Share |

среда, 16 мая 2018 г.

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.



  1. До трех месяцев;
  2. От трех до полугода;
  3. От полугода до года;
  4. От года до двух;
  5. От 2 до 3 лет;
  6. От трех до 5 лет;
  7. Более 5 лет.

Надеюсь, вы не будете возражать против такой разбивки на страты.


Лояльность и отношение к компании в зависимости от стажа работы


Каждый столбец нормированной диаграммы обозначает промежуток по стажу и процентное соотношение готовых и не готовых рекомендовать.
Пик лояльности - более пяти лет и до трех месяцев. Одних уже никуда не возьмут, другие еще на что-то надеются (шютка юмора, если чё);
Пик антилояльности - от полугода до двух лет - карьерные амбиции, надежды реализоваться....
И Pearson's Chi-squared test

data:  t
X-squared = 16.041, df = 5, p-value = 0.006728
Это значит, что различия значимы!

Почему критерии показали разные результаты?

Почему критерий Крускал Уолисс показал незначимость результатов, а в случае Хи квадрат различия значимы?
Это вам вопрос.
Скажу только, что  математикой здесь все в порядке, никаких ошибок, все очень логично. Дело в самих данных.





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




2 комментария:

  1. У меня есть в распоряжении подобные данные, конечно их не очень много. Всего 92 человека, сотрудники угледобывающего предприятия. Вот что получилось.
    Размещаю ссылки на изображения:

    https://photosp.ru/i/CXfCak

    и

    https://photosp.ru/i/CXf0GZ

    Правда значимых отличий ни в одном, ни в другом случае нет.
    Однако, есть интересная тенденция. В районе 1-2 года работы повышен процент неготовых рекомендовать. Может быть этот период критический и происходит некоторый спад лояльности?

    ОтветитьУдалить
    Ответы
    1. я вам скажу, как сделать различия значимыми)))
      объедините у себя все данные от 0 до года. Три первые столбца в один. И тогда может получите значимость. Но у вас Хи квадрат все равно будет ругаться, потому что до года нет никого, чтобы не рекомендовал.

      Удалить

Популярные сообщения

п