Визуализация бизнес результатов (кейс по hr-аналитике)

Предлагаю простой кейс по визуализации бизнес результатов на примере фильма "Человек, который изменил все".
Перед вами две диаграммы. Обе диаграммы имеют одинаковые одинаковые данные:

• точки - бейсбольные команды
• по оси X - стоимость игроков команды
• по оси Y - среднее количество выигранных игр в сезоне

Разница в том, что на первой диаграмме показаны результаты за 1998 - 2001 годы, на второй - за 2002 - 2012

Зеленая точка на диаграмма - команда Билли Бина (Бред Питт в фильме) Окленд Атлетикс, синяя точка - команда "Бостон Ред Сокс", команда, в которую пригласили Билли Бина в конце фильма.

Вопросы:

• как вы охарактеризуете положение команды Билли Бина в 1998 - 2001 годах?
• как вы охарактеризуете состояние рынка в 1998 - 2001 годах?
• что изменилось в 2002 - 2012?

Отвечать можно в свободной форме. Хорошо, если вы ответите не односложно, а с пояснением своего ответа по диаграмме.

Инструмент отсева неэффективных работников на этапе подбора: дерево решения

Решил показать новый для нашего рынка инструмент принятия решения на основе данных кейса Кейс: отсев неэффективных работников на этапе подбора.

Напомню, мы протестировали кандидатов на входе, они в дальнейшем показали определенные результаты, что позволило разделить их на 1 - неэффективных (или тех, кого не стоило бы брать в компанию) и 2) всех остальных или тех, кого можно принимать.

В предыдущем посте я показал возможности логистической регрессии. Мы выявили две шкалы - Sp и Do, которые позволяют отличать неэффективных от всех остальных.

Главный недостаток логистической регрессии - интуитивно непонятные результаты, диаграмму ROC не предъявишь совету директоров. 

Требуется более наглядный инструмент. Таким инструментом является технология Trees - или дерево принятия решения.

Итак, 

Напоминаю, что мы выявили две шкалы, которые значимо различают неэффективных и остальных:

• Sp
• Do

(про то, как выявили, что такое значимость различий, читай 

• Кейс: отсев неэффективных работников на этапе подбора
• Прогноз эффективности продавцов на основе теста CPI)

Визуализируем взаимосвязь тестов и показателей эффективности. 

На этой диаграмме

• шкала X - показатели кандидатов по шкале Sp теста CPI, 
• шкала Y - данные шкалы Do теста CPI; 
• зеленые пирамидки - неэффективные работники, 
• красные точки - работники, качество работы, которое устраивает работодателя.

График сам подсказывает решение, верно? Прям так и просится провести границу по линии 50 Sp. 

Посмотрим, что нам скажет инструмент Trees

Обращаю ваше внимание, что это не человек рисует данное дерево, а машинка (программа R или она же Rstudio). Для спецов в области статистики сообщаю, что я здесь не рассматриваю проблемы оверфитинга и т.п., моя задача - показать инструмент. Инструмент нам предлагает следующую инструкцию принятия решения по кандидату:

1. если показатели кандидата по шкале Sp больше или равно 50, значит берем на работу
2. если меньше 50, смотрим шкалу Do.
3. если Do больше или равно 54, берем кандидата, если меньше, отклоняем кандидатуру.

Красиво?

Управление эффективностью.Распределение зависимой переменной (кейс по hr-аналитике)

Джош Берзин недавно выложил презентацию

The Datafication of HR: People Science is Here from Josh Bersin

Датификация в HR. Очень полезная презентация. Я из одного слайда презентации вебинара Джоша сделал кейс по hr-аналитике

На слайде с вебинара Джоша Берзина показано два распределения:

1. нормальное, то как в представлении Берзина HR-ы представляют себе распределение показателей эффективности персонала 
2. то, как на самом деле по Берзину показатель эффективности распределен в компании. Правый хвост на графике - таланты. По Берзину распределение носит закон степенной функции.

По поводу нормального распределения хотел бы прокомментировать. Внедрял в свое время автоматизацию управления эффективностью на базе системы Webtutor в компании, где результирующая процесса управления эффективностью должна была соответствовать картинке слева.
Знакомо вам?
Это некое обобщенное представление о HiPo - эффективных работниках с высоким потенциалом. По одной оси у нас измеряется выполнение / достижение целей / KPI, а по другой - компетенции работников.
На пересечении получаем несколько квадрантов, которые соответствуют категории работника: ог "лузера" до "звезды".
Наверняка, вы встречали нечто подобное в своей практике.
И главное в этой картинке - распределение категорий близко или равно нормальному распределению.
Мой вопрос HR-директору, почему распределение именно такое, встретил взгляд а - ля: "Я думала, ты профессионал, а оно вон оно что....".
Поэтому на сегодня я не встречал ни одного исследования, подтверждающего нормальность распределения HiPo и/или эффективности.
Если у вас есть ссылки на обоснование этой схемы, прошу мне прислать (контакты ниже). Только пожалуйста, присылайте ссылки именно на исследования, а не на мнения экспертов по типу: а вот Х сказал, что эта схема ля ля ля...

Собственно задание

Вопросы на засыпку:

1. Согласны ли вы с Берзиным в том, что распределение управляемой переменной не носит характер нормального распределения, а характер степенной функции. ("Power Law" - степенная функция). И если не не согласны, то какое распределение должен носить показатель эффективности персонала. Обоснуйте
2. Самое главное. Чтобы не обсуждать голословно, сделайте домашнее задание (в обоснование своего мнения о распределении): выгрузите из CRM показатели эффективности и постройте график распределения. Или пришлите мне файл с показателями, в котором будет одна колонка - показатель эффективности (в строках будут работники, ФИО. должности указывать не надо, а в ячейках будут их показатели эффективности; период выбирайте любой). Напишите, как считается этот показатель (продажи это, % выполнения плана, сложно составной показатель KPI и т.п..).
3. И совсем уж философский вопрос: зачем нам нужно знать распределение управляемой переменной. 

Для участников семинара Аналитика для HR задание обязательно к выполнению. Мой е майл edvb()yandex.ru

Задание

Если у вас нет своих данных, перейдите в пост Кейс "Связь оценки по компетенциям и результатов деятельности", скопируйте данные в excel или любую другую программу анализа данных и постройте распределение переменной KPI

Кейс: отсев неэффективных работников на этапе подбора

Обращаюсь к уже имеющимся данным Прогноз эффективности на основе теста CPI
При приеме на работу кандидаты в продажники проходили тестирование по тесту CPI, в дальнейшем замеряли их эффективность. Оценка эффективности состояла из оценки экспертов и состояла из трехбальной шкалы:

1. высокоэффективные, 
2. средне эффективные, 
3. низкоэффективные 

Принимаю все замечания, но часто у нас нет количественных мер оценки деятельности, поэтому мы можем воспользоваться оценкой экспертов (разработчики моделей компетенций: разве не тот же метод вы используете?)

Итак

наша задача - отсеять неэффективных. Для этого мы делим группу на 1 - неэффективные ("3" группа) и 0 - остальные ("1" и "2" группа)
Я опущу некоторые шаги (подробнее Прогноз эффективности на основе теста CPI), сразу скажу, что значимо делит неэффективных и остальных шкалы Sp и Do.

• Социальное присутствие (Sp)
• Доминирование (Do)

Диаграмма распределения неэффективных и остальных работников по шкале Sp

Зеленая линия показывает распределение показателей шкалы Do неэффективных, красным - остальных. Серая область - неопределенность прогноза.
Т.е. если кандидат покажет при приеме на работу результат 45 баллов по шкале Sp, это не гарантирует нам, что он обязательно будет неэффективным. Сохраняется вероятность, что он может быть нормальным работником. Те, кто показывают результаты между 50 и 55 баллами, находятся в еще бОльшей зоне неопределенности.

Кто виноват. Задачка для аналитиков

А вот петля каузальности. Кто сможет задачку решить:
посмотрите на график
на нем показан распределение стажа (ось X) в зависимости от

• руководитель подчеркивает достижения подчиненного, одобряет его действия
• не отмечает действий подчиненного

Заметно, что вторая группа заметно уступает первой в продолжительности жизни в компании.
HR-директор делает доклад, где обращает внимание руководителей на необходимость обращать внимание на действия подчиненных, благодарить их за достижения и т.п..
Линейные руководители в ответ заявляют, что они и рады бы, да не за что... и вообще, рекрутеры виноваты. что таких подбирают.
HR попадает в ловушку, которую он сам себе выстроил: хотел подчеркнуть важность обратной связи, но сам огребся...
И главное: по полученным данным непонятно: то ли работники мало проработали, что сами плохие и их "слили", то ли мало проработали, что руководитель не подчеркивал их заслуг.
А вот теперь вопрос: как в данной ситуации разделить "мух и котлеты"? Что бы вы посоветовали HR директору: как показать бизнесу, в каком % случаев виноват рекрутер, который подбирает не тех, а в каком случае виноват руководитель, которые не подчеркивает заслуг подчиненного?
Только прошу не мнение высказывать а предложения по выстраиванию процедуры отделения "мух от котлет". А в процедуру обязательно входит предложение по тому, какие данные и как собирать, какие гипотезы выстраивать.
И кейс этот реальный

Как влияют переработки на текучесть персонала (кейс по hr-аналитике)

Предлагаю включить рассуждалку и соображалку и подумать, какие действия по анализу информации можно предпринять.
Итак
Есть файл по персоналу розничной компании (данные настоящие).
В файле такие данные:

1. Подразделение
2. ФИО
3. Дата приема
4. Дата увольнения (если поле пустое - человек работает по сей день)
5. Город
6. Январь - октябрь - показатели переработок в 2014 году

Вопрос: какие действия вы бы предприняли, чтобы ответить на вопрос, оказывают ли переработки влияние на текучесть персонала.
Буквально ответ должен выглядеть примерно так:

1. посчитаю среднее значение по ....
2. посчитаю сумму по ....
3. вычислю ....
4. посмотрю корреляцию между....
5. и т.п..

Жду ваших ответов

подраз деление	Фио	Дата приема	Дата увольнения	Город	январь	февраль	март	апрель	май	июнь	июль	август	сентябрь	октябрь
Склад		18.03.2014	28.05.2014		0,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00
Склад		18.02.2014			0,00	1,00	0,00	1,00	2,73	2,00	2,00	0,00	0,00	1,00
Склад		10.12.2013			0,00	0,00	1,00	0,00	0,73	1,00	2,00	0,00	0,00	0,00
Склад		18.02.2014	11.06.2014		0,00	1,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00
Склад		13.05.2014	27.05.2014		0,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00
Магазин		02.09.2013			0,00	1,00	0,36	0,00	1,00	0,00	3,00	1,00	1,00	0,00
Магазин		10.09.2013			0,00	1,00	0,00	0,00	0,00	0,00	2,00	3,00	3,00	3,00
Магазин		04.03.2014	10.07.2014		0,00	0,00	1,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00
Магазин		12.08.2014	07.11.2014		0,00	0,00	0,00	0,00	0,00	0,00	0,00	1,00	0,00	0,00
Магазин		02.09.2013	07.02.2014		0,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00	0,00

Пишите и тренируйте навыки анализа
Еще кейсы:

• Оценка эффективности через обратную связь клиентов
• Кейс по HR-аналитике без цифр (на понимание)
• Управление текучестью персонала на основе данных
• Кейс "Связь оценки по компетенциям и результатов деятельности"
• HR-аналитика. Вступительный кейс