Что курение сделало для HR-аналитики

Перевод статьи What smoking did for people analytics в рамках нашего проекта переводы статей по hr-аналитике на английском. Обратите внимание на ресурс - towardsdatascience - очень качественные материалы по машинному обучению. Но требуют знаний.
Перевод сделала Мария Герасимова (по ссылке - профиль автора в Линкедине. По традиции приглашаю френдиться!). И это первый перевод Марии в нашем блоге!
Итак,

Что курение сделало для HR-аналитики

Любой, кто, как и я, является фанатом сериала Безумцы (прим переводчика : wiki), вспомнит что значимая сюжетная линия и исторический контекст этого замечательного драматического сериала вращается вокруг курения. В 1960-х медицинский истеблишмент США переходил к мнению, что курение - это привычка, ведущая к раку, хотя признать это им было весьма сложно, потому что почти все они сами курили.
Сегодня значительно меньше людей курят постоянно или эпизодически. Мы, конечно, еще не полностью решили вопрос, но за 50 лет изменения существенны. Впрочем, 50 лет - это долгий период, и естественно задаться вопросом, почему для изменения требуется так много времени.
Один очевидный ответ - курение ужасно быстро вызывает привыкание. И менять привычки, вызванные зависимостями, сложнее всего. Другая же причина в том, что требуется много времени, чтобы собрать доказательства, что курение коррелирует с негативными последствиями для выживания, и еще больше времени, чтобы показать, что курение приводит к раку.
Те из нас, кто работает с HR-аналитикой, тем не менее, могут кое-что получить из исследований курения и его последствий для здоровья. Именно эти исследования привели к тому, что на передний план вышли методы эпидемиологической аналитики, что сегодня для нас невероятно ценно в изучении людей и организаций. В период с 1960-х до 1980-х, когда медицинский истеблишмент ввязался в затянувшуюся борьбу с табачными гигантами, анализ выживаемости появился, чтобы нанести решающий удар.

Анализ выживаемости (анализ дожития)

Выживание (дожитие) самый важный результат в медицине, поэтому не удивительно, что был основан раздел статистики, сфокусировавшийся на лучшем понимании драйверов выживания. Однако, до середины ХХ века многие исследования выживаемости были сфокусированы на острых заболеваниях - бактериальных или вирусных инфекциях, которые могли убить одних за несколько дней или недель, при этом другие показывали быстрое восстановление после болезни или оставались невредимыми. Смертоносная "Испанка", которая в 1918-1920 гг. убила от 50 до 100 миллионов человек по всему миру, стала существенным фактором для ранних эпидемиологических исследований.
К 1950-м на сцене появились антибиотики и острые заболевания внезапно стали гораздо менее опасны. Внимание переключилось на другой тип эпидемий. Одна из которых широко распространилась, но не была острой. Болезнь убивала некоторых, но не затрагивала других, поражала на разных стадиях жизни и могла длиться от многих лет до нескольких десятилетий. Рак стал новым вызовом для эпидемиологов в изучении выживаемости. Долгосрочное наблюдение (прим переводчика: лонгитюдное исследование) за выживаемостью стало необходимым.
Таким образом, истеблишмент в медицинских исследованиях начал готовиться вести учет людей десятилетиями, а не просто днями и месяцами. И не только тех, кто был болен. Здоровых тоже стало необходимо отслеживать, чтобы получить понимание, какие факторы в образе жизни привели к большинству случаев угрожающих жизни заболеваний, таких как рак. Это стало предвестником прорыва в методах, системах и процессах, результатом которого стали некоторые огромные долгосрочные исследования, которые сегодня публикуются в СМИ.
Но также это привело к новым подходам в анализе и представлении выживаемости - всему, что чрезвычайно полезно сегодня в изучении людей в более широком смысле.

Кривые дожития и отношение рисков

Представьте, что у вас есть гипотеза о том, что определенный элемент в опыте индивида в группе или организации является индикатором вероятности продолжения им членства в этой группе или организации с течением времени. Например, вы можете предположить, что люди, которые работают в определенном департаменте получают такой позитивный опыт, что они формируют долгосрочную связь с компанией. Или наоборот, опыт настолько плохой, что люди опять начинают смотреть на рынок труда.
Гипотетический опыт может быть рассмотрен как "фактор образа жизни" и вы могли бы анализировать вероятность увольнения со временем так же, как вы бы анализировали дожитие при изучении таких болезней как рак. Один из возможных способов - взять начальную точку во временнЫх замерах групп людей, учесть получали ли они интересующий опыт, и затем фиксировать их в течение следующих месяцев или лет, чтобы понять есть ли причинная взаимосвязь между этим опытом и текучестью.
Кривые дожития Каплана-Мейера весьма интуитивный способ представления этого в графическом виде. Возвращаясь к примеру с курением, график выше показывает кривые дожития для курящих и некурящих в отдельном медицинском исследовании. Ось Х показывает месяцы после определенной стартовой точки измерений, в которой участники были классифицированы по их статусу курения, ось Y показывает долю участников, которые все еще были живы в каждый момент времени. Обратите внимание, что начальная точка не должна быть одинаковой для всех участников. При условии, что нет смещения, свойственного разнице во времени, участники могут присоединятся к исследованию в любое время t и кривая отслеживает их до t + 120.
Похожая полезная процедура, особенно для обобщенных выводов на высшем уровне, - отношение рисков (прим переводчика: wiki), которое подсчитывает среднюю вероятность дожития для конкретной группы в определенный период времени как долю от базовой популяции. Например, вы можете рассчитать вероятность дожития женщин в течение 2-х лет в сравнении со всем населением. Или на рабочем месте вы можете рассчитать вероятность увольнения высоко результативных сотрудников в сравнении c общей массой сотрудников. Точный расчет отношения рисков наделяет вас способностью делать валидные заключения по типу "высоко результативные сотрудники на 20% более вероятно покинут нас в течение двух лет".

Применение в HR-аналитике

Я полагаю, что многие из вас увидели здесь параллели, но вот еще несколько вариантов для применения анализа выживаемости в контексте человеческого капитала:

• Валидация опросов. Анализ выживаемости может быть использован, чтобы показать, что результаты опроса должны восприниматься серьезно. Например, если люди, давшие не-нейтральные оценки по конкретным вопросам, могут быть определены как имеющие большую или меньшую вероятность увольнения, то это может помочь менеджменту собраться и обратить внимание на результаты опроса в будущем.
• Предиктивная аналитика. Анализ выживаемости может установить валидность конкретных измерений в предсказании увольнений или других интересующих результатов, которые могут использоваться как сами по себе, так и как валидная составляющая в более широкой предиктивной модели. Например, исследование в Стэнфорде, используя упомянутую выше (перевернутую) кривую дожития, показало, что язык в электронной переписке был валидным индикатором соответствия сотрудника культуре организации. В МсKinsey мы использовали кривые дожития, чтобы показать, что в любой заданный момент времени, количество значимых связей, которые кто-либо имеет в организации, может быть предиктором вероятности его удержания.
• Продвижение культурного многообразия или разнообразного опыта. Анализ выживаемости применим не только к текучести, но также может быть применен к любым интересующим результатам. Например, если вы хотите проиллюстрировать возрастающую склонность организации использовать определенные "типы" личностей для определенных задач или типов работы, кривые Каплана-Мейера или отношение рисков могут быть отличным способом, чтобы сделать это и определить, выдерживает ли гипотеза об этом эффекте статистическую проверку.

Анализ выживаемости - это очень мощный инструмент в изучении связанных с персоналом результатов, и часто тот, где необходимые данные довольно простые (часто не более чем результаты опросов или записи об участии, и некоторые отправные точки). Все больше организаций должно использовать анализ дожития, если они хотят быть честны с самими собой на счёт того, что реально является драйвером результатов, связанных с персоналом.

Об авторе: Изначально я был просто математиком, потом я стал психометристом и исследователем данных (Data Scientist). Я увлечен применением строгости всех этих дисциплин к сложным вопросам о людях. Еще я прогер-гик и большой фанат японских RPG (пп: вид компьютерных игр, см. wiki). Вы можете найти меня в LinkedIn или в Twitter.

__________________________________________________________

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

Ваши сотрудники могут уволиться из-за того, что им трудно добираться на работу в «часы пик»

Перевод статьи Your employees might be leaving because of their terrible commutes в рамках нашего проекта переводы статей по hr-аналитике на английском. Дорога от дома до работы и обратно - оlин из факторов текучести персонала (см. исследовании компании Evolv Ключевые факторы удержания и текучести персонала)
Перевод сделала Екатерина Волобуева, руководитель в области управления трудовыми отношениями в компании транспортно - логистической отрасли (по ссылке - профиль в фейсбуке). И это первый перевод Екатерины в нашем блоге - с почином!
Итак,

Ваши сотрудники могут  уволиться из-за того, что им трудно добираться на работу в «часы пик»

1 из 4 сотрудников уволился из-за проблем с дорогой до работы. Но некоторые компании инвестируют в приоритет оказания помощи сотрудникам, пострадавшим от потерь, связанных с дорогой.
Поскольку уровень безработицы продолжает падать, а рынок труда превращается в рыночную игру, сотрудники становятся разборчивыми по поводу того, к чему они готовы относиться толерантнее. И, все чаще, беспокойство в тоскливые «часы пик» становится наиболее важным.
Новый опрос, проведенный кадровой компанией Robert Half, показал, что почти четверть работников покину-ли работу из-за плохой транспортной доступности. В то время как примерно 4 из 10 работников заявили, что транспортная доступность стала лучше, почти четверть говорит, что их дорога на работу и с работы ухудшилась. И 60% говорят, что их компании ничего не сделали, чтобы помочь в этом.
Пол Макдональд, старший исполнительный директор Robert Half, расположенной в Menlo Park, Калифорния, говорит, что, поскольку он наблюдал снижение уровня безработицы за последние пять лет до нынешнего уровня в 3,7%, он удивлен тем, что большинство людей не уходит в поисках лучшей транспортной доступности. «Это создает так много стресса в их жизни, чтобы иметь длительную дорогу до работы», - говорит он.

Помогая нести бремя

Некоторые компании, возможно, подстегнутые альтруизмом или налоговыми льготами, создали набор «транспортных» льгот. Например, Zillow Group, компания по мобильному поиску недвижимости, штаб-квартира которой находится в Сиэтле, пытается применять различные способы доставки людей до работы. Компания покрывает расходы поездок на общественном транспорте до работы и с работы до ежемесячного максимума в 300 долларов США. Она также предлагает гибкий план сбережений (FSA) для сотрудников, которые платят за парковку, что позволяет им сэкономить до 260 долларов США в месяц до налогообложения. В Нью-Йорке и Цинциннати компания покрывает ежегодные членские взносы в CitiBike и Cincinnati Red Bike по услугам аренды велосипедов, а многие из ее офисов также предлагают безопасные места для хранения велосипедов. Этими льготами пользуются шестьдесят процентов сотрудников компании.
Компания Adobe, расположенная в Сан-Хосе, штат Калифорния, отчисляет первые 100 долларов на «транспортный» сберегательный счет (FSA), который может использоваться для определенных расходов на проезд и перечисляет другие транспортные льготы для восьми мест в США на своем веб-сайте. Она также стимулирует сотрудников использовать Scoop, который помогает людям находить возможности для совместных поездок на автомобиле. Компания возмещает сотрудникам заранее непредвиденные поездки на такси домой, например, когда им нужно забрать больного ребенка из школы или когда они работают допоздна и не могут или не хотят пользоваться общественным транспортом.
«Мы хотим быть уверенными, что  у сотрудников есть удобные, недорогие и надежные способы добраться до работы и с работы. «Транспортная» программа Adobe предназначена для того, чтобы помочь сотрудникам справляться с дорогой и облегчать ее, обеспечивая при этом варианты транспортных коммуникаций, таких как, совместные поездки, проезд на общественном транспорте и проезд на велосипеде, который помогает уменьшить загрязнение окружающей среды», - говорит Скотт Экман, старший директор в области стратегий и решений рабочих мест в Adobe.
Компания по технологиям здравоохранения Grand Rounds (г. Сан-Франциско) также предлагает «транспортный» сберегательный счет (FSA). Сотрудники сообщают о том, что бОльшую часть времени в пути используют на изучение новых языков, телефонные звонки семье и друзьям, и на прослушивание аудиокниг и подкастов. И гибкие льготы также могут помочь в этом. Doximity, социальная сеть в Сан-Франциско для врачей, предлагает дотацию работнику, которая может использоваться для поездок на общественном транспорте, совместных поездках сервисов Uber и Lyft, и на оплату парковки, а также применяет общекорпоративную политику «Работа из дома в среду», позволяя сотрудникам пропускать свою поездку на работу в середине недели.

Новые сложности

И, несмотря на то, что компании могут искать способы, чтобы смягчить последствия тяжелой дороги на текучесть персонала, предоставление таких льгот стало более затруднительным. Исторически сложилось так, что компании могли удерживать стоимость дополнительных льгот, подобных расходам на проезд, но Закон о налогах и занятости от 2017 года отменил эти удержания, говорит Аарон Шварц, CPA, налоговый консультант в Melville, Нью-Йорк, Nussbaum, Yates, Berg, Klein & Wolpow. «Дословно, читая новое налоговое законодательство, вы не сможете удержать [эти расходы]», - говорит он.
Тем не менее, может появиться больше указаний Налогового управления (США), добавляет он, подчеркивая необходимость того, чтобы компании работали с надежными поставщиками услуг по расчету заработной платы или льгот для сотрудников, чтобы обеспечить их соответствие всем законам и требованиям федеральных, государственных и местных «транспортных» льгот. Некоторые города, такие как Сан-Франциско, Нью-Йорк и Вашингтон, округ Колумбия, требуют от компаний соблюдения определенных критериев предоставления «транспортных» льгот до налогообложения.
Даже если это становится дороже, Макдональд говорит, что оказание помощи сотрудникам лучше справляться с транспортными проблемами - это  часть большой картины удержания персонала - по крайней мере, до того как самоуправляемые автомобили станут нормой. По его словам, руководители должны поддерживать связь с сотрудниками и вести с ними регулярный диалог, чтобы определить факторы стресса и проблемы, пока не стало слишком поздно. «В наступлении, а не в обороне, - лучше иметь такие отношения с вашим работником, понимая, что является уровнем стресса, вместо того, чтобы иметь случаи увольнения и узнать, что их причиной была слишком долгая дорога до работы», - говорит он.

__________________________________________________________

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

Прогнозирование повышения работника. Уроки для HR

27 октября в Яндексе проходила тренировка по машинному обучению на основе HR данных - задание по прогнозу повышения работника. Спикеры показывали свое решение по участию в конкурсе WNS Analytics Wizard 2018 о прогнозированию повышения работников, в котором они заняли второе место.

Я бы хотел рассказать о самом задании и тех уроках, что HR могут извлечь для себя. Данные представляли из себя следующее:

Последняя переменная - целевая, ее надо было предсказывать - она состоит из значения 0 или 1 - имел работник повышение по службе или нет. Про остальные переменные могу сказать ровно столько, сколько в таблице (к сожалению, организаторы конкурса по словам участников очень жестко следят за тем, чтобы данные не выходили наружу, поэтому я не смог достать сами данные). Особенно интересно узнать, что такое avg_training_score - что за баллы получают работники в ходе обучения в компании?

Это таблица показывает распределение тех, кого из работников повысили, кого нет
0    50140
1     4668
4 668 работников получили карьерное повышение, т.е. 8, 5 % получили карьерное повышение. Таким образом нам надо понять, какие факторы / переменные влияют на карьерное повышение и построить модель прогноза карьерного повышения.

Точность модели

Это нормализованная confusion matrix участника Дениса Воротынцева, который занял 4-е место.
В абсолютных значениях это будет выглядеть так

реальные значения	не получил повышения	49137.2	1002.8
	получил повышение	2520.72	2147.28
		не получил повышения	получил повышение
		прогнозные

Т.е. точность precision модели = 68 %. Не так плохо на таких данных.

Уроки для HR

Если кто-то из HR дочитал до этого момента, то, надеюсь, вам это будет полезным. Решение, которое представили Дмитрий Симаков и Никита Чуркин, заняло второе место в конкурсе. Акцентирую внимание, чтобы показать, за чет чего они достигли результата.
А результат был достигнут, в первую очередь, за счет создания новых переменных, в первую очередь - агрегации сырых данных. Самый простой пример - когда мы в модели пол подчиненного объединяем с полом руководителя Гендер руководителя и подчиненного: кто от кого уходит быстрее или более сложный вариант Как сочетание психотипов руководитель - подчиненный влияет на эффективность подчиненных - я кластеризовал результаты тестов руководителя и подчиненного и сметчил их, фактически показав, как интеракция психотипов связана с эффективностью.
Так вот, в модели прогнозирования повышения работников основную точность добавили агрегированные переменные.
Я запомнил одну из: отличие avg_training_score работника от среднего по департаменту. Т.е. переменная получается так: мы считаем среднее по департаменту, а потом считаем разницу между этим средним и собственно результатом работника. Согласитесь, что в целом очень логично: взять не просто среднее, а среднее по своему департаменту? И таких переменных было создано десятки (напомню, что в самой модели было всего 12 сырых переменных!).
Нелогично здесь следующее: Дмитрий Симаков и Никита Чуркин не HR! Они не обладают экспертизой в HR (достаточно сказать, что на презентации решения во время рассказа о переменных они признались, что не знают, что такое recriutment_channel. Но они и не должны знать, что это важный показатель в HR  Анализ источников трафика (каналов привлечения) кандидатов, они не HR, про это должны знать мы, HR эксперты). Но они додумались до этой переменной.
А теперь представьте, что это не ситуация конкурса. И ваши спецы по анализу данных не уровня упомянутых коллег. Да и мотивации у них на победу нет особенно. Да и чуйки нет особой. Они бы слепили модель и получили что-то среднее ....
Джош Берзин указывал, что в команде HR-аналитиков в компании должен быть обязательно HR-эксперт см. Рост Talent Intelligence: HR-аналитика набирает скорость. Одна из функций HR-эксперта, на мой взгляд, в генерации гипотез, какие переменные должны быть. Да, технически спецы сами могут нарыть это. Но они далеко не всегда это будут делать, могут просто не захватить, а HR-эксперт должен генерить идеи, должен контролировать и проверять реализацию, но все это при одном важном условии: HR эксперт должен хорошо понимать, о чем рассказывают все диаграммы в в посте. Если вы понимаете, напрашивайтесь в команду HR-аналитиков и генерите идеи!

ПыСы

Если кому то интересны решения кейса с кодом в Python, то

1. How to save HR’s time with machine learning - решение Дениса Воротынцева 
2. Data Analytics and Modeling with XGBoost Classifier : WNS Hackathon Challenge - решение индуса, который занял 138 место 
3. WNS-Analytics-Wizard-2018-Machine-Learning-Hackathon-/wns_employee_promotion_model.ipynb - код на Гитхабе кого-то из участников по этой задаче

__________________________________________________________

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

Amazon отказались от секретного инструмента рекрутинга c ИИ из-за предвзятости против женщин

Перевод любопытной статьи агентства Reuters "Amazonscraps secret AI recruiting tool that showed bias against women", автор Jeffrey Dastin. Статья, на мой взгляд, заставляет под иным углом посмотреть на активно распространяемую информацию о том, что "уже завтра рекрутеры станут не нужны".

Поскольку с некоторых пор я публикую переводы в блоге самостоятельно, представлюсь - Ольга Хайдарова, заместитель директора по управлению персоналом Международного института дополнительного образования, город Тюмень. По ссылке - профиль в facebook, хантить меня не надо (я работаю в любимой компании), а вот френдить - welcome.

Итак.

Amazon отказались от секретного инструмента рекрутинга c ИИ из-за предвзятости против женщин

Сан-Франциско (Reuters) - специалисты по машинному обучению Amazon.com Inc’s (AMZN.O) обнаружили серьезную проблему: их новому рекрутинговому инструменту не нравились женщины.

Команда с 2014 года создавала компьютерные программы, рассматривающие резюме претендентов на работу, с целью автоматизации поиска наиболее талантливых кандидатов, сообщили Reuters пять человек, знакомых с проектом.

Автоматизация является ключом к лидерству Amazon в интернет-коммерции, будь то внутренние склады или ценовая политика. Экспериментальный инструмент найма компании использовал искусственный интеллект для выставления оценок кандидатам - от одной до пяти звезд, по принципу, аналогичному оценке товаров на Amazon, рассказывали приближенные к проекту люди.

“Это был желанный Святой Грааль”, сказал один из них “Они в самом деле хотели, чтобы это был механизм, которому можно дать 100 резюме, он выплюнет пятерку топовых, и мы их наймем”.

Но к 2015 году компания поняла, что их новая система не оценивала кандидатов на должность разработчика ПО и другие технические должности гендерно-нейтрально.

Все потому, что компьютерные модели Amazon были обучены на выборках резюме, направленных в компанию за последние 10 лет. Большая часть из них были от мужчин, как следствие мужского доминирования в сфере высоких технологий.

МУЖЧИНЫ ДОМИНИРУЮТ

Топовые компании США все ещё вынуждены ликвидировать гендерный разрыв в найме, неравенство, наиболее  выраженное среди технического персонала, такого как разработчики программного обеспечения, где мужчины значительно преобладают. Экспериментальный рекрутинговый механизм Amazon’s следовал тому же паттерну, отбраковывая резюме, включающие слово “женский”, пока компания не обнаружила проблему.

Примечание: Amazon не раскрывает гендерное соотношение среди своих технических специалистов. 

Источник: последние доступные данные компаний, с 2017г.

By Han Huang | REUTERS GRAPHICS

Фактически, система Amazon обучала себя отдавать предпочтение кандидатам мужского пола. Она отклоняла резюме, которые содержали слово “женский”, такие как “капитан женского шахматного клуба”.  По словам людей, знакомых с этим вопросом, это снизило рейтинги выпускников двух женских колледжей. Они не указали названия школ.

Брошюры доступны потенциальным кандидатам в «День работы Amazon», ярмарки вакансий в фулфилмент-центре Amazon.com в Фолл-Ривер, штат Массачусетс, США, 2 августа 2017 года. REUTERS / Brian Snyder / File Photo

Amazon скорректировал программы, чтобы сделать их более нейтральными по этому условию. Но не было гарантий, что машины не не освоят другие дискриминационные способы сортировки кандидатов, озвучили близкие к проекту люди.

Как сообщили они на условиях анонимности, в начале прошлого года компания в конце концов расформировала команду, поскольку потеряла последнюю надежду на проект. Рекрутеры Amazon принимали во внимание рекомендации инструмента при найме, но никогда не полагались только на эти рейтинги, сообщили сотрудники.

Amazon отказались комментировать проблемы с технологией, но заявили, что “рекрутеры Amazon никогда не использовали этот инструмент для оценки кандидатов”. Дальнейших объяснений компания не предоставила. Это не подвергло сомнению тот факт, что рекрутеры принимали во внимание рекомендации инструмента.

Эксперимент компании, о котором агентство  Reuters сообщило первым, создал кейс об ограничениях машинного обучения. Он также служит уроком растущему списку компаний, таких как Hilton Worldwide Holdings Inc (HLT.N) и Goldman Sachs Group Inc (GS.N), которые планируют автоматизировать некоторые этапы процесса найма.

Согласно исследованию 2017 года, проведенному компанией по разработке ПО для поиска талантов CareerBuilder,  приблизительно 55% HR-менеджеров заявили, что искусственный интеллект в течение ближайших пяти лет станет непременной частью их работы.

Работодатели долго мечтали о задействовании технологий для расширения воронки найма и уменьшения субъективизма при принятии решения рекрутерами. Но программисты, такие как Нихэр Шах, который преподает машинное обучение в Университете Карнеги-Меллон, говорят, что еще много над чем надо работать.

“Как убедиться, что алгоритм справедлив, как удостовериться, что он действительно поддаётся объяснению - мы  по-прежнему достаточно далеки от этого”, сказал он.

“МУЖСКОЙ” ЯЗЫК

Эксперимент Amazon начался в решающий для крупнейшего мирового он-лайн ритейлера момент. Благодаря росту недорогих вычислительных мощностей, машинное обучение наращивало обороты в мире технологий. И HR-департамент Amazon готовился устроить рекрутинговый взрыв - согласно регулярной отчетности с июня 2015 глобальная численность компании более чем утроилась и достигла 575 700 сотрудников.

По словам людей, знакомых с данным вопросом, это намерение повлияло на создание команды в Эдинбургском центре Amazon, которая выросла примерно до дюжины сотрудников. Их целью было развитие ИИ, способного быстро исследовать мировую сеть в поисках ценных кандидатов.

Группа создала 500 компьютерных моделей, сфокусированных на специфических рабочих функциях и локациях. Они учили каждую распознавать около 50 000 условий, которые обнаруживались в прошлых резюме кандидатов. Алгоритмы учились не придавать особого значения навыкам, которые были обычны для IT кандидатов. такие, например, как умение писать различные компьютерные коды.

Вместо этого, технологии одобряли кандидатов, которые описывали себя используя слова, наиболее характерные для резюме кандидатов в инженеры мужского пола, такие, например, как “исполнено” и “захвачено”, сказал один из сотрудников.

Гендерная предвзятость была не единственной сложностью. Проблемы с данными, которые лежат в основе решений моделей, означали, что на все категории должностей часто были рекомендованы неквалифицированные кандидаты, сказали близкие к проекту люди. По их словам, технология, выдавала результат практически случайным образом, Amazon закрыла проект.

ПРОБЛЕМА ИЛИ РЕШЕНИЕ?

Другие компании продолжают двигаться вперед, подчеркивая стремление работодателей использовать искусственный интеллект для найма.

Кевин Паркер, исполнительный директор HireVue, стартапа, расположенного вблизи Солт-Лейк-Сити, говорит, что автоматизация помогает фирмам выходить за рамки тех же рекрутинговых сетей, на которые они давно полагаются. Чтобы уменьшить зависимость от резюме, продукт его компании анализирует речь и выражение лица кандидатов в ходе  видеоинтервью.

“Вы же не собираетесь возвращаться к тем же старым местам, вы не вернетесь в школы Лиги Плюща”, говорит Паркер. Среди его заказчиков такие компании, как Unilever PLC (ULVR.L) и Hilton.

Goldman Sachs создали свой собственный инструмент анализа резюме, который пытается сопоставить кандидатов с подразделением, для которого они будут «лучше всего подходить», сообщает компания.

LinkedIn, крупнейшая в мире профессиональная сеть компании Microsoft Corp (MSFT.O), продвинулась дальше. Он предлагает работодателям алгоритмическое ранжирование кандидатов на основе их соответствия вакансии, размещенной на своем сайте.

Тем не менее, Джон Джерсин, вице-президент LinkedIn Talent Solutions, утверждает что это не является заменой традиционных рекрутеров.

«Сегодня я определенно не доверю ни одной системе искусственного интеллекта принять решение о найме самостоятельно», - сказал он. «Технология просто еще не готова».

Некоторые активисты говорят, что они обеспокоены непрозрачностью процессов ИИ. Американский союз гражданских свобод (The American Civil Liberties Union, ACLU) сейчас оспаривает закон, который разрешает уголовное преследование исследователей и журналистов, проверяющих использование алгоритмов веб-сайтов на дискриминацию.

«Мы все больше сосредотачиваемся на проблеме алгоритмической справедливости», - сказала Рейчел Гудман, адвокат штата с программой «Расовая справедливость» в ACLU.

Тем не менее, Гудман и другие критики ИИ признали, что было бы чрезвычайно сложно подать в суд на работодателя по поводу автоматического найма: кандидаты на работу, вероятно, никогда не узнают о его использовании.

Что касается Amazon, компании удалось сохранить часть того, чему она научилась из своего неудачного эксперимента с ИИ. В настоящее время он использует «многопоточную версию» механизма рекрутинга, помогая с некоторыми элементарными задачами, включая отбор дублирующих профилей кандидатов из баз данных, сказал один из людей, знакомых с проектом.

Другой сообщил, что в Эдинбурге была сформирована новая команда, чтобы дать автоматическому подбору еще один шанс, на этот раз с ориентацией на разнообразие.

Компетенции HR-аналитика

Спросили меня какими компетенциями должен обладать HR-аналитики, и я решил собрать все, что можно отнести к этому вопросу. Это не значит, что я разделяю все, что в этом посту написано, это скорее обобщение всего, что есть в интернете на эту тему: данные вакансий hr-аналитиков, обсуждение в сообщеставх hr_аналитиков и т.п..

Данный пост не претендует на законченность, принимаю ваши замечания на почту edvb()yandex.ru, здесь в комментах, в фейсбуке, в Линкедине.
Мой личный путь в hr-аналитику был таким  Как стать HR-аналитиком без посторонней помощи
Компетенции HR-аналитика я разбил на

1. функционал / задачи HR-аналитика;
2. владение языками / программами аналитика. 

Итак,

Функционал / задачи HR-аналитика

1. Выгрузка данных корпоративных ERP, систем сбора и хранения данных;
2. Агрегация данных в едином формате / одной системе;
3. Препроцессинг / "чистка" данных;
4. Парсинг данных из интернета / социальных сетей;
5. Построение отчетов;
6. Создание дизайна и проведение корпоративных опросов;
7. Визуализация данных;
8. Построение систем hr-метрик / hr-показателей (в более широком смысле - выбор контрольных показателей hr-бизнес процессов);
9. Построение систем дашбордов;
10. Анализ отклонений hr-бизнес процессов (карты Шухарта);
11. Построение предиктивных моделей;
12. Выявление драйверов / факторов hr-бизнес процессов;
13. Оценка эффективности hr-бизнес процессов;
14. Создание рекомендательных систем в HR (в обучении, создании команд и т.п.);
15. Создание рекомендаций по оптимизации HR-бизнес процессов на основе анализа данных.

Владение языками / программами аналитика

1. Excel;
2. SQL;
3. Tableau;
4. SPSS;
5. SAS;
6. Power BI;
7. Power Pivot;
8. DAX;
9. R/Rstudio;
10. Python.
11. английский на уровне intermediate и выше. 

Требований к образованию, опыту работы я не вижу. Не пишу про знания статистики, машинного обучения и т.п., поскольку они вытекают из требований построения предиктивных моделей и т.п..
Напомню еще раз, этот перечень не означает обязательного исполнения всех пунктов. А только 

__________________________________________________________

На этом все, читайте нас в телеграмме и вконтакте

Характер текучести персонала. Вопрос, просьба, предложение

У меня возник такой вопрос.

Первая компания 

Вторая компания

Там и там показана текучесть персонала.
По оси X - стаж работы;
По оси Y - количество человек, которые уволились в данных период стажа.

Проблема / вопрос

Каждая компания показывает свой характер распределения. Т.е. даже на математическом уровне это разные распределения:).
Я хочу понять, чем определяются эти различия.
Буду вам благодарен за любую информацию по этому поводу: гипотезы, ссылки на источники и т.п..
Но главное, я очень жду от вас данные. Данные о текучести в вашей компании. Можно прислать прям вот такую же диаграмму, но лучше, если вы пришлете мне файл формата excel / csv на почту edvb()yandex.ru. Файл должен содержать всего (!!!!!) две колонки

• дата приема
• дата увольнения

Пример файла можно взять из поста Как считать текучесть персонала в excel (кейс на примере конкретной компании). И речь идет о волюнтарной / добровольной текучести!!!
Если сотрудник работает, поле "дата увольнения" остается пустым. Кроме того, на словах от вас хочу услышать:

• отрасль компании
• регион
• размер компании в работниках
• основные категории работников

Спасибо, мне это очень важно!


__________________________________________________________

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

Книжные открытия 2018 (какие книги зашли нам в этом году)

Хочу возродить одну традицию. В конце года раньше я задавал вопрос: какие книги, прочитанные в этом году, вам сильнее всего запомнились, оказали на вас влияние в профессиональном плане.
Причем речь идет далеко не только о чисто профессиональной литературе. В Англии спросили известных менеджеров и бизнесменов, какие книги оказали на них наиболее сильное влияние в профессиональном плане. Так вот, книги по менеджменту указал какой то минимальный % - кажется менее 10 %... Менеджеры указали даже поэзию ...
Я несколько лет проводил такие опросы, вот, например, результат 2011 года
Книги, оказавшие влияние на профессиональное развитие
Или вот такой вариант
Открытия в области профессиональной литературы уходящего года (это правда, про профессиональную литературу, но тоже подойдет).
Я запустил это предложение во всех своих сетях: телеграм, фейсбуке, Линкедине, ВКонтакте и на сегодня, 24 октября, данные о 22 наименованиях книг. Опрос не закончен, пишите мне на почту edvb()yandex.ru, в фейсбук, линкедине, вконтакте, телеграме @Edvb72

Итак, что мы начитали на сегодня

Я разделил все книги на три кластера:

1. художественная литература;
2. профессиональная литература;
3. литература по аналитике.

Требования у меня были простые: для профессиональной литературы указывать, почему книга "зашла", для художественной это делать было необязательно. Книги даю в хронологическом порядке - как мне их присылали, так я и возвращаю.

Художественная литература

1. Терри Пратчет "Наука плоского мира"
2. Джозеф Хеллер "Уловка-22" 
3. все 7 семь книг Анджея Сапковского «Ведьмак»
4. Пелевин Iphuck
5. Дина Рубина, весь цикл "Люди воздуха". 
6. Горден Юстейн "Апельсиновая девушка"
7. Ирвин Ялом "Вглядываясь в солнце"
8. Оруэлл "1984"
9. Симона де Бовуар "Второй пол"
10. Поль Сулицер «Зелёный король»
11. Айзек Азимов цикл Основание

Профессиональная литература

1. Майкл Воткинс "Час пішов. Підкори посаду за 90 днів",  (на русском языке - "Первые 90 дней", но пишу на украинском, поскольку порекомендовал эту книгу Галиневский Станислав, бренд-менеджер фармацевтической корпорации Юрия Фарм из Украины, и Станислав вообще первый, кто порекомендовал книгу:). Это просто шедевр для тех, кто пришел на новую должность, получил повышение или совершил горизонтальный переход в карьере. Книга многому меня научила и оградила от серьезных карьерных ошибок. Она будет очень полезна при адаптации нового сотрудника на рабочем месте, как для сотрудника, так и для руководителя.
2. Прайор Карен, "Не рычите на собаку!". о дрессировке животных и людей. Помогла моей знакомой справиться с капризами маленького сына, а мне самой с собой)
3. С. Шипунов, "Харизматичный оратор" . Очень полезна при подготовке к митингам, выступлениям и т.п. Самое главное, что в обеих книгах описываются практические навыки, приемы и упражнения. Много что взяла себе на заметку и охотно пользуюсь. 
4. Карл Андерсон, "Аналитическая культура". Хорошая и умная книга про управлении на основе данных. Приведены интересные алгоритмы, сложности и их решения. 
5. Чалдини, «Психология влияния». Считаю, что хороший hr должен безусловно уметь влиять на сотрудников и вести в каких- то вопросах. Направлять, управлять изменениями как стратегический партнёр. В этом неплохо может помочь книга. 
6. Роберт Грин «48 законов власти» - открытие этого  года. Автор ярко описывает один из законов власти, расписывает,  как известные исторические личности придерживались данного закона или нарушали. Позже описывает, как подстроить законы под себя чтобы быть лучше. Я в восторге! Написано легко и читается приятно. 
7. Дуглас У. Хаббард "Как измерить все, что угодно". Оценка стоимости нематериального в бизнесе. В этой работе автор излагает свою концепцию измерений. Использует реальные примеры и упражнения на развитие аналитических навыков. 
8. Д. Вайнберг, «Закон малинового варенья». Поскольку я вела несколько консалтинговых проектов, то на начальном этапе мне пригодилась эта книга.
9. Медоуз Донелла, Рандерс Йорген, Медоуз Деннтс "Пределы роста. 30 лет спустя." В книге автора излагают результаты исследования глобального развития мира. Описывается методология и полученные прогнозы развития.
10. Элиезер Юдковский "Гарри Поттер и методы рационального мышления." Это фанфик. В нем автор пофантазировал на тему, что если некоторые стартовые условия жизни Гарри изменились и он вырос в семье ученого и был очень умным мальчиком.
12. "Эссенциализм. Путь к простоте" Грег МакКеон. основной стратегией, которая описана в книге - как делать меньше и лучше. При моей гиперзагрузке всё это очень актуально. И там каждая практически фраза была ценной для меня. Перечитываю постоянно как Библию :)
14. К. Циммерман Эволюция: триумф идеи. Как понимаете, ни к художественной, ни к профессиональной литературе эта книга не относится, но очень расширяет горизонты! Книга про развитие идеи эволюции от Чарльза Дарвина до наших дней, как эволюционные процессы проявляются в нашей жизни. Отдельно отмечу, что текст имеет очень хорошую научную основу, много примеров разного рода экспериментов. И в целом я бы сказала, что книга работает на развитие критического мышления
15. Для меня открытием года стала книга "тонкое искусство пофигизма" Марка Мэнсона. Ну очень крутая книга. Все без "воды". О саморазвитии и счастье.  Счастье делать то что хочется, а не то чтодиктует нам фэйсбук и инстаграм. О том как правильно выстраивать взаимоотношения с близкими и друзьями. О жизненных ценностях. О выборе. Об ответственности.
16. История Папства. С.Г. Лозинский. Написана советским историком (умер в 1954 году). С понятными марксистскими оценками, но в целом короткий хороший учебник по тому, как папство выживало, проявляло чудеса менеджерских навыков. Правда, читать эту книгу надо подготовленным читателям. Много имен, исторических фактов идет контекстом. 

Литература по аналитике

1. "Анализ сетей (графов) в R" - по ссылке описание этой книги в нашем блоге. Но книгу указал не я, а один из моих коллег)
2. Орельен Жерон "Прикладное машинное обучение с помощью scikit-learn и tensorflow". 

Так есть ли рост зарплат в 2018 году? (Ответ министру труда Топилину)

Спасибо министру, за то, что простимулировал написание статьи Министр труда Топилин заявил о беспрецедентном росте зарплат в России. Топилин говорил про 11 % рост зарплат. И как вы понимаете, в социальных сетях эту новость встретили не так чтобы очень. Самый популярный комментарий: про какую страну писал министр труда.
Но мнение в социальных сетях не всегда право, поэтому я даю свой анализ. Анализ дается по результатам нашего исследования ключевых факторов текучести и эффективности. Вы можете пройти по ссылке и поучаствовать в опросе, получив "плюшку" в виде отчета, сколько в среднем получают специалисты, похожие на вас (не забудьте указать е майл).

Анализ

Для того, чтобы обеспечить гомогенность выборки, я взял в анализ только HR уровня "специалист". Даже не просто HR, а именно уровня "специалист", поскольку 2016, 2017, 2018 года значимо различаются по уровням позиций, а это, в свою очередь, скажется на уровне зарплаты.
Динамика зарплат HR уровня "специалист" по годам

Тип диаграммы - боксплот, для тех, кто не умеет читать, рекомендую прежде ознакомиться с Как читать диаграмму boxplot (ящик с усами). Медианы зарплат HR уровня "специалист" по годам такие (в тысячах рублей):
2014    35.0
2015    40.0
2016    40.0
2017    40.0
2018    43.7
Т.е. рост зарплат в 2018 году произошел? 43 700 рублей это практически 10 % рост по отношению к 2017 году. Давайте сначала проверим значимость различий. Критерий Манна Уитни дает нам значимость 0, 22, т.е. различия не значимые, и мы не можем утверждать о том, что рост произошел.
Но делать выводы по выборке неверно, нам нужны данные генеральной совокупности, применим бутстреп для интервального оценивания медианы зарплаты (я буду брать только 2017 и 2018 года дальше).

1. 95 % доверительный интервал для медианы зарплаты 2017 года составляет 40 - 45 000 рублей;
2. 95 % доверительный интервал для медианы зарплаты 2018 года составляет 40 - 50 000 рублей.

По русски теперь: в 2017 году зарплата HR уровня "специалист" в среднем укладывается в границы 40-45 000 р, а в 2018 году - 40-50 000 рублей.
И несмотря на то, что мы не обнаружили значимых различий, мы на полученных данных не можем отрицать утверждение министра труда Топилина: данные нам говорят, что он может быть прав.

Белая и серая зарплата

И тут я вспомнил про цвет зарплаты. У нас есть в исследовании вопрос про то, какую зарплату платят - белую или серую.

Эта диаграмма идентична первой диаграмме, только я взял данные только 2017-2018 годов и дал их в разрезе белой и серой зарплат.
Не уверен, заметно ли на диаграмме, даю описательные статистики:
2017  белая     45.0
         серая     35.0
2018              100.0
         белая     45.0
         серая     40.0
Показатели белой зарплаты для 2017-2018 годов практически идентичны. "Рост" зарплат обеспечила серая зарплата.
Но разве мог иметь ввиду серую зарплату министр труда России Топилин? Безусловно нет. А белая зарплата осталась ровно на том же уровне.

Вывод

Таким образом, на уровне зарплат HR уровня "специалист" мы не можем подтвердить слова министра труда России Топилина о "беспрецедентном росте" заработных плат в России. Мы можем утверждать, что белые зарплаты HR уровня "специалист" остались на том же уровне, а возможный рост обеспечивает серая зарплата.
И этот вывод косвенно согласуется с другим нашим выводом В 2018 году "серая" зарплата не воспринимается как негатив. Если в 2017 году была тесная связь между отношением к работодателю и формой зарплата (белой или серой), то в 2018 году картина изменилась кардинально: отношение к работодателю находится на одинаковом уровне вне зависимости от того, белую или серую зарплату платят работнику.
И совершенно очевидно, что наши доходы снижаются, потому что инфляцию даже Топилин не будет отрицать
Но может быть министр труда Топилин имел ввиду не HR уровня "специалист"?


__________________________________________________________

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