Определение факторов включения сотрудников в кадровый резерв

В этом посте решается задача по управлению карьерным планированием внешних кандидатов при трудоустройстве и действующих сотрудников компании путём прогноза их включения в состав кадрового резерва по результатам тестирования.

Имеется 145 наблюдений по сотрудникам одной производственной компании принявшим участие в формировании кадрового резерва.

Методология включения в состав резерва предполагала успешное заполнение тестов интеллекта, мотивационного опросника и профессионального кейса. По итогам 20 сотрудников вошли в резерв компании.

Гипотеза: результаты батареи методик являются основанием включения сотрудника в состав кадрового резерва компании.

Датасет содержит следующие переменные:

$ Пол                      : Factor w/ 2 levels

$ Возраст                  : int 

$ Город                    : Factor w/ 7

$ Компания                 : Factor w/ 26 levels

$ Функция                  : Factor w/ 5 levels

$ Уровень.должности        : Factor w/ 2 levels

$ Стаж                     : int 

$ Мобильность              : Factor w/ 2 levels

$ Рекомендации.руководителя: Factor w/ 2 levels

$ IQ                       : int

$ Мотивация                : int 

$ Кейс                     : num

$ Общий.результат          : Factor w/ 2 levels

В качестве инструментов были использованы:

1. Тесты интеллекта CEB SHL (суммарный балл по вербальному и числовому тесту).

2. Мотивационный опросник CEB SHL (общий уровень мотивации является результатом сложения определенных шкал с последующим преобразованием Бокса-Кокса, z-нормированием и возвращением в T-баллы).

3. Профессиональные кейсы, составленные консалтинговой компанией.

1. Подготовка данных

Поскольку метрические данные датасета измеряются в различных оценка (T-баллы для тестов, проценты для кейсов, годы для возраста и стажа) осуществлён препроцессинг данных: преобразование Бокса-Кокса, z-нормирование и импутация пропущенных значений по мотивации и кейсам:

trans = preProcess(reserv1[, c("IQ","Мотивация","Кейс","Возраст","Стаж")], method = c("BoxCox", "center", "scale", "medianImpute"))

reserv1=predict(trans, reserv1)

Для проведения анализа данные датасета разделены на обучающие и тестовые:

set.seed(1)

split = sample.split(reserv1$Общий.результат, SplitRatio = 0.7)

train1 = subset(reserv1, split==TRUE)

test1 = subset(reserv1, split==FALSE)

  

2. Анализ

По сути, включение или не включение сотрудника в состав кадрового резерва – это задача классификации и соответственно решается она через построение логистической регрессии.

Одним из немаловажных условий участия в резерве была готовность сотрудника к переезду, в связи с чем данная переменная добавлена в основную модель наравне с остальными.

Call:

glm(formula = Общий.результат ~ Мотивация + IQ + Кейс + Мобильность, 

    family = binomial, data = train1)

Deviance Residuals: 

    Min       1Q   Median       3Q      Max  

-1.0557  -0.5549  -0.4038  -0.2592   2.3345  

Coefficients:

               Estimate Std. Error z value Pr(>|z|)    

(Intercept)     -2.2928     0.4977  -4.606  4.1e-06 ***

Мотивация        0.3391     0.3315   1.023   0.3063    

IQ               0.8812     0.3533   2.494   0.0126 *  

Кейс            -0.1529     0.3780  -0.404   0.6859    

МобильностьНЕТ   0.3409     0.6523   0.523   0.6013    

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

В модели только одна переменная оказывается статистически значимой – это интеллект. Полученный коэффициент свидетельствует о том, что с ростом интеллекта на 1 единицу вероятность наступления события увеличивается на 0,88.

Важность факторов:

Для визуализации отличия группы вошедших в резерв (1), от не вошедших (0) по уровню интеллекта (шкала преобразована в z-баллы) данные представлены в виде боксплота:

Несовершенство модели демонстрируют построенные ROC-кривая

и график точность-полнота

  

Устанавливая вероятность наступления на уровне 0,2 на тестовых данных получен следующий результат:

     FALSE TRUE

  0    27   10

  1     3    3

То есть из включенных в итоге в состав резерва, на тестовых данных верно определено только 50%. Точность (Precision) при таких параметрах составляет 23%.

Качество построенной модели вызывает сомнение, замечено, что при её многократном построении коэффициенты статистической значимости различаются, в связи с чем была применена кросс-валидация (10 папок по 10 итераций) результат которой обесценивает модель окончательно и говорит о том, что мы не можем осуществить прогноз на основе имеющихся переменных.

Coefficients:

               Estimate Std. Error z value Pr(>|z|)   

(Intercept)    -2.32175    0.52916  -4.388 1.15e-05 ***

Мотивация       0.01942    0.36334   0.053   0.9574   

IQ              0.58641    0.31801   1.844   0.0652 . 

Кейс            0.25552    0.40166   0.636   0.5247   

МобильностьНЕТ  0.58204    0.65069   0.894   0.3711   

Осуществляя улучшение модели в неё добавлялись прочие переменные, такие как: возраст, пол, стаж, функция, рекомендация руководителя. Все перечисленные переменные оказались статистически незначимы и не привели к положительному результату.

Несмотря на то, что фактор мобильности оказался незначимым в модели прогноза включения сотрудника в состав кадрового резерва, данный параметр был одним важнейших при определении методологии формирования кадрового резерва компании. Поэтому представляет интерес найти ответ на вопрос, чем детерминирована готовность к переезду внутри регионов присутствия компании? Ответ на данный вопрос находится также через модель классификации:

Call:

glm(formula = Мобильность ~ Мотивация + Пол + Возраст + Уровень.должности, 

    family = binomial, data = reserv1)

Coefficients:

                            Estimate Std. Error z value Pr(>|z|)  

(Intercept)                  0.38140    0.37006   1.031   0.3027  

Мотивация                   -0.49579    0.31301  -1.584   0.1132  

ПолМ                        -1.11093    0.59826  -1.857   0.0633 .

Возраст                      0.05313    0.22454   0.237   0.8129  

Уровень.должностиСпециалист -0.11768    0.46634  -0.252   0.8008  

Выбранные переменные, на уровне здравого смысла, которые могли бы детерминировать мобильность также не обнаружены. Ближе всего к ответу на вопрос пол, была проведена проверка хи-квадртом, которая также не дала положительных результатов.

 3. Выводы:

1. На основании имеющихся данных компания не может осуществлять прогноз включения сотрудника в состав кадрового резерва, а также ответить какой фактор был решающим для формирования действующего резерва.

2. Не исключено, что многие проблемы являются следствием крайне малого числа наблюдений. Следовательно, нужно больше данных собирать. J