.

Сделать репост в соц сети!

воскресенье, 25 ноября 2018 г.

Семинар Введение в R для HR



Семинар Введение в R для HR


R на сегодня является самым популярным языком среди HR-аналитиков.
Знание R сегодня необходимо также как знание excel. Это признак хорошего тона, это признак развитых аналитических навыков у HR.
Семинар Введение в R для HR представляет из себя наиболее простую форму освоения данного языка. Не люблю этот термин, но семинар из разряда "для чайников".
Сам семинар я бы назвал "гигиеническим" - просто как некую базовую вещь, необходимую для освоения HR, наравне со знанием базовых понятий из рекрутинга, оценки, обучения персонала, компенсаций и т.п...

Цель семинара

Дать навыки работы с данными и анализа данных в R.
Делю понятия работы и анализа данных, поскольку работы с данными более широкое понятие. Курсы по анализу данных на ресурсах типа coursera представляют собой классику по анализу данных, где данные нам даны уже в "причесанном" виде.
В работе HR таких идеальных ситуаций просто не бывает. Данные в HR "грязные". Например, переменная "пол" может содержать значения "м", "ж", "М", "Ж", "муж", "жен", "муж.", "жен." и так далее. Надо все это многообразие обозначений одной командой, быстро привести к "м" и "ж", так, чтобы в последствии не было мучительно больно за бесцельно прожитые годы. Или другая стандартная задача: у вас есть дата приема и дата увольнения (или дата выгрузки отчета), вам нужно посчитать стаж работников и превратить его в отчет.
На курсе мы будем рассматривать шаблоны решения подобных задач.
И после этого посмотрим виды анализа данных. Дойдем до линейной и логистической регрессий.

Формат семинара

Корпоративный. Возможны варианты: два дня подряд, занятия несколько недель с одним занятием в неделю, он-лайн лекции. Обсуждаемо.
Занятия проходят в Rstudio.

Требования к участникам 

  1. Вы работаете в excel, знаете и понимаете смысл сводных таблиц, формул ЕСЛИ(), ВПР()
  2. Вы знаете основы статистики, понимаете, что означают термины "корреляция", "значимость различий"

Содержание семинара

Более подробное содержание обсуждается с Заказчиком.

  • Лекция1. Загрузка данных
  • Лекция2. Типы данных, dataframe, cbind(), rbind(), ВПР (merge)
  • Лекция3. Чистка, преобразование данных
  • Лекция4. Пропущенные значения
  • Лекция5. Отбор, фильтрация данных
  • Лекция6. Описательные статистики, доверительные интервалы
  • Лекция7. Взаимосвязь количественных переменных
  • Лекция8. Взаимосвязь категориальных переменных
  • Лекция9. Взаимосвязь количественных и категориальных переменных
  • Лекция10. Визуализация с помощью ggplot
  • Лекция11. Работа с форматом даты
  • Лекция12. Линейная, логистическая регрессии

Аппендикс 

  • Автоматизация обработки результатов опросов;
  • Функции семейства apply 

Контроль знаний

По согласованию с Заказчиком участники выполняют собственные проекты по анализу данных.
___________________________________________________
Жду заявок edvb()yandex.ru


__________________________________________________________

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


пятница, 23 ноября 2018 г.

Задача мультиклассификации с помощью пакета mlr



Задачи машинного обучения, где надо прогнозировать больше, чем два класса, называются задачами мультиклассификации.
Показываю, как я решаю задачу мультиклассификации с помощью пакета mlr.
Нам понадобится датасет survey пакета HRanalytics (установить см. Пакет R HR analytics для HR аналитиков).
Пост посвящаю последнему семинару по HR-аналитике в R, на котором мы не успели рассмотреть задачу мультиклассификации в R

Задача мультиклассификации с помощью пакета mlr

Постановка задачи

Данный датасет представляет ответы респондентов об одном из своих мест работы + некоторые из респондентов проходили тесты на интеллект и Big5 - личностный опросник.
В качестве целевой переменной я беру вопрос "Как часто Ваш руководитель Вам обратную связь" с четырьмя вариантами ответа:
  1. ежедневно;
  2. еженедельно;
  3. реже, чем раз в неделю;
  4. никогда
Я хочу ответить на вопрос, можем ли мы на основе знания о респонденте предсказать, какой вариант ответа об обратной связи от руководителя он выберет. Под знаниями о респонденте я понимаю результаты тестов.
Т.е. можем ли мы сказать, что интеллект, интроверсия и т.п.. определяют, укажет ли респондент давал ли ему руководитель ежедневную связь или не давал никогда.

Код 

Для начала укажем необходимые пакеты
library(mlr)
library(dplyr)
library(data.table)
library(mltools)
library(ROCR)
давайте выберем необходимые переменные
data = dplyr::select(survey, feedback=Как.часто.Ваш.руководитель.давал..дает..Вам.обратную.связь,
       iq=Ш1...ОБЩИЙ.БАЛЛ., intro = Ш6...ИНТРОВЕРСИЯ...ЭКСТРАВЕРСИЯ.,
      impls = Ш8...ИМПУЛЬСИВНОСТЬ...САМОКОНТРОЛЬ.,
      independ = Ш7...НЕЗАВИСИМОСТЬ...СОГЛАСИЕ.) 
У нас много пропущенных значений, поэтому просто оставим полные
data = data[complete.cases(data), ] 
Фишка мультиклассификации в пакете mlr в том, что целевая переменная принимается в one hot encoding и притом еще тип переменной - logical :)
Поэтому я делаю так
data[, c('day', 'everyweek', 'never', 'moreweek')] = one_hot(as.data.table(data$feedback))
data[, c('day', 'everyweek', 'never', 'moreweek')] =lapply(data[, c('day', 'everyweek', 'never', 'moreweek')], as.logical)
Это выглядит так


head(data[, c('day', 'everyweek', 'never', 'moreweek')])
     day everyweek never moreweek
1  FALSE     FALSE  TRUE    FALSE
2  FALSE     FALSE  TRUE    FALSE
15 FALSE      TRUE FALSE    FALSE
16 FALSE      TRUE FALSE    FALSE
24 FALSE     FALSE  TRUE    FALSE
25 FALSE      TRUE FALSE    FALSE 
Далее приводим данные в необходимый формат mlr
data = data[, -1]
labels = c('day', 'everyweek', 'never', 'moreweek')
data.task = makeMultilabelTask(id = "multi", data = data[, -1], target = labels)
Обратите внимание, я беру data[, -1], потому что первая переменная эта наша "сырая" целевая переменная,с ней наш прогноз будет очень точным:) Хотя он и так будет точным, потому что я не буду разбивать на трейн / тест сплит, думаю, вы это сделаете сами. Далее указываем учителя
mrf = makeLearner("multilabel.randomForestSRC",  predict.type = "prob")
getParamSet("multilabel.randomForestSRC") 
Обращаю внимание, ниже я даю ссылку на источник, там вы можете увидеть вариант, как можно решать задачи мультиклассификации в mlr с помощью учителя бинарного классификатора. Задаем параметры (я даю мало, вы же сами выбираете то, что вам нра.
mrf_param = makeParamSet(
  
  makeIntegerParam("ntree",lower = 50, upper = 500),
  makeIntegerParam("mtry", lower = 1, upper = 6)
  
) 
Далее обычные операции подготовки данных
rancontrol = makeTuneControlRandom(maxit = 7L) # мы ограничимся 5 итерациями, вы пробуйте больше от 50  
set_cv = makeResampleDesc("CV", stratify = FALSE, iters = 3) 
А здесь важно обратить вминание, что stratify = TRUE не работает, и методы кросс валидации мультиклассификации в mlr отличаются от просто классификации и регрессии (см. ниже по ссылке).
Тренируем
rf_tune = tuneParams(learner = mrf, resampling = set_cv, task = data.task, 
                      par.set = mrf_param, control = rancontrol) 
mrf.tree = setHyperPars(mrf, par.vals = rf_tune$x)
mrforest = mlr::train(mrf.tree, data.task) 
getLearnerModel(mrforest)
Далее я хочу получить метрики качества модели, но поскольку я не разбивал на трейн и тест сеты, то использую полный набор данных.


mrfmodel = predict(mrforest, data.task)
head(mrfmodel$data)
getMultilabelBinaryPerformances(mrfmodel, measures = list(acc, mmce, auc))
          acc.test.mean mmce.test.mean auc.test.mean
day           0.9486964     0.05130362     0.9882470
everyweek     0.9276703     0.07232969     0.9821936
never         0.9520606     0.04793944     0.9902949
moreweek      0.9091674     0.09083263     0.9787145
Вам главный вопрос: почему мы получили такие хорошие метрики качества? Нарисую ROC AUC для вариант day - площадь под кривой того, что руководитель будет давать обратную связь каждый день
 
ROCRpred1 = prediction(mrfmodel$data$prob.day , mrfmodel$data$truth.day  ) #  as.integer(data$day)
as.numeric(ROCR::performance(ROCRpred1, "auc")@y.values)
ROCRperf1 = ROCR::performance(ROCRpred1, "tpr", "fpr")
par(cex.axis=1, cex=1) 
plot(ROCRperf1 , colorize=TRUE, lwd = 6, print.cutoffs.at=seq(0,1,by=0.1), text.adj=c(-0.2,1.7), cex.axis=2)
grid(nx=NULL, ny=NULL, lwd = 3)
lines(x = c(0,1), y = c(0,1), lty=5)
Картинка такая


Задача мультиклассификации с помощью пакета mlr

Это все, что я хотел показать. 

Ссылки

При подготовке я пользовался материалом Multilabel Classification with R Package mlr Также обращаю внимание, я не смог показать фиче импортанс переменных, у меня выдает ошибку. На Гитхабе есть соответствующий коммит см. Feature importance multi-label classification. Я оставил там свой коммент, но сам коммит был оставлен 28 февраля этого года, поэтому сами оценивайте шансы получить ответ:) Можно пойти другим путем, может быть я напишу про это отдельный пост.
Или если вы знаете ответ, напишите, буду вам благодарен.
__________________________________________________________
На этом все, читайте нас в фейсбукетелеграмме и вконтакте

IQ vs EQ: какой интеллект сильнее определяет успешность по жизни




Провел опрос в нашем телеграм канале - IQ vs EQ: какой интеллект сильнее определяет успешность по жизни.
Вопрос звучал так
IQ vs EQ
Напомню, что
IQ - коэффициент умственного развития или «просто» интеллект
EQ - эмоциональный интеллект – умение понимать, чувствовать других людей и далее в Вики
Ненаучный опрос. Я не прошу знаний статистики , исследований и т.п.. Просто ваше мнение. Субъективное.
Как Вы считаете, Успешность в жизни в бОльшей мере определяется IQ или EQ
Никаких компромиссных вариантов: IQ vs EQ
Успешность в жизни в бОльшей мере определяется 

  1. За вариант IQ проголосовало 37 подписчиков канала
  2. EQ - 248
IQ vs EQ: какой интеллект сильнее определяет успешность по жизни



За этими результатами может стоять два момента:

  1. Противостояние интеллекта и эмоционального интеллекта воспринимается на бытовом уровне: выигрывают не умные, а те, кто умеют приспосабливаться;
  2. Когда-то вышла книга создателей эмоционального интеллекта, в которой доказывалось, что обладатели эмоционального интеллекта более успешны.

Мне ничего неизвестно про эти исследования, а если они и правда проводились, готов с ними поспорить. С установкой на бытовом уровне спорить не смогу: это глубинное убеждение, а вот исследования мои показывают, что интеллект играет роль в эффективности работников. Правда, опять же: эффективность работника не всегда означает личную успешность. Поэтому вопрос оставляем открытым.


__________________________________________________________

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



Джош Берзин переосмысливает лидерство




Перевод статьи Rewiring leadership with Josh Bersin в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор - не Josh Bersin, но это интервью с ним. См. самую популярную статью Джоша Берзина в нашем блоге
Джош Берсин. Переворот рынка HR технологий: 10 топ трендов 2018
Перевод сделала Арлашкина Ольга (профили в социальных сетях:  LinkedIn, Facebook, Вконтакте), кандидат социологических наук, HR консультант, разработчик и преподаватель курсов высшего и дополнительного образования для специалистов по управлению персоналом. Автор более 20 публикаций (статьи, учебные пособия) по менеджменту, социологии, управлению человеческими ресурсами. В HR-профессии с 2001 года. Это второй перевод Ольги в нашем блоге. См. также
Вовлеченность персонала 3.0: Humu запускает Nudge Engine («инструмент подталкивания»)

Итак,
Джош Берзин переосмысливает лидерство

Джош Берзин переосмысливает лидерство

Автор: Эмили Секстон-Браун

Дата публикации: 5 ноября 2018 года

Что, если бы мы изменили традиционный подход к выстраиванию руководства людьми, полностью разрушили статус-кво и заложили новые современные основы для будущих поколений работников?

Это как раз то, что на уме у Джоша Берзина.

Джош Берсин, всемирно известный аналитик и основатель Bersin  by Deloitte, выбрал время, чтобы поговорить с HRD Connect о важных тенденциях в области управления персоналом. В их числе вопросы, почему системы оплаты труда полностью устарели и нуждаются в серьезной модернизации, каковы основные поколенческие различия на глобальном рынке труда, какие фундаментальные навыки нам понадобятся для большинства профессий будущего при вхождении в новый мир «цифрового неравенства».

Каковы самые инновационные тенденции в области HR в 2018 году?

2018 год знаменует появление искусственного интеллекта (ИИ) как значимого разрушителя технологий в сфере управления персоналом.

Мы перешли от мира автоматизированных систем к тому, что я называю «системами продуктивности», а это значит, что эти инструменты HR должны быть такими же интеллектуальными, как уже существующие инструменты для потребителей.

В настоящее время 40% американцев дома имеют доступ к устройству типа «Alexa» (Виртуальный помощник, разработанный Amazon, который способен к голосовому взаимодействию, воспроизведению музыки, составлению списков дел, настройке сигналов тревоги, потоковым подкастам, воспроизведению аудиокниг и предоставлению информации о новостях, погоде, трафике, спорте и др.  Прим. переводчика), а наши телефоны распознают лица. Всё в нашей потребительской жизни делает нашу личную жизнь легче, проще и уменьшает заботы. То же самое требуется и на рабочем месте, и это начинает осознавать HR-сообщество.

Для нетехнологической стороны HR самое большое изменение - это всплеск экономического роста, который мы встречаем во многих городах с очень конкурентными рынками труда. Сегодня бок о бок трудятся пять поколений. HR департаментам нужно пересматривать бренд работодателя, организовывать переподготовку и помогать людям внутри компании переходить к новым трудовым функциям.

В 2018 году на рынке труда очень важны доверие и социальные ценности. Рабочие и служащие находятся в поиске доверительных отношений внутри своих организаций, потому что не находят его в политических системах.

Предприятиям нужно стать организациями, основанными на доверии. HRам необходимо способствовать формированию такого доверия, равно как и разнообразия, инклюзии, справедливости и прозрачности.

Каким вопросам HR-лидеры должны уделять самое пристальное внимание?


Первое - это опыт сотрудников (employee experience, англ., прим. переводчика). Вопросы, связанные с опытом сотрудников, могут быть следующими:

Находят ли ваши сотрудники  продуктивные HR-решения в рамках своей работы?
Эти решения прерывают работу?
Делаем ли мы саму работу более легкой?
Устраняем ли мы все технологические сложности в работе?
Интегрируем ли мы HR-процессы в производственный процесс и в системы продуктивности, такие как Outlook или Slack (Популярный корпоративный мессенджер. Прим. переводчика)?

Второе - это постоянная подстройка HRа под потребности бизнеса.

Одной из крупнейших и наиболее распространенной глобальной проблемой высшего руководства является отсутствие стратегического видения у бизнес-партнеров. Имеет ли ваш HR-департамент навыки и доступ к профессиональным данным для использования в работе информации по рабочей силе? Настроены ли вы на оптимизацию и предоставление HR-услуг эффективным образом?

Изучите свою стратегию талантов целиком и полностью и проверьте , как вы набираете людей, как вы развиваете людей и как вы платите людям. Согласованы ли ваши процессы с современным бизнес-рынком и будут ли они поддерживать бизнес-цели вашей компании?

Эти процессы бывают нарушены в условиях современных плоских орструктур, временной работы и альтернативной занятости, а также из-за необходимости управлять людьми на разных этапах их карьеры в одно и то же время. Успех HR - это оптимизация и инновация в рамках таких практик управления талантами,  вот почему я пишу книгу по этой теме.

Какие области, по Вашему мнению, упускают из виду?


Я бы не сказал, что некоторые вещи «забыты» - я был бы более склонен говорить, что некоторые вещи дьявольски трудны, и люди не знают, как с ними быть.

Примером этого может быть ответственность за создание «бесшовного» опыта сотрудников в мире полностью нарушенных HR-технологий. Компании потратили много денег на замену локальных систем облачными, потому что они считали, что это адекватный ответ на вызовы. Да, это эффективно интегрировало данные и уменьшило количество поставщиков, но теперь у них очень дорогостоящая облачная система ERP (Enterprise Resource Planning, система планирования ресурсов предприятия, англ., прим. переводчика). У среднего HR-департамента 9-10 систем документации, что существенно затрудняет управление данными.

HR-департаменты также должны помогать руководителям бизнеса понять, почему рабочая сила настолько перегружена. В недавнем разговоре один CHRO (chief human resources officer, руководитель службы персонала, англ., прим. переводчика) объяснил, что причина, по которой его HR-отдел внедрил программу благополучия, заключалась в том, что сотрудники были просто изнурены. Сейчас мы находимся в индустриальной эпохе, когда у нас есть разные технологии, но они не адаптированы к людям и люди не могут их выдержать.

Мы работаем по ночам; мы работаем в выходные; мы завалены информацией. HR должен играть стратегическую роль, помогая людям развиваться в то время как бизнес трансформируется. Достаточно просто создавать приложения или использовать аутсорсинг для развития технологий, но что вы делаете со своими работниками? Как они взаимодействуют друг с другом? Теперь, когда мы работаем преимущественно в командах и меньше в иерархиях, что это может означать для вознаграждения и поощрения? Системы оплаты труда по всему миру очень устарели.

Ответ на многие из этих вопросов заключается в том, чтобы HRы и высшее руководство использовали больше творческих и инновационных решений. Стать ближе к лидерам и попросить их запустить программу, которая позволит сотрудникам взять дополнительную неделю отпуска, программу, разрешающую им приходить на работу позже или иметь возможность пропускать встречи, если они не считают их значимыми. Есть десятки таких идей, которые необходимо приспособить к формуле организационных изменений, поскольку мы продолжаем переход к новому цифровому способу работы.

Можете ли Вы объяснить, почему, по Вашему мнению, системы вознаграждения устарели?


Это, действительно, огромная тема.
Компания Bersin by Deloitte в начале этого года провела исследование, в ходе которого мы опросили шесть или семь сотен компаний относительно практик оплаты труда. Главное для меня было в том, что только 11% этих компаний заявили, что их текущая практика оплаты труда напрямую связана с бизнес-стратегией. Способ, каким мы платим за труд, - это институциональный процесс, полученный в наследство от индустриальной эпохи. Мы формируем уровни заработной платы и множество правил, которые регулируют, как, за что и когда люди получают свой заработок. Мы беспокоимся о том, что переплачиваем сотрудникам сверх бюджета, хотя в четыре-пять раз дороже потерять кого-то из сотрудников, чем поднять им заработную плату.

Заработная плата не компенсирует инфляцию, и мы не платим за труд с нужной частотой. Люди хотят больше целостных вознаграждений в разных пакетах, но мы не проводим достаточный анализ того, что действительно важно для людей в системах оплаты труда. Эти системы устарели, и людям, которые управляют этими системами, не предоставляют возможности внедрять инновации. Функция оплаты труда как административная, нормативная и направленная на сокращение затрат функция, на самом деле таковой не является. Инновационные системы и процессы оплаты труда получат огромное значение в течение следующих пары лет.

Считаете ли Вы, что «мягкие» навыки будут востребованы  так же, как и цифровые, учитывая рост технического прогресса?


Я считаю, что цифровые навыки станут скорее как товар, если честно.

Например, сын моего брата окончил среднюю школу. Он очень способный и в школе научился программировать. Фактически, он разрабатывал компьютерные игры. В следующем году он пойдет в колледж с довольно развитыми цифровыми навыками.

Люди получают эти навыки во всё более молодом возрасте - это свободное владение «цифрой». Поэтому более молодые работники готовы к «цифре». Основной проблемой, с которой сталкиваются всё больше компаний, является поиск правильных навыков для создания сотрудничества в команде и социальных навыков. Мне лично потребовалось около 15 лет, чтобы изучить все эти «мягкие» навыки в бизнесе.

В недавнем исследовании Bloomberg и Workday от 300 до 400 руководителей было опрошено по поводу навыков у недавно нанятых выпускников. Почти две трети респондентов заявили, что они не обнаружили «мягких» навыков нужного типа. Основной вывод состоял в том, что эти работники плохо понимают сложные проблемы и не понимают, как работать над крупными проектами внутри команд. Они академически образованы, но этого недостаточно.

В настоящее время я консультирую очень интересную компанию по программному обеспечению, которая изучает тесты SAT (стандартизированный тест, который оказывает сильное влияние на процесс поступления в колледж в Соединенных Штатах). SAT - это скорее когнитивный и интеллектуальный тест, а не тест на решение проблем. Так вот, компания считает, что они могут изменить способ оценки людей до поступления в колледж, создав условия для того, чтобы университеты и колледжи давали студентам больше опыта в социальных навыках.

Я думаю, большинство ученых знают это, но у нас нет системы, которая бы способствовала развитию этих навыков на раннем этапе жизни. Например, что если бы новый сотрудник проводил первый год своей рабочей жизни в тренировочном лагере, сосредоточившись на том, как работать на данную конкретную компанию, как работать в команде, как работать над проектами, как общаться и как продавать?

Такие «мягкие» навыки очень важны. Если вы посмотрите исследования будущего в сфере труда, выполненные McKinsey и Deloitte, вы заметите, что рутинные и технические виды труда становятся автоматизированными. Программирование также становится все более автоматизированным. Но то, как вы взаимодействуете с людьми, не автоматизируется: услуги, продажи, общение и эмпатия.

Далее - наставничество. Нам нужно признать тот факт, что менеджеры больше не просто постановщики задач - они наставники. Люди, которых продвигают в управленцы, должны продвигаться не только из-за их технической экспертизы, но и благодаря их способностям обучать, развивать и поддерживать других людей. Эти навыки должны быть у любого лидера, но они не всегда относятся к качествам, которые уважают или ценят.

Что Вы считаете базовыми навыками, необходимыми для будущих рабочих ролей?


Одним из наиболее важных навыков будет сопоставление образцов поведения. У нас есть «фейковые» новости и странные посты на YouTube и Facebook и в других социальных сетях. Куда бы вы ни пошли, вокруг слишком много информации. Мы как человеческие существа должны выяснить, как оценивать образцы поведения и фильтровать шум.

Подумайте обо всём этом относительно сферы труда - что важно, а что нет? Что сказал клиент и что я реально могу сделать, чтобы помочь ему? Это навыки, которые задействуют эмпатию. Нам нужны сотрудники, которые способны фильтровать информацию, анализировать её, а затем использовать обоснованные суждения.

Другим необходимым базовым навыком является проектное мышление и креативность. Я много лет изучал математику, физику и бухгалтерский учет, но я вообще не занимался проектами. Я развил свои собственные проектные навыки позже, когда руководил своей собственной компанией. Мы обнаруживаем, что все больше решений в HR- и других департаментах  основаны на проектном мышлении. Вместо того, чтобы автоматически применять некий тип стандартизованного шаблона, команды исследуют проблему, а затем креативно размышляют о том, как ее решить. Компании нуждаются в людях, которые думают иначе, не так, как все, и могут разрабатывать проектные решения.

Есть ли какие-то функции других подразделений, которым должен учиться HR?


В прошлом году мы написали статью по отчету Deloitte Capital Trends под названием «The Symphonic C-Suite» («Симфоническая корпорация», прим. переводчика). Мы обнаружили, что проблема номер один во всем мире заключается в том, что руководители корпораций не работают согласованно. Три четверти опрошенных сказали, что руководители высшего звена работают вместе недостаточно. Вице-президент по персоналу сосредотачивается на вопросах управления персоналом, ИТ-директор полностью фокусируется на проблемах ИТ, финансовый директор ориентируется на цифры - и никто друг с другом не разговаривает. Это значительный провал.

В случае HR-а нет абсолютно никакого способа быть эффективным без взаимодействия с другими бизнес-функциями. Вы нуждаетесь в ИТ для создания цифрового опыта сотрудников; вам необходимо работать с отделом продаж и других операций, чтобы обеспечить подготовку работников; вам необходимо работать с генеральным директором по таким вопросам, как культура, социальная миссия, ценности и доверие; вам необходимо работать с финансовым директором по вопросам планирования кадров.

Еще одна огромная проблема в компаниях сейчас - это планирование рабочей силы там, где объем квалифицированного труда ограничен, а число временной и альтернативной занятости растет. Как мы будем формировать штатное расписание? Как будем учитывать внутреннюю мобильность в противовес внешней мобильности? Должны ли мы привлекать больше временных работников?

Я говорил с очень высокопоставленным CHRO автомобильной компании, который предсказал нехватку 50 000 инженеров-механиков в ближайшие три-пять лет. И вот сейчас ему нужно во взаимодействии с финансовым директором принять решение, собираются ли они открывать корпоративный университет или набирать команду инженеров в других частях мира.

Эти отношения имеют решающее значение для HR-ов высшего звена. В терминах маркетинга бренд продукта компании взаимосвязан с брендом сотрудника. Многие проблемы работодателя и управления рекламными кампаниями в сфере управления персоналом - это маркетинговые проблемы. Поэтому подобное взаимодействие должно быть реально прочным. Такие отношения уникальны и обязательно должны быть хорошо сформированы.

Какой совет Вы бы дали HR-профессионалам, которые принадлежат к «возрастным» работникам, борющимся с прессингом и требованиями новых технологий, и считаете ли Вы, что в обучение такой категории работников руководство должно вкладывать средства?


«Возрастных» работников можно рассматривать как проблему или как возможность.

В большинстве стран бэби-бумеры живут дольше, и, соответственно, дольше длится их карьера. Мы пытались оценить и проанализировать модель карьеры для работников 50-ти, 60-ти, 70-ти и 80-ти лет. На этом этапе своей карьеры вы вряд ли станете генеральным директором, и вы даже не захотите, чтобы вас продвигали по службе. Однако такой сотрудник может быть ценным наставником. Как вы платите за работу этим сотрудникам и эффективно ли их используете?

Учитывая нынешний дефицит талантов, для HR-департаментов очень важно выяснить, как использовать этот сегмент рабочей силы и как бороться с неизбежной возрастной дискриминацией.

В компаниях с трудовым коллективом, состоящим из нескольких поколений, сотрудники лучше вовлечены. Все они имеют выгоду от наставничества и менторства, а более старшие работники получают свежие идеи и перспективы от молодых.




__________________________________________________________

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



четверг, 22 ноября 2018 г.

Анализ полезности обучения





Перевод статьи Learning from Practice: Utility Analysis for Training в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор René Klep, и это его дебют в нашем блоге. Он работал HR-менеджером в компании Belden, производственной компании, в статье описывает свой опыт.
Перевод выполнила Наталия Черноног (профиль в LinkedIn). Начинающий People Analytic в IT компании, начала изучать аналитику недавно и интересуется полезными статьями по теме. Это первый перевод Натальи.

Итак,

Анализ полезности обучения 

Rene Klep
В какой-то момент своей карьеры, я работал HR менеджером в Belden, компании, которая в то время производила кабели и провода для электробритв, телевизоров и другого оборудования. Я завидовал некоторым моим коллегам в команде менеджеров, которые боролись за свою долю годового бюджета. Особенно, руководителю отдела маркетинга – он всегда презентовал прекрасные расчеты инвестиций, которые включали в себя средства, например, на промо акции, объявления, визиты клиентов и прочее.
Этот руководитель отдела маркетинга всегда проявлял чудеса креативности, представляя пользу от своих предложений, основываясь на предположениях роста рынка, роста занимаемой доли рынка, количества повторных обращений клиентов и т.д
Под впечатлением я также заметил, что предположения, сделанные руководителем отдела маркетинга, были основаны не на «сверхточных научных исследованиях», а скорее на «научных догадках» (которые были представлены очень убедительно).
Я задумался, почему HR этой компании представляет только суммы HR инвестиций, а не показывает положительные сценарии развития событий от организации HR отделом обучения. Большинство из нас знакомы с моделью оценки обучения Киркпатрика (по ссылке - перевод этой статьи в нашем блоге) (1976), но я спросил себя – а есть ли формула, по которой мы сможем просчитать величину возврата (финансов) от обучения?
Мы знаем, что обучение и развитие потенциально могут внести большой вклад в рост «трудовых доходов на протяжении жизни». Как описано в этой статье.

Анализ полезности обучения

Все это объединилось, когда мой бизнесс менеджер попросил предоставить бизнес кейс для добавочной стоимости обучения для инспекторов по качеству на производстве. Я тогда читал много литературы по анализу полезности, которая открыла мне глаза, на то, что и в HR есть более строгие подходы к финансовым оценкам HR инициатив.

Определение анализа полезности

Так что же такое анализ полезности? Для Human Resource Management анализ полезности ссылается на специализированный инструмент, созданный для оценки ожидаемых институциональных достижений и потерь компании от разнообразных мероприятий HR, разработанных укрепить ценность рабоей силы (Sturman, 2003)
Другими словами, это инструмент просчета полезности или прибыльности мероприятий.
Для изучения мероприятий базовая модель такая:

  • Utility (U) = Benefits (B) – Costs (C)

Чтобы посчитать полезность, нам нужно определить и Benefit и Costs:

  • Benefits = d * SDy * t (*N)
    • d – величина эффекта от обучения
    • SDy – величина Изменения Производительности в евро
    • t – время (количество лет, которые длился эффект обучения)
    • N – количество участников

Величина эффекта

Как вы можете посчитать величину эффекта?
Величина эффекта – это разница между до и после обучения. Например, у вас есть кто-то, кто не обучен (Т0). После обучения этого человека (Т1) вы ожидаете от него быть лучше в том, чему он был обучен. Значит, значение Т1 вырастет по сравнению с Т0 в измерении компетенций или языковом тесте.
Чтобы проверить этот эффект, вы можете взять среднее значение обеих групп – Т0 и Т1. Вычитаете среднее значение Т0 из среднего значения Т1 и надеетесь, что разница положительная.
Для стандартизации, вы делите ее на стандартное отклонение обработанного набора данных. Изображение ниже отображает размер эффекта от программы обучения.
Как d (величина эффекта) вычисляется? Это всего лишь разница между средними значениями обученной ( красная кривая) и необученной (синяя кривая) групп в стандартном Z-score unit. Это может быть разница в средней производительности, времени принятия решений, изучениии т.д. 

Анализ полезности обучения

Но давайте вернемся к инспекторам по качеству в моей компании Belden
Их производительность была оценена на основе рабочего образца - это количество дефектов, обнаруженных в небольшом образце продукции с известным количеством (например, 10) ошибок.
Прежположим, что средняя производительность  для обученной группы это 7, для необученной группы – 6,5, а стандартное отклонение производительности 1.0
Размер эффекта может быть посчитан так 

Анализ полезности обучения


Другими словами, производительность обученной группы на пол стандартного отклонения больше, чем у необученной группы.
В идеале, вы должны работать с экспериментальной группой (получающей обучение) и контрольной группой (не получающей обучение). В литературе вы можете найти ожидаемые значения величины эффекта ( e.g. Arthur et al, 2003)):
  • d = .20  -> маленький эффект
  • d = .50  -> средний эффект
  • d = .80  -> большой эффект

Стоимость изменения производительности в евро

В формуле выше переменная SDy определена как добавочная стоимость в евро (или в долларе и т.д.) субьекта, производительность которого на одно стандартное отклонение выше средней (по сравнению с субьектом со средней производительностью).
Когда мы умножим величину эффекта, как описано выше, на Sdy, мы сможем оценить стоимость в евро, ожидаемую от предполагаемых изменений производительности.
Простейший подход оценки SDy достижим, когда известно значение производительности в евро для каждого сотрудника (например, в продажах). К сожалению, финансовые показатели редко доступны во многих видах работ.
Второй простой подход оценить SDy  включает в себя следующее простое правило, основанное на множественных исследованиях (e.g. Becker and Huselid, 1992).
  • Для низкоквалифицированной работы SDy оценивают как 40% от заработной платы
  • Для работы умеренной сложности SDy равна 60% от заработной платы
  • Для работ высокой сложности SDy  равна 100% от заработной платы

Стоимость обучения

Конечно, формула полезности будет не полной без оценки затрат. Очень часто особенность (оценки затрат) состоит из:
Прямые затраты: материалы, инструктор, локация, проезд и администрирование.
Непрямые затраты: упущенная выгода = дневная ЗП сотрудника гросс* количество сессий обчения * количество обучаемых

Полезность обучения для инспекторов по качеству в Belden 

Итак, вернемся к задаче посчитать полезность обучения инспекторов по качеству. Мы использовали следующую информацию для оценки полезности:
25 обучаемых инспекторов по качеству
Длительность эффекта от обучения: 1 год
Величина эффекта (dt): 0.5 SD
Годовая зарплата: 40 000 евро, SDy 16 000 евро, исходя из правила оценки 40%
Итоговая стоимость программы обучения: 50 000 евро
  • ∆ Utility = (d * SDy) * (N * t) – C
  • ∆ Utility = (0.5  * 16.000) * (25 * 1) – 50,000 = 150,000 euro
Из полученных данных мы также можем посчитать возврат инвестиций (ROI) 

Применение анализа полезности

Анализ полезности может быть очень сложным, но, исходя из моего опыта, может быть легко объяснен. Конечно, мы должны делать определенные предположения, как маркетинг менеджер из Belden делал предположения по поводу прибыльности «его» маркетинговых инвестиций.
Итак, в подведение итогов, какие основные допущения могут быть сделаны в нашей формуле полезности, в случае, если у вас нет точных данных? 
  • Оцените время, через которое эффект от обучения будет заметен. Некоторые программы обучения (например, изучение нового выпуска программного обеспечения системы, которое меняется регулярно) имеют короткие временные рамки воздействия. Изучение новых навыков, например, обучение проводить отборочные интервью, обычно имеет более длительный эффект. Наиболее распространенное предположение по времени – это один год.
  • Оцените величину эффекта от обучения. В зависимости от сути обучения, можно найти хорошие оценки в литературе (e.g. Arthur et al, 2003) о величине эффекта. Помните, что средняя велчина эффекта составляет приблизительно 0,5 SD.
  • Оцените стоимость Изменения производительности в евро. Как было упомянтуо, вы можете использовать правило 40% при низкоквалифицированной работе. У более сложной работы стоимость в евро может подскочить до 100% от зарплаты.
Генеральные менеджеры и HR директоры должны иметь возможность определить, где вложение средств в человеческий капитал необходимо для развития бизнеса. Анализ полезности – это инструмент, который может помочь этому произойти.


__________________________________________________________

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




среда, 21 ноября 2018 г.

Какой статистический критерий в какой ситуации использовать



После семинара "HR-Аналитика в R" я решил таки сделать шпаргалку / алгоритм, в какой ситуации какой статистический критерий использовать. При этом помимо описания алгоритма, буду использовать формулы в R.
Статистический критерий применяется для ответа на вопрос о наличии или силе связи (корреляции) между двумя переменными.
Первый и самый важный шаг в использовании статистических критериев - определить, какого типа переменные участвуют в нашем анализе.
Мы поделим переменные на два типа: количественные и категориальные.
Первый тип в R обозначается через numeric или integer, а второй через factor. Таким образом, у нас может быть всего три ситуации применения статистических критериев:
  1. обе переменные количественные
  2. обе переменные категориальные
  3. одна переменная количественная, другая категориальная
И за этим стоит много нюансов, некоторые из которых я раскрываю. Даю формы визуализации.  Рассмотрим все три ситуации (напомню, что это не лекция по статистике, а всего лишь шпаргалка / напоминалка)
Иакже рекомендую видео



1. Количественная - количественная

Шаг первый: выясняет распределение переменных (чаще всего  с помощью теста Шапиро Уилкса
shapiro.test()

Нормальное распределение

Если обе переменные показали по тесту Шапиро Уилска p-value > 0, 05 (например, если мы захотели измерить связь между тестом интеллекта и возрастом), то можем смело применять коэффициент корреляции Пирсона, который в R применяется с формулой
cor.test(x, y, method = 'pearson')
R может нам выдать что-то типа
Pearson's product-moment correlation
data:  x and y
t = 4.5451, df = 79, p-value = 1.95e-05
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
     0.2630944 0.6127261
sample estimates:
     cor
0.455289
p-value у нас 1.95e-05, это меньше 0, 05, что говорит о наличии связи, а сила связи 0, 455289, что говорит о средней силе связи (связь считается сильной, если показатель связи > 0, 5, слабой, если < 0, 1)

Распределение отличается от нормального

Если тест Шапиро Уилска показал p-value < 0, 5 (например, мы измеряем связь между общей удовлетворенностью работы в компании и удовлетворенностью отношениями с руководителем), мы применяем коэффициент корреляции Спирмена
cor.test(x, y, method = ' spearman')

Визуализация

Для визуализации связи используем точечную диаграмму.
Какой статистический критерий в какой ситуации использовать



2. Категориальная категориальная

Если все переменные категориальные (например, в ситуации, когда мы хотим посмотреть связь между тем, к какой категории отнесли работников на ассессмент центре и к какой категории эффективности их отнесли по перформанс ревью), мы чаще всего сначала смотрим на распределение переменных с помощью формулы
table()
Или с помощью
prop.table()
Если мы хотим посмотреть распределение в %. Отвечаем на вопрос о наличии связи с помощью критерия Хи-квадрат.
chisq.test() 
И на вопрос о силе связи мы отвечаем с помощью критерия Крамера
library(lsr)
cramersV() 

Визуализация

Используем для визуализации нормированную гистограмму и / или мозаичную диаграмму.
Какой статистический критерий в какой ситуации использовать



3. Количественная категориальная 

Чаще всего это ситуация, когда мы сравниваем распределение количественной переменной по группам. Например, если мы хотим оценить влияние обучения и сравниваем продажи ДО и ПОСЛЕ обучения, или ели мы сравниваем продажи прошедших и не прошедших обучение. Или если мы сравниваем зарплаты по регионам.
Первый шаг - определение, является ли распределение ли количественной переменной нормальным или нет. Делаем это мы с помощью уже упомянутого критерия Шапиро Уилкса, причем по каждой группе.

вторник, 20 ноября 2018 г.

Тенденции в Картах путешествия сотрудников (Employee Journey Maps)



Перевод статьи Trends in Employee Journey Maps в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор Tom Haak, директор института HR-трендов. Его самые популярные статьи в нашем блоге:

  1. 8 главных HR-трендов 2018 года
  2. Тренды в оценке настроений сотрудников и исследовании вовлеченности
  3. 10 трендов в Workforce Analytics

Перевод сделал Роман Луконин (ссылка на профиль ВКонтакте - присоединяйтесь), Специалист группы анализа и отчетности ЦКС ЦОБ ПАО "Татнефть". Роман - студент магистерской программы HR-аналитики Татнефти (см. В России появилась первая магистерская программа "HR-аналитика"!). И я считаю этот факт уже свидетельством в пользу того, что магистерская состоялась.
Итак, статья посвящена такому новомодному термину в западном HR (в Россию это тоже приходит) как Employee Journey Maps.
Когда-то в своем блоге мы тоже игрались в метафоры Employee Journey, см. Метафоры траектории карьерного развития . Хотя Employee Journey, чем карьерное развитие, но мы же тогда не знали этого термина, но приходили к нему в той же логике, что и на Западе. А логика эта была в наложении сбора данных на каждый этап карты. И у меня лично тогда метафора была - медицинская карта (помните как в поликлиниках?), где каждый HR выступает в роли врача, и когда работник приходит на прием, врач смотрит медицинскую карту, смотрит историю болезни, и это помогает ему лечить.

Тенденции в Картах путешествия сотрудников (Employee Journey Maps)

У Музея HR очень много комнат.
В моём виртуальном музее HR (открытие запланировано на 2022 год) непременно будет комната, посвященная Employee Journey Maps (EJM). В этой статье я хочу показать вам 20 примеров из имеющейся коллекции (источники к каждому вы сможете найти, нажав на картинку). Если наткнетесь на интересные примеры, дайте знать!

Большинство employee journeys является извилистыми.

Если вы попросите людей изобразить свою компанию, то они нарисуют пирамиду. Если вы попросите нарисовать путешествие, то они нарисуют дорогу. Многие EJM – дороги в один конец. В большинстве случаев выход только один: в конце. Я видел дороги, оканчивающиеся круговым движением, и все становится ясным: там нет выхода.

1. Стандартная Employee Journey Map. Дорога без конца.


Тенденции в Картах путешествия сотрудников (Employee Journey Maps)


2.Очень интересная карта. Она идет сверху вниз, хотя вы ожидаете, что она идет сверху вниз, или же уходит вбок. Мне нравятся различного рода препятствия.

Тенденции в Картах путешествия сотрудников (Employee Journey Maps)

3. Будьте аккуратны в использовании этой EJM: если вы слишком сильно ускоритесь, вы вновь окажетесь на старте.

четверг, 15 ноября 2018 г.

HR Лидеры нуждаются в более сильных навыках работы с данными





Перевод статьи Гарвард Бизнес Ревью HR Leaders Need Stronger Data Skills в рамках нашего проекта переводы статей по hr-аналитике на английском.
Перевод сделала Кристина Агеенкова (ссылки на профили в социальных сетях ВКонтакте, Facebook, LinkedIn, а также сайт Master HR Skills и страница в Facebook Master HR Skills). Образование – СпбГУ, Экономический факультет 2002

Специалист в области управления персоналом с опытом работы более 10 лет. Начала карьеру в 2002 как C&B Специалист в компании Ford Motor Company, Всеволожск, а с 2005 года в компании Kelly Services. Одним из достижений в Келли – разработка и внедрение собственного шаблона штатного расписания, который является основой для создания аналитики по персоналу.

С 2018 – собственный проект по аналитике по персоналу Master HR Skills. Цель - исследовать и собрать лучшие рекомендации, кейсы и решения, чтобы помочь нам, HR профессионалам, разобраться с собственными данными по персоналу и заставить данные работать на Нас!

Запустила исследование по должности HR Аналитик (приглашаем поучаствовать).

Это первый перевод статьи для Блога про HR-аналитику.

Итак, 
HR Лидеры нуждаются в более сильных навыках работы с данными

HR Лидеры нуждаются в более сильных навыках работы с данными

Evan Sinar, Rebecca L. Ray, Adam L. Canwell
ОКТЯБРЬ 25, 2018

“Сапожник без сапог” - известная поговорка, которая характеризует навыки работы с данными большинства HR профессионалов.

В условиях современного рынка труда с высоким спросом на рабочую силу HR лидеры должны как следует сосредоточиться над развитием и подбором сотрудников, которые будут двигать вперед цифровую трансформацию внутри своих организаций. Однако, многие лидеры стремились развивать собственные цифровые навыки. Это стремление, наоборот, препятствовало их способности создавать стратегии управления талантами на основе использования данных, которые помогут преобразовать их бизнес. 

Утверждение относительно нехватки у HR’а цифровых навыков основана на результатах нашего последнего глобального обзора лидерских качеств. В обзоре, созданным совместно нашими тремя организациями, были оценены около 28 000 бизнес лидеров в разных отраслях по структуре и стилю руководства.  Среди результатов: в среднем HR лидеры значительно отстают от других профессионалов в своем умении работать в высоко цифровой среде и использовать данные при принятии бизнес решений.

Неудивительно, что нехватка этого навыка спровоцировала снижение доверия между HR профессионалами и их коллегами. Только 11% бизнес лидеров доверяют HR использовать данные для прогноза и поддерживают в удовлетворении потребностей в талантах. Когда мы проводили такой же опрос три года назад, 20% бизнес лидеров высказывали такую же точку зрения - это также был небольшой процент, однако практически вдвое выше, чем на сегодня.

Поиск путей повышения качества цифровой хватки и навыков работы с данными у HR’ов может оказаться сложной задачей даже для компаний с наилучшим ресурсным обеспечением. Для начала, HR лидеры могут сосредоточиться на повышении навыков в своих командах в тех областях, которые влияют на два важнейших бизнес результата: наращивания силы в “скамейке запасных” и привязки HR метрик к финансовым результатам. Для достижения этих целей, компании могут поддержать HR лидеров в следующих шагах:


Создание внутреннего партнерства. Во многих компаниях методы и технологии работы с данными, которые применяются в других отделах, могут быть также использованы на благо HR. Например, HR может поработать с отделом маркетинга для получения навыка поисковой оптимизации (SEO), навык, который позволит HR усовершенствовать усилия по подбору персонала. Можно также рассмотреть партнерство с коллегами, владеющими финансовыми технологиями по управлению блокчейн, технология, которая позволит изменить способы хранения и проверки личной информации по сотруднику. Такого рода внутреннее сотрудничество поможет HR не только приобрести новые навыки, а также способствовать формированию культуры управления данными внутри организации. 


Связать аналитику по талантам с достижениями результатов в бизнесе. HR’у следует научиться связывать свои данные по персоналу с эффективностью и результатами бизнеса. Этот процесс должен начинаться с сбора данных о навыках, возможностях и поведении существующих лидеров и рабочей силы, которые зачастую проводятся через оценку персонала. Например, руководство больницы, ища способы улучшить безопасность пациентов, обратившись к HR, может выяснить, что самые высокие показатели по уровню безопасности пациентов связаны с медсестринским подразделениями, где супервайзеры проявили специфическое поведение, например, демонстрируя эмпатию. Собирая данные о навыках и опыте сотрудников и связывая их с результатами бизнеса, HR может выделить ключевые области риска и возможности для компании.

Развитие навыков визуализации данных. Простой сбор данных и анализ не дадут HR лидерам совершенствовать свои усилия, пока они не будут знать как использовать эти данные для влияния на других. Одно из исследований показало, что, когда докладчики дополняли свои истории визуальным сопровождением, вероятность, что аудитория примет желаемый курс действий, была примерно на 40% выше чем у той аудитории, которая получала презентации без визуального ряда. Таким образом, HR должен научиться создавать графические представления данных. HR нуждается в более профессиональном использовании таких сложных программных продуктов, как Power BI, Tableau или R Studio, каждая из которых обеспечивает визуальный контекст данных.

Внедрение моделей планирования лидеров. Помимо использования данных для выявления текущих тенденций в талантах, а также их нехватки, HR’у следует использовать данные для прогнозирования будущих потребностей в  талантах, особенно для лидерских позиций. HR профессионалы должны использовать модели планирования лидерства, чтобы сопоставить долгосрочный стратегический бизнес план с теми лидерами, которые должны будут этот план реализовать. Модели планирования лидерства позволяют HR создавать прогнозы, ориентированные на определение необходимого количества лидеров, навыков, которые им потребуются, и где они будут находиться территориально. На постоянной основе эти модели помогут сравнивать текущие лидерские качества с теми, которые необходимы. Таким образом, HR может корректировать курс, когда это необходимо, путем пересмотра или изменения его приоритетов в системах найма, развития и управления системами производительности.

Эти четыре первоначальных шага могут принести хорошие дивиденды. Наши исследования показывают, что у компаний, успешно использующих данные и аналитику для продвижения своей стратегии управлении талантов, более чем в шесть раз чаще встречается сильная лидерская “скамейка запасных”. Более того, те компании, у которых самые сильные цифровые лидерские возможности, опережают своих партнеров на 50% по финансовым показателям по составу и росту доходов.

И когда HR руководители используют свою цифровую мощь для продвижения своих компаний, в результате они часто сами продвигаются вверх по карьере. Мы обнаружили, что HR профессионалы, которые используют продвинутую аналитику, в шесть раз чаще имеют возможность подняться по корпоративной лестнице.

Сегодня уровень безработицы стоит на самом низком уровне за почти пять десятилетий. По мере того, как экономика продолжает расти, а поколение «бэби-бумеров» массово уходит на пенсию, рынок труда будет все более сжиматься и усиливать давление на HR. Эта демографическая и экономическая динамика подтолкнет HR стать лучше, быстрее и находчивее в том, как он подбирает и развивает таланты, в которых их организации нуждаются для выполнения своих бизнес стратегий. Инвестирование в развитие данных и технологических навыков HR должно быть главным приоритетом, если компании хотят выиграть войну за таланты.

Эван Синар - главный научный сотрудник и вице президент международной консалтинговой компании в области управления талантами DDI
Ребекка Л. Рэй - исполнительный вице президент, направление человеческий капитал в The Conference Board
Адам Л. Канвелл - партнер People Advisory Services, Ernst & Young и глобальный лидер направления изучения лидерства E&Y, Мельбурн, Австралия


__________________________________________________________

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



среда, 14 ноября 2018 г.

Теория поколений – работает? (результаты опроса)





В своем телеграм канале проводил опрос о теории поколений. Сам вопрос выглядел так
Теория поколений – работает?
Последнее время часто встречаю материалы, посвященные теории поколений. Если верить Вики, в России сейчас есть 4 поколения:
  1. Бэби-бумеры 1943-1963 годы рождения
  2. Поколение X 1963-1984 
  3. Поколение Y, или поколение Миллениума 1984-2000 
  4. Поколение Z 2000
Дисперсия отзывов от молитвы до «теория поколений закрыта». Я сам считал цифры про поколения, но понимаю, что рациональные доводы не работают, поэтому хочу выяснить отношение к теории поколений.
Прошу вариант, который ближе вашему отношению к теории поколений:
  1. Теория поколений состоятельна и ее можно применять на практике (подбор, мотивация персонала и т.п.) - 55
  2. Теория поколений состоятельна, но не применима на практике, имеет скорее лишь научный интерес - 14 
  3. Может быть Теория поколений и состоятельна, но консультанты, проводники теории, исказили ее, и в итоге сложно говорить о ее состоятельности - 47 
  4. Теория поколений несостоятельна ни в научном, ни в практическом смысле - 23
  5. Мне этот вопрос не актуален, неинтересно - 2
После варианта ответа стоит количество человек, которые выбрали этот вариант. Всего проголосовало 141 подписчик канала, на диаграмме (см. ниже) я не показываю последний вариант. Само деление на градации поколений я взял из Википедии Теория поколений. Причем, если вы обратили внимание, я взял градацию теории поколений именно для России, для Америки границы поколений немного другие.
Я в свое время исследовал текучесть среди X и Y, см. Поколения X и Y: кто чаще меняет работу


ПРОСЬБА. Тем, кто выбрал вариант "Теория поколений состоятельна и ее можно применять на практике", не могли бы вы мне прислать аргумент и примеры практической применимости теории (е майл edvb()yandex.ru? я готов опубликовать отдельным постом ваши рассуждения и примеры на этот счет. В идеале хотелось бы устроить дискуссию между теми, кто считает теорию поколений операциональной (т.е. теория поколений применима на практике), и теми, кто считает теорию поколений не состоятельной. Если вы готовы заявиться, пишите. Если соберем стороны, устроим дискуссию. 

Диаграмма


Теория поколений – работает? (результаты опроса)

Комментарий (мой субъективный): я думал, что % тех, кто считает теорию поколений несостоятельной, будет значительно выше.


__________________________________________________________

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



вторник, 13 ноября 2018 г.

Вовлеченность персонала 3.0: Humu запускает Nudge Engine («инструмент подталкивания»)






Перевод статьи Employee Engagement 3.0: Humu Launches Nudge Engine в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор - Josh Bersin (по ссылке - все его статьи в нашем блоге), это самый переводимый автор нашего блога. Приведу только одну статью
Джош Берсин. Переворот рынка HR технологий: 10 топ трендов 2018
Перевод сделала Арлашкина Ольга (профили в социальных сетях:  LinkedIn, Facebook, Вконтакте), кандидат социологических наук, HR консультант, разработчик и преподаватель курсов высшего и дополнительного образования для специалистов по управлению персоналом. Автор более 20 публикаций (статьи, учебные пособия) по менеджменту, социологии, управлению человеческими ресурсами. В HR-профессии с 2001 года. И это первый перевод Ольги в нашем блоге.
Итак,

Вовлеченность персонала 3.0: Humu запускает Nudge Engine («инструмент подталкивания»)

(Для перевода термина nudge мы используем слово «подталкивание» - аналогично версии перевода данного термина в книге Ричарда Талера и Касса Санстейна «Nudge: архитектура выбора». Цитата: «Мы определяем понятие «подталкивание» как любой аспект архитектуры выбора, предсказуемо влияющий на поведение людей, не запрещающий ничего и не вносящий заметных изменений в экономические привычки. От этого вмешательства при желании легко уклониться. Оно ни в коем случае не налагает обязательства. Фрукты, разложенные на уровне глаз, – это подталкивание, а запрет на нездоровую еду – нет» (Nudge. Архитектура выбора. Как улучшить наши решения о здоровье, благосостоянии и счастье / К. Санстейн — Манн, Иванов и Фарбер, 2008. — С. 8). Прим. переводчика).

На фоне новости о приобретении  компанией LinkedIn платформы Glint, которая «зажигает» на рынке вовлеченности персонала, мне хотелось бы рассказать о чем-то совершенно другом:  о Humu. Humu - первая компания по изменению поведения, ориентированная на создание «инструмента подталкивания» на базе ИИ (искусственного интеллекта).

Позвольте мне вначале немного раскрыть контекст. Рынок вовлеченности персонала, размер которого превышает 1 млрд долларов, сформировался давно. Это началось много лет назад, когда промышленные психологи, такие как Фредерик Тейлор, а затем Карл Юнг, изучали выполнение людьми трудовых функций. Измеряя поведение рабочих с высокой производительностью труда, эти первопроходцы выявили множество психологических факторов, которые делали работников счастливыми, продуктивными и вовлеченными. (Именно Карл Юнг, ученик Фрейда, провел исследование, которое привело к появлению оценочого теста Майерс-Бриггс). В число этих факторов вошли человеческие отношения, понимание рабочей цели и, конечно, выполнение подходящей для человека работы.

Основываясь на этих исследованиях, в 1970-80-х годах компании Gallup, Kenexa и другие разрабатывали ежегодные опросы сотрудников для компаний, которые создали индустрию «вовлеченности персонала». (Кажется, сейчас это больше напоминает изучение «опыта работы персонала», но, по сути, это та же идея).

С тех пор рынок расширился, и, мне кажется, что он прошел три основных этапа.

Вовлеченность персонала 3.0: Humu запускает Nudge Engine («инструмент подталкивания»)



Вовлеченность персонала 3.0: Humu запускает Nudge Engine («инструмент подталкивания»)

Вовлеченность персонала 1.0: ежегодная вовлеченность или исследование социального климата


Вначале это был рынок ежегодных опросов, контрольных показателей и сравнений одного года с другим. Когда я работал в IBM в 80-х годах, компания проводила годовой «Опрос мнений сотрудников», который был ежегодным масштабным проектом. Ожидалось, что каждый менеджер будет сидеть со своей командой и обсуждать результаты, что приведет к продвижению одних и наказанию других. В то время я нашел это вдохновляющим, и, действительно, этот опрос помогал IBM решать управленческие проблемы и сравнивать команды между собой.

Со временем эти ежегодные опросы превратились в полноценный бенчмаркинг. Компании сравнивали себя со своими собственными данными год за годом, и со временем была создана целая индустрия рейтингов «Лучшее место для работы». (Подробнее об этих конкурсах и о том, какая между ними разница – в статье).

Помните, что все это началось тогда, когда опросы проводились на бумаге, поэтому процесс был медленным, и результаты получали с большой задержкой. Эти результаты, хотя и интересные, были не очень эффективными, и как только Интернет стал доступен, мы начали все это делать онлайн.

И рынок расширился.

Вовлеченность персонала 2.0: Импульсные опросы с интеллектуальными планами действий


Следующим этапом, который я называю Вовлеченность персонала 2.0, стало рождение импульсного опроса (или «пульс»-опроса, pulse survey, англ. Импульсные опросы – это опросы персонала, как правило, небольшого объема, касающиеся удовлетворенности, трудовой мотивации, результативности работы и т.п., проводимые с определенной периодичностью, показатели которых отображаются в виде кривой, напоминающей данные ударов сердца. Прим. переводчика). Эта идея, способность обследовать людей в любое время, была новаторской, такой как CultureAmp, TinyPulse, CultureIQ и некоторые другие. И с началом такого рода опросов появляется ряд анонимных рейтинговых сайтов (Glassdoor, Kununu и др.), наряду с анонимными социальными сетями, такими как Blind (что позволяет людям обсуждать рабочие проблемы на публике, не называя себя). Это открыло ящик Пандоры для сотен инструментов, которые запрашивают обратную связь в реальном времени, в основном создавая рейтинги отзывов об опыте работы персонала подобно Yelp (сайт отзывов и рекомендаций потребителей. Прим. переводчика).

Результаты были поразительным образом положительными (я написал об этом в статье Feedback is Killer App), и сегодня сотни компаний опрашивают своих сотрудников ежеквартально, ежемесячно или даже чаще. Один из наших клиентов – компания в сфере здравоохранения – каждую пятницу опрашивает каждую медсестру, а затем в понедельник все руководители получают отчет о том, как прошла предыдущая неделя.

Первое поколение этих инструментов было основано на веб-интерфейсах, но теперь они реализуются на базе разнообразных мобильных приложений (Slack, Microsoft Office и инструменты управления эффективностью (Performance Management). Workday впервые внедрил инструмент «обратной связи в любое время» на своей платформе, и об этом было замечательно написано в полемичной статье об Amazon.com, вышедшей в 2015 году.

Вовлеченность 2.0 стала важным шагом вперед и сделала обратную связь с сотрудниками более действенной. Сегодня компании регулярно проводят «пульс»-опросы (30% компаний делают это каждый месяц или чаще), и многие организации предоставляют персоналу возможность отправлять свои комментарии о работе в любой момент, когда работники этого захотят. Поставщики услуг на рынке вовлеченности, такие как Glint, CultureAmp, Waggl, Energage, и многие платформы управления талантами теперь имеют встроенные инструменты для использования импульсных опросов, что заставляет принимать решение об их покупке легче, чем когда-либо.

(Некоторые компании даже позволяют сотрудникам оценивать каждую встречу, на которой они присутствуют, давая обратную связь по планированию и управлению временем организаторам встреч).

И если сначала компании впадали в беспокойство по поводу такой обратной связи, затем подход был взят на вооружение. Недавно я был в России, и почти 80% HR-менеджеров, которых я опросил, сказали мне, что они проводят импульсные опросы сотрудников более одного раза в год.

Сегодня вы можете приобрести инструменты, которые идентифицируют мнения респондентов, сегментируют обратную связь по должностям и контрактам и интегрируют данные обратной связи с ежегодными опросами, интервью при увольнении и другими программами формальной вовлеченности. (Glint теперь предлагает такой вид лонгитюдного исследования, и другие, вероятно, тоже будут это делать).

И эти платформы 2.0 становятся все умнее. Kanjoya, система, предназначенная для определения мнений респондентов, теперь встроена в платформу Ultimate Software и автоматически дает советы менеджерам, основанные на комментариях их подчиненных. Инструменты Glint и ADP делают то же самое. Так как Вовлеченность 2.0 продолжает развиваться, модель импульсных опросов усиливается за счет ИИ и планов действий, разрабатываемых для того, чтобы дать менеджерам и эйчарам соответствующие рекомендации.

Я всегда поощряю компании думать о Вовлеченности 2.0 как о структурном комплексе обратной связи, так как вы можете расширить свой набор данных с течением времени. Например, четыре компании, я знаю, теперь продают инструменты организационного сетевого анализа (organizational network analysis, ONA, англ.) на базе ИИ, эти инструменты анализируют шаблоны электронной почты, календари, тон и настроение электронных сообщений для восприятия этого настроения, определения возможного стресса и даже мошенничества (KeenCorp, TrustSphere, Yva.ai, Microsoft). И это тоже инструменты вовлеченности.

Вовлеченность персонала 3.0: Humu запускает Nudge Engine («инструмент подталкивания»)




Вовлеченность персонала 3.0: Humu запускает Nudge Engine («инструмент подталкивания»)


Когда у вас будет такая система, вы сможете определять области риска, стресса и даже мошенничества (разработаны модели, которые могут предсказать вероятность увольнения работников почти за несколько месяцев до ухода, они основаны на моделях коммуникации). Таким образом, рынок Вовлеченности 2.0 становится шире, глубже и постоянно растет.

Вовлеченность персонала 3.0: еще больше данных, инструменты интеллектуального «подталкивания» для каждого


Так что же может произойти дальше? ... Использование этих данных более проактивным и полезным способом.

Подумайте об этом в таком ключе: теперь, когда у нас есть все эти данные, почему мы не можем использовать их для формирования значимых предложений напрямую самим сотрудникам? На третьем этапе мы намерены использовать силу ИИ, чтобы превращать обратную связь и данные ОNA (организационного сетевого анализа, прим. переводчика) в предписанные организационные изменения, используя интеллектуальное «подталкивание» (intelligent nudges, англ., прим. переводчика) для улучшения работы.

Это привело меня к Humu: компании, ориентированной на изменения индивидуального и организационного поведения.

Посмотрите, что случается на работе. Всякий раз, когда что-то идет не так, как хочется, вы задаетесь вопросом «что я могу сделать, чтобы быть более эффективным?» Или «что я мог сделать в этой ситуации, чтобы избежать такой проблемы?». Опросы вовлеченности выявляют проблему, но это не определяют, что вам с ней делать.

Вот что такое Humu: использовать интеллектуальное «подталкивание» для улучшения качества рабочей жизни

Humu – это стартап, основанный Ласло Боком, бывшим исполнительным директором по персоналу Google. Ласло, которого за последний год я узнал достаточно хорошо, строит «компанию по изменению поведения» следующего поколения, потому что, в конце концов, вовлеченность – именно об этом.



__________________________________________________________


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