Показатели и тренды рынка труда HR. 2007-2017 годы.

Данный материал родился на основе моего исследования Ключевые факторы эффективности и текучести персонала.

Выборка на сегодня более 3 000 HR, принятых на работу с 2007 по 2017 год. Основная цель отчета - показать динамику показателей приема HR: зарплаты, источники трафика, отрасли, регионы и т.д..

Warning: исследование продолжается, поэтому данные со временем могут меняться. Хотя, как показывает опыт, изменения незначительны, и тренды сохраняются. Исключение может составлять только 2017 год, он не закончился, ситуация может поменяться. 

Если Вы хотите получить отчет, насколько Ваша зарплата в рынке, можете воспользоваться бесплатной услугой Сколько я стою на рынке. 

Вводная

Я оставляю информацию без комментариев и пояснений, чтобы 1) не раздувать отчет и 2) не навязывать свою точку зрения. Тем не менее, выводы в большинстве случаев очевидны. Отчет отвечает на вопросы:

1. Как росла стартовая зарплата HR;
2. Как изменялась стартовая зарплата в разрезе Москва / не Москва;
3. Разница зарплат HR по регионам;
4. Как менялась актуальная зарплата, какая была разница в сравнении со стартовой;
5. Динамика роста серых зарплат;
6. Динамика несоблюдения договоренностей по зарплате;
7. Как менялось соотношение трудоустройства HR в разрезе отраслей;
8. Зарплаты HR в разрезе отраслей;
9. Динамика источников трафика HR по годам;
10. Когда рынок труда был рынком кандидата, а когда работодателя;

И философское обращение: этот отчет - серьезный труд, за который мне никто не платит. Если Вы хотите оценить мой труд, покликайте на директ рекламу в блоге. 

Итак,

1. Динамика стартовых зарплат HR по годам

Ось X здесь и далее обозначает годы

Ось Y - зарплата в тыс рублей, которую HR начинают получать при приеме на работу.

40 кейсов People Analytics. Часть 3

Перевод статьи 40 People Analytics Case Studies - Part 3 David Green. Благодарим за перевод Anthony Korolev (ссылка на профиль в фб). Сайт LEARNOLOGY.RU. Специализируется на трех вещах:

1. разработка и реализация стратегий роста, 
2. операционная эффективность бизнеса, 
3. развитие талантов и руководителей. 

Последний год работает над программой развития преемничества в связи с чем пришел к психометрике и аналитике как средстве повысить организационную эффективность и бизнес-результаты.
Первые части перевел он же (не забывайте хотя бы мысленно сказать спасибо, что есть такие люди, которые бесплатно делают наш рынок круче и умнее:

1. Часть первая
2. Часть вторая

Итак

40 кейсов People Analytics. Часть 3

Ранее в этом году я опубликовал две статьи, в которых рассмотрел кейсы двадцати компаний по теме HR-аналитики (часть 1 и часть 2). Был чрезвычайно положительный отклик, за что я очень благодарен,  а также ясное, но невысказанное пожелание, которое, кажется, перефразируя Оливера Твиста, говорит: «Сэр, можно мне еще?»
Таким образом, серия статей продлена в третьей и четвертой частях, включивших в себя еще двадцать новых кейсов. В них рассмотрены организации, которые осознали многие выгоды для бизнеса и сотрудников, следующие за инвестициями в HR-аналитику.

Maersk Drilling

Один из моих любимых мануалов по теме HR-аналитики был написан Дейвом Ульрихом и Томасом Расмуссеном, которые сейчас возглавляют службу HR-аналитики, Понимания и Опыта в Национальном Банке Австралии. Мануал, который вы можете скачать здесь, предлагает критику подхода, центрированного на службе HR и принятого в большинстве организаций в отношении HR-аналитики, и вместо этого продвигает метод «снаружи-внутрь», ориентированный на решение проблем реального бизнеса. Два прекрасных примера из компании «Maersk Drilling» приведены в качестве подтверждения данного аргумента. Кейс №1 (см. Таблица №1) оценивает влияние качества лидерства и компететности команды на безопасность, операционную продуктивность и удовлетворенность клиентов и продиктован тремя вопросами со стороны высшего руководства: (1) Чем объясняются различия в производительности буровых установок? (2) Как знание этого можно эффективно применить при введении в эксплуатацию новых установок? (3) Как можно использовать результаты, чтобы убедить потенциальных клиентов, что компания сможет соответствовать заявленным стандартам производительности с учетом ее значительного роста на высококонкурентном рынке. Кейс №2 оценивал ROI и стратегическое влияние Программы Ускорения Развития Технических Стажеров и последовательно подводил к дискуссии о стратегическом кадровом планировании. Как вы увидите, оба кейса делают акцент, что служба аналитики гораздо более эффективна, когда управляется, исходя из бизнес-перспектив (а не ориентированных внутрь приоритетов функции HR), а также воспринимается организацией в контексте процесса управления изменениями.

Таблица №1

JOHNSON & JOHNSON

Истинно стратегическое планирование трудовых ресурсов

Перевод статьи Workforce Planning That Really Is Strategic в рамках нашего проекта переводы статей по hr-аналитике на английском. Это статья Алека Левенсона, посвящена редкой теме в моем блоге -Workforce Planning. Имя Алека Левенсона должно быть вам известно, если Вы хотите развиваться в этом направлении.
Перевела Екатерина Малинина. Это уже, седьмой перевод Екатерины. 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. Профили Екатерины в фейсбуке и в Линкедине. Другие переводы Екатерины:

1. Тренды в оценке настроений сотрудников и исследовании вовлеченности
2. Исследования вовлеченности персонала: часть 1, проблемы традиционного подхода
3. Прогнозирование в HR-аналитике не так важно, как вы думаете
4. Радикальный эксперимент Unilever с процессом найма персонала: резюме – снаружи, алгоритмы – внутри
5. Анализ текучести персонала – Описательные методы
6. Анализ текучести персонала – Методы прогнозирования

Итак, 

Истинно стратегическое планирование трудовых ресурсов

Alec Levenson

Экономист/ Старший научный исследователь Центра эффективных организаций, Университет Южной Калифорнии

(в соавторстве с Alexis Fink)

Усилия в области планирования трудовых ресурсов чаще всего весьма недальновидны и узки, и более точно могут быть охарактеризованы как 12ти-месячные планы по найму. Стратегическое планирование труда принесет гораздо больше пользы, если применять дальний горизонт планирования и правильный подход к снабжению кадрами. Тем не менее, даже в этом случае основной фокус будет сосредоточен на легкодостижимых целях. Чтобы HR смог повысить свою эффективность, планирование трудовых ресурсов должно комплексно решать системные вопросы в области управления персоналом, которые мешают бизнесу быть эффективным.

Почему ROI терпит неудачу при оценке человеческого потенциала и HR

Объединил в одной статье два перевода от Алека Левенсона про ROI:  The ROI monster under the bed и ROI falls short for evaluating human capital and HR.
Прекрасный перевод от Анна Федорова, руководителя одного из hr-направлений крупной телекоммуникационной компании (по ссылке профиль в фейсбуке).
Рекомендую еще несколько переводов Анны

1. Поглотит ли машинное обучение психометрику?
2. Анализ речи мог сейчас привести вас к повышению
3. Компания Висконсина предлагает имплантировать микрочипы дистанционного управления своим сотрудникам

Нынешняя статья носит важный методологический характер для понимания роли ROI в системе HR. Понятно, что в России и ROI то никто не считает, но большинство HR мыслят в методологии ROI. Поэтому статья собственно направлена на то, чтобы задать несколько вопросов тому, как мы оцениваем процессы в HR.

«ROI-монстр под кроватью»

Показатель возврата инвестиций ROI это, возможно, самый универсальный прикладной инструмент, когда-либо созданный в истории финансов. Это стандартный показатель, используемый, чтобы оценить финансовый возврат от инвестиций или проекта.

Хотя при всей его силе, ROI в некоторой степени как монстр или призрак, скрывающийся под кроватью, которого боятся маленькие дети. Он может казаться большим и страшным, даже время от времени всесильным, пока мы маленькие. Но когда мы вырастаем  и можем видеть вещи с более широкой перспективой, мы понимаем реальность и можем отправить наши юношеские страхи на покой.  Сегодня ROI используется как критерий для HR (прим. Human Resources – управление персоналом) — если HR не может показать достаточно высокий ROI, финансовая служба никогда не одобрит то, что HR хочет делать. И HR как маленький ребенок, боящийся  ROI-призрака под кроватью: у него нет правильного взгляда на ограничения ROI и что должно быть сделано вместо этого.
В моей следующей статье я рассмотрю, почему ROI не выполняет обещание, которое от него ожидают для оценки HR. Но первое, что я рассмотрю, почему он не достаточен как инструмент для принятия бизнес решений. Для целей этой дискуссии давайте разделим мир инвестиционных решений на две части: инвестирование в какую-либо организацию, которая была успешна в прошлом, против инвестирования в какую-либо организацию, которая никогда не работала ранее (даже если другие компании делали это). Для вещей, которые вы делали успешно в прошлом, ROI это хороший путь определить стоимость ожидаемого финансового возврата. Ваш прошлый опыт с такими типами инвестиций обеспечивает высокий уровень определенности и низкий риск относительно их успеха и затрат, необходимых чтобы достичь его. Примерами могут быть открытие нового офиса, предприятия, торговой точки при условии, что это схоже с тем, с чем ваша компания уже столкнулась в прошлом, или внедрение нового оборудования и технологичного оборудования, которое уже испробовано и протестировано в экспериментальных проектах.

Как рабочее пространство (кабинетная рассадка и open space) влияет на отношения с руководителем

Прошлый пост Как рабочее пространство (кабинетная рассадка и open space) влияет на взаимодействие работников навел меня на мысль, что рабочее пространство может определять не только взаимодействие работников, но и отношения с непосредственным руководителем. Это меня интересует не само по себе, а лишь постольку, поскольку отношенческие вещи самые сильные факторы в прогнозе текучести и эффективности. Отношения с руководителем у нас фиксируются следующими вопросами:

1. Как часто Ваш руководитель давал (дает) Вам обратную связь;
2. Благодарил ли Вас Ваш руководитель за достижения?
3. Критиковал (критикует) ли Вас руководитель в присутствии других?
4. Выходили (выходите) ли Вы со своими инициативами на руководителя

Я посмотрел связь между этими вопросами и рабочим пространством респондента, вот что получилось.
Размер выборки более 4 500 респондентов. Напоминаю: участвуйте в нашем исследовании.

Результаты
Как часто Ваш руководитель давал (дает) Вам обратную связь

Названия строк	кабинетная рассадка	оупен спейс	Общий итог
ежедневно	22.75%	17.21%	20.68%
не реже одного раза в неделю	24.54%	25.99%	25.08%
реже одного раза в неделю	35.43%	39.66%	37.01%
никогда	17.28%	17.15%	17.23%
Общий итог	100.00%	100.00%	100.00%

В этой таблице и диаграмме % даются от суммы по столбцу.
При кабинетной рассадке чуть чаще дают обратную связь ежедневно, при оупен спейс чаще выбирают вариант "реже одного раза в неделю".

Как рабочее пространство (кабинетная рассадка и open space) влияет на взаимодействие работников

Один из самых любимых вопросов HR для спора: что лучше, open space или кабинетная рассадка. Я не буду давать глобальных ответов, в этом посте я скорее хочу поставить вопрос, чтобы вы подумали, почему получился такой результат.
Напоминаю также, что я веду исследование факторов текучести и эффективности персонала, в котором приглашаю вас поучаствовать (пройдите по ссылке).
Так вот в нашем исследовании было два вопроса, связь между которыми я хочу показать:
1) Просим оценить интенсивность взаимодействия с коллегами

• крайне незначительная
• незначительная
• средняя
• значительная
• крайне значительная

2) Каким было (какое есть) Ваше рабочее пространство (я взял два варианта):
кабинетная рассадка;
open space.
Размер выборки исследования - 4 658 респондентов (ниже даю таблицу с более подробным распределением по поинтам).

Результат

Я преобразовал значения взаимодействия в цифровую переменную (от 1 - крайне незначительная до 5 - крайне значительная) и построил диаграмму плотности для кабинетной рассадки и open space.

Зарплатные ожидания как метрики рынка труда

Две картинки из нашего исследования факторов текучести и эффективности персонала (нужно пройти по ссылке и поучаствовать в исследовании).
Я использовал для картинок ответы на два вопроса:

1. Какая форма оплаты была (есть) в компании ("Белая" или "серая" зарплата):
1. белая;
2. серая.
2. Отличались ли договорённости по зарплате на собеседовании при приеме на работу и при первой выплате
1. да, зарплата оказалась меньше;
2. нет, не отличались.

Я решил посчитать соотношение этих вариантов в динамике по годам.И обращаю внимание, я взял зарплаты только HR. Общий размер выборки - более 2 000 респондентов.

Результат

"Белая" и "серая" зарплаты

Диаграмма интуитивно понятна, цифры в ячейках обозначают % по году. Т.е. в 2017 году каждый четвертый HR приходил в компанию на "серую" зарплату.
Заметен кризис 2014-2016.
Но я хочу обратить внимание на одну важную, на мой взгляд, деталь: кризис 2008 года не привел к росту "серых" зарплат. Это значит, что кризисы 2008 и 2014 годов носят разный характер для рынка труда.

Ожидания зарплаты

Отличались ли договорённости по зарплате на собеседовании при приеме на работу и при первой выплате

Здесь мне вообще ничего не понятно. Если логика диаграммы выше мне понятна, то в этом случае я не понимаю логики: доля респондентов, у кого ожидания по зарплаты не оправдались, последовательно растет из года в год.
И эту логику не объяснить кризисами.
Жду ваши гипотезы, идеи по поводу того, что происходит на рынке труда в этом месте. Работодатели становятся наглее? Аппетиты работников растут?

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

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.

Серая зарплата и бренд компании

Короткий пост.
В нашем исследовании (нужно пройти по ссылке и добавить свой голос) есть два вопроса, связь которых я посмотрел:

1. Какая форма оплаты была (есть) в компании ("белая" или "серая");
2. Готовы ли Вы рекомендовать эту компанию в качестве работодателя своим знакомым, коллегам?

Гипотеза простая: те, кто получают "серую" зарплату, значимо реже готовы рекомендовать свою компанию в качестве работодателя.

Результат

• Это нормированная гистограмма, где - каждый столбец составляет по 100 % тех, кто получает белую и серую зарплату.
• На сегодня 1677 респондентов указали, что получали (-ют) белую зарплату, 668 - серую.
• Среди тех, кто получал / получает белую зарплату, 60 % указали, что готовы рекомендовать свою компанию в качеcтве работодателя, и только каждый пятый указал, что нет. Среди тех, кто получал / получает "серую" зарплату, 41 % готовы рекомендовать компанию как работодателя. И 36 % - не готовы.
• Хи квадрат значим - 2.2e-16
• Корреляция между цветом зарплаты и брендом составляет 0.1969443 (коэффициент Крамера).
• Таким образом, я хочу предложить работодателям, выплачивающим зарплату в "серую", считающим экономию, подумать над тем, что "серая" зарплата увеличивает бюджет на рекрутинг.
• С другой стороны, при нашей российской нелюбви к рекомендательному рекрутингу это может быть некритичным.

__________________________________________________________

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

Подходы к анализу, прогнозу и управлению текучести персонала

Этот пост рефлексия работы в сфере текучести персонала. Не дают покоя лавры Ричарда Розенбоу Анализ текучести персонала – Описательные методы. Я вижу перспективными три подхода в анализе и прогнозе текучести персонала:

1. Средний срок жизни;
2. Индивидуальный прогноз;
3. Прогноз % текучести будущих периодов.

Названия рабочие, надеюсь на поддержку аналитиков в дополнении

Средний срок жизни

Анализ и управлению текучестью персонала в этом подходе идентично соответствует управлению продолжительностью жизни в государстве.
Метрика качества управления продолжительностью жизнью - средний срок жизни. Это очевидный, физически совершенно понятный показатель: в России по итогам первого полугодия 2017 года составила 72,4 года.
И логика управления продолжительностью жизни человека интуитивна понятна и очевидна: мы выявляем факторы, влияющие на продолжительность жизни и снижаем / увеличиваем их размер. Например, снижение потребления алкоголя (или снижение выбросов промышленных предприятий в атмосферу, или увеличение затрат на медицину, или увеличение потребления качественных продуктов, или увеличение числа часов занятий в спортзале) повысит среднюю продолжительность жизни в стране.
Обратите внимание, мы не можем прогнозировать индивидуальный срок жизни человека, но мы говорим о среднем сроке жизни по стране.
Идентичный процесс происходит в HR в управлении текучестью персоналом. Мы выявляем, например, что кандидаты, пришедшие в компанию по рекомендациям работников "живут" в компании дольше (см, например Как правильно выбирать HR-метрики, но обратите внимание, это работает не всегда, вот обратный пример Кейс по выявлению драйверов текучести персонала в разрезе филиалов- поэтому считайте свою аналитику. Если выяснится, что ваши рефералы работют не дольше остальных, это уже хороший повод задуматься, что вы делаете не так). Следовательно, мы вправе ожидать, что если реферальная программа будет закрывать не нынешние 13 % трафика кандидатов, а 30 %, то средний срок жизни работников в компании увеличится.
Таким образом, анализ текучести персонала сводится к выявлению драйверов / факторов, влияющих на текучесть персонала, а управление текучестью сводится к максимизации позитивных проявлений фактора. Например, увеличению доли рефералов в общем трафике кандидатов.
В данном подходе вполне работают как алгоритмы классификации, так и алгоритмы дожития. И точность прогноза нас не должна сильно волновать: важно, что фактор действительно значимо влияет на текучесть, и мы не тратим ресурсы впустую, работая с данным фактором.

Диаграмма 1. Общая "температура по больнице" - средний срок жизни к компании.

Новые книги по аналитике и глубокому обучению

Сегодня пополнил свою библиотеку несколькими книгами от  интернет-магазина КТК "Галактика".

• Машинное обучение с использованием библиотеки H2О - по ссылке подробное описание, скажу только, что H2O - один из самых новых фреймворков машинного обучения. Работает в R, Python
• Библиотека Keras — инструмент глубокого обучения - Keras - библиотека, реализующая алгоритмы нейронной сети. Я как раз двигаюсь в направлении для решения специфических задач в HR, см. например, Влияет ли вовлеченность персонала на текучесть. Прогноз ежемесячной текучести
• Глубокое обучение - толстая книга. Если книги выше это как бы пособие по вождению машины, то данная книга это книга для механиков.
• Основы программирования на языке Python - чувствую себя полным чайником, у меня в свое время не было информатики, просто не застал. А школьники из младших классов уже что то решали на бейсике, так, кажется, язык назывался. Вот теперь пора да парту.

Но если Вы только только вошли в аналитику, начинайте вот с книги Введение в статистическое обучение с примерами на языке R - это базовая книга от стенфордских профессоров. С нее можно начинать любому. И не важно, что вы хотите работать в Python, а не R - эта самая полная, важная и полезная книга по основам статистики. Содержит уроки по R с кодом. Также есть одноименный курс по книге на сайте Стенфордского университета. 

Чувство прекрасного на рынке труда: понимаем ли мы, насколько наша зарплата в рынке

С конца февраля 2017 года у меня работает бесплатная услуга Сколько я стою на рынке труда, смысл которой показать, насколько Ваша зарплата в рынке.
Сотни отчетов и общение с респондентами навело меня на мысль, что понятие "в рынке / не в рынке" очень растяжимое, мягко говоря, понятие.
Речь может идти скорее о некоем чувстве справедливости оплаты труда респондента. Но это чувство совсем необязательно должно "биться" с рынком.
И я решил облечь свои ощущения хоть в какие-то цифры.
В идеале стоило бы напрямую спрашивать респондентов: как Вы считаете, Ваше вознаграждение

1. выше того, что в среднем платят специалистам, похожим на Вас; 
2. ниже; 
3. на отличается от среднего по рынку; 
4. не знаю.

Но этот вопрос раздует и так большой опрос, поэтому я решил потрогать на имеющихся данных.
Я взял вопрос Готовы ли Вы рекомендовать эту компанию в качестве работодателя своим знакомым, коллегам? с тремя вариантами ответов

1. да
2. нет
3. не знаю

Гипотеза

Очень проста. Если справедлива мысль, что мы чувствуем, насколько наша зарплата в рынке, то,  те, у кого реальная зарплата меньше того, что показывает мой прогноз как медиану по рынку, должны чаще выбирать ответ "Нет" в вопросе "Готовы ли Вы рекомендовать....". Соответственно, Те, чья зарплата выше того, что показывает прогноз, чаще должны выбирать вариант "Да".

Глубокое обучение

Представляю новую книгу от  интернет-магазина КТК "Галактика".

Глубокое обучение

Достаточно сказать, что это перевод книги издательства "The MIT Press".
Рецензия на книгу :
«Книга написана ведущими специалистами в этой области и представляет собой единственное полное изложение предмета».- Илон Маск, сооснователь компаний Tesla и SpaceX
Written by three experts in the field, Deep Learning is the only comprehensive book on the subject." -- Elon Musk, cochair of OpenAI; cofounder and CEO of Tesla and SpaceX:

• Основы прикладной математики и машинного обучения
• Теория вероятности и теория информации
• Оценка максимального правдоподобия
• Современные подходы к глубоким сетям
• Регуляризация в глубоком обучении
• Оптимизация в обучении глубоких моделей
• Моделирование последовательностей
• Исследования по глубокому обучению
• Структурные вероятностные модели в глубоком обучении
• Преодоление трудностей, связанных со статической суммой. 

АННОТАЦИЯ К КНИГЕ

Классический труд от MIT Press теперь на русском языке!

Глубокое обучение — это вид машинного обучения, наделяющий компьютеры способностью учиться на опыте и понимать мир в терминах иерархии концепций. Поскольку компьютер приобретает знания из опыта, отпадает нужда в человеке-операторе, который формально описывает необходимые компьютеру знания. Иерархическая организация позволяет компьютеру обучаться сложным концепциям, конструируя их из более простых; граф такой иерархии может содержать много уровней. В этой книге читатель найдет широкий обзор тем, изучаемых в глубоком обучении.

Книга содержит математические и концептуальные основы линейной алгебры, теории вероятностей и теории информации, численных расчетов и машинного обучения в том объеме, который необходим для понимания материала. Описываются приемы глубокого обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей, и др. Рассматриваются такие приложения, как обработка естественных языков, распознавание речи, компьютерное зрение, онлайновые рекомендательные системы, биоинформатика и видеоигры. Наконец, описываются перспективные направления исследований: линейные факторные модели, автокодировщики, обучение представлений, структурные вероятностные модели, методы Монте-Карло, статистическая сумма, приближенный вывод и глубокие порождающие модели.

Издание будет полезно студентами и аспирантам, а также опытным программистам, которые хотели бы применить глубокое обучение в составе своих продуктов или платформ.

Купить на сайте издательства

С этой книгой надо обязательно покупать:

1. Введение в статистическое обучение с примерами на языке R - это базовая книга от стенфордских профессоров. С нее можно начинать любому. И не важно, что вы хотите работать в Python, а не R - эта самая полная, важная и полезная книга по основам статистики. Содержит уроки по R с кодом. Также есть одноименный курс по книге на сайте Стенфордского университета. 
2. Python и машинное обучение Себастьяна Рашки. Если Вы начинаете осваивать или в процессе освоения машинного обучения на Python, то лучше книги Рашки сложно что-то найти. Показаны большинство алгоритмов, включая, кстати, нейронные сети, разбираются преимущества, особенности различных алгоритмов, вопросы и проблемы создания моделей и т.п..

Машинное обучение с использованием библиотеки H2О

Представляю новую книгу от  интернет-магазина КТК "Галактика".

Машинное обучение с использованием библиотеки H2О

Сразу, на входе в качестве рекламы: вот этот пост HR Analytics: Using Machine Learning to Predict Employee Turnover по прогнозу текучести персонала сделан на основе библиотеки H2O. Поэтому просто в тему 146 %!
Напомню, что H2O - это библиотека фреймворк, которая позволяет работать с алгоритмами машинного обучения. В R из фреймворков наиболее известен на сегодня пакет caret, но активно развиваются другие (см, например Задача классификации с помощью пакета mlr в r на кейсе по адаптации персонала или Прогноз индивидуального дожития и тюнинг параметров регрессии Кокса в пакете mlr).
H2O в том числе набирает обороты, на stackoverflow и r-bloggers я часто встречаю встречаю материалы по этой библиотеке. И H2O работает как в R, так и в Python.
Поэтому рекомендую)
АННОТАЦИЯ К КНИГЕ

Машинное обучение наконец-то достигло стадии зрелости. При помощи программного обеспечения H2O вы можете решать задачи машинного обучения и анализа данных с использованием простого в использовании и открытого (open source) фреймворка, который поддерживает большое количество операционный систем и языков программирования, а также масштабируется для обработки больших данных. Это практическое руководство научит вас использовать алгоритмы машинного обучения, реализованные в H2O, с упором на наиболее важные для продуктивной работы аспекты.
Если вы умеете программировать на R или Python, хотя бы немного знаете статистику и имеете опыт обработки данных, эта книга Даррена Кука познакомит вас с основами использования H2O и поможет вам поэкспериментировать с машинным обучением на наборах данных разного размера. Вы изучите несколько современных алгоритмов машинного обучения: глубокое обучение, «случайный лес», обучение на неразмеченных данных и ансамбли моделей.

Прочтя эту книгу, вы:

• узнаете, как импортировать данные в H2O, преобразовывать их и экспортировать их из H2O;
• изучите основные концепции машинного обучения, такие как перекрестная проверка и проверочные наборы данных;
• поработаете с тремя разными наборами данных, решая задачи регрессии, бинарной и многоклассовой классификации;
• используете H2O для анализа каждого набора данных при помощи четырех алгоритмов машинного обучения;
• поймете, как работает кластерный анализ и другие алгоритмы обучения на неразмеченных данных.

Купить на сайте издательства
И к этой книге обязательно покупаете книгу
Введение в статистическое обучение с примерами на языке R - это базовая книга от стенфордских профессоров. С нее можно начинать любому. И не важно, что вы хотите работать в Python, а не R - эта самая полная, важная и полезная книга по основам статистики. Содержит уроки по R с кодом. Также есть одноименный курс по книге на сайте Стенфордского университета. 

Дьявол в деталях. Особенности измерения средней продолжительности работы в компании

Рекомендую прослушать Текучесть персонала по новому расчет среднего срока жизни сотрудника в Excel
Недавно появилась статья об исследовании, где среди прочего рассказали про среднюю продолжительность жизни сотрудников технологических компаний - Travis Kalanick lasted in his role for 6.5 years — five times longer than the average Uber employee. Статья широко обсуждалась: результаты удивляют. Средняя продолжительность работы сотрудников технологических компаний такова

• Facebook: 2.02 years
• Google: 1.90 years
• Oracle: 1.89 years
• Apple: 1.85 years
• Amazon: 1.84 years
• Twitter: 1.83 years
• Microsoft: 1.81 years
• Airbnb: 1.64 years
• Snap Inc.: 1.62 years
• Uber: 1.23 years

Чуть позже появилась ссылка на первоисточник, где исследователи объясняли, как они считали среднюю продолжительность работы- The toptalent of tech disruptors and titans. 

Средняя продолжительность работы

Влияет ли вовлеченность персонала на текучесть. Прогноз ежемесячной текучести

Специальная вводная на англоязычных читателей
This post is an attempt to forecast the monthly turnover of personnel using the LSTM neural networks. As predictors, I used 1) shifted monthly staff turnover, 2) the level of employee engagement, 3) information on the awards.
The diagram chart shows the staff turnover level on a monthly basis in%. The second diagram is the base forecast obtained by the formula "% next month" = "% current month. " The basic error RMSE for this" forecast "is 0.891.
The third diagram is our prediction based on the LSTM neural network. Using the LSTM neural network with these predictors allows us to reduce the error to 0, 71. This forecast is far from ideal, but it allows us to hope that with the accumulation of data we will be able to improve it.

Итак, 

Все прогрессивное человечество HR ждет ответа на вековечный вопрос, влияет ли вовлеченность персонала на текучесть или нет. Ну кроме откровенных м.даков, которые это знают а приори.
Любителям получать однозначные ответы сразу скажу, что я не ответил на вопрос, влияет ли вовлеченность персонала на текучесть. Пост будет интересен тем, кто любит копаться в задачках.
Задачка - расширение задачки Прогноз текучести персонала на основе временных рядов. Модель ARIMA. У нас по прежнему есть 1) текучесть персонала в компании по месяцам в % 2) лаг этой текучести.
Поясняю: задача временных рядов сводится к ответу на вопрос, можем ли мы предсказать нынешнее состояние на основе предыдущих состояний. Т.е. можем ли мы спрогнозировать % текучести персонала в следующем месяце на основе того, сколько у нас уходило в этом месяце, в прошлом и т.п. (сюда же относится сезонность, когда мы говорим, что в январе текучесть будет меньше (или больше), потому что сезон).
Но три датасета, которые мне любезно предоставили коллеги HR, показали, что прогноз только на основе предыдущих периодов дает очень слабый прогноз. Это может объясняться в том числе малым объемом данных, но и тем не менее.
Отсюда встает задача данных: где бы нам набрать данных, которые бы позволили улучшить наш прогноз. Я смог вытащить у коллег такую информацию:

1. показатели вовлеченности персонала;
2. информацию о квартальной премии.

Причем показатель вовлеченности определялся как уровень вовлеченности компании и имел такие показатели по годам

• 2014 49% 
• 2015 62% 
• 2016 71% 
• 2017 63%

Текучесть по месяцам имела такой вид

• По оси X - месяцы
• По оси Y - текучесть персонала в %

Заодно сразу прикиньте, как тут вовлеченность связана с текучестью. Но проблема измерения очевидна: текучесть мы измеряем помесячно, вовлеченность раз в год опросом, хотя очевидно, что текучесть не стоит на месте весь год. Отсюда сразу вопросы к точности. Я здесь боюсь обращаться к тем, кто проводит пульс опросы вовлеченности по одной простой причине: да, в ваших компаниях можно было бы измерить связь между вовлеченностью и текучестью точнее, но, боюсь, что в России нет ни одной компании, которая бы на сегодняшний день измеряла вовлеченность персонала с помощью пульс опросов. 

Решение

40 кейсов People Analytics. Часть 2

Перевод статьи 40 People Analytics Case Studies - Part 2 David Green. Первая часть уже переведена 40 кейсов People Analytics. Часть 1. Благодарим за это Anthony Korolev (ссылка на профиль в фб). Сайт LEARNOLOGY.RU. Специализируется на трех вещах:

1. разработка и реализация стратегий роста, 
2. операционная эффективность бизнеса, 
3. развитие талантов и руководителей. 

Последний год работает над программой развития преемничества в связи с чем пришел к психометрике и аналитике как средстве повысить организационную эффективность и бизнес-результаты.
Согласитесь, что специалист, который в своем графике находит время для перевода, заслуживает уважения. Спасибо, что такие люди еще не перевелись и двигают наш проект переводы статей по hr-аналитике на английском. Итак,

40 кейсов People Analytics. Часть 2

Последний раз в первой части этой статьи я собрал десять кейсов HR-аналитики из таких компаний, как Google, Cisco, Shell, Nielsen & Microsoft. Еще десять историй вы увидите ниже, а также еще по десять в третьей и четвертой частях, которые последуют в течение нескольких дней. В совокупности они обеспечат комбинацию из средства обучения и вдохновения для каждого, кто решит отправиться в самостоятельное путешествие в новую расцветающую область HR.
Итак, наша десятка…

LinkedIn

Одна из наиболее впечатляющих историй, которую я слышал за последние годы, рассказывает о компании LinkedIn. Лоренцо Канлас, который возглавлял команду, написал прекрасную статью «Как мы построили аналитику по талантам в LinkedIn» (это ссылка на перевод у нас в блоге, мы уже перевели часть кейсов - прим. Э.Б.), описывающую эту работу (рекомендуется к прочтению вместе с презентацией со SlideShare Вильяма Гакера, представленной ниже). Подробный пример силы аналитики был представлен Ребеккой Уайт на конференции по HR-аналитике и Работе Будущего, прошедшей в Сан-Франциско ранее в этом году. Ребекка объяснила, как LinkedIn использовал аналитику, чтобы улучшить идентификацию и продвижение критических талантов в рамках задачи найма инженеров.  Команда аналитиков работала с продуктом и привлечением талантов, что привело к созданию модели приоритезации, состоящей из четырех секторов, пилот которой оказался настолько эффективным в течение первых девяти месяцев, что его адаптированная версия была включена как часть будущего издания LinkedIn Recruiter.

Бесплатные он - лайн курсы по аналитике на русском языке Открытое образование

Еще раз напомню, что в России открылся свой аналог платформ курсеры, edx и т.п. - платформа Открытое образование, и я недавно сделал пост с курсами, которые могут быть интересны HR - см. Бесплатные он - лайн курсы для HR на русском языке Открытое образование. Сейчас я хочу сделать тоже для курсов по аналитике. Пишу "аналитика", потому что не знаю точного термина: статистика, машинное обучение, теория вероятностей и т.п.. Не буду напрягаться, назову все "аналитикой".
Итак,

1. Эконометрика - Высшая Школа Экономики. Преподаватель Борис Демешев, курс очень хороший, рекомендую его всем. Гуманитариев могут напугать куча формул, мой совет: не парьтесь, пропускайте и изучайте кейсы в R. Я бы назвал этот курс базовым.

Прогноз текучести персонала на основе временных рядов. Модель ARIMA

До сих в блоге в прогнозе текучести персонала я пользовался моделями дожития, изредка классификации. Эти модели хороши, но у них есть один недостаток: они не схватывают эпидемии миграции работников. Эпидемии могут быть вызваны каким-то внешним или внутренним фактором (непопулярное решение начальства, появление крутого конкуренты в регионе и т.п..). И в этом случае дожитие, которое строит глубинные прогнозы про индивидуума, становится бессильно, как человек, который вел здоровый образ жизни, был сметен эпидемией.
Вот как раз для такого рода эпидемий очень даже неплохо подходят модели временных рядом - Time Series.

Как это работает?

Перед вами диаграмма текучести персонала одного ритейлера. Данные реальные - в этм собственно ценность данного поста.
По оси X - время (вы видите начало периода - начало 2014 года), а заканчивается августом 2017 года - свежак просто;
По оси Y - количество уволившихся работников.
Задача стоит так: можем ли мы на основе предыдущих периодов предсказать, сколько уволится (или будет уволено) в будущем месяце. Согласитесь, очень классная задача, которая тянет на workforce planning.

Решение

Бесплатные он - лайн курсы для HR на русском языке Открытое образование

Для тех, кто не в курсе, в России запущена платформа - аналог курсеры, edx и т.п.. Открытое образование. Я решил в одном посте собрать все курсы, которые так или иначе могут относиться к HR. Не все из них уже начались, даты некоторых неизвестны, но в любом случае это образование вполне доступно и бесплатно (за исключением сертификата). Я дам просто перечень курсов со ссылками на страницу курс+ название ВУЗа, автора курса.

Мне же очень интересна ваша обратная связь от тех, кто проучился на курсе. Пишите, пожалуйста, мне делитесь обратной связью!

1. Управление человеческими ресурсами - Санкт-Петербургский политехнический университет

Услуга Бенчмаркинг текучести персонала

Предлагаю вашему вниманию новую услугу: Бенчмаркинг текучести персонала.
Эта услуга новая и уникальная. Уникальная потому, что используется новый инструмент расчета текучести, сам инструмент основан на машинном обучении.

Что вы получаете

1. Диаграмма

Обозначения:

• По оси X - стаж в месяцах работы;
• По оси Y - вероятность дожития (или % выбытия, если совсем просто);
• Синяя ниспадающая линия - кривая дожития для "Вашей" компании;
• Красная ниспадающая линия - ситуация на рынке.
• Пунктирные линии - границы ошибки.
• Горизонтальная красная линия - 50-й персентиль или медиана дожития. На языке HR - "средний срок жизни". 
• Вертикальные красные линии - значение "среднего срока жизни" для 1) "Вашей" компании и 2) всего рынка.

* Цвета, масштаб и т.п. по желанию Заказчика.
2. Описательные статистики

quantile	25	50	75
Рынок	13.6	28.1	55.6
Вы	17.7	38.7	93.1
lower
Рынок	12.2	24.3	47.9
Вы	16.6	35.9	81.2
upper
Рынок	16.3	33.4	75.9
Вы	19.7	41.4	123.2

lower и upper - нижний и верхний 95 % интервалы25 - 1-й квартиль, 50-медиана, 75 - 3-й квартиль
Т.е. средний срок жизни в "Вашей" компании составляет 38.7 месяца, а для всего рынка 28.1

Как выглядит запрос