.

Сделать репост в соц сети!

пятница, 4 июня 2021 г.

Как работает интервью по компетенциям

 Добрейшего!

Кто хочет больше узнать про меня и нашу команду см. "Мы продолжаем врезаться в стены, но пересели на велосипеды и самокаты"

Я уверен, что будет любопытно познакомиться с нашим опытом анализа факторов ухода талантов 100лет проблеме текучести

Этот пост родился как продолжение обеденного диалога с коллегой. 

Однажды, в жаркий уральский день, во время обеда мы обсуждали мнение нашего бывшего коллеги, которому посчастливилось иметь огромный опыт в разных компаниях и отраслях. Мнение заключалось в следующем утверждении: «Я наблюдаю выдающихся людей в тех компаниях, которые имеют сильные hr процессы с опорой на интервью по компетенциям».

Мы провели 30 минут в увлекательных эвристических размышлениях о природе этого эффекта. Сергей, спасибо!

На наше счастье, героическая HR служба СВЭЛ накопила за год

Название отчета:

А.Подбор "Проведение интервью с кандидатом"

Отчет сгенерирован:

Корольков, Дмитрий

Дата/время отчета:

26.05.2021 14:47

Количество записей:

12793

Благодаря курсу Эдуарда Бабушкина мы оказались способны написать скрипт, который выполняет анализ:

Цель анализа: выявить предвзятость в оценках кандидатов между должностями, разными типами собеседований, бланками инструкций и решениями.

Выводы: статистически значимые различия в оценках найдены между оценками по должностям, решениям и разными бланками для специалистов.

Также в отчете представлены таблицы количества и процентного соотношения оценок для всех должностей и таблицы разницы в оценках HR относительно оценок рекрутеров и заказчиков с проверкой статистической значимости преобладания направления сдвигов этих оценок.

На подготовленных данных для талантливых и увлеченных своим делом Специалистов по анализу данных не составило труда ответить на вопросы:

1.      Как выглядит зависимость между оценками Рекрутера и оценками HR (интервью по компетенциям)?

2.      Как выглядит зависимость между оценками HR и оценками Заказчика (интервью по компетенциям)?

                                 
















На графиках по оси X оценки HR, по оси Y оценки Рекрутера и Заказчика соответственно.
Каждая точка на графиках это кандидат имеющий 2 оценки соответственно.
Точки получили цветовую индексацию в результате кластеризации.  

Мы уверены, что результаты анализа могут быть широко интерпретируемы и приглашаем HR сообщество к совместным инсайтам, выводам и плану дальнейшего исследвоания.

Заключение: мы имеем процеес в результате которого заказчик имеет самую широкую палитру оценок для лучшего выбора талантов под задачи бизнеса.  На наш взгляд, подобный механизм повышения чувствительности заказчика объясняет качество персонала в результате структурирванных интревью по компетенциям.

Главный вызов: в существующий процесс требует системных решений, правил и регламентов для соблюдения лучшего балланса между Качеством, Стоимостью и Сроками подбора.  

Вопросы к обсуждению среди читателей блога:

  1. Какие у вас есть инсайты?
  2. Как можно интерпретировать различия между группами (кластерный анализ)?
  3. Какие у вас идеи для data driven решений по оптимизации процесса?


П.С. Приглашаем организации и HR специалистов к дальнейшему исследованию проблемы:

Появились вопросы? Пиши на korolkov_dy@svel.ru

3 комментария:

  1. Предлагаю еще такую идею: а может быть кластеризовать рекрутеров и заказчиков? по опыту, уровню позиции, стажу и т.п.... И потом посмотреть насколько оценки по кластерам "бьются"
    если рекрутеров мало, то их можно не кластеризовать.
    Т.е. например, по оси Y будут рекрутеры (или HR) - это уже будет не точечная диаграмма, а типа Heamap
    По оси X - кластеры заказчиков.
    А на пересечении - среднее разницы оценок. Можно посчитать значимость различий

    ОтветитьУдалить
  2. Спасибо! не сразу поймал идею. интересный взгляд. обязательно реализуем со следующей версией. Готов поделиться, если это интересно увидеть. рекрутеров и hr действительно немного и не любое сочетание имеет данные по оценкам. Сегодня реализовали (для периодического анализа) только сравнение индивидуальных оценок с оценками для группы.
    Идея: если hr есть в процессе оценки то как он влияет. есть ли обстоятельства для провокации смещений оценок в ту или другую сторону

    Таблица статистически значимых направлений сдвигов для пары HR - рекрутер
    HR Результат p_value
    1 HR1 Норма 8.5e-02
    2 HR2 Занижение 2.5e-12
    3 HR3 Норма 9.0e-01
    5 HR4 Занижение 2.0e-04
    6 HR5 Норма 8.0e-01
    7 HR6 Занижение 3.1e-19
    8 HR7 Норма 5.7e-02
    9 HR8 Норма 1.8e-01
    10 HR9 Норма 1.0e+00

    Таблица статистически значимых направлений сдвигов для пары HR - заказчик
    HR Результат p_value
    1 HR1 Норма 8.1e-02
    2 HR2 Норма 1.1e-01
    3 HR3 Норма 2.8e-01
    4 HR4 Норма 7.1e-02
    5 HR5 Занижение 3.9e-02
    6 HR6 Занижение 3.7e-05
    7 HR7 Завышение 1.2e-07
    8 HR8 Норма 5.0e-01
    9 HR9 Норма 1.0e+00
    10 HR10 Завышение 3.1e-02

    ОтветитьУдалить
  3. таблицы были получены в результате
    # Проверка гипотезы о том, являются ли направления сдвигов в оценках HR относительно ректуретов и заказчиков случайными или нет.

    df1$Разница = df1$HR_баллы - df1$Рекрутер_баллы
    df2$Разница = df2$HR_баллы - df2$Заказчик_баллы
    df1 = df1[,-c(1:2)]
    df2 = df2[,-c(1:2)]

    # Выбор уникального списка HR для случая ректуреров и заказчиков отдельно, так как не у всех HR могут быть парные оценками и с рекрутерами, и с заказчиками
    I = length(sort(unique(df1$HR)))
    J = length(sort(unique(df2$HR)))

    # Создание датафрейма, который дальше будет заполняться результатами проверки гипотезы и p-value
    HR_знаки = as.data.frame(sort(unique(df1$HR)))

    # По методике расчет критерия нулевые разницы в оценках из расчета удаляются, и типичными сдвигами (сдвиг в оценке HR относительно рекрутера) считаются те, которых больше. Либо положительных, либо отрицательных. В строках 123 и 124 выбирается вектор типичных сдвигов, n - количество наблюдений за вычетом нулевых сдвигов. В строках 126-133 расчет на случай положительных типичных сдвигов; в строках 135-144 на случай отрицательных.
    for (i in 1:I) {

    df = subset(df1, HR == unique(df1$HR)[i])

    x = df[df$Разница > 0, 3]
    y = df[df$Разница < 0, 3]
    n = length(x) + length(y)
    if (length(x) > length(y)) {
    a = binom.test(length(x), n)
    if (a[["p.value"]] > 0.05) {
    HR_знаки[i,2] = "Норма"
    }
    else HR_знаки[i,2] = "Завышение"

    }

    else {
    a = binom.test(length(y), n)
    if (a[["p.value"]] > 0.05) {
    HR_знаки[i,2] = "Норма"
    }
    else HR_знаки[i,2] = "Занижение"

    }
    HR_знаки[i,3] = signif(a[["p.value"]],2)
    }

    ОтветитьУдалить