Перевод статьи The greatest mistake for many in People Analytics? в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор статьи Andrew Marritt, очень его уважаю и рекомендую, как одного из самого профессионального HR-аналитика. Вот некоторые его статьи в нашем блоге
- Фокус на причинах, а не на симптомах вовлеченности сотрудников
- Исследования вовлеченности персонала: часть 1, проблемы традиционного подхода
- Как использование методов анализа текста изменяет опросы сотрудников
- Неосознанная предвзятость? Использование аналитики текста для понимания гендерных различий в оценке эффективности работы - эта статья была использована в курсе на курсере Томского университета.
- В опросы следует включать больше открытых вопросов
Перевод этой статьи выполнила Екатерина Соколова, (ссылка на профиль ВКонтакте) - c&b Байкальский банк, ПАО Сбербанк (рекомендую этого специалиста).Это третий перевод Екатерины, см. также:
5 истин об HR-аналитике (IBM Watson Talent)Итак
Самая большая ошибка большинства в HR-аналитике?
Douglas Hubbard в своей замечательной книге "Как измерить что-либо" привел 3 экономически важные причины измерений (и аналитики):
- чтобы принять верное решение
- чтобы влиять на поведение
- чтобы продать информацию
Все три применимы для HR-департамента, особенно если вы считаете, что участие в опросах о заработной плате - это продажа информации (потому что дешевле получить агрегированные данные, предоставив данные своей компании). Однако первичная причина большинства работ, которые мы видим в HR-аналитике, — это принятие верного решения.
Машинное обучение захватывает HR
Так называемое "прогнозное моделирование" оказало огромное влияние на HR, или, по крайней мере, на амбиции HR-департамента за последний год. Как компания мы менее склонны фокусироваться чисто на прогнозной природе моделей, потому, как я отмечал ранее, есть несколько хороших вариантов применения моделей.Модели могут использоваться для:
- понимания, что происходит
- объяснения, что происходит
- прогноза будущего положения
Многие hr-специалисты в области предиктивной аналитики, с которыми я общаюсь, используют подходы машинного обучения преимущественно в первых двух случаях (хорошая проверка основной цели через ее часть - понять, как она должна быть перенесена в продуктив).
Подходы машинного обучения пытаются, как правило, сделать две вещи:
- Они пытаются и оптимизируют определенную переменную или функцию
- Они ищут шаблоны в данных
Функция потерь
Если мы рассмотрим простую модель принятия решений в условиях неопределенности (все решения принимаются в условиях неопределенности, поскольку принимаются решения о будущих событиях, а все события в будущем неопределенны), нам необходимы:- Вероятность, что событие произойдет
- Издержки/выгоды, с которыми мы столкнемся, если событие произойдет
Более того, зачастую мы должны учитывать издержки/выгоды действий, которые мы предпримем в случае, если произойдет конкретное событие. В целом мы надеемся на выгоду от принятия правильного решения, однако, как правило, бывают и потери от неверных решений.
В HR (как в защите ворот в футболе) часто потери и выгоды асимметричны - то есть, стоимость принятия неправильного решения часто может быть намного больше, чем выгода от принятия правильного решения. В большинстве случаев достаточно создать что-то похожее на сеть, обобщающую все ключевые варианты.
Функция, определяющая затраты – это функция потерь. Увеличьте вероятность того, что произойдет потеря, и вы получите ожидаемое значение. (В этой статье я сосредоточу внимание на том, что компания действует рационально. Стоит отметить, что некоторые менеджеры могут не разделять этот посыл)
Оптимизация неверных вещей
Это подводит нас к ключевой проблеме, которую мы видим во многих проектах моделирования в HR: они сосредоточены на оптимизации определенной категории персонала, а не на оптимизации ожидаемых выгод/потерь.В большинстве моделей текучести персонала, которые мы видим, усилия направлены на уменьшение количества сотрудников, покидающих компанию. Это может вызвать серьезные проблемы.
В одном из последних проектов мы обнаружили, что улучшение решений кейсов с персоналом оптимизирует количество людей, потерянных фирмой. Однако это делается за счет непропорционального снижения текучести среди сотрудников с низкой/средней производительностью. В общем, если ваша единственная цель - уменьшить ваши показатели текучести, проделайте работу по сохранению низко производительных сотрудников!
В этом примере лучший подход, учитывающий функцию потерь, заключался в том, чтобы сосредоточиться на еще одном наборе факторов, которые были наиболее весомыми в управлении текучестью высоко результативных сотрудников. Поскольку наша функция потерь оценивала высоко результативных сотрудников выше, чем средне производительных, оптимальное решение было сосредоточено на вопросах, повышающих вероятность перехода из одной группы в другую.
Определить, какое время может уйти на функцию потерь
В своем стремлении начать строительство отличной модели многие аналитические команды не обращают внимания на ресурсы и усилия, необходимые для создания хорошей надежной функции потерь.В некоторых областях функцию потерь относительно легко построить - если, например, у вас есть индивидуальные показатели продаж каждого сотрудника. Однако в большинстве случаев это сложнее и требует длительного процесса исследования плюс реалистичные гипотезы.
Предлагаемый подход
Мы используем CRISP-DM (Cross-Industry Standard Process for Data Mining (англ.) — межотраслевой стандартный процесс для исследования данных, прим.пер.) как методологию для руководства всеми нашими аналитическими проектами. Итеративный характер этого подхода ценен при создании функции потерь, а также при построении модели. Он хорошо вписывается в этапы CRISP-DM.
Стоит рассказать о функции потерь по всей фирме: не только в области HR, но и в других направлениях, чье мнение весомо. Нам нравится подключать к этому финансистов: подтверждение от финансистов, что подход реалистичен, как правило, имеет мощный эффект, когда HR-менеджеры настроены скептически насчет разумности подхода.
Моделирование методом Монте-Карло принесет мощные результаты
В конце процесса мы часто изучаем такие вопросы, как «если мы изменим «х», каковы будут общие издержки/выгоды?».В действительности у нас теперь есть две формы неопределенности:
- Неопределенность для каждого прогноза или по очереди
- Неопределенность в функции потерь (потому что мы не можем прогнозировать со 100% уверенностью, какие реальные затраты/выгоды связаны с каждым результатом).
Даже математическая интерпретация ожидаемых потерь/выгод становится затруднительной. К счастью, моделирование может помочь. Если мы изучаем наши кривые вероятности с использованием моделирования, мы не только начинаем понимать наиболее вероятный результат любого решения, но и приобретаем уверенность в прогнозируемых выгодах/потерях.
Мысли при построении функций в HR-аналитике
Построение функций потерь – это не тот навык, который многие аналитики имеют от природы. Если вы хотите построить функцию в HR-аналитике, стоит подумать о том, где взять ресурсы для этой потребности.Вполне вероятно, что люди с этим умением придут из бизнес-среды. Вы можете найти их в HR или в других направлениях бизнеса, например, в операционном блоке или финансах. Возможно некоторые менеджмент-консультанты разовьют такие навыки.
Одно из ключевых предположений HR-аналитики заключается в том, что не все равны, и поэтому, если мы сосредоточимся на ценных сегментах персонала, мы улучшим компанию.
Единственным логическим следствием этой мысли является включение функций потерь во всю аналитику.
__________________________________________________________
На этом все, читайте нас в фейсбуке, телеграмме и вконтакте
Комментариев нет:
Отправить комментарий