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)?
- Какие у вас есть инсайты?
- Как можно интерпретировать различия между группами (кластерный анализ)?
- Какие у вас идеи для data driven решений по оптимизации процесса?
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"
ОтветитьУдалитьесли 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
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.
ОтветитьУдалитьИдея: 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
таблицы были получены в результате
ОтветитьУдалить# 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)
}