HR-аналитика 18-19 сентября в Москве

Завершился вчера очередной семинар по HR-аналитике в Москве.
Среди участников были представители компаний Ростсельмаш, Волга-Днепр, СДС-Фудс (бренд Ahmad Tea), Мир детства, Мирантис, Виа Феррата и другие
Подумалось, что семинар таки стоило бы назвать "Введение в HR-аналитику". Количество контента и кейсов растет с каждым семинаром, появляется все больше деталей, которые необходимо донести до участников.
Напоминаю, что следующий семинар Аналитика для HR состоится в Москве 15-16 декабря. Регистрация
Поэтому я прихожу к идее: оставляю Аналитику для HR как введение в hr-аналитику, как базовый семинар, который вводит в пространство аналитики, задает координаты общения hr-аналитиков, определяет язык общения.
А помимо этого я запущу следующие семинары

• Как провести корпоративное исследование
• Управление текучестью персонала
• Управление эффективностью

Семинар про корпоративные исследования готов, сейчас я занимаюсь созданием семинара по управлению текучестью персонала - методологически он тоже готов, я хочу набрать больше материала, управление эффективностью - следующий этап, я пока не знаю, как сделать универсальные ходы в этом направлении.

Как измеряется корпоративная культура, что такое культура мышления

Те, кто читают мой блог постоянно, помнят имя Nate Silver
Он помимо прочего является автором блога fivethirtyeight, который я читаю.
Вчера там вышел пост Americans’ Opinions On Spanking Vary By Party, Race, Region And Religion
Суть такая: после ареста футболиста за порку сына в Америке поднялся интерес к теме телесных наказаний.
Далее я показываю несколько диаграмм: каждая диаграмма отражает % согласных с ответом на вопрос
Do you strongly agree, agree, disagree or strongly disagree that it is sometimes necessary to discipline a child with a good, hard spanking?”
Общая

Крещенные и некрещенные

Белые и афроамериканцы

Сторонники политических партий

Собственно, говорить дальше нечего особо, хотел бы добавить, что для меня в таком способе отображения процессов заключается культура мышления: не когда мы слушаем самого громко крикнушего "гуру", а смотрим на цифры и понимаем, что за ними, и такой способ и отражает собственно корпоративную культуру.

Результаты исследования лидерства. Описательные статистики

В течение 2014 года мы проводили исследование лидерства. Опрос назывался «Мой непосредственный руководитель». Мы просили описать качества, действия своего руководителя и на этой основе выявляем наиболее важные факторы, определяющие лидерство с т.з. подчиненного.

Всего в опросе приняло участие 864 респондента (это мало, но лучше, чем в 2012 году, тогда проголосовало 347 респондентов). В данном посте я даю описательные статистики. Сравнить с результатами 2012 года можно в посте Мой непосредственный руководитель. Говоря о корреляционном анализе, я хотел бы услышать ваши гипотезы, готов посчитать эти гипотезы, готов дать вам данные для расчетов.

Результаты

Далее я буду давать вопрос из исследования и показывать статистики.

1. Как Вы оцениваете профессиональные качества своего руководителя в сфере ваших обязанностей (именно ваших)

Таблица 1 Здесь и далее сначала даю общее количество ответов респондентов и % от общего количества ответов

№	вариант	Кол-во	%
1	Он, безусловно, является экспертом в моей профессиональной сфере	161	18,76%
2	Он имеет высокую профессиональную подготовку	354	41,26%
3	Он имеет низкую профессиональную подготовку	179	20,86%
4	Он практически не обладает профессиональными знаниями и навыками в сфере моих профессиональных обязанностей	145	16,90%
5	Не знаю	19	2,21%

Диаграмма №1 (напоминаю, что картинку можно увеличить, кликнув по ней)

Преобразование переменной для получения нормального распределения

Пост скорее для себя.
Одна из основных проблем использования линейной регрессии - ненормальной распределения переменных. Выбросы сильно искажают картину. Для некоторых случаев можно пренебречь ими: ну, например, отбросить члена КПСС с дореволюционным стажем из выборки. К сожалению, так получается не всегда, поэтому мы можем преобразовать переменную для того, чтобы получаемые данные подчинялись закону нормального распределения.
У нас есть в ассортимента два наиболее распространенных снаряда:

• корень квадратный
• логарифмирование

Корень квадратный мне не нравится: он не меняет характер распределения, а только сужает асимметрию до адекватных размеров, и мы закрываем глаза на выбросы, которые как бы уже и не выбросы
логарифмирование меняет характер распределения. Я сегодня сделал логарифмирование в программе R, вот собственно и хочу похвастаться
Исходные данные

После логарифмирования

Чувствуется разница?
И собственно все элементарно
i = log10(Y$переменная)
l = cbind(Y, i)
Для аналитиков: я не претендую на что-то гениальное. ничуть. Это пост баловство, иногда хочется поиграться с диаграммками. 

Будущее ассессмент-центра и компетентностного подхода

Я уже предрекал смерть компетентностного подхода (на своем вебинаре Talent Analitycs / Bigdata HR (как показать влияние HR на бизнес показатели), на выступлении журнала Штата и т.п..
Если свести критику к одной фразе, то она выглядит так: машина прогнозирует лучше эксперта / человека.
Собственно, в этом суть технологий Больших Данных
В этом смысле очень интересную статью приводит Евгения Лурье Ложись, БОМБА, или Статистика Лучше Экспертов. Смысл статьи в следующим (цитирую Евгения):

"Любой самы простецкий математический способ объединения отдельных оценок в итоговую (даже банальное среднее) переигрывает консилиум крутых экспертов"

Супер! Это вполне красиво укладывается в ту метафору, которую я задал на тех же выступлениях: я привел пример из книги Большие данные, где рассказывалось о том, что компания Амазон (наш Озон) отказалась от услуг экспертов литературных рецентзентов, которые писали рекомендации для совместных покупок (мы с этим встречаемся, когда после выбора той или иной книги в интернет магазине нам предлагают купить что либо еще). Прогнозы экспертов людей оказались хуже прогнозов машины: математический анализ оказался лучше с т.з. прогноза того, какие книги будут покупать читатели вместе со своим выбором. Машина приносила больше денег Амазону, чем эксперт.
И это нас ждет в компетентностном подходе и ассессмент центре.
А я хотел немного дальше пойти и сказать, что еще нас ждет в ближайшее время (что именно случится с ассессмент центром):

• Роль поведенческих индикаторов возрастет и станет цениться по смысловой нагрузке значительно выше самой компетенции, поскольку поведенческий индикатор и есть базовый поведенческий фактор / потенциальный предиктор, т.е. его значительно проще использовать в анализе
• Сами индикаторы станут бинарными - есть проявление поведения / нет проявление. Это связано с тем, что бинарная переменная в какой то мере поможет избежать искажений оценки экспертом / человеком. В силу математики даже многоуровневые индикаторы дают больше искажения.
• Компетенции будут выдумываться не экспертами, а создаваться на основе математических моделей / анализа - факторного, кластерного. И здесь нас ждут самое вкусные вкусности и сюрпризы для тех, кто любит погружаться в содержательные вещи, а не просто, как я простой цифровой монстр: предсказывает, а что за этим стоит - не важно.
• Изменится само наполнение понятия "поведенческий" индикатор. Вполне допускаю, что измерения будут происходить машинкой (анализ текста). Хотя это дело будущего, поскольку
• Для применения машинного анализа консалтинговые компании должны стать накопителями информации по ассессмент центрам и собирать данные по участникам ассессмент - центров: от социально - демографических характеристик, до будущего специалистов. И это позволит повысить "Святой грааль HR" - прогностичную валидность.
• Роль эксперта человека сведется к минимуму при интерпретации результатов, эксперт останется, видимо, только как фиксатор поведения оцениваемого. При этом процедуру будут выстраиваться таким образом, чтобы избежать вольностей интерпретации экспертом, ведущих к искажениям
• При таком подходе ассессмент-центр встроится в реальные бизнес процессы компании, и бизнес и HR будут интересоваться не только (и даже скорее не столько) индивидуальными показателями специалистов, а каков % проявления той или иной компетенции, поскольку на основе этого HR и/или бизнес сможет прогнозировать рост продаж или текучесть персонала.
• И самое главное: HR-ы наконец перестанут вести дурацкие разговоры о том, на каком языке надо с бизнесом разговаривать. 

Это очень широкоми мазками, думаю, со временем, получив от вас пинков, напишу более развернутую статью.

HR-аналитика. Вступительный кейс.

Кейс реальный, взят с курсеры из курса Data Analysis and Statistical Inference by Dr. Mine Çetinkaya-Rundel. Кейс достаточно простой, его можно разбирать как вступительный на семинаре по аналитике.
Попробуйте решить его.

Условия

48 банковским менеджерам - мужчинам дали оценить резюме специалиста и попросили решить, достоин ли специалист продвижения по службе.
Резюме для всех менеджеров было идентичным, различался только пол / гендер специалиста.
24 менеджерам давали резюме, где специалист был мужчиной, 24- женщиной.
Результаты оказались следующими:
Из "мужских" резюме достойными продвижения (по решению респондентов) оказались 21 резюме (напомню, из 24).
Из "женских" - 14.

Вопросы

• Визуализируйте данные результаты. В каком виде (таблица, диаграмма) можно представить решение?
• Можно ли по данным результатам судить о наличии гендерной дискриминации?
• Обоснуйте Ваше решение

Роль руководителя в развитии подчиненного и удержание персонала

Докладываю результаты нашего исследования (пройдите по ссылке и поучаствуйте!).
База анализа: 540 пар руководитель - подчиненный (инициатор увольнения - подчиненный).
Среди прочего мы задавали вопрос подчиненным:
Проявлял ли Ваш руководитель заботу о Вашем развитии?

• Да, (сам предлагал курсы повышения квалификации, тренинги  и т.п..) 
• Сам нет, но готов был поддержать меня в моем стремлении развиваться
• Нет 

Задача: посмотреть, как забота о развитии подчиненного влияет на текучесть персонала.
Кого цифры вводят в депрессию, можно сразу к выводам в конце переходить.

Результаты:

Диаграмма обозначает следующее:

Как влияет гендер руководителя на текучесть / удержание персонала

Хочу показать один результат нашего исследования факторов текучести / удержания персонала (коллеги, участвуйте в исследовании!).
Мы посмотрели срок совместной работы 540 пар руководителя с подчиненным, где инициатива расставания принадлежала подчиненному (ну т.е. по русски: подчиненный написал заявление на увольнение)
Представляю диаграмму влияния гендера руководителя на текучесть персонала

На этой диаграмме (прошу прощения за качество, сделал по быстрому в SPSS без наведения красоты)
По оси X - срок работы с руководителем:

• 1 - означает, что руководитель с подчиненным проработали менее полугода;
• 2 - менее года;
• 3 - не доработали до 1, 5 лет;
• 4 - до 2 лет вместе;
• 5 - до 2,5;
• 6 - около трех;
• 7 - проработали вместе более трех лет.

Ось Y показывает % подчиненных остававшихся работать с руководителем после каждого отрезка времени, т.е.
0 ознкачает 100 %,

• на рубеже 1 (полгода) с мужчиной руководителем продолжало работать примерно 91 % подчиненных (зеленая линия), а с руководителем женщиной - примерно 88 % (голубая линия).
• на рубеже 2 (год работы)  с мужчиной руководителем продолжало работать примерно 74 % подчиненных, а с руководителем женщиной - примерно 62 %;
• на рубеже 2 (год работы) с мужчиной руководителем продолжало работать примерно 62 % подчиненных, а с руководителем женщиной - примерно 48 %.
• И т.п...

Т.е. подчиненные охотнее расстаются с руководителями женщинами. Для эстетов скажу, что непараметрические криетрии Лог-ранг и Бреслоу показывают значимость различий.

Или: гендер руководителя влияет на текучесть персонала, и принадлежность руководителя к женскому полу является более значимым фактором риска с т.з. текучести персонала

И если мои критики начнут опять приводить аргумент про репрезентативность выборки, я скажу: да, выборка непрезентативна и, скорее, представляет срез среди HR по России. И нужно смотреть отдельно данные по отраслям и позициям. И когда мы наберем в исследовании достаточное количество наблюдений, мы сможем дать картину по отраслям, позициям и другим срезам. Участвуйте в опросе! Проводите опрос у себя в компании!

Буккроссинг как бизнес модель управления талантами

Во время отпуска в своем сродном городе увидел вот такое сооружение: будочка с книгами внутри. Проходил несколько раз мимо и часто видел там людей. Книги можно брать и оставлять свои.
Это то, что называется термином - буккроссинг.
Я уже писал о буккроссинге:

• Буккроссинг - инструмент организации неформального обучения
• Какие книги отражают корпоративную культуру вашей компании?

В практике HR я, к сожалению, немного слышал о практике буккроссинга:

• несколько HR рассказывали, что у них принято меняться книгами, ведут свои hr корпоративные библиотеки;
• на одной hr выставке услышали мою идею и организовали пространство обмена книгами.

Вместе с тем, я думаю, что буккроссинг - очень интересный, важный инструмент формирования пространства обучения, формирования культуры обучения в компании. Помимо пользы от собственно чтения книг хочу подкинуть вам еще идею буккроссинга как бизнес модели:
Буккроссинг может использоваться как форма соорганизации талантов (напомню, что я помимо темы аналитики развивал и развиваю тему управления талантами в стиле agile). Если кратко, то базовая идея такой организации - в создании связь по горизонтали, и в этих связях таланты порождают новые идеи, мысли. Талант HR-а в этом смысле заключается в умении найти точки пересечения талантов и организовать встречу талантов в этих точках.
В компании Google (если верить Салливану) в корпоративном кафе даже очередь специально создают, чтобы таланты стояли и от нечего делать знакомились и продуцировали совместное. В этом смысле буккроссинг как раз потрясающе простой и интересный способ места встречи талантов: сами книги могут способствовать генерации бизнес идей.
Добавьте к этому корпоративный портал: взял книгу, напиши обязательный отзыв на портале. Для новичков такая публикация может служить карьерным лифтингом в компании (см. Талант: опыт реализации проекта).
HR отдел при этом несет минимальные трудозатраты:

• вести учет книг, 
• выдачу, 
• вести список книг на портале.... 
• сбор отзывов на портале, 
• фасилитация обсуждений, 
• что еще? добавьте

И если у вас есть опыт работы с книгами - поделитесь!

Материалы вебинара Talent Analitycs / Bigdata HR (как показать влияние HR на бизнес показатели)

Провел вчера вебинар по теме Talent Analitycs / Bigdata HR (как показать влияние HR на бизнес показатели). В основе вебинара - выступление на конференции журнала Штат 1-2 июля 2014.
Выкладываю запись вебинара и презентацию

Talent Analitycs / Bigdata HR (как показать влияние HR на бизнес показатели) from Эдуард Бабушкин

Что пользовательский браузер говорит о кандидате для аналитики рекрутера

Сначала отвечу на предыдущий пост Как социальные сети можно использовать в аналитике для рекрутеров
Статистические критерии говорят о значимости различий в стаже работников, пользующихся разными социальными сетями. Однако, если в уравнение добавить переменную год рождения, то различия пропадают. Т.е. мы можем констатировать, что влияние социальных сетей на текучесть происходит опосредованно - через возраст. И нам этот факт приносит мало радости: мы не можем на основе любимой сети кандидата предсказывать его стаж.
Про браузер
Тема давняя, сама гипотеза берется из изысканий Evolv. Ключевые факторы удержания и текучести персонала
Цитата

Использование Chrome или Firefox, пользование 3-4 социальными сетями является мощным предиктором для следующих показателей, они:

• чаще задерживаются на работе;
• имеют меньше пропусков работы;
• строже придерживаются регламентов работы компании;
• более готовы к технологическим инновациям.

Я уже провел исследование по браузерам с т.з. предсказания, чаще ли задерживаются на работе, см. Можно ли предсказать готовность работать сверхурочно на основе браузера, которым пользуется кандидат
Сегодня покажу, как связан стаж работы и пользовательский браузер. Оговорюсь только, что данных у нас мало, поэтому выдаю то, что есть: не буду рассказывать всю цепочку анализа, скажу только, что я всех пользователей поделил на две категории:

1. пользователей Google Chrome
2. пользователей всех остальных браузеров.

Для анализа использовал непараметрическую регрессионную модель, показываю коэффициенты регрессии сразу с переменной "год рождения"

Т.е. если объяснять на пальцах, то значимость коэффициента переменной "браузер" вместе с переменной "год рождения" говорит, что браузер имеет собственные показатели связи со стажем (в отличие от примера с социальными сетями, где включение в уравнение сразу года рождения и социальной сети нивелирует значимость переменной "социальная сеть").
Данный показатель говорит, что у пользователей браузера Google Chrome риск уволиться из компании на 20 % выше, чем у пользователей других браузеров.
И диаграмма дожития

Как социальные сети можно использовать в аналитике для рекрутеров

Цели поста: хочу показать еще один инструмент анализа, задать задачку.
На диаграмме ниже - еще один результат нашего исследования Ключевые факторы удержания и текучести персонала (по ссылке - сам опрос. И если вы не участвовали, то без всякой надежды в голосе прошу поучаствовать).
На диаграмме ниже представлена функция дожития

Расшифровка диаграммы:
по оси Х - стаж сотрудников в месяцах,
по оси Y - % сотрудников доработавших до того или иного порога. Линии обозначают предпочтения сотрудников по тем или иным социальным сетям (вопрос звучал так: В какой социальной сети вы проявляете максимальную активность).
Т.е., например, до рубежа в 50 месяцев работы в компании дорабатывают порядка 20 % любителей сети в Контакте, в то время как любителей Одноклассников (od - Одноклассники, 0 обозначает ответ, при котором респондент ответил, что ни в какой сети не проявляет активность) на этом пороге еще 50 % удерживается.
Вопрос простой: чего не хватает для анализа этой диаграммы?
Ну или по другому: вместе с какими другими данными нужно смотреть на эти данные?

Создать аналитику для рекрутеров

Ко мне часто обращаются с запросом: создайте аналитику для рекрутеров.
Мне это до некоторого времени казалось непонятным: основания для создания такой рекрутерской аналитики совершенно очевидны, чего здесь долго думать (мне это казалось еще во времена написания поста Фантазии руководителя отдела подбора персонала)? Оказывается, все не так просто. Рекрутеры часто не понимают, как создается аналитика для себя любимых
В данном посте я кратко изложу эти основания.
Аналитика для рекрутеров представляет из себя глобально файл формата excel, в котором в строках - работники компании и кандидаты (в т.ч. не трудоустроенные в компании), а в колонках - несколько обязательных колонок и еще больше поле для фантазии.
К обязательным колонкам относятся:

• дата трудоустройства
• дата увольнения
• показатели эффективности работника

Остальное - гипотезы о влиянии на эти показатели. Задачи создания аналитики для рекрутеров:: подбирать эффективных и тех, кто будет максимально лоялен компании (под лояльностью я понимаю склонность работать максимально долго). Этими двумя параметрами и нужно управлять. Остальное - от лукавого.
Управление этими параметрами (или создание аналитики для рекрутеров) сводится к сбору информации, анализу и использованию при подборе.
Технология проста:

• понимаете, какую информацию собираете 
• понимаете, как ее оцифровать
• понимаете, как будете собирать (в файлах excel, через портал - веб формы и т.п.)
• далее анализ, интерпретации, выводы, красивые графики для руководства.

Все. Не понимаете сами - приглашаете консультанта, он вам создаст аналитику для рекрутеров. Но лучше, если вы сами придете к пониманию