Бонус для респондентов опроса о факторах текучести персонала

Коллеги, уже официально сообщаю приятную новость для тех, кто готов принять участие в качестве респондента в опросе Ключевые факторы удержания и текучести персонала:
Лаборатория "Гуманитарные технологии" предоставляет возможность пройти батарею тестов тем, кто принял участие в исследовании.
Если вы хотите пройти батарею тестов, то для этого вам необходимо:
корректно пройти опрос по факторам текучести персонала;
указать (вопрос 52) свой е майл;
поставить флажок (вопрос № 53), выразив тем согласие пройти тест.
После прохождения опроса в течение 1-2 недель (по мере того, как набирается группа респондентов) вам на почту придет приглашение пройти тест. И поторопитесь: это предложение будет действовать не все время
Все.
Показываю кусочек результатов.

Перейти к исследованию Ключевые факторы удержания и текучести персонала

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

Причина увольнения с последнего места работы как предиктор текучести

Данные мне предоставлены моим клиентом, поэтому я не дам полной информации. Но вы сами можете организовать такой процесс у себя и получить собственную картину.
При приеме на работу часто задают вопрос: какова причина увольнения с прошлого места работы.
Ниже результат анализа (я даю только описательные статистики, без результатов регрессии, результаты регрессии впечатляющие)

$`1`

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's

    2.0    46.0    75.0   156.8    89.5   704.0       3

$`3`

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's

   9.00   22.00   37.00   42.67   59.00   76.00       2

$`5`

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's

  23.00   39.00   44.00   50.36   63.50   79.00       4

$`14`

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

   1.00   30.00   50.00   62.72   72.75  327.00 

1, 3, 5, 14 - это причины увольнения с предыдущего места работы. Не называю их, поскольку это является конфиденциальной информацией, но вы можете у себя аналогичную статистку собрать

а цифры - показатели стажа тех, кто указал ту или иную причину. Стаж - не удивляйтесь - в днях.

В любом случае, не транслируйте этот вывод без проверки на своих данных, собирайте информацию, анализируйте и принимайте решение

Каналы привлечения кандидатов. Динамика 2006-2014

Еще один из результатов нашего опроса Ключевые факторы текучести и удержания персонала 2014 (результаты исследования). Эти данные - некий артефакт исследований, не было прямой цели собирать по ним информацию, но результат интересный, и я с удовольствием им делюсь.
Заранее оговорюсь, что полученные данные нельзя транслировать на весь рынок, поскольку разные группы специалистов представлены неравномерно, интерес поэтому представляет именно динамика.
Кроме того, вызывают много вопросов сами каналы привлечения (источники трафика), поэтому в новых опросах (в которых вы, конечно же, примите участие), я дал новые каналы
Исследование времени поиска работы
Ключевые факторы удержания и текучести персонала

Результаты

Таблица абсолютных значений ответов на вопрос "Как Вы узнали о вакансии" в динамике по годам

Как предсказать увольнение работника по результатам электронного курса

.Представляете идею: человек у нас проходит электронный он лайн курс, что то делает, а мы по результатам курса говорим: это уволится, а этот... попозже уволится...
Ну вот мы приближаемся к этой фантастике.
Аналитика в дистанционном обучении (кейс для работы)
Напомню: в кейсе есть данные оценок удовлетворенности электронным курсом, и есть стаж работы в компании работника.
Сразу результаты
Непараметрическая регрессия показывает значимые различия между "отличниками" (кто ставил "5" за курс) и "хорошистами", "отличниками" и "троечниками" (для спецов сообщаю, что использовал непараметрическую регрессию, учитывая также стаж тех, кто не уволился).
Грустно, что R^2 = 0, 001, но он значим
Посмотрите на статистики
$`3`
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
    6.0   114.8   258.0   425.8   561.0  3570.0

$`4`
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
    2.0   101.0   241.0   402.7   525.0  4513.0

$`5`
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
    1.0   101.0   224.0   368.7   496.0  4743.0

Шибздануться, правда? Те, кто оценивают курс на "4" или "3" работают в компании значимо дольше.
Но обращаю Ваше внимание: данные "грязные", много bullshit, непонятен инициатор увольнения, поэтому еще много вопросов к выводам.

Как зависит удовлетворенность электронным курсом от времени его прохождения

Порешаем кейс Аналитика в дистанционном обучении.
Напомню, основная идея: посмотреть как время прохождения курса влияет на оценку удовлетворенности этим курсом.

Диаграмма. Распределение времени прохождения курсов

Данные по оценкам такие
     1     2       3      4        5
   63    90   769  5280 22585
Ценность прогноза, безусловно, снижается тем, что у "пятерки" дают три четверти оценок. Тем не менее, мы различия нашли
Данные регрессии следующие (время прохождения курса мы логарифмируем)
lm(formula = log(r1$timec, base = exp(1)) ~ k, data = r1)

Residuals:
    Min      1Q  Median      3Q     Max
-1.2396 -0.5590 -0.0482  0.4218  3.3122

Coefficients:
             Estimate Std. Error t value Pr(>|t|)  
(Intercept) 3.9601884  0.0046702 847.976  < 2e-16 ***
k1          0.2416935  0.0866167   2.790  0.00527 **
k2          0.2267594  0.0730114   3.106  0.00190 **
k3          0.1126549  0.0255257   4.413 1.02e-05 ***
k4          0.0004889  0.0107263   0.046  0.96364  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.7027 on 28870 degrees of freedom
  (19 observations deleted due to missingness)
Multiple R-squared:  0.001263, Adjusted R-squared:  0.001124
F-statistic: 9.125 on 4 and 28870 DF,  p-value: 2.305e-07
Потрясающий R^2?)
И распределение времени по каждому уровню оценки
Как читать диаграмму boxplot - для понимания результатов

Vlookup (ВПР) в Rstudio

Во вчерашнем посте Аналитика в дистанционном обучении (кейс для работы) основная идея аналитики - посмотреть, какие факторы влияют на оценку курса обучаемым.
Однако в самой оценке курса могут быть проблемы: кто-то подходит серьезно, ставя оценки взвешенно, кто-то "лепит" подряд "пятерки", кто-то всегда "троечки".
В нашем кейсе (прикрепленные данные) 36 000 строк - записей о прохождении курсов и 4 900 юзеров или работников компании, т.е. на каждого работника примерно 7 курсов.
на самом деле статистика такая
  Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
  1.000   2.000   5.000   6.838  10.000  39.000
a = table(r$ID)
b = as.data.frame(a)
summary(b$Freq)

Аналитика в дистанционном обучении (кейс для работы)

В ответ на мою просьбу (см. пост Оценка удовлетворенностью электронным курсом (предложение)) мне прислали файл с данными, а я их вам передаю.
Данные реальные! Я только закодировал названия курсов и должностей, чтобы нельзя было по ним догадаться, что это за компания. Сам я пока ничего не считал.

Итак, кейс

У вас есть файл excel в 36 066 строк со следующими переменными

1. ID пользователя - уникальный код работника
2. Дата создания - дата прохождения курса
3. курс - уникальный код курса
4. позиция - занимаемая должность
5. Дата рождения - того, кто проходил курс
6. Дата приёма - на работу учащегося
7. Дата увольнения - его же дата увольнения (если пустое поле, значит работает)
8. Оцени удобство перемещения по курсу - оценка логистики курса учащимся
9. Сколько времени потратил на изучение курса в минутах? Введи число - оценка учащимся времени прохождения курса
10. Оцени весь курс по пятибальной оценке - оценка курса учащимся

Вопросы к вам:

• Какие результаты мы можем извлечь из данного файла;
• Этот же вопрос в другой формулировке: какие гипотезы можно выдвинуть, исходя из имеющихся данных;
• Посмотрите на данные и скажите, какие данные вызывают недоверие и почему.

Считать пока ничего не надо, просто выдвигайте гипотезы, если вы не умеете посчитать, посчитаю я. Мне важно, чтобы вы научились зряче смотреть на данные.
ПыСы. осторожней качайте файл
Аналитика в дистанционном обучении (данные для анализа)

Ключевые факторы текучести и удержания персонала 2014 (результаты исследования)

Вот и завершился опрос про факторы текучести и удержания персонала, которым я мучил вас больше года.
Вынужден признаться, что опрос был несовершенен: отчасти потому, что я наделал ошибок, отчасти потому, что в принципе через такой опрос нельзя выявить всю картину.
Сразу скажу, что я с помощью коллег создал новый опрос, к участию в котором я вас и приглашаю
Ключевые факторы удержания и текучести персонала - 2015
В этом опросе учтены ошибки прошлого опроса.
Результаты исследования можно скачать здесь
Ключевые факторы текучести и удержания персонала 2014
Отчет в формате PDF, 29 страниц. Для удобства я сделал оглавление (кликнув по интересному заголовку, вы сразу переходите в эту тему) + краткое резюме.
Если же у вас останутся вопросы, пишите edvb@yandex.ru указав в теме письма Ключевые факторы текучести и удержания персонала.
И спасибо вам всем огромное за поддержку!
ПыСы.


Как читать диаграмму boxplot - для понимания результатов

Надо ли посылать работника на внешнее обучение, чтобы удержать в компании

Еще один вопрос исследования Ключевые факторы удержания и текучести персонала (опрос открыт и ждет вашего участия) 

Посылали ли Вас на внешние семинары и тренинги  в последние полгода работы?

• ·         Да – «1» в кодировке (592 респондента)
• ·         нет – «0» в кодировке (1099 респондентов)
• ·         не было такого за все время работы в компании – «2» в кодировке (409)

Результаты

$`0`

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

   1.00   11.00   23.00   33.75   42.00  189.00

$`1`

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

   1.00   17.00   32.00   41.78   56.00  193.00

$`2`

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

   1.00    9.00   17.00   26.49   33.00  184.00

Различия значимы между всеми тремя вариантами

Для тех, кто не знает, как читать данный тип диаграмм Как читать диаграмму boxplot.

И вот здесь возникает самое интересное: мы выявили корреляцию между обучением и стажем, но не можем сказать, что есть причина другого. То ли работник работает дольше, потому что его посылают учиться, то ли посылают изначально того, кто дольше работает, кто менее склонен к текучести.

Эта проблема легко снимается в корпоративной статистике: нам достаточно фиксировать время, когда работника послали на внешний семинар (или не послали). В нашем исследовании можно было бы поставить вопрос: «Через какое количество месяцев после начала работы Вас впервые послали на внешний семинар?», где одним из вариантов будет вариант «никогда». Но я, к сожалению, не предусмотрел. И кроме того, думаю, такой вопрос дал бы много bullshit: память часто подводить в такой ситуации

Хотите удержать работника? Обеспечьте ему коммуникации

Начну с просьбы: не верьте заголовкам моих постов - это замануха. Все не так просто. 

В исследовании Ключевые факторы удержания и текучести персонала (опрос открыт и ждет вашего участия) есть такой вопрос

Просим оценить интенсивность взаимодействия с коллегами. Доля времени на коммуникацию с коллегами (запросы, ответы на запросы, письма, телефонные и устные коммуникации) в общем рабочем времени составляла

• крайне незначительная (117 респондентов)
• незначительная (171)
• средняя (527)
• значительная (776)
• крайне значительная (502)

Описательные статистики

$very_significant

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

   1.00   14.00   27.00   36.52   48.00  189.00

$significant

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

    1.0    13.0    26.0    36.5    48.0   193.0

$so_so

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

   1.00   10.50   20.00   33.54   42.00  189.00

$slight

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

   1.00    9.50   18.00   26.89   33.00  163.00

$very_slight

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

    1.0     6.0    14.0    29.1    37.0   178.0

Показатели взаимосвязи

Call:

lm(formula = log(r1$stag, base = exp(1)) ~ interaction, data = r1)

Residuals:

    Min      1Q  Median      3Q     Max

-3.2330 -0.6680  0.0629  0.6981  2.4065

Coefficients:

                            Estimate Std. Error t value Pr(>|t|)   

(Intercept)                  3.17313    0.03591  88.360  < 2e-16 ***

interactionslight           -0.34525    0.08451  -4.085 4.57e-05 ***

interactionso_so            -0.17095    0.05647  -3.027   0.0025 **

interactionvery_significant  0.05985    0.05730   1.045   0.2963   

interactionvery_slight      -0.39789    0.09921  -4.010 6.27e-05 ***

---

Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1 on 2088 degrees of freedom

  (27 observations deleted due to missingness)

Multiple R-squared:  0.02016,  Adjusted R-squared:  0.01829

F-statistic: 10.74 on 4 and 2088 DF,  p-value: 1.283e-08

Диаграмма

Для тех, кто не знает, как читать данный тип диаграмм Как читать диаграмму boxplot.

В качестве контрольной группы я взял самую многочисленную – тех, кто указал значительную степень взаимодействия. Они «живут» в среднем в компании почти два года. Те, кто очень значительно взаимодействует не отличается значимо от «значительных». А остальные группы работников отличаются и:

• Работники со средней степенью взаимодействия «живут» на 4 месяца меньше,
• С незначительной – на 7 месяцев меньше,
• С крайне незначительной – на 8 месяцев.

Результат замечательный, но не забывайте, что это самоотчет работников, а не реальные показатели коммуникаций. С другой стороны, подумайте, если ли у нас право проводить здесь причинно следственную связь между уровнем коммуникаций в качестве причины и следствием в виде стажа. А может наоборот: работник просто не успел / не смог / не захотел выстроить коммуникации и ушел? Это в случае, если коммуникация определяется самим работником. Тогда склонность к интроверсии может быть предиктором текучести в некоторых профессиях, верно?

Возрастные характеристики менеджеров в разных социальных сетях

В исследовании Ключевые факторы удержания и текучести персонала (опрос открыт и ждет вашего участия) был такой вопрос

В какой социальной сети вы проявляете максимальную активность

Я посмотрел возрастные различия по разным сетям, вот что получил

У нас вот такое количество пользователей было в сетях

facebook       linkedin odnoklassniki  vkontakte            

  449           241           152        738   

$facebook

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.   

   1950    1974    1979    1978    1983    1993       

$linkedin

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.   

   1956    1972    1977    1977    1982    1993      

$odnoklassniki

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.   

   1956    1971    1979    1977    1982    1994      

$vkontakte

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.   

   1958    1982    1986    1985    1989    1995     

Если взять контрольной группой фейсбук, то различия значимые во всех парах: линкедин и одноклассники чуть старше фейсбука, в ВКонтакте младше