Перевод статьи Game Theory in HR: Applications and 3 Case Study Examples

Автор Raja Sengupta 

Теория игр в HR: приложения и 3 примера из практики

Как HR-сообщество, мы одержимы метриками. Мы зависим от метрик, чтобы соответствовать нормативным стандартам управления персоналом, и отслеживаем изменение процесса из месяца в месяц.

Но дают ли показатели, отображаемые на наших информационных панелях, надежный план того, как их улучшить? Или они предоставляют информацию о скрытых основных причинах, когда мы наблюдаем улучшение или ухудшение данных?

Большинство HR-практиков, вероятно, скажут «нет». И все же эта информация имеет решающее значение для внесения улучшений. Именно здесь теория игр может дать бесценную информацию для HR.

Содержание

• Как HR традиционно смягчал ограничения метрик?
• Различия между теорией игр и имитационным моделированием
• Объяснение теории игр
• Стратегические преимущества теории игр для HR
• Тематические исследования по теории игр
• Почему теория игр широко не используется в операционном HR?

«Измерение влияния HR на итоговую производительность — святой Грааль HR-аналитики». – Эдвард Лоулер и Джон Будро, HR-метрики и аналитика: использование и влияние

Кроме того, как HR-аналитики, мы также создали сложные прогностические модели для рабочих процессов R, Python, Alteryx и т.п. Однако в этом заключается фундаментальная проблема.

HRBP и другие руководители HR-функций обнаружили, что влияние проектов прогнозного моделирования на практике ограничено, а иногда даже вводит в заблуждение, потому что не был устранен один фундаментальный недостаток при применении прогнозных моделей к человеческому поведению.

Прогнозное моделирование может, в лучшем случае, надежно предсказать поведение человека на уровне группы/команды, поскольку существует слишком много неотобразимых, неотслеживаемых и ненадежных переменных о людях, чтобы надежно предсказать личное поведение с помощью прогнозного моделирования.

Как сказал Альберт Эйнштейн: «Не все, что можно сосчитать, имеет значение, и не все, что имеет значение, можно сосчитать».\

Какой ответ?

Дело не в отчетности или прогнозной аналитике, а скорее в анализе, который находится где-то между этими двумя понятиями. Скорее, за последние 8 лет нашего консультирования по стратегической HR-аналитике для рынка США, Европы и Канады мы обнаружили два различных подхода к анализу, которые наиболее эффективны для HR.

1. Теория игр
2. Имитационное моделирование

Различия между теорией игр и имитационным моделированием

Теория игр

• Может быть быстро включен практически в любую тактическую/разовую повседневную операционную проблему или проект управления персоналом. Лучше всего подходит там, где четко определена ключевая тактическая цель.
• Требует меньше данных, а в некоторых случаях вообще не требует данных.
• Также может объединять проблемы, связанные с несколькими подпроцессами в рамках одной модели/проекта, и давать интегрированное решение для проекта.

Иммитационное моделирование

• Более интуитивный, предоставляет подробные, детализированные предписывающие сведения для выявления и устранения всех основных причин, связанных с любой проблемой HR-процесса/подпроцесса, и предлагает решения для управления или устранения этой проблемы.
• Очень легко понять бизнесом.
• Требуется много подробных данных о процессе и отличная работа для интуитивно понятной и интерактивной информационной панели.

Оба являются отдельными дисциплинами для бизнес-анализа HR, хотя их можно использовать вместе.

< br />

Объяснение теории игр

Давайте используем простую аналогию для объяснения теории игр:

Если вы подбросите монету, есть 50% шанс, что монета упадет «орлом», поскольку у монеты только 2 стороны. Но каковы шансы, что монета, подброшенная дважды, выпадет «орлом»? Будет ли вероятность 25%, 10% или 1%?

Затем рассмотрите минимальное количество раз, необходимое для одновременного подбрасывания 3 монет, чтобы гарантировать, что каждая монета выпадет «орлом» при одном подбрасывании.

Давайте перевернем сценарий. Сколько монет вам нужно будет подбросить одновременно, чтобы со 100%-ной гарантией, что хотя бы одна из монет выпадет «орлом»? При экстраполяции на HR-процессы теория игр может помочь ответить на сложные сценарии «что, если».

Можно ли применить теорию игр к любой нестандартной дисциплине?

Теория игр уходит своими корнями в теорию вероятностей и статистику и представляет собой обширный предмет, включающий около 20 подмножеств или субдисциплин. Два подмножества, относящиеся к оперативной информации HR, которые мы будем использовать для тематических исследований, включают:

1. Комбинаторные игры
2. байесовская игра

В этой статье мы подробно рассмотрим теорию игр в HR и поделимся 3 повседневными реальными сценариями для операционного HR. Наша цель состоит в том, чтобы к концу этой статьи ваша команда специалистов по HR была готова сделать первые шаги по внедрению теории игр в вашу производственную среду HR.

Стратегические преимущества теории игр для HR

Эти стратегические идеи, как показано в примерах использования ниже, могут повысить эффективность всех проектов примерно на 25% и более, что очень полезно для оперативного управления персоналом.

Кроме того, этот тип информации может помочь HR в перспективном планировании проекта, составлении бюджета, составлении графиков и, что наиболее важно, в возможности расчета и соблюдения надежных сроков.

Эти стратегические идеи могут быть получены относительно быстро (в среднем за 4-5 рабочих дней) и не требуют больших данных или сложных вычислений, которые необходимы для машинного обучения или искусственного интеллекта. Регистрация в программе сертификации кадровой аналитики поможет вам развить навыки и знания, необходимые для работы над проектами, связанными с кадровой аналитикой.

Давайте раскроем 3 тематических исследования, чтобы проиллюстрировать преимущества теории игр для операционного HR.

Теория игр для HR-кейсов

Примечание: Полный расчет формул не может быть дан из-за нехватки места. Тем не менее, предоставлено достаточно руководств для создания собственных случаев и расчета формул. Пожалуйста, проконсультируйтесь с вашей командой по науке о данных для внедрения в производство.

Пример 1: Привлечение талантов

Место: Конференц-зал, отдел кадровой аналитики, 500 MNC.

Ведущий: вице-президент по кадровой аналитике

Клиент: поиск талантов вице-президента

Постановка задачи HR Game:

Из-за сочетания бизнес-факторов привлечение VP Talent имеет следующие критически важные требования:

 Необходимо нанять 5 специалистов по продажам, которые возглавят разные зоны для работы с новой линейкой продуктов, которые должны быть запущены.

2 сотрудника должны быть женщинами

Средний опыт найма должен быть не менее 4 лет на руководящей должности.

Вопрос: Может ли теория игр для HR дать понимание, отвечающее приведенным ниже требованиям?

Решение:

Вице-президент по HR аналитике: карта маршрута для выполнения вышеуказанных требований:

• Вы должны провести собеседование максимум с 14 мужчинами и 8 женщинами-кандидатами, которые соответствуют требованиям для должности директора. С вероятностью 92% вы найдете необходимое количество комплектующих.
• Существует вероятность 87%, что процесс будет завершен за 84 дня, и вероятность 80%, что он будет завершен за 72 дня.
• Рекомендуется не включать кандидатов с опытом работы менее 2 лет на руководящую должность. Если да, то с вероятностью 90% средний опыт работы на руководящей должности составит 4 года или больше.

Как упрощенно сообщить об этом руководству отдела кадров:

Необходимо провести собеседование с 14 кандидатами-мужчинами и 8 кандидатами-женщинами. Для закрытия всех позиций потребуется 85 дней. Предпосылкой для соответствия требованиям должен быть не менее 3-х лет на руководящей должности.

Расчеты (нетехнический обзор)

Данные, использованные для анализа 

Данные о найме высокого уровня на уровне директоров за 4 года (в зависимости от региона)

Используемые игровые/вероятностные методы

• В целом – комбинаторная и байесовская игра.
• Вычисления. Теория игр для HR – это, по сути, внедрение HR математической дисциплины теории вероятностей.
• Для разработки модели теории игр использовались следующие подходы:
• Раздельная биномиальная вероятность мужчин и женщин, умноженная на количество претендентов
• Распределение Пуассона для числа дней, необходимых для завершения интервью
• Нормальное распределение и тестирование аномалий выбранных директоров за последние 3 года

Параметры проекта

• Срок проведения анализа 3 дня
• Инструмент, используемый рабочий процесс макросы Excel или R, или Python
• Развертывание Это может быть развернуто как одноразовый анализ (перед началом проекта) или как панель CEP, работающая постоянно (обновляемая каждый день) в течение жизненного цикла проекта.

Пример 2: Вознаграждения

Клиент: VP Rewards

Постановка задачи:

Из-за сочетания бизнес-факторов к VP Rewards предъявляются следующие требования:

• Бизнес должен гарантировать, что ровно 8 директоров уйдут на пенсию по собственному желанию - т.е. не уволятся раньше 
• Средний срок пребывания в должности всех директоров, принимающих ВР, должен составлять 14 лет.
• Кроме того, VP Rewards хочет знать, как обеспечить средний срок пребывания в должности не менее 16 лет.

Заявление о решении:

VP People Analytics: карта маршрута для выполнения вышеуказанных требований

• Чтобы достичь цели срока работы для 8 директоров Rewards должна будет предоставить возможность занять должнолсть 27 директорам, чтобы обеспечить шанс 99%.
• Не рекомендуется выдавать директорам со стажем работы менее 12 лет. Если это так, то с вероятностью 95% все директора, принимающие участие в программе, будут иметь средний стаж работы не менее 14 лет.
• Правильную последовательность, в которой потенциальные режиссеры должны получать виртуальную реальность, можно проанализировать только с помощью машинного обучения, что выходит за рамки теории игр.

Как упрощённо сообщить об этом руководству отдела кадров

Возможно, потребуется предоставить до 27 режиссеров опции виртуальной реальности. Варианты виртуальной реальности в идеале должны предоставляться сотрудникам, проработавшим в организации не менее 12 лет. Выбор и последовательность, в которой режиссеры должны получать виртуальную реальность, были рассчитаны с помощью модели опорных векторов (машинное обучение).

• Данные, использованные для анализа - высокоуровневые данные VR уровня директора за 6 лет (по регионам)
• Советы по вычислениям — Последовательное гипергеометрическое распределение с помощью циклов
• – Для вычислений были необходимы групповые циклы, поскольку VR выполняется поэтапно.
• Срок проведения анализа 7 дней
• Инструмент, используемый рабочий процесс макросы Excel или R, или Python

Тематическое исследование 3: Обучение и развитие

Клиент 3: вице-президент по обучению и развитию (L&D)

Постановка задачи игры:

Из-за сочетания бизнес-факторов к вице-президенту по L&D предъявляются следующие требования:

1. L&D организует несколько онлайн-сеансов «удаленного обучения лидерству» для руководителей высшего звена (например, директоров и выше) во всех 5 глобальных зонах.
2. L&D должен обеспечить участие не менее 300 лидеров из 5 регионов в одной онлайн-сессии.
3. Вице-президент по вопросам образования и развития хочет знать, сколько сессий необходимо провести, чтобы обеспечить участие 300 или более руководителей. Также следует ли проводить занятия в определенные дни недели и за сколько дней можно пройти всю программу (длительность занятия составит 4 часа).

Решение:

• Провести 12 сеансов. 97% шанс, что примут участие 300 или более лидеров. Проводите занятия в пятницу днем, а затем в среду вечером.
• Вероятность того, что 12 сеансов будут распределены на 4 месяца, составляет 85%.

Параметры проекта

• Данные, использованные для анализа. Фактических данных не было, поскольку в допандемический период не было необходимости в таком упражнении. Был проведен небольшой внутренний эксперимент, и результаты были увеличены для создания данных с программным моделированием.
• Советы по расчетам. На основе ограниченных доступных данных использовалась расширенная модель Пуассона.
• Использовался замкнутый цикл, и несколько вычислений Пуассона выполнялись после каждого смоделированного сеанса без замены, чтобы получить цифру в 12 сеансов.
• Тест ANOVA был проведен на предобеденных и послеобеденных сессиях для всех дней недели, чтобы найти оптимальные временные интервалы.
• Срок проведения анализа 7 дней
• Инструмент, используемый рабочий процесс Alteryx макросы Excel или R, или Python
• Развертывание: его можно развернуть как одноразовый анализ перед началом проекта или как панель управления CEP, которая работает непрерывно на протяжении всего жизненного цикла проекта.

Уникальность задачи:

Репрезентативные исторические данные для моделирования были недоступны, потому что в допандемическую эпоху никогда не существовало таких уникальных бизнес-требований. Большинство предыдущих ограниченных сессий лидеров по благополучию были небольшими и не виртуальными, и лидеры часто летали на места в разных точках мира.

Используемая методология

Этапы расчета следующие:

• Бизнес-кейс трансформируется в теорию игр
• Были взяты исторические данные (данные за 3 или 4 года)
• Наблюдаемый тип распределения (это можно сделать собственными силами с помощью статистического программного обеспечения Minitab или путем взятия запутанной выборки и ее анализа с помощью онлайн-инструмента)
• Затем данные анализируются с помощью идентифицированной CDF (кумулятивной функции плотности), специфичной для каждого распределения (как указано в пункте 3). Например, шаг 4 можно рассчитать следующим образом:
• Статистика вероятности
• Калькулятор биномиального распределения
• Вероятности перемножаются для получения совместной вероятности (при необходимости).
• При необходимости необходимо выполнить сложный затворный цикл (например, в случае использования вознаграждений) через python или R.
• Расчеты вероятности используют линейную алгебру и факториалы. Никому не нужно делать это на практике, так как для этого доступны предварительно настроенные статистические инструменты (Minitab, Online-сайты).

Ключевые технические фрагменты, использованные в примерах

• Некоторые из приведенных выше расчетов, связанных с HR, включают в себя расширение прикладных функций вероятности до их пределов, но все они легко выполнимы статистиком.
• Вышеприведенные примеры представляют лишь 1% возможностей его применения в HR. Теория игр может быть применена практически ко всем мыслимым транзакционным процессам управления персоналом.
• В большинстве случаев нужны только высокоуровневые данные, которые учитывают потребность в правилах конфиденциальности данных, таких как GDPR ЕС и т. д. Это значительное преимущество по сравнению с подходами аналитики и машинного обучения.
• Теоретически эти вычисления могут выполняться даже в макросах Excel; однако лучше использовать такие платформы, как R или программирование на python.

Почему теория игр широко не используется в операционном HR?

Интересно, что мы не наблюдали активного использования HR теории игр в оперативном планировании, по крайней мере, в продуктивной среде. Это упущенная возможность, учитывая огромный потенциал теории игр.

Почему HR не использует теорию игр лучше? За последнее десятилетие или около того повествование о применении науки о данных в HR, похоже, сместилось со статической или динамической отчетности в сторону ИИ, машинного обучения и НЛП или больших данных, упуская из виду потенциал, который теория игр может предложить в этом процессе.

Вероятность и теория игр являются частью старой дисциплины в ее практическом применении, которая существует уже не менее 100 лет.

Французским математикам Паскалю, Ферма и Пуассону (произносится как «poa — sohn») приписывают новаторские исследования в этой области, дополняемые многими другими европейскими математиками. Он используется в самых разных дисциплинах, таких как страховые актуарии, отслеживание преступного поведения, макробалансировка портфеля акций, даже warGame и оценка моделей распространения COVID.

Некоторые подпрограммы машинного обучения, такие как Naive Bayes и KNN, даже используют подмножество вероятности и теории игр в той или иной форме, например, вычисление правдоподобия и вероятностный результат голосования.

Важно отметить, что изолированное использование вероятности и теории игр в Baysen Game открывает совершенно новое измерение тактического применения, которое меняет правила игры для HR и других.

Приведенные выше тематические исследования показывают, как мы можем быстро рассчитать близкие приблизительные ответы для любой тактической бизнес-задачи. В то время как проекты расширенной аналитики работают только со стандартными хорошо задокументированными вариантами использования HR, такими как расчет увольнения, планирование преемственности или прогнозирование невыходов на работу.

Плюсы и минусы теории HR-игр по сравнению с машинным обучением HR и искусственным интеллектом

Теория игр

• Требуются минимальные и только высокоуровневые данные
• Можно вычислить с помощью обычного ПК или смартфона с Excel,
• Формула может быть адаптирована для немедленного решения любой тактической или оперативной проблемы управления персоналом.

HR машинное обучение и искусственный интеллект

• Требуются большие данные и незапутанные данные
• Нужен мощный компьютер или распределенные вычисления
• Жесткий в возможностях применения. 90 % проектов машинного обучения в HR по-прежнему сосредоточены на увольнении, планировании преемственности и оптимизации рабочей силы.

В заключение

Функциональный HR не должен вникать в более мелкие детали вычислений, так как это будет работа статистика. Однако, чтобы дать вам краткий обзор математики, теория игр основана на оценке, известной как cdf (кумулятивная функция плотности) с различными задокументированными типами распределения, такими как нормальное, биномиальное, геометрическое, пуассоновское и т. д. Эти типы распределения аппроксимируют несколько типов. кадровых процессов и подпроцессов.

Для принятия теории игр в HR все факторы подстраиваются так, чтобы вероятность наступления желаемого события (тактические HR-проекты) составляла не менее 85%. В этом суть байсовской игры.