Как считать текучесть персонала в excel (кейс на примере конкретной компании)

Рекомендую посмотреть данные видео:

1. Как считать текучесть персонала Excel Power Pivot
2. Дашборд отчет динамика найма увольнений Excel Power Pivot
3. Как считать среднесписочную численность Headcount Excel Power Pivot

Пост родился вследствие опроса в нашем телеграм канале Какие показатели текучести кадров считают в компаниях? (по ссылке результаты опроса). Я показал, что из себя представляет средний срок жизни - см. Кейс: метрики текучести персонала на примере одной компании, но самой востребованным показателем текучести персонала, который бы хотели изучить коллеги - как считать % текучести персонала в excel

* присоединяйтесь к нашему телеграм каналу @hranalitycs.
Поэтому я и решил сделал кейс по расчету текучести персонала в excel на примере данных конкретной компании.
Также рекомендую Вам этот пост Как считать текучесть персонала в R/Rstudio (кейс на примере конкретной компании)

Видео

Крайне рекомендую посмотреть видео расчета текучести в excel 

Вводная

Файл с данными и решением вы можете, подписавшись на мой телеграм канал HR-аналитики - пишите там, я скину файл - данные я эту взял только потому, что это первый файл, который мне прислали. Ничего личного.
Если вы хотите научиться считать текучесть персонала в excel так, как это делаю я (а я не претендую на то, что я это делаю так, как надо), то рекомендую скачать файл по ссылке, читать пост и сверять с файлом.
Для расчетов текучести персонала в excel потребуется только две колонки:

1. Дата приема работника;
2. Дата увольнения работника (если он работает на момент отчета, то поле остается пустым).

Эти данные, как мне кажется, легко выгрузить из любой системы учета персонала, в которой фиксируются прием и увольнение. Я исхожу из допущения, что в компании корректно и своевременно оформляют прием и увольнение работников.

Формула расчета 

Я принял за основу форму, где текучесть определяется по формуле:
число уволенных работников за отчетный период / среднесписочная численность работников за отчетный период.
В нашем случае данные за несколько месяцев 2018 года, поэтому текучесть персонала в excel мы будем считать помесячно. Уверен, что вы легко сможете применить эту формулу уже по отношению к году.

Среднесписочная численность работников "за отчетный месяц исчисляется путем суммирования численности работников списочного состава за каждый календарный день отчетного месяца, т.е. с 1 по 30 или 31 число (для февраля - по 28 или 29 число), включая праздничные (нерабочие) и выходные дни, и деления полученной суммы на число календарных дней отчетного месяца.
Численность работников списочного состава за выходной или праздничный (нерабочий) день принимается равной списочной численности работников за предшествующий рабочий день. При наличии двух или более выходных или праздничных (нерабочих) дней подряд численность работников списочного состава за каждый из этих дней принимается равной численности работников списочного состава за рабочий день, предшествовавший выходным или праздничным (нерабочим) дням." Консультант плюс

Расчет 

Таким образом (открываем файл excel), если мы хотим посчитать текучесть персонала на январь 2018 год, нас нужно посчитать количество работников на каждый день января  и количество уволенных за месяц в компании. В нашем файле я создаю даты каждого месяца (см. колонки D, H, L, P - каждая колонка соответствует дням месяцев январь, февраль, март, апрель 2018 года.).
Сразу оговорюсь, что я обещал только предоставить корректные формулы расчета текучести персонала в excel, но не обещал красоты и секси дизайна, в последнем я совершенно не силен.
Давайте посмотрим на примере одного месяца - января.

1. Колонка D соответствует дням января - от 01 января 2018 года до 31 января. 
2. Напротив каждого дня нам нужно показать количество работников в статусе "работает" - этому соответствует колонка E;
3. И мы также считаем количество уволенных по каждому дню - это колонка F.

Хельсинки и Эспоо вдохновляют другие города страны на "слепой" рекрутмент

Перевод статьи Helsinki, Espoo inspire more Finnish cities to trial anonymous recruitment нашего  проекта переводы статей по hr-аналитике на английском.
Ранее на рынке появилась новость Финляндия вводит практику слепого трудоустройства. Компании нанимают сотрудников, о которых почти ничего не знают. Эта новость вызвала много вопросов, поэтому мы решили перевести первоисточник, дабы ответить хоть на часть поставленных вопросов. Рекомендую также статью про "слепой" рекрутмент Как с помощью «отбора вслепую» обеспечить личностное разнообразие на рабочем месте (Workplace Diversity).
Автор перевода Екатерина Колодкина, специалист в области корпоративной культуры и внутренних коммуникаций, автор Телеgram-канала “Корпоративная культура&HR”  или так @corp_culture_hr (коллеги, рекомендую присоединиться к каналу!)
Итак,

Хельсинки и Эспоо вдохновляют другие города страны на слепой рекрутмент

Для повышения уровня занятости власти города Вааса, что на западе Финляндии, решили  последовать успешному примеру городов столичного региона - Хельсинки и Эспоо, и запустить проект по анонимному или слепому рекрутменту.


В Хельсинки и Эспоо сообщили, что внедрение слепого рекрутмента принесло многообещающие результаты. Однако есть мнение, что полный переход на анонимный подбор потребует дополнительных ресурсов.

Роль Организационного Сетевого Анализа в People Analytics

Перевод статьи The role of Organisational Network Analysis in People Analytics нашего  проекта переводы статей по hr-аналитике на английском. Автор статьи David Green, Дэвид Грин, лидер People Analytics, - один из самых цитируемых имен в сфере HR-аналитики в Мире. Мы его переводим, например:

• 40 кейсов People Analytics. Часть 4 (даю только часть 4, через нее можно выйти на все - неплохое представление о западном рынке HR-аналитики);
• 10 трендов в HR в 2018 году от Давида Грина одна из самых популярных статей 2018 нашего блога.

Перевод выполнила Ольга Хайдарова (ссылка на профиль в фейсбук для потенциальных работодателей) - HR project-manager компании "Этажи", г. Тюмень. Это восьмой перевод Ольги, см. также:

1. Пять часто задаваемых вопросов об Организационном сетевом анализе (ONA);
2. Кейс: применение Анализа Организационных Сетей (ONA) для выявления скрытых “звёзд”, которые помогут повысить доход;
3. Браслеты Amazon могут отследить движения руки сотрудников: “Работодатели всё чаще обращаются с персоналом, как с роботами”
4. Опыт применения чатбота в рекрутинге: год вместе;
5. 86% руководителей не видят пользы в Аналитике – почему так?;
6. Успех в аналитике требует правильного мышления;
7. Улучшаем командную производительность с Анализом организационных сетей (ONA);
8. Перегруженная организация.

Также Ольга выполняет самостоятельные проекты по аналитике, см. посты Ольги

1. Анализ дожития специалистов по продаже недвижимости;
2. Анализ коммуникаций коллектива в рабочем чате Telegram

- работодатели, обращаю ваше внимание, рекомендую специалиста - ссылка на профиль в фейсбуке.
Ну и если вас интересует тема организационного сетевого анализа, рекомендую все статьи с тегом Organisational Network Analytics
Итак,

Роль Организационного Сетевого Анализа в  People Analytics

Один из наиболее захватывающих трендов в people analytics - это быстрый рост  Организационного Сетевого Анализа - Organizational Network Analysis (ONA), который, являясь не новым, свидетельствует о возрождении интереса, благодаря развитию технологий, новым путям работы и изменению требований бизнеса.
Когда я встречаюсь с лидерами people analytics, ONA регулярно всплывает в разговоре, как одна из техник, которые они либо уже начали использовать, либо планируют разворачивать в своих организациях.
В самом деле, исследование, проведенное  Insight222 в конце 2017 года (смотрите Рисунок 1 внизу) выявило, что ONA являлся методом анализа, который лидеры people analytics больше всего хотели бы изучить.

Рисунок 1: Организационный сетевой анализ (ONA) это технология, которую лидеры HR & People Analytics больше всего хотят изучить (Источник: Insight222)

Кейс: метрики текучести персонала на примере одной компании

Задела меня тема показателей текучести кадров. Напомню, я провел опрос в телеграм канале, какие показатели текучести персонала, считаются в компаниях.
Результаты по ссылке.
Меня, в первую очередь, интересуют показатели среднего срока жизни. В опросе было целых пять показателей текучести персонала, определяющих средний срок жизни работника в компании. Это:

1. среднее значение стажа по уволенным;
2. медиана стажа по уволенным;
3. среднее значение стажа по работающим;
4. медиана стажа по работающим;
5. медиана дожития.

Я решил посмотреть, какие значения имеют эти показатели текучести персонала на примере одной реальной компании. Вот эта компания Роль наставника в удержании сотрудника (кейс).
Всего в компании на момент кейса были данные по 427 работникам;

• 300 работало на момент исследования;
• 127 уже уволилось.

Время исследования:

• самый ранний прием датирован 01 сентября 2009 года
• время выгрузки данных - 25 ноября 2015 года. 

Показатели текучести персонала

Уволенные работники 

• По оси X - стаж работы уволенных работников
• Ось Y - количество работников, которые уволились в тот или иной промежуток стажа.

Заметно, что чаще всего увольнялись работники в промежутке между полугодом и годом работы в компании.
Значения
    Min.  1st Qu.  Median    Mean   3rd Qu.    Max.
   1.676   7.113    11.960     19.240  23.930    122.900

Таким образом, показатели текучести кадров:

1. среднее значение стажа по уволенным - 19, 24 месяца;
2. медиана стажа по уволенным - 11, 96.

Какие показатели текучести кадров считают в компаниях?

В телеграм канале (присоединяемся) проводил опрос.
Какие показатели текучести считают в Вашей компании? (до 3-х вариантов)

1. никакие - 19;
2. Коэффициент текучести кадров - 52;
3. Коэффициент приёма - 13;
4. Коэффициент выбытия -14;
5. Коэффициент стабильности - 3;
6. Коэффициент интенсивности текучести - 3;
7. Средний срок жизни - среднее значение стажа по уволенным - 12;
8. Средний срок жизни - медиана стажа по уволенным - 6;
9. Средний срок жизни - среднее значение стажа по работающим - 6;
10. Средний срок жизни - медиана стажа по работающим - 3;
11. Средний срок жизни - медиана дожития - 1;
12. другое - 1.

Напротив варианта стоит количество выборов респондентов. Я удалил всех, кто указал вариант "никакие" и посчитал  % от оставшихся респондентов.
Поскольку респондент мог выбирать до трех вариантов, то сумма % будет более 100 %.

Выводы делайте сами, я хочу прокомментировать только метрику среднего срока жизни.
Самая популярная метрика среднего срока жизни - среднее значение стажа по уволенным.
Не буду доказывать, что медиана дожития важнее. Хочу показать только разницу между среднем и медианой.

Пример

Это реальные данные.

• По оси X - стаж в месяцах;
• По оси Y - количество человек в компании, которые имеют такой стаж. 
• Среднее значение стажа для данной компании - 46 месяцев;
• Медиана стажа для данной компании - 30 месяцев.

Разница 16 месяцев. Е
Вопрос: какой показатель корректней отражает средний срок жизни в компании?

__________________________________________________________
На этом все, читайте нас в телеграмме и вконтакте

Глобальная экономика на подъеме: инструкция для HR

Перевод статьи The Red Hot Global Economy: How Should HR Adapt?  в рамках нашего  проекта переводы статей по hr-аналитике на английском.Автор статьи - Josh Bersin, и это уже заявка на то, что статья будет суперчитаема. Рекомендую такэе к прочтению статьи Берзина

• Джош Берсин. Переворот рынка HR технологий: 10 топ трендов 2018
• 9 горячих трендов в HR-технологиях … и почти все они - бомба на рынке;
• Топ 10 прорывов в HR технологиях (Одно время - самая популярная статья блога);

Перевод выполнила Дарья Цирулева, HR-директор группы компаний Корус Консалтинг. (вот такие у нас спецы переводы выполняют!). Ее профиль в фейсбуке. Это второй перевод Дарьи, читайте также
Почему именно неформальные сети – следующий этап развития HR и HR-аналитики (революционный!)
Итак,

Глобальная экономика на подъеме: инструкция для HR

Мы живем в интереснейшее время. Впервые за десятки лет вся, вся мировая экономика растет. Безработица показывает самый низкий уровень за 30 лет, заработные платы взмывают вверх, а работодатели жестко (а, порой, и жестоко) конкурируют за носителей новых скиллов («Машинное обучение», по мнению LinkedIn, теперь самая горячая тема: потребность в специалистах такого профиля выросла в 10 раз за последние пять лет).
У нас множество подтверждений того, что на рынке труда горячо. Последнее исследование ADP говорит: почти 5% рабочей силы США теперь меняет работу – внимание – каждый месяц. И, более того, по собственной воле. Почему, зачем люди меняют работу? Исследование ADP (а в нем участвовало ни много ни мало 14 миллионов работников) утверждает: причина № 1 – это заработная плата. Люди просто находят более высокооплачиваемую работу. И точка.
Для экономики все происходящее, конечно же, хорошо. А вот для работодателей…Им приходится нелегко. Помню, как в 2000-ые, во времена доткомов, впрочем, как и в другие периоды экономического роста, рынок труда становился гиперконкурентным, заработные платы взлетали до Луны, работодатели практически из кожи вон лезли, чтобы привлечь к себе квалифицированных специалистов. На иллюстрации ниже видно, что как подобное происходит с нами прямо сейчас. Мы приближается к уровню безработицы, какой не наблюдался со времен корейской войны.
Рисунок 1: рекордно низкий уровень безработицы

CEO уже «в теме»

Такое состояние рынка труда, конечно же, известно руководителям в высоких кабинетах. Последнее исследование Conference Board CEO показывает, что поиск и удержание специалиста (да, таланта, talent) теперь проблема № 1 даже для CEO. Руководители озабочены качеством «человеческого ресурса» своих компаний, составом кадрового резерва, показателями удержания и вовлеченности, красотой и эффективностью своего бренда работодателя. А, между тем, люди с востребованными рынком знаниями и умениями ведут себя как кинодивы: продавливают высоченные заработные платы, рассудительно сравнивают работодателей между собой, намекают компаниям на то, что ждут от них постоянного совершенствования условий работы и того, что называется «опытом сотрудника».
Я только что посетил мероприятие для 200 менеджеров высшего звена огромной глобальной компании. И, вы не поверите, самой обсуждаемой темой на встрече этих людей была такая: как нам завлечь в компанию высокопотенциальных сотрудников? Как нам нарастить кадровый резерв? Как нам формулировать требования к скиллам и трудовым функциям, когда автоматизация меняет всё и вся? CEO этой компании лично просил каждого руководителя максимально ответственно подойти к работе с кадровым резервом и взращиванию новых лидеров.

Вовлеченность и прогноз рейтинга вашей компании на внешних ресурсах

или очередной перевод на тему "Аналитики на западе нашли новое применение своим данным"

Мне неоднократно приходилось анализировать отзывы с известного для работников банков сайта Банки.ру. И я все время задавалась вопросом - насколько важны эти отзывы для новых кандидатов, которые только рассматривают ваш банк в качестве потенциального работодателя. Что связано с появлением таких отзывов и как можно влиять на это? Поэтому мне показалась очень интересной статья с такого далекого-близкого Запада, в которой провели подобный анализ - попытались найти связь отзывов на внешних ресурсах и внутренними измерениями, а именно вовлеченностью сотрудников. Вовлеченность, скорее всего известна всем, ведь только ленивый или совсем бедный (а может очень умный) не измерял ее в своей компании на территории РФ.
Публикую перевод ниже:

Прогноз индекса на Glassdoor с использованием данных по вовлеченности

Все больше и больше людей обращаются к отзывам на краудсорсинговых вебсайтах в поисках информации, необходимой им для принятия решений во всех сферах их жизни. Подумайте, как сервис Yelp трансформировал ваш способ поиска новых ресторанов или поставщиков других услуг.

Когда наступает время для поиска новой компании, к которой вы хотите присоединиться как сотрудник, Glassdoor является одним из самых известных источников для получения новой информации (не в России). На Glassdoor содержится более 38 миллионов отзывов сотрудников из почти 740 тыс. компаний. Их веб-сайт является вторым по величине джоб-сайтом в Соединенном королевстве, его посещают ежемесячно более 50 миллионов уникальных посетителей. Многие посетители сайта просматривают отзывы на Glassdoor именно для получения информации о том, что будущая компания может им предложить.

С другой стороны, каждый год тысячи компаний используют услуги компании Culture Amp для сбора обратной связи от своих сотрудников, используя внутренние опросы. Компании могут извлечь обратную связь в среднем от 80 – 90% сотрудников. Это означает, что данные компании способны собрать репрезентативные данные, по которым они могут оценить общий опыт их сотрудников.

В Culture Amp мы используем агрегированные данные наших заказчиков для формирования нашего ежегодного анализа по бенчмаркам. Мы подумали, что могло  бы быть интересно сравнить наши данные по обратной связи с данными на ресурсе Glassdoor и, возможно, попробовать предсказать рейтинг компании  на этом ресурсе, используя данные внутренних опросов по вовлеченности.

Есть ли корреляция между рейтингом на Glassdoor  и индексом вовлеченности от Culture Amp?

Мы идентифицировали 267 компаний, которые провели большие масштабные опросы по вовлеченности, а также имели по крайней мере один отзыв на Glassdoor за последние 12 месяцев.

Первый вопрос, ответ на который мы искали в наших данных - есть ли взаимосвязь между индексом вовлеченности и общим рейтингом на Glassdoor. Ответ был да, определенно такая связь есть, и она положительная. Однако, выяснилось, что количество отзывов тоже оказывает влияние на результат.

вовлеченность и рейтинги Glassdoor в зависимости от количества отзывов

Если вы посмотрите на картинку, вы заметите, что чем дальше от линии располагаются круги, тем меньше отзывов о компании было получено.

Итак, корреляция между вовлеченностью и индексом компании на сайте Glassdoor вероятно увеличивается при увеличении количества отзывов. Для более строгой проверки мы посмотрели как меняется коэффициент корреляции при увеличении числа отзывов о компании.

При небольшом количестве отзывов (1 - 4) коэффициент корреляции находится в отрицательной области, но с увеличением количества обратной связи он растет и достигает значения 0, 69 для компаний, о которых было оставлено 100 и более отзывов.

Давайте посмотрим на некоторые сравнения между компаниями, чьи рейтинги вовлеченности были выше или ниже по данным Culture Amp, чтобы сделать более жизненные выводы.

Прямые сравнения между вовлеченностью и рейтингом компании на Glassdoor.

Мы обнаружили, что если вы измерили вовлеченность сотрудников, то вы сможете узнать, каким может быть рейтинг вашей компании на Glassdoor.

На картинке ниже показано, как выглядит рейтинг на Glassdoor для компаний с низким и высоким уровнем вовлеченности.

Влияниие вовлеченности на рейтинг Glassdoor

Также мы видим значимую разницу для компаний с бОльшей вовлеченностью, когда сравниваем вероятность рекомендовать эту компанию друзьям, а также процент одобрения CEO на данных  Glassdoor. Ниже мы показываем эти рейтинги Glassdoor для компаний с разным уровнем вовлеченности.

Готовность рекомендовать и одобрение CEO

Исходя из анализа наших данных, есть предположение, что если вы понимаете уровень вовлеченности внутри компании, то это помогает вам понять, как она воспринимается снаружи. Чем глубже ваш всесторонний опрос по вовлеченности, тем больше это помогает вам понять, на чем стоит сфокусироваться, чтобы улучшить ваш рейтинг на Glassdoor.

В поисках более глубокой обратной связи в рамках изучения опыта сотрудников на рабочем месте (и культуры) мы (в Culture Amp) можем раскрыть специфические факторы, влияющие как на вовлеченность, так и на рейтинг компании на Glassdoor.

Ниже показаны пять факторов, найденных в процессе анализа, имевших наибольшую взаимосвязь с рейтингом на Glassdoor. Колонки темного цвета представляют компании, попавшие в топ 25% по индексу вовлеченности, а колонки кораллового цвета – компании, попавшие в последние 25%  соответственно.

Наибольшее влияние на рейтинг Glassdoor

перевод слева направо - лидеры, демонстрирующие людям как важен успех компании

лидеры, которые коммуницируют мотивационное видение

департаменты/функции хорошо взаимодействуют, чтобы делать свою работу

справедливые компенсации относительно схожих ролей в других компаниях

компания обеспечивает условия для развития

Что нам дает эта корреляция?

Этот анализ основан на агрегированных анонимных данных от компании Culture Amp и публичных данных, доступных на ресурсе Glassdoor. Полученные выводы указывают на некоторые важные тренды в данных, а именно возможность использовать внутренние опросы вовлеченности для понимания как ваша компания воспринимается со стороны.

Однако, в каждой организации действуют свои уникальные факторы, влияющие на опыт их сотрудников. 
Если вы хотите контролировать внешнюю репутацию вашей компании, то понимание вовлеченности сотрудников и драйверов, управляющих этим, обеспечит вас информацией, необходимой для разработки необходимых действий.

HR упирается во вторую стену

Перевод статьи HR is hitting a second wall в рамках нашего  проекта переводы статей по hr-аналитике на английском. Автор статьи Patrick Coolen - HR-аналитик в ABN AMRO Bank. Мы уже переводили его в рамках нашего проекта, см. Идеальная пара: аналитика и стратегия управления персоналом.
Нынешней статьей он записал своей имя в историю HR-аналитики, и это не только мое мнение, см. 10 трендов в Workforce Analytics - Tom Haak упомянул Патрика Кулена как автора тренда.

Перевод сделала Анна Тонких (ссылка на профиль в  фейсбук), HR с 5-им летним опытом, работает в финансовой сфере. Опыт, скажу по секрету, у Анны уникальный.

Итак,

HR упирается во вторую стену

На пути к непрерывной аналитике и максимизации взаимодействия с сотрудниками

Авторы: Патрик Кулен и Фрэнк ван ден Бринк

Все, кто следят за нами в Linkedin, знают, что все наши заметки посвящены аналитике HR (Patrick Coolen) или Employee Experience (Frank van den Brink). В этом посте мы объединяем две концепции, предиктивную аналитику HR и опыт сотрудников. Мы твердо убеждены в том, что сочетание этих двух способов позволяет нам делать нечто называемое «непрерывным слушанием», что позволит нам максимально эффективно использовать наш опыт работы. Но, прежде чем мы погрузимся в наши рамки для непрерывного прослушивания, сначала несколько слов по кадровой аналитике и опыту сотрудников.

Об HR-аналитике

В отчете «Тенденции развития человеческого капитала» Deloitte в 2018 году было показано, что 70% их респондентов задействованы в крупных проектах анализа и интеграции данных людей в процесс принятия решений. С осторожностью можно сказать, что (предиктивная) аналитика HR становится мейнстримом. Все больше компаний используют статистические данные или методы интеллектуального анализа данных для создания идей для поддержки принятия решений. Поэтому, все для большего числа организаций справедливым становится факт ломания «стены Будро» (Отсылка к книге Джона Будро «Инвестирование в людей: финансовые последствия HR инициатив». Речь о «стене ценностей», см. диаграмму (Стена Будро" в статье 10 трендов в Workforce Analytics), переход от описательной аналитики к предиктивной.

В нашей организации мы собрали около 600 различных идей по использованию прогностической аналитики HR за последние четыре года. Эти идеи затрагивают все направлениям деятельности и собираются с помощью различных методов моделирования, таких как (логистическая) регрессия, решения машинного обучения, метод случайного леса и, в последнее время, анализ дожития. Ниже Вы видите схему некоторых целей наших бизнес-исследований (справа) и их отношения к различным входными переменным (слева). Как Вы можете видеть, на протяжении многих лет мы смотрели на удовлетворенность клиентов, продажи и другие финансовые показатели - качество работы, эффективность работы и прочее. Но также и на темы, больше касающиеся HR, такие как отсутствие прогулов, вовлеченность, цели и сотрудничество.

Наша команда выросла до 10 человек, объединив аналитических консультантов, ученых по данным и разработчиков продуктов для аналитики персонала, стратегического управления персоналом и управления исследованиями. Уместно поблагодарить наших партнеров, которые всегда поддерживают нас на всем пути. Это Willis Towers Watson (управление исследованиями), BigML (машинное обучение) и, в частности, iNostix от Deloitte. С iNostix мы отмечаем в этом году наше пятилетнее партнерство в рамках анализа кадровых ресурсов. И Лук Смайерс, и Лаура Стивенс вдохновили нас на различные проекты, освещающиеся в этой статье.

Лояльность и отношение к компании в зависимости от стажа работы

Результат нашего исследования Ключевые факторы эффективности и текучести персонала (приглашаю поучаствовать).
Я периодически играюсь с Хи квадрат, получаются красивые вещи, см.:

1. В какой отрасли самый лучший HR-бренд
2. Серая зарплата и бренд компании
3. Бренд компании и непосредственный руководитель
4. Как наставники на испытательном сроке формируют бренд компании

Настал черед стажа.
Идея крайне простая: кто чаще готовы рекомендовать компанию: новички, ветераны или связь не линейна, а хитро закручена?
* я взял в анализ только тех респондентов, кто на момент заполнения анкеты работал в компании. Т.е. речь только про работающих.

Стаж как числовая переменная

На этой диаграмме (если вы не умеете читать диаграмму boxplot, вам сюда Как читать диаграмму boxplot (ящик с усами))

• Ось X - стаж работы в месяцах;
• Ось Y - ответ респондента на вопрос, готовы ли рекомендовать компанию 

Заметно, что медиана стажа тех, кто готов рекомендовать компанию, будет повыше, чем тех, кто не готов. Ну и вроде бы это логично. Работает, значит, лоялен.
Но
Kruskal-Wallis rank sum test

data:  q$stag by q$ref
Kruskal-Wallis chi-squared = 2.4175, df = 1, p-value = 0.12

Различия не значимы! А значит, готовность рекомендовать компанию в такой постановке вопроса не зависит от стажа.

Страты

А теперь давайте посмотрим другую логику. Я разбиваю стаж на страты.

Корпоративные опросы: анонимность vs персонализация

Пост написан совместно с Людмилой Роговой.
HR-аналитика это не только алгоритмы, это еще и рефлексия, еще и осмысление того, что происходит на рынке.
Хочу провозгласить тренд на персонализацию корпоративных опросов. Достигаем мы при этом глобально две цели:

1. Получение принципиального нового уровня данных с помощью привычного инструмента сбора данных;
2. Формирование зрелой (mature) корпоративной культуры.

Мысли поста зрели давно, но толчком послужили два поинта

1. Недавно я обсуждал с коллегами то, как они выбирали провайдера корпоративных опросов. Провайдер был готов на многое, но только не на персонализацию ответов. Мотивировка: клиент может некорректно интерпретировать данные, чем нанесет репутационный вред провайдеру. При этом сам провайдер не знал и не умел делать регрессию, анализ тональности текста, тематический анализ и т.п.. И у меня вдруг родилась простая мысль: а может быть провайдер просто боится, что клиент может найти в результатах провайдера косяки? Может провайдер просто тупо не уверен в своих силах анализа? Но нам впарывают про то, что они заботятся о сотрудниках и т.п.. С каких это пор у нас провайдеры такие щепетильные? 
2. Статья Опросы сотрудников - по-прежнему один из лучших инструментов измерения вовлеченности. Я бы выделил из статьи два главных поинта: 1) использование мета информации опроса (например, признак прошел / не прошел корпоративный опрос может использоваться в прогнозе текучести персонала) и 2) вопросы сами по себе могут мотивировать на действия. И я бы сформулировать идею статьи так: корпоративные опросы через метаданные измеряют корпоративную культуру компании и они, опросы, формируют корпоративную культуру. Или, что более модно, измеряют и формируют mature. Но при этом одно важное условие: опрос не анонимен. 

Обратная трансформация Бокса-Кокса в R

Трансформация Бокса-Кокса позволяет привести данные к нормальному распределению. Проблема возникает в тот момент, когда мы представляем результаты заказчику. Если у нас целевая переменная - рубли, то трансформация превращает рубли в непонятно во что. И после обучения модели, в уже промышленном применения, нам необходима обратная трансформация из Бокса-Кокса в рубли.

Я нигде не нашел полного поста, как это делается (может просто я не там искал), но решил сделать пост с инструкцией по обратной трансформации Бокса - Кокса.

Итак

Необходимый пакет

library(caret)

Создаем данные

set.seed(1)
a = rnorm(100, mean = 80, sd = 40)
b = rnorm(200, mean = 40, sd =20)
c = c(a,b)
df = as.data.frame(c)
df = subset(df, df$c > 0) # удаляем значение менее нуля 
summary(df)
          c           
 Min.   :  0.4259  
 1st Qu.: 33.3343  
 Median : 48.8389  
 Mean   : 56.0041  
 3rd Qu.: 74.5428  
 Max.   :176.0647 

hist(df$c)

Данные создаем так, чтобы они были не нормально распределены. У вас будут свои данные.

shapiro.test(df$c)

 Shapiro-Wilk normality test

data:  df$c
W = 0.93822, p-value = 9.752e-10

Результаты теста нас вполне устраивают: данные далеки от нормальных. Теперь сама трансформация

trans = BoxCoxTrans(df$c) # задаем правило трансформации
transc = predict(trans, df$c) # трансофрмируем
hist(transc) # смотрим, что получилось

shapiro.test(transc)

 Shapiro-Wilk normality test

data:  transc
W = 0.99504, p-value = 0.465

Трансформация Бокса-Кокса получилась успешной. Что бывает далеко не всегда: очень часто трансформация Бокса-Кокса не превращает распределение в нормальное.

Обратная трансформация Бокса-Бокса

Нас интересует обратная трансформация Бокса-Кокса. Например, мы получили прогноз регрессии по трансформированным данным, нам необходимо получить значения в первоначальной переменной.
Для начала узнаем лямбу (коэффициент трансформации) Бокса-Кокса. Ее можно узнать в правиле трансформации.

trans
Box-Cox Transformation

294 data points used to estimate Lambda

Input data summary:
    Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
  0.4259  33.3300  48.8400  56.0000  74.5400 176.1000 

Largest/Smallest: 413 
Sample Skewness: 0.956 

Estimated Lambda: 0.4 

Лямбда = 0.4 Формула трансформации Бокса-Кокса такова

y = (x^lmbda - 1) / lmbda

Из этой формулы мы получаем формулу обратной трансформации Бокса-Кокса

x = (y*lmbda + 1)^(1/lmbda)

ВАЖНО; эта формула корректна для лямбды не равной нулю. Если ламбда принимает значение 0, то преобразование Бокса-Кокса представляет логарифмирование, а обратная трансформация Бокса-Кокса, следовательно, экспонирование, т.е.

x = exp(y)

Давайте проверим корректность трансформации для нашего случая

lmbda=0.4
y = transc
x = (y*lmbda + 1)^(1/lmbda)
summary(x)
    Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
  0.4259  33.3300  48.8400  56.0000  74.5400 176.1000 

Данные обратной трансформации Бокса-Кокса не идентичны данных первоначального набора данных df$c, но различия в пределах сотых: в оригинальном датасете, например, максимальное значение 176.06, в датасете обратной трансформации Бокса-Кокса 176.1.
Думаю, что нас устроит такая погрешность.

10 трендов в Workforce Analytics

Перевод статьи 10 Trends in Workforce Analytics в рамках нашего  проекта переводы статей по hr-аналитике на английском. Автор статьи - Tom Haak, этот автор становится популярным, запоминайте это имя, если Вы еще не. Рекомендую следующие статьи Tom Haak в нашем блоге:

1. 8 главных HR-трендов 2018 года
2. Тренды в оценке настроений сотрудников и исследовании вовлеченности - прям пособие по инструментам вовлеченности
3. 8 трендов в управлении талантами на 2018 год

Перевод сделала незаменимая Александра Багинская (по ссылке профиль с Линкедина). Саша родом с Украины, но живет и работает в Голландии. Читайте другие статьи Александры у нас в блоге:

1. 3 типа поведения, которые определяют успешных продавцов
2. Что делает продавцов лучшими
3. Результат через diversity - одна из самых дискутируемых тем, по ссылке результаты исследования McKinsey.
4. Как блокчейн повлияет на HR?
5. People Analytics 3.0
6. Джош Берсин. Переворот рынка HR технологий: 10 топ трендов 2018 - одна из самых популярных статей блога за все время
7. Удержать или отпустить? Данные, на которые следует корректно реагировать, когда сотрудник увольняется
8. Соседство с лучшими сотрудниками может увеличить производительность

итак,

10 трендов в Workforce Analytics

Workforce analytics развивается и взрослеет. 10 трендов в Workforce Analytics на ближайшее будущее:

1. От одноразовых мероприятий до аналитики в реальном времени

Многие усилия workforce analytics начинаются как проект консультантов. Задается вопрос («Какой опыт наших сотрудников на их пути?»), проводиться множество интервью, собираются данные, и с помощью внешних консультантов пишется красивый отчет и определяется много проектов по изменению пути сотрудников.
Одноразовая акция – это хорошо, но собирать отзывы кандидатов, сотрудников и других релевантных групп более регулярно и, возможно, в реальном времени может быть более полезно.
Практика опросов меняется. Мы видим, что организации используют несколько подходов:
- классический годовой или полугодовой опрос сотрудников для глубокого анализа
- недельные, месячные или квартальные пульс опросы для сбора более частого фидбэка. Пару вопросов, обычно варьируемые в цикле. Некоторые более продвинутые решения пульс опросов могут быть адоптированы: больше вопросов задается сотрудникам, если есть ощущение, что существуют проблемы («Как прошла неделя?», при ответе «очень хорошо» опрос завершен, если вы отвечаете «не очень хорошо», то следуют дополнительные вопросы). Пульс опросы также легко связать с «важными моментами» в опыте сотрудников.
- постоянные измерения настроения в реальном времени. Инновационные решения в этой сфере все еще немногочисленны, особенно если вы хотите измерять пассивным, ненавязчивым образом. В пример можно привести Keencorp, они анализируют накопленные  e-мейлы и могут создавать отчеты о настроении (и рисках) в разных частях организации.

В моей статье Employee mood measurement trends вы можете найти обширный обзор провайдеров измерения настроения.

2. От people analytics до workforce analytics

В настоящее время общее мнение, кажется, заключается в том, что people analytics – лучше термин, чем HR analytics.

Все больше и больше рабочая сила состоит из более, чем только людей. Роботы и чатботы входят в рабочую силу. Первое обсуждение в юридических кругах уже началось: кто несет ответственность за действия роботов?

Если мы также анализируем роботов, мы движемся от people analytics к workforce analytics. Благополучие и продуктивность роботов – отличный аспект для HR.

3. Больше прозрачности

Этот обзор трендов workforce analytics не может быть полным без упоминания GDPR (General Data Protection Act/ Общий регламент по защите данных). GDPR заряжает много позитивных начинаний, одно из них – намного больше прозрачности. Относительно того, какие данные собираются, как они используются, и как алгоритмы применяются для принятия решений о людях.

С этим связана проблема владения данными. Ожидается, что сотрудники больше не будут принимать как данность то, что они не могут владеть своими личными данными. Сотрудникам необходимо иметь возможность показать свои данные следующему потенциальному работодателю как доказательство их продуктивности и вовлеченности.

4. Больший фокус на продуктивности

В последние годы фокус на продуктивности был невелик. Мы наблюдаем медленные изменения на этом горизонте.

Традиционно  проблемы мощности решались наймом большего количества людей. Это привело к нескольким проблемам. Я наблюдал это несколько раз в быстрорастущих масштабируемых компаниях.

Так как рост ограничивается возможностью находить новых людей, критерии отбора занижаются (часто несознательно), поскольку нужно нанять много людей в короткие сроки. Эти новые люди не так продуктивны, как существующая команда. Поскольку у вас больше людей, вам нужно больше менеджеров. Наличие людей с более низкой продуктивностью и большего количества менеджеров снижает продуктивность.

При другом подходе больше внимания сфокусировано на увеличении продуктивности существующих сотрудников вместо найма дополнительных работников, а также на улучшении критериев отбора.

Используя workforce analytics, вы можете попробовать найти характеристики топ исполнителей и команд и условия, стимулирующие высокую продуктивность.

Эти результаты могут быть использованы для увеличения продуктивности и отбора кандидатов, обладающих характеристиками топ исполнителей. Когда продуктивность увеличивается, вам нужно меньше людей для достижения тех же результатов.

На эту же тему можно почитать статью 3 reasons to stop counting heads.

5. Что в этом для меня?

Нехватка доверия может повлиять на многие усилия workforce analytics. Если фокус в первую очередь на эффективности и контроле, сотрудники будут сомневаться, если в этом какие-то преимущества для них.

В общем, существует сдвиг в сторону более сотрудникоцентрических организаций, хотя иногда можно усомниться в том, насколько подлинны эти усилия для улучшения опята сотрудников.

Задать вопрос «Какая выгода от этого сотрудникам?» – хорошая отправная точка для большинства проектов workforce analytics. Это так же поможет создать buy-in, который будет все более важным с введением GPDR.

6. От отдельных людей к командам к сетям

Много проектов workforce analytics сегодня все еще сосредоточены на отдельных людях. Какие характеристики присущи лучшим исполнителям? Как можно измерить личный опыт сотрудника? Как уменьшить абсентеизм?

Ранее я приводил oбзор того, насколько современные практики HR сосредоточены на командах.

Перевод таблицы

HR практика	Фокус на командах?
Организационный дизайн	**** Начальный Плоские организации/холократии
Рабочие процессы	******* Часто сосредоточены на командах Гибкие
Рекрутинг и отбор	* Фокус на отдельных людях Командный рекрутинг – редкость, даже относительно команд из двух людей
Дизайн рабочего места	****** Новые дизайны принимают команды во внимание Виртуальный дизайн рабочего места все еще не развит
Развитие талантов	* Большинство программ развития талантов направлены на отдельных людей
Обучение и развитие	**** Улучшение командной производительности однозначно получило внимание, но фокус остается на отдельных людях
Преемственность	* Планирование отдельных должностей. Во внимание принимается состав команд. Управление преемственности очень сосредоточено вокруг СЕО
Управление производительностью	*** Большая часть все еще на уровне отдельных людей, но постепенно сдвигается к командам
Вознаграждение	** В мейнстриме по прежнему индивидуальное вознаграждение. Командный/групповой элемент в бонусах
Внутренние коммуникации	***** Е-мейл все еще доминирует. Медленно продвигаются внутренние соц. сети

Как видно из таблицы, большинство практик все еще очень сосредоточены на отдельных сотрудниках. Workforce analytics может помочь улучшить то, как команды и сети функционируют внутри и за пределами организаций. Подъем Organizational Network Analysis – многообещающий знак.

Опросы сотрудников - по-прежнему один из лучших инструментов измерения вовлеченности и другие материалы недели

Данный обзор создан на основе публикаций и реакций участников нашего телеграм канала
ссылка на веб-телеграм
мобильная версия

Несмотря на праздники, неделя оказалась очень насыщенной
По количеству просмотров / переходов (но не по количеству лайков) на этой неделе "выстрелила" статья

Опросы сотрудников - по-прежнему один из лучших инструментов измерения вовлеченности

в связи с этим два вопроса по статье: а

1. вы меряете, например, % прошедших опрос? 
2. И второе, очень важное: если вы измеряете вовлеченность, фиксируете ли вы рост числа рефералов в компании?

надеюсь, статья вас стимулирует на сбор подобных данных, и вы со мной поделитесь информацией.

На втором месте статья Дьявол в деталях. Особенности измерения средней продолжительности работы в компании

Кто-то измеряет средний срок жизни работников в компании? и Как вы это делаете?
И у меня родилась мысль - провести опрос, какие метрики текучести персонала вы считаете у себя в компании. И я ее реализую в ближайщее время.

Но максимум лайков собрала выложенная книга Введение в статистическое обучение с примерами на языке R (если не скачали книгу, поднимайте в ленте и качайте)

и ссылки на установку R / Rstudio.
Целых 103 лайка (хотя может быть это фотография Натальи Даниной вызвала такую вашу реакцию).

и я обещаю дальше давать ссылки на изучение аналитики в R.
* и на этой же неделе я выложил книгу АНАЛИЗ СОЦИОЛОГИЧЕСКИХ ДАННЫХ Крыштановского Александра Олеговича.

Как следствие этой акции очень интересны результаты голосования, установлены ли у Вас R, Rstudio

практически 40 % еще не установили, но планируют установить. И это очень интересный результат.

Статья 10 Trends in Workforce Analytics вызвала самые противоречивые чувства: каждый седьмой в канале против публикации ссылок на статьи на английском языке.
Я согласен с вами, но тогда включайтесь активнее в проект  переводы статей по hr-аналитике на английском


Эту статью мы, кстати, скоро прочитаем на русском языке.

Я подвел первые результаты нашего опроса  Портрет HR-директора

Популярные компетенции HR-директора

Конец недели получил интригу в предстоящем батле Бабушкин - Юлдашев.
Я привел картинку The Wall of Boudreau (она совсем рядом с этим постом - посмотрите). А Сергей мне ответил. Приведу два возражения против картинки: