до 5, или наоборот, работает только тогда, когда его посетит муза, в какое бы время суток это не произошло. Я также знаю, какое рабочее пространство он больше предпочитает: строгий офис или креативный коворкинг. Я понимаю, способен ли он работать в условиях неопределенности или любит во всем придерживаться намеченного плана.

Скорее всего, я знаю о нем больше, чем его предыдущий  босс или любой интервьюер HR-отдела, который будет проводить собеседование о приеме на работу.  Моя оценка его культурного соответствия  будет даже точнее, если я знаю его с предыдущего места работы, где мы работали бок о бок.  Если я так давно знаю Тодда, то я достаточно точно могу предположить, будет ли он счастлив на новом месте работы, которое я хочу ему предложить. А я, естественно, хочу, чтобы он был счастлив, ведь мы с ним друзья.

2. Реферер, то есть человек, который приглашает новых сотрудников, остается в штате дольше по сравнению с работниками, которые никогда не участвовали в реферальной программе.

Наверно, это связано с вовлеченностью. Если я вовлечен и счастлив в моей компании, то я с большей вероятностью приглашу друзей работать именно здесь.
Вспомните, что измеряет индекс потребительской лояльности (NPS): “Какова вероятность того, что Вы порекомендуете компанию/товар/услугу другу или коллеге?”. Тоже самое показывает и реферальная программа.
Но, если вы противник данной системы, вы возразите, что некоторых людей привлекает исключительно реферальный бонус. Да, такие люди есть, и мы видим это в данных. Однако поведение самоккоректируется. Некоторые сотрудники приглашают сотни людей и имеют лишь смутное представление о них.  В нашем умело составленном выпадающем списке на вопрос о том, как долго сотрудник знает человека, они даже признавались, что знают его минимально короткое количество времени. Но каковы шансы, что мы наймем человека, если они знают его всего лишь 3 месяца и уже утверждают, что он высокопроизводительный и трудолюбивый работник? Скорее всего, очень маленькие. Качество всегда важнее количества, тем более, когда дело касается людей, которых вы собираетесь нанять на работу. Ваши сотрудники, конечно, могут потратить свои выходные на поиски мало знакомых им людей на LinkedIn в качестве рефералов, но если никого из них не наймут на работу, то какой смысл? Следующие выходные ваш сотрудник, скорее, потратит на пикник с семьей, вместо того, чтобы вводить поддельные источники в систему.

3. Люди, которые делают успехи в реферальной программе, остаются в штате дольше.

Теперь, когда мы рассмотрели историю с фиктивными рефералами, давайте рассмотрим рефереров, которые заинтересованы в тех, кого приглашают.
Данные также ясно показывают, что если вы предложили людей, и их наняли, вы останетесь намного дольше с компанией, чем если бы ваши приятели не прошли отбор.
Мы считаем, что на эту тенденцию сильно влияет то, что  сотрудник в итоге создает широкую сеть контактов на работе. Во-первых, чем шире и надежнее ваша сеть контактов, тем быстрее вы сможете выполнить работу. Представьте, что в каждой рабочей группе у вас есть друг. Ваша жизнь на работе станет намного легче!

Во-вторых, в психологии существует такое понятие, как эвристика знакомости. Чем больше знакомы лиц вы видите на работе, тем счастливее вы на работе.  Мне нравится пить утренний кофе в буфете и знать имена почти всех вокруг, и еще тех, кого я встретил по дороге пока шел в буфет. Какой позитивный способ начать свой день!


В-третьих, из-за того, что я лично знаком с каждым нанятым рефералом, я ощущаю не только большую связь с ними, но и большую ответственность перед ними, чем перед обычными коллегами. Я бы почувствовал, что предаю друзей, если бы пригласил их на работу, а потом сказал, что сам решил уйти. Нанятый реферал - это своего рода обязательство, и человеку с совестью оно не преминет напомнить о себе.

Производительность сотрудника влияет на качество его рефералов: Воины, Крабы и Шальная  карта

1. Воины:  A- players привлекают A- players, это люди, которые идеально соответствуют ценностям компании и показывают выдающиеся результаты, один такой игрок может вывести компанию на новый уровень. 

Мы не были удивлены, когда данные показали нам это. Есть много публикаций, в которых говорится об этом явлении. Для перспектив компании, это замечательная и очень эффективная тенденция.

Вы можете спросить, почему мы называем A-players, которые привлекают А-players, воинами? Но что может более точно описать ситуацию, когда выигрыш или проигрыш в борьбе с конкурентами - это вопрос жизни или смерти? Если бы вы были солдатом, которого скоро ждет бой, и должны были бы набрать небольшую команду, чтобы сражаться на вашей стороне, кого бы вы взяли? Конечно, это были бы A-players.

Поскольку мы отслеживаем показатели производительности всех сотрудников и можем связать показали сотрудников с показателями их рефералов, мы заметили, что топ-рефералы были привлечены ведущими сотрудниками. Мы хотели поблагодарить рефереров за это и усилить это поведение.

У каждого человека своя мотивация, поэтому вам стоит потратить время и действительно подумать о том, что заставит этих потрясающих воинов почувствовать себя оцененными и побудит их привлекать больше готовых к битве бывших коллег и друзей. 

Мы действительно думаем, что у этих людей  есть внутренний мотив - хотя бы то, что они привлекли в компанию высокоэффективного и оцененного всеми работника, вероятно, приносит им радость и удовлетворение. В нашем случае для каждого ведущего сотрудника, потребность приводить качественных рефералов в компанию должна быть на верхушке пирамиды потребностей. Реферальный бонус - хороший помощник в этом.

Помимо внутренней удовлетворенности и бонуса, которые получают ваши ведущие рефереры, подумайте о том, как отметить их дополнительно, например, с помощью подарочной карты, блестящего значка, какого-то крутого трофея или чем-то еще, что было бы значимо для них. Что бы это ни было - просто найдите способ сказать спасибо, поскольку этот человек помогает вам строить вашу компанию.

2. Крабы: B-players привлекают C-players.

Теперь давайте немного подумаем о B-players. Если вы оцениваете эффективность с помощью кривой производительности, то, естественно, у вас будет более высокий процент игроков B уровня, чем игроков A уровня. Это отличная новость, поскольку игроки B уровня - это надежные исполнители. B-players выполняют свою работу хорошо, и вы всегда можете положиться на них. По сравнению с предыдущей тенденцией, можно предположить, что В- players привлекают В- players.

Подумайте еще раз.

На самом деле тенденция заключается в том, что B-players привлекают в компанию  С-players.

B-players - это крабы. Представьте себе ведро с крабами, пытающимися добраться до края. Теперь, представьте, что верхние крабы - это верхняя планка производительности. Возможно, это не так. Верхняя часть ведра может просто чувствовать себя самыми умными на каждом совещании. Иногда, чтобы взобраться выше, эти крабы тянут других крабов вниз - в их интересах не нанимать талантливых людей, которые могли бы сдвинуть устоявшуюся динамику и сместить их.

Игроки B уровня не хотят приглашать друзей, которые понизят их возможность сиять на сцене. Такое поведение не полезно ни для реферера, ни для компании, поэтому необходимо дать четко понять своим сотрудникам, что качество их рефералов имеет значение.

3. Шальная карта: игроки C уровня привлекают игроков A, B и C уровней.

C-players обычно находятся внизу кривой производительности. Наверняка, интуиция подсказывает вам, что игрок C либо не приглашает рефералов вообще, либо ссылается на кандидатов низкого качества. Тогда зачем делать жизнь более сложной для себя и включать их в реферальную программу?

Эта теория, похоже, имеет смысл и, тем не менее, совершенно неверна.

Данные показали, что C-players привлекают игроков A, B и C уровней.  Это может быть связано с тем, что C-player не придерживается какой-то определенной культуры поведения, при этом не всегда идеально соответствует вашей корпоративной культуре, но зато он имеет друзей из разных сфер, а по законам случайности некоторые из них - превосходны.

С другой стороны C-players, находясь на несколько пунктов ниже, чем топ-процентиль кривой производительности, не чувствуют, что их рефералы будут соперничать с ними и станут для них профессиональной угрозой как B-players , поэтому они не отфильтровывают хороших возможных рефералов.

Другая идея заключается в том, что C-player с меньшей вероятностью получит бонус за производительность, поэтому единственный способ получить дополнительное вознаграждение - это предоставить компании рефералов, которые с большой долей вероятности будут наняты. C-player может очень хорошо понимать, что такое хорошая производительность, и предлагать подходящих рефералов.

Такое противоречие, знание того, каким должен быть хороший уровень производительности, и несоответствие ему, может возникать из-за их  убежденности в собственном, на самом деле иллюзорном, превосходстве. Они переоценивают свою производительность, по сравнению с другими сотрудниками, и поэтому не очень утруждают себя работой и как следствие не имеют высоких баллов при оценке. Другими словами, они могут неверно оценивать свою работу, но в то же время иметь трезвую оценку о потенциальной производительности или культурном соответствии других людей.

Но кто мы, чтобы судить?

После того, как мы разобрались с некоторыми мифами реферального поведения, копаясь исключительно в количественных данных, подумайте о  когнитивных особенностях человека, управляющего реферальной программой.  Большинство отделов кадров по-прежнему анализируют данные по наитию. Но следование необоснованным предположениям - это проблема, так как вы - всего лишь человек, и ваши предположения несовершенны. 

HR выигрывает от совместного использования статистики и психологии.

Два из шести макро-трендов, упомянутых выше, доказали, что интуиция здесь не работает. Если бы мы не соотносились с реальными данными, мы бы упустили не менее 30% возможностей реферальной программы. Если вы портите 30% программы каждый год, вы в общем и целом портите 100% программ за 3 года. Это значительно повлияет на корпоративную культуру и потенциал талантов компании, а команда HR может даже не понять, что они нанесли себе огромный  ущерб.

HR: вы знаете, что делаете все правильно, если слышите от окружающих  фразу «Я люблю этих людей».

Работая в HR департаменте, мы хотим знать отзывы о качестве людей, которых мы нанимаем. К счастью, одна из вещей, которую мы очень часто слышим, - это то, что наши сотрудники довольны коллегами. Это особенно актуально в техническом отделе, и это проявляется в каждом опросе, который мы проводим: «Я никогда не работал с такими компетентными и умными людьми за всю свою жизнь. Мои коллеги - одна из лучших вещей в этой компании”. Разве  это не здорово?

Множество людей  посещают конференции, платят значительные суммы за семинары, вступают в клубы и делают еще много разных вещей, чтобы встретиться с экспертами в своей области или найти вдохновляющие цифры, которые  могут их чему-то научить. Но что, если бы все это было внутри компании, в их собственной команде?

Что создали мы в своей компании и до сих пор совершенствуем - это собрание выдающихся профессионалов мирового класса. Наши инженеры обмениваются идеями, сотрудничают, вместе делают невозможное возможным и, просто радуются от того, что находятся рядом друг с другом. Наша цель очень проста: собрать такую команду, что, если бы мы выбрали из нее случайных людей и посадили вместе за обеденный стол, каждый человек был бы настолько интересен и необычен, что рассказы за столом сделали бы этот день ярким воспоминанием для каждого.

Я думаю, что мы смогли этого достичь, и каждая компания, независимо от отрасли, тоже может это сделать. Просто начните работать с отличными людьми, а затем попросите их пригласить их не менее отличных друзей присоединиться к работе. Это прекрасно работает у нас в техническом отделе, но также может быть эффективным и в любом другом департаменте. Я работаю в HR, и я также отношусь к моим коллегам.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

Опыт кандидата: что это и как его исследовать?

Перевод статьи Candidate Experience – What is it and how to survey it? Перевод выполнила студентка Высшей Школы Экономики Галкина Елизавета. Елизавета переводит уже вторую статью (см. Moneyball для бизнеса: Мета-анализ вовлеченности персонала), уж и не знаю, за что ее так нагрузили)))
И напомню, что перевод выполнен в рамках нашего проекта переводы статей по hr-аналитике на английском.
Итак

Опыт кандидата: что это и как его исследовать?

Тема кандидатского опыта становится все более актуальной в сфере управления персоналом, основанном на данных. Если вы заботитесь о проведении эффективного процесса найма, вы обязательно сталкиваетесь с вопросом опыта кандидатов в процессе найма. В этой статье я расскажу вам, что такое опыт кандидата и как вы можете его изучить.

Что такое опыт кандидата?

Опыт кандидата заключается в том, как люди в поиске работы воспринимают процесс найма и участия в задачах организации. Начнем с того, что эффективный процесс найма выгоден как для сотрудника, так и для работодателя и отвечает потребностям обеих сторон.

Почему опыт кандидата вообще должен оцениваться? Компании уже много лет заботятся о клиентском опыте. Они изучали потребности и ожидания кандидата и пытались определить факторы, которые сильнее всего влияют на опыт. Это важно по ряду причин:

• Все труднее убедить пассивных кандидатов принять участие в процессе найма.
• Опрос eRecruiter показал, что две трети работодателей претендуют на заботу о кандидате на каждом этапе процесса отбора.
• В то же время 57% кандидатов говорят, что компаниям не нужны люди, которые подают заявку на работу!
• Кандидаты все чаще делятся своим опытом с другими. Веб-сайты, такие как Glassdoor, делают процесс найма очень прозрачным, а негативный опыт публичным.
• Talent Board сообщает, что 73% кандидатов никогда не просили обратную связь о своем опыте в процессе подачи заявки
• Согласно Career Arc, почти 60% кандидатов имели плохой опыт, и 72% из них поделились опытом онлайн или с кем-то напрямую.
• Пример: Virgin Media отклоняет около 150 000 претендентов в год. В 2015 году это приравнивалось к тому, чтобы опротестовать более 7,500 клиентов, чтобы отменить свои контракты и перейти на конкурс. Предоставив идеальный опыт кандидата, Ричард Брэнсон смог сэкономить 7 миллионов долларов в упущенной выгоде.

Признание претендентов как (потенциальных) клиентов помогает обеспечить лучший кандидатский опыт

Опрос кандидатов

Одним из самых простых способов изучения опыта кандидата является использование метода Net Promotor Score (NPS). Этот метод использовался годами для измерения уровня клиентского опыта в области опыта кандидата. В конце концов, во время процесса найма кандидатом является ваш клиент. В задании для кандидата могут быть следующие вопросы:

Хотели бы вы порекомендовать обратиться в компанию X другим кандидатам? Оцените степень от 0 до 10, где 0 - «Точно не рекомендовал бы», а 10 - «Я настоятельно рекомендовал бы».

Следующий вопрос зависит от предыдущего ответа.

«Промоутеров», которые отметили 9 или 10, вы можете спросить: что вам больше всего понравилось во время подачи заявки в компанию X?

«Пассивных», которые отметили 7 или 8, вы можете спросить: «Что, на ваш взгляд, мы должны изменить в нашем процессе найма прежде всего?

«Недовольных», которые отметили оценку между 0 и 6, вы можете спросить: «Какие области процесса найма, по вашему мнению, должны быть изменены в компании Х?

Ответы на эти вопросы помогают оценить опыт кандидата

Посчитайте опыт кандидата и сделайте следующий шаг

После вычитания процента "Недовольных" от процента "Промоутеров" вы можете рассчитать свои NPS. Почему это нужно?

Во-первых, вы можете обследовать свой средний уровень опыта кандидата. Этот уровень может увеличиваться, когда вы совершаете действия на основе отзывов, полученных кандидатами в открытых вопросах. Это основная цель проведения опроса кандидатов: работать над изменениями процесса найма на основе ожиданий кандидатов из ваших целевых групп.

Вы можете попытаться произвести впечатление на кандидатов, заказав им Uber

 на собеседование (да, это реальный пример). Также вы можете перестроить процесс найма под их ожидания (например, изменив порядок стадий набора или сократив продолжительность всего процесса найма).

Booking.com - отличный пример компании, которая делает это правильно. Они используют лучшие практики для оптимизации опыта кандидатов.

Что еще стоит спросить при измерении опыта кандидата?

Возможно, ваша компания имеет определенный стандарт рассмотрения кандидатов во время процесса найма. Тогда изучение опыта кандидата - отличный способ проверить, насколько эффективен этот стандарт.

Сколько кандидатов получили обратную связь о собеседовании, в котором они участвовали? Спросите кандидатов. Вы пытаетесь дать обратную связь большую, чем обыкновенное «спасибо, но мы выбрали более подходящего кандидата»? Узнайте, как кандидаты оценивают уровень обратной связи.

Что делать, если в процессе найма участвуют как кандидаты, уже работающие в компании, так и внешние кандидаты?

Полезно оценивать обе группы. Проанализируйте их отдельно и сравните результаты. Как правило, результат NPS уже работающих сотрудников, участвующих в наборе, будет выше, чем у внешних кандидатов. Конечно, с такой целевой группой стандарт должен быть установлен еще выше, потому что они уже являются вашими сотрудниками. Мы хотим, чтобы они чувствовали себя исключительно хорошо в процессе найма.

Дополнительные индикаторы опыта кандидата

Изучение того, насколько кандидаты хотят рекомендовать свой опыт другим, является первым шагом к тому, что вы можете сделать для проверки опыта кандидата. Другим важным показателем будет увеличение процента трудовых контрактов после испытательного периода. Если он высокий (более 80%), это здорово! Это доказательство того, что набранные кандидаты соответствуют профилю сотрудника. Другими словами, они оправдали ожидания вашего бизнеса, и реальность их рабочего места соответствует ожиданиям, имеющимся в процессе найма.

А если процент расширений после пробного периода ниже, чем, скажем, 50%? Стоит проанализировать, почему это происходит, особенно если кандидаты уходят по своему выбору. Это может означать, что у кандидатов были другие ожидания. Возможно, важная информация об условиях работы не была точно передана в процессе найма?

Как вы можете понять, что вы делаете что-то неправильно? Попробуйте следующий шаг:

Исследование сотрудников, которые остались с компанией после испытательного срока

Сотрудники, которые остались в компании в течение 3-6 месяцев, особенно полезны для сбора отзывов. Они до сих пор хорошо помнят, как выглядел процесс найма. Они также могут сравнить их с их опытом при обращении к другим компаниям.

Одновременно они могут сравнить ожидания, с которыми они приступили к работе и ее реальностью. Вы можете использовать все, что положительно удивляло их, чтобы информировать новых кандидатов во время процесса найма.

Еще один показатель - количество заявок по рекомендации кандидатов

Если вы уже начали улучшать опыт кандидата в процессе найма вашей компании, отлично! Не забудьте попросить кандидатов делиться опытом с другими.

Вы можете поощрять кандидатов за рекомендации после завершения процесса найма. Спросите, знают ли они кандидата, который был бы заинтересован в предложенной должности. Если кандидат чувствовал достаточную заботу о себе во время процесса найма, он / она, вероятно, порекомендует кого-то другого. Такое бывает, даже если они ушли из процесса или не были наняты.

Вы также можете добавить ссылку, которая облегчит обмен информацией о задании. Вы можете включить эту ссылку в электронное письмо с благодарностью участникам опроса. Не забывайте отслеживать количество заявок!

Количество спонтанных заявок

Растущее число спонтанных заявок является доказательством повышения знаний о бренде работодателя. Это также показатель хорошего мнения о компании, построенный на основе опыта, предлагаемого как фактическим, так и потенциальным сотрудникам. Таким образом, его стоит измерить.

Если у вас сложилось впечатление, что опыт кандидата - это простая область управления персоналом, я надеюсь, вы уже пересмотрели его. Измерение опыта кандидата стоит усилий, поскольку нет лучшего источника информации о том, что должно измениться в вашем процессе найма, чем мнение кандидатов. Они ваш лучший источник идей, которые стоит реализовать!

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

Moneyball для бизнеса: Мета-анализ вовлеченности персонала

Перевод статьи Moneyball for Business: Employee Engagement Meta-Analysis. Перевод выполнила студентка Высшей Школы Экономики Галкина Елизавета. Простите, что заставляю переводить такие жуткие термины как Moneyball))))
Данная статья - статья Gallup. На мой взгляд, очень спорная, но и очень интересная. Есть о чем поспорить.
И напомню, что перевод выполнен в рамках нашего проекта переводы статей по hr-аналитике на английском.
Итак

Moneyball для бизнеса: Мета-анализ вовлеченности персонала

Как в бейсболе, так и в бизнесе, производительность команды трудно предсказать.

Спросите тех, кто всю жизнь подсчитывал статистику игроков в бейсболе. Их цель - сделать прогнозы об игроках, которые преуспеют в игре, собрав подробные статистические данные о своих прошлых выступлениях. Объединение этих данных должно обеспечивать надежный прогноз успеха команды -  так работает теория.

Но если бы формула успеха была такой простой, как сумма личной производительности игроков команды, бейсбол мог бы стать одним из самых легких видов спорта для прогнозирования. В конце концов, бейсбол собрал подробные метрики производительности на все, от питчей каждого игрока до ат-батов и перемещений по полю в течение 162-игрового сезона на протяжении многих-многих лет. Как ы данных, это очень много!

Эти данные полезны для прогнозирования индивидуальных тенденций игроков. Но когда данные объединены между игроками команд, статистические алгоритмы предугадывают победу случайной команды в течение определенного сезона со средней точностью плюс-минус восемь побед, что часто влияет на разницу, принимает команда плей-офф или нет. В некоторых случаях прогнозы выигрышей данной команды выходят на 15 или более игр. В 2015 году саберметристы пропустили финальный регулярный рекорд сезона Kansas City Royals - возможного чемпиона World Series - в среднем 16,75 игр.

«К тому, что мы так хорошо чувствуем, статистика не применима», - сказал менеджер Royals Нед Йост.

Йост может иметь в виду «культуру клуба» или степень, в которой игроки дополняют и влияют на производительность друг друга. В других областях исследования, которые оценивают эффективность по целому ряду задач, предполагают коллективный интеллект команд, который объясняет гораздо больше, чем сумма способностей индивидуумов.

Проблемы прогнозирования в бизнесе

Предприятия сталкиваются с такими же проблемами прогнозирования, когда пытаются предугадать производительность или прибыль различных команд и подразделений. Многие организации разработали целые системы для снижения изменчивости характеристик команды и максимизации прибыли, используя все: от размера предприятия, местоположения, маркетинговых усилий и доступности продукта, предоставляя при этом интенсивное обучение персонала для обеспечения качественного результата. Но даже после учета этих факторов производительность между командами по-прежнему существенно различается.

В течение десятилетий Gallup собирает данные о командах внутри предприятий со всего мира. Этот сбор данных включает в себя измерение перспектив сотрудников по основным элементам культуры рабочего места, которые Гэллап называет «вовлечением сотрудников». Вовлечение персонала включает такие факторы, как четкость ролей, возможность делать то, что получается лучше всего, возможности для роста, учет мнения, сотворческие отношения с коллегами и общая миссия или цель.

Опросник вовлеченности сотрудников: Gallup Q12

1. Q01. Я знаю, чего от меня ожидают на работе.
2. Q02. У меня есть материалы и оборудование, необходимые для выполнения моей работы.
3. Q03. На работе у меня есть возможность делать то, что я делаю лучше всего каждый день.
4. Q04. За последние семь дней я получил признание или похвалу за хорошую работу.
5. Q05. Мой руководитель или кто-то другой на работе, похоже, заботится обо мне как о человеке.
6. Q06. Кто-то на работе поощряет мое развитие.
7. Q07. На работе считаются с моим мнением
8. Q08. Миссия (или цель) моей компании заставляет меня чувствовать, что моя работа важна.
9. Q09. Мои коллеги стремятся выполнять работу качественно.
10. В10. У меня есть лучший друг на работе.
11. Q11. За последние шесть месяцев кто-то на работе поговорил со мной о моем прогрессе.
12. Q12. В прошлом году у меня были возможности учиться и расти.

Также, Gallup собирает показатели эффективности для тех же самых команд, начиная от показателей абсентеизма, возвращений и восприятия клиентами качества обслуживания до показателей производительности и прибыли. Сочетание данных о сотрудниках и данных о производительности для команд многих организаций приводится в мета-анализе, как в обзоре многих исследований. Этот метод дает более точную оценку влияния вовлеченности команды на ее производительность, чем может зафиксировать любое одиночное исследование.

В случае прогнозов для бейсбольных команд, несмотря на то, что для отдельных выступлений имеются массивные базы данных, в каждом конкретном году есть всего 30 команд и 162 игры для каждой команды. Ни 30, ни 162 - не являются большим размером выборки, что увеличивает частоту ошибок, связанных с оценкой предсказаний команды за любой год, и с результирующими алгоритмами, используемыми для прогнозирования успеха в последующие годы.

Тот же принцип применим к бизнесу. Каждый бизнес имеет ограниченный набор команд или бизнес-единиц, которые исследователи могут изучать в любой момент времени. Любое единичное исследование включает как несовершенность измерения, так и ограниченный размер выборки, что повышает ошибки в прогнозировании результатов. В бейсболе эти ошибки влияют на прогнозы побед команды; в бизнесе они влияют на оценки будущей производительности, прибыли, продаж, восприятия клиентами услуг, коэффициентов удержания и других результатов. Но, объединяя несколько исследований с помощью мета-анализа, исследователи могут с большей точностью предсказывать взаимоотношения между командами и, в конечном счете, их эффективность.

Gallup только что завершил свой девятый мета-анализ взаимоотношений между вовлеченностью команды и производительностью. Это исследование включает более 82 000 команд в 230 организациях, включая 1,8 миллиона сотрудников, в 49 отраслях и в 73 разных странах. Gallup оценивает участие команды, используя 12 положений, измеряющих критические элементы рабочего места, проверенно связанными с результативностью работы. Вовлеченность команд часто варьируется довольно широко - даже команд в пределах одной организации - так же, как отличается их производительность.

Одним из основных результатов этого мета-анализа является то, что взаимосвязь между вовлеченность и эффективностью команды была последовательной в 12 элементов. Исследования проводились на протяжении десятилетий, несмотря на широкие различия в индустриях и национальности, а также разные экономические времена с глобальными изменениями в технологиях.

Когда исследователи Gallup сравнивали команды в верхнем квартиле с теми, кто находился в нижнем квартиле во время участия, они обнаружили следующие различия в производительности, отраженные на графике ниже:

Объединяя эти показатели производительности в общую картину, можно сказать, что команды в 99-м процентиле имели в четыре раза больше шансов на успех (или выше средней производительности) по сравнению с теми, что были в первом процентиле.

Хотя производительность команды никогда не будет полностью предсказуемой, эти результаты убедительно доказывают то, что можно измерить культурные элементы команды, предсказывающие, насколько хорошо эта команда будет работать. Другими словами, командная культура действительно «статична». Компании, которые измеряют и управляют этими элементами, могут повысить производительность - и увеличить свои шансы на успех.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

LightGBM vs XGBoost

Сейчас в моду входит алгоритм LightGBM, появляются статьи а ля Which algorithm takes the crown: Light GBM vs XGBOOST?. В задаче говорится о том, что LightGBM  дал на одинаковых данных прогноз чуть лучше, чем XGBoost, но зато по времени LightGBM работает гораздо быстрее, чем XGBoost

На Каггле LightGBM во многих задачах стал обходить XGBoost.

Я решил проверить на своих данных. Алгоритм моей услуги - прогноз зарплаты Сколько я стою на рынке - построен на XGBoost. Сегодня на том же датасете я запустил оба алгоритма. 

Для XGBoost

xgb = XGBRegressor( nthread=4,   seed=1234567890)

Для LightGBM 

gbm = lgb.LGBMRegressor(objective='regression', nthread=4,   seed=1)

Далее параметры для обоих алгоритмов одинаковые

param1 = {
 'model_fitting__learning_rate': [ 0.01, 0.02,  0.03, 0.04, 0.05,  0.06, 0.07, 0.08, 0.09, 1],
 'model_fitting__n_estimators': [   100, 150, 200, 250, 300, 350, 400, 450, 500, 550]
}

Плюс настраиваю сетку

cv = ShuffleSplit(n_splits=6, test_size=0.25, random_state=678901)
score = 'neg_mean_absolute_error'

gsearch1 = GridSearchCV(pipeline, param1 , scoring= score,iid=False, cv=cv)

Результаты

XGBoost работал более 5 часов

({'model_fitting__learning_rate': 0.03, 'model_fitting__n_estimators': 500},
 -0.30208288404701737)

LightGBM работал в два раза быстрее Wall time: 2h 42min 59s

({'model_fitting__learning_rate': 0.03, 'model_fitting__n_estimators': 200},
 -0.30150633397192345)

* Вставка 26.06.

Я проверил данные также на похожем датасете.
XGBoost также отработал более 6 часов, метрика -0.28208288404701737
LightGBM  Wall time: 3h 34min 35s, метрика -0.28217897475881154
В качестве метрики была MAE - y измеряется в логарифмированных рублях, поэтому различие практически никакое. А вот время работы да, отличается сильно.
И логика экономии времени понятна: LightGBM обходится меньшим количеством деревьев - n_estimators
Ну как результаты?) Вполне себе согласуются с тем, что написал индус в своем посте по ссылке выше. Я не стал пока дальше сетку копать, у меня датасет объемный. Плюс надо еще разбираться с гиперпараметрами LightGBM. Обязательно отпишусь, когда полностью настрою модель.

Полезные ссылки про LightGBM

Про установку пакета не буду писать, а вот для работы с пакетом мне самыми полезными показались две ссылки

1. LightGBM в sklearn - я ленивый, работаю в sklearn обертке, мне такой вариант наиболее подходящий для работы с пакетом и настройки сетки grid
2. Source code for lightgbm.sklearn - а этот пост помогает понять, какие гипрепараметры настраивать. Тут много вкусного, с чем можно поиграться.

Понравился пост? 

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