Unilever нанимает сотрудников, используя интеллектуальные игры и искусственный интеллект, - и это стало огромным успехом

Перевод статьи Consumer-goods giant Unilever has been hiring employees using brain games and artificial intelligence — and it's a huge success and Beyond в рамках нашего  проекта переводы статей по hr-аналитике на английском. Статья с сайта businessinsider - сайт публикует интересные технологичные статьи.
Перевод выполнила Светлана Дзюбенко (профиль в фейсбуке), HR из Одессы, работает более 15 лет директором по персоналу в коммерческих компаниях, в сферах оптовой торговли В2В,В2С, производства, транспортных услуг.
Итак

Гигант потребительских товаров Unilever нанимал сотрудников, используя интеллектуальные игры (brain games) и искусственный интеллект (artificial intelligence - AI), - и это стало огромным успехом

Unilever - одна из крупнейших и успешных компаний в мире по производству товаров ежедневного спроса.

Unilever хочет стать мировым лидером, в использовании искусственного интеллекта (artificial intelligence – AI) для найма сотрудников. 

• Unilever использовал искусственный интеллект(AI) для отбора всех сотрудников на должности начального уровня( за прошедший год.
• Кандидаты играют в игры, основанные на нейробиологии, для оценки присущих им черт, затем записывают интервью, которые анализируются при помощи искусственного интеллекта (AI).
• Компания считает этот эксперимент большим успехом и собирается продолжить его в дальнейшем.

В течение прошлого года Unilever использовал искусственный интеллект (AI) для найма сотрудников начального уровня, и компания заявляет, что она значительно увеличила разнообразие нанятых сотрудников и экономическую эффективность найма.

«Мы попадали в университетский городок(campus) так же, как и я когда-то более 20 лет назад», - сказал Майк Клементи (Climenti Mike), вице-президент по человеческим ресурсам Северной Америки для Business Insider. «Явно, что-то должно было измениться».

Четыре тренда, меняющих ваш подход к подбору персонала в 2018 году и в последующий период

Перевод статьи The 4 Trends Changing How You Hire in 2018 and Beyond в рамках нашего  проекта переводы статей по hr-аналитике на английском. Автор статьи Maria Ignatova, автору нас впервые, имя и фамилия у нее славянские, но в рабочем бекграунде и образовании все только американское, поэтому ничего не могу сказать, откуда она.
Перевод выполнила Галина Подовжняя, работает в компании Coca Cola Hellenic, на позиции Group Supply Chain HR BP for Procurement, Planning & QSE, профили в фейсбуке и линкедине. Это уже третий перевод Галины, см. также:

• 2018: изменения в HR - статья Дейва Ульриха
• Три причины перестать подсчитывать численность команды - статья Тома Хаака.

И оцените, какой серьезный труд сделала сейчас Галина.
Итак,

Четыре тренда, меняющих ваш подход к подбору персонала в 2018 году и в последующий период

Найм талантов стал чрезвычайно транзакционным процессом. Утомительный поиск кандидатов, бесконечное планирование и монотонный скрининг могут быть неэффективными и отупляющими. Настало время новой эры рекрутмента, которая фокусируется на том, что приносит гораздо больше удовольствия, - на человеческом и стратегическом аспектах.
Сегодня мы представляем вам «Отчёт о глобальных трендах в рекрутменте 2018», описывающий четыре основных тренда в   найме. Эти тренды убивают транзакционность, делают найм более стратегичным и  позволяют рекрутерам  и нанимающим менеджерам фокусироваться на высоко-потенциальных талантах.
Мы выявили эти тренды на основе многочисленных интервью с экспертами, а также с помощью исследования, в котором приняли участие девять тысяч талантливых лидеров и нанимающих менеджеров по всему миру. Вот они:

• Кадровое разнообразие (diversity)
• Новые инструменты интервьюирования (new interviewing tools)
• Данные (data)
• Искусственный интеллект (artificial intelligence)

Вот как эти тренды ранжированы в порядке важности, по мнению талантливых лидеров и нанимающих менеджеров, а также насколько успешно они применяются:

Далее вы найдёте краткий обзор каждого тренда. Для полного понимания того, как компании сегодня внедряют эти идеи, загрузите наш «Отчёт о глобальных трендах в рекрутменте 2018».

1. Разнообразие - это новый глобальный образ мышления

78% талантливых профессионалов и нанимающих менеджеров говорят, что кадровое  разнообразие является главным трендом, влияющим на то, как они нанимают

Что дарят женщинам на 8 марта

Провел опрос в телеграм канале HR-аналитики о том, что дарят женщинам на 8 марта и решил сохранить результаты.
Всего поучаствовало 196 человек, результаты и опции такие

• Цветы выбрало 105 респондентов;
• Сувениры - 5;
• Конфеты - 34;
• Парфюмерия, косметика, бижутерия - 29;
• Игрушки - 2;
• Ювелирные украшения - 19;
• Деньги - 24;
• Другое - 57;
• Ничего - 33.

И только один мужчина подарил игрушку:)

диаграмма в %

Обращаю Ваше внимание, что диаграмма не круговая, поскольку в опросе был множественный выбор, респонденты могли выбирать до трех вариантов ответов, поэтому сумму % выше 100.

Приглашаю поучаствовать в других наших опросах:

• Харассмент на рабочем месте (исследование) - Даже если в вашей практике такого не было - поучаствуйте. Даже если Вы - мужчина - поучаствуйте! сам опрос не более 5 минут! АНОНИМНО. Зато у нас будут вкусные результаты
• Ключевые факторы эффективности и текучести персонала - оставляйте свой е майл и в качестве бонуса Вы получите отчет о том, насколько Ваша зарплата в рынке.

__________________________________________________________

На этом все, читайте нас в фейсбуке, телеграмме и вконтакте

Что делает продавцов лучшими

Перевод статьи What Makes Great Salespeople в рамках нашего  проекта переводы статей по hr-аналитике на английском. Автор статьи Ryan Fuller (автор Harvard Business Review и владелец компании people analytics), он у нас впервые.
Перевод сделала незаменимая Александра Багинская (по ссылке профиль с Линкедина). Александра родом с Украины, но живет и работает в Голландии. Рекомендую - вот из таких и надо набирать таланты.  Читайте другие статьи Александры у нас в блоге:

• Результат через diversity - одна из самых дискутируемых тем, по ссылке результаты исследования McKinsey.
• Как блокчейн повлияет на HR?
• People Analytics 3.0
• Джош Берсин. Переворот рынка HR технологий: 10 топ трендов 2018 - одна из самых популярных статей блога за все время
• Удержать или отпустить? Данные, на которые следует корректно реагировать, когда сотрудник увольняется
• Соседство с лучшими сотрудниками может увеличить производительность

Также с Александрой мы работали над статьей Applying Survival Analysis to Reduce Employee Turnover: A Practical Case для западного сайта analyticsinhr.com.
Статья ниже - про вечную тему - что делает продавцов лучшими. Но в отличие от той воды, что обычно льют в данной теме, эта статья подсказывает, какие данные можно брать и прогнозировать лучших продавцов. Кстати говоря, еще один повод начать изучать Organisational Network Analytics, см. например Как работает команда: анализ внутригрупповых процессов и ролей участников команды

Чем определяются лучшие продавцы

Автор Ryan Fuller
Опубликовано в Business Harward review 8 июля 2015

Каким поведением отличаются успешные продавцы? В прошлом году в исследовании моей помпании по people analytics в VoloMetrix было определено три особенности лучших менеджеров по продажам: больше времени с клиентами, шире сеть внутренних знакомств, больше времени с руководством. Эти три особенности поведения наблюдались вне зависимости от региона, территории, роли в продажах, подводя к выводу, что это фундаментальные ингредиенты успеха.

Мы пришли к этим заключениям после изучения коммерческой силы большой В2В компании-разработчика ПО, использовав шесть четверней квоты данных о достижениях тысяч сотрудников. В следствии мы сопоставили результаты с 18 месяцами аналитики КПЭ человеческих ресурсов, созданных VoloMetrix. С тех пор у нас появилась возможность работать с несколькими другими компаниями для проведения подобного и более глубокого анализа.

Основываясь на более ранних выводах, мы разработали более широкую структуру для каждого поведения, которое мы идентифицировали (два из которых мы объединили), плюс дополнительный:

1. Взаимодействие с клиентами. Это включает в себя не только общее время, проведенное с клиентами, но и такие факторы, как количество аккаунтов, время, проведенное с каждым, частота взаимодействий, широта и глубина отношений.
2. Внутренние сети. Мы обнаружили, что полезно разбить характеристики внутренние сетей на три подкатегории:
• Общая включает в себя общее количество отношений внутри компании, время, проведенное с другими коллегами и влияние внутри сети.
• Ресурсы поддержки – набор показателей, ориентированных на отношения, созданные с помощью сотрудников службы поддержки продаж, включая специалистов предпродаж, представителей внутренних продаж и других.
• Руководство – набор показателей, сконцентрированных на отношениях между представителями отдела продаж и их непосредственными руководителями, а также более широкое взаимодействие с менеджментом компании.
3. Энергия – этот новый угол, который очень сильно связан с предыдущими двумя, включает в себя набор показателей, которые измеряют общее время и усилия, затраченные продавцами.

Харассмент на рабочем месте (исследование)

Тема сексуального харассмента (домогательства) стала популярной. Просим Вас ответить, были ли в Вашей профессиональной карьере подобные случаи (если не были, то Ваш голос не менее важен. И даже если Вы мужчина - поучаствуйте!).
Сексуальное домогательство — запугивание, издевательство или принуждение сексуального характера, также нежелательное или ненадлежащее обещание вознаграждения в обмен на сексуальные услуги, иные устные или физические (объятия, прикосновения, нападение с целью изнасилования) преследования сексуального характера.

Все ответы абсолютно анонимны
Результаты будут публиковаться регулярно в телеграм канале и фейсбук странице блога HR-аналитики 

Так влияет ли гендерное разнообразие на эффективность команды

Не очень люблю методологические посты писать. Но в данной ситуации ситуация перезрела, поэтому хотел бы обозначить свою позицию на этом счет. Для нашего рынка важно, поскольку мы можем получить очередную лажу типа компетентностного подхода: связи с бизнес результатами нет, но рынок измерения компетенций в России десятки миллионов долларов. Деньги на ветер. Вот я бы и хотел предостеречь от подобной практики в отношении гендерного разнообразия.
В посте коснусь только гендерного разнообразия и в двух пластах:

• определение термина diversity или контекста использования diversity;
• о причинности / корреляции и проблеме измерения влияния diversity в моделях эффективности.

О термине diversity

Когда представители академического Мира возражают мне, что нельзя diversity измерять просто по соотношению мужчин и женщин, что необходимо проконтролировать и уравнять другие факторы, такие как, например, стаж игры в ЧтоГдеКогда (см. например Влияние гендера команды на успешность в игре ЧТО ГДЕ КОГДА или вот замечательная статья Александра Вечерина
Нужно ли нам гендерное разнообразие? (на примере Что?Где?Когда?)), то я с ними абсолютно согласен!
С точки зрения академических исследований это важно. Вопрос в том, что гендерное разнообразие чаще всего понимается не в академическом ключе, а вполне в бизнесовом, например, в политике рекрутинга.
Гендерное разнообразие в рекрутинге понимается как сочетание мужчин и женщин. Все! Без контроля других факторов. Давайте посмотрим на примеры:
Результат через diversity - это исследование компании McKinsey. Посмотрите и найдите, где компания контролирует какие то факторы кроме гендера? Опыт работы, компетенции, профессионализм? Нет, вот картинка корреляции между гендерным разнообразием и эффективностью компании.

Вот еще более откровенная статья McKinsey - Why diversity matters. Я просто процитирую несколько фраз из статьи:

• We know intuitively that diversity matters.
• While correlation does not equal causation (greater gender and ethnic diversity in corporate leadership doesn’t automatically translate into more profit), the correlation does indicate that when companies commit themselves to diverse leadership, they are more successful.
• More diverse companies, we believe, are better able to win top talent and improve their customer orientation, employee satisfaction, and decision making, and all that leads to a virtuous cycle of increasing returns. 
• Racial and ethnic diversity has a stronger impact on financial performance in the United States than gender diversity

Вот так: "know intuitively", "we believe", а потом уже откровенно пишут про "stronger impact" (!!!) 

Поэтому я, кстати, ответил McKinsey своим постом Влияние гендера команды на успешность в игре ЧТО ГДЕ КОГДА . Но думаю, что в обоих случаях влияния нет. Если в случае ЧГК стоит, скорее всего, неравномерность стажа игры, то в случае McKinsey сыграла, скорее всего, мода на разнообразие: просто более "инновативные" компании типа Google позволяют себе следовать за модой и набирать больше женщин, и поэтому влияние в случае таких компаний, на мой взгляд, обратное: не компания более эффективная вследствие того, что туда набирают больше женщин, а больше женщин, потому что компания более эффективная и позволяет себе заниматься чудачествами типа подбора женщин, ассессмент центров, вовлеченности персонала и прочей ..... А нижний квартиль компаний по эффективности занят выживанием, ему некогда разбираться с diversity. Но это только моя гипотеза. 

Проблема для бизнеса

Нужно ли нам гендерное разнообразие? (на примере Что?Где?Когда?)

После знакомства с публикацией "Влияние гендера команды на успешность в игре ЧТО ГДЕ КОГДА" возникла идея поиска причин по которым мужские команды более успешны в этой игре.

Данные брались с сайта http://rating.chgk.info

Для анализа были взяты результаты игр 2015-2017 года. В общей сложности в этих играх приняло участие 2400 команд. Далее мы по ФИО игроков команды определили пол и высчитали долю женщин в команде. Из нашей выборки мы удалили команды в которых было меньше 4-х игроков, так как феномен diversity должен возникать  как синергетический эффект от группы (мы знаем, что многие эффекты в группе из 3 человек просто не возникают).

В качестве критерия эффективности мы выбрали не рейтинг, т.к он сильно зависит не только от успешности команды, но и от количества сыгранных игр, а количество правильных ответов команды на турнире. Так как в каждом турнире общее количество вопросов отличается (да и сложность бывает разная), то мы приняли решение перевести количество правильных ответов в z-баллы (стандартизировали). Это удобно, т.к. теперь все результаты больше 2 баллов - очень хорошие, а меньше -2 баллов плохие.

Давайте посмотрим на эффективность трех видов команд: чисто женских, чисто мужских и поло-разнообразных.

  

Картинка крайне печальная: чисто женские команды очень сильно уступают в эффективности двум другим типам команд. Но нас волнует вопрос: действительно ли половое разнообразие команды улучшает эффективность. На гистограмме видно, что чисто мужские команды несколько лучше отвечают на вопросы. Давайте проверим эту гипотезу статистически.

Таблица 1. Результаты регрессии: зависимость эффективности команды от полового состава команды и количества участников

Предикторы	b	b 95% CI [LL, UL]	Fit
(Intercept)	-1.26**	[-1.36, -1.16]
Только женщины	-0.83**	[-0.97, -0.69]
Только мужчины	0.23**	[0.19, 0.28]
Количетсво игроков	0.24**	[0.23, 0.26]
			R2   = .062**
			95% CI[.05,.07]

Результаты опять печальные: женские команды играют хуже смешанных команд, а мужские играют лучше всех.

Вот тут возникла гипотеза: возможно, женщины плохо играют в среднем, но на высокие результаты команды это влияния не оказывает. На такую гипотезу навел пик в графике плотности распределения.

Для проверки этой гипотезы строим три регрессионных прямых - для высоких, средних и плохих результатов команд. Так как шкала эффективности стандартизованная, то мы выбрали следующие критерии: высокие больше 2 баллов, низкие - меньше -1 (меньше -2 достаточно мало наблюдений). Получили следующую картину.

Теперь видно, что на достижение высоких результатов доля женщин практически не влияет (наклона красной прямой нет). Можно заметить, что для команд с высокой долей женщин недостаточно наблюдений (широкие доверительные интервалы)

Также видно, что доля женщин не влияет на плохие результаты игры (наклона зеленой прямой нет).

А вот в сегменте средних результатов чем больше женщин в команде, тем хуже результаты. И женские команды не достигали высоких результатов НИ РАЗУ!!! (это удивительный результат, т.к. в нашем датасете 15 000 наблюдений)

Но ведь нас волнует гипотеза о достижении более высоких результатов смешанными командами. Проверим ее статистически.

Таблица 2. Результаты регрессии: зависимость эффективности команды от типа команды и количества участников (для команд достигающих высокие результаты)

Предикторы	b	b 95% CI [LL, UL]	Fit
(Intercept)	2.08**	[1.83, 2.33]
Мужские команды	0.05	[-0.03, 0.12]
Количество игроков в команде	0.04	[-0.00, 0.08]
			R2   = .012
			95% CI[.00,.04]

заметка. * показывает p < .05; ** показывает p < .01. В интерсепте смешанные команды.

Гипотеза о том, что смешанные команды лучше мужских - НЕ подтвердилась. Между этими типами команд вообще нет значимых различий. А это значит, что в достижении высоких результатов мужские команды не имеют преимущества перед смешанными.

Нам не дает покоя ситуация с худшими показателями женщин в среднем сегменте результатов. Для изучения этого феномена мы обратились к статистики каждого игрока. Всего зарегистрировано 34160 игроков. Посмотрим на гистограмму среднего количества игр в год, которые играют мужчины и женщины.

Видно, что в сегменте небольшого числа игр женщин в два раза больше, т.е. на турнирах в два раза больше неопытных игроков женщин, чем мужчин. Это может объяснять полученные нами данные о негативном влиянии доли женщин на эффективность команды. В будущем надо нормировать команды по игровому опыту и посмотреть останется ли это негативное влияние.

Чтобы совсем успокоить себя, посмотрим на следующий график.

Видно, что женщин достигающих высокие места (в среднем) в турнирной таблице больше, чем мужчин.

Кейс по выявлению потребностей в обучении HR-сообщества

Много говорится про тренды HR-аналитики и все такое.....
Решил я проверить немного.

Введение в задачу

Есть у меня пост про Можно ли различить мужчин и женщин по соотношению рост / вес.
Высшая школа экономики ведет мониторинг населения России, на основе данных я и сделал пост. Я взял переменные пол, вес и рост и построил такую диаграмму.

Машина нам построила такую модель

Т.е. машина нам говорит: если человек выше 170 см, он мужчина, если ниже 170 см, он женщина. Но очевидно, что модель не имеет 100 % точности.

Задача

Вот в этом месте я как раз и захотел понять, насколько HR сообщество понимает, как оценивается точность модели.
Пример этот важный, поскольку возникает в таких вот, например, ситуациях: Вопросу к тесту управленческого потенциала Экопси - у меня есть гипотеза, что сам продавец теста не особо то понимает, что такое точность модели. Т.е. понятно, что ему надо продать свой продукт, поэтому он лепит цифры, которые ему кажутся солидными, но я подумал, а он сам то понимает, о чем речь?

Метрика рынка труда: диагностика рынок кандидата vs рынок работодателя

Коллеги, выношу на обсуждение свою идею.
В опросе Ключевые факторы эффективности и текучести персонала (в котором вы поучаствуете, если еще не успели принять участие) есть вопрос про источники трафика кандидата. Два вопроса касаются подбора в джоб сайта:

1. Вы откликнулись на вакансию на джоб сайте
2. Работодатель вышел на Вас через Ваше резюме на джоб сайте.

У меня родилась мысль (достаточно банальная):

1. если кандидатов чаще находит работодатель на сайте, чем кандидаты ищут вакансии, тем рынок больше кандидата. 
2. Если же кандидаты чаще откликаются на вакансии, чем работодатель находит резюме, тем рынок больше для работодателя. 

Ну и главное, мы это можем проверить на цифрах нашего исследования.

Рынок HR специалистов

На этой диаграмме показан трафик кандидатов HR специалистов по двум вышеупомянутым каналам привлечения в динамике по годам.
Я взял оба источника за 100 %, и в каждой ячейке у нас показан % данного канала по году.
Т.е. например, в 2012 году из всех кандидатов, привлеченных через джоб сайты, 54 % были найдены самими работодателями, 46 % - сами кандидаты нашли вакансии.
В 2017 году картина сильно поменялась: уже 58 % HR специалистов сами ищут вакансии, и 42 % работодатели.
Таким образом, можно констатировать, что на рынок HR можно на сегодня диагносцировать как рынок работодателя, причем динамика для кандидатов отнюдь не позитивная. Интересно, извлекает ли выгоды работодатель из этой ситуации.

Рынок IT специалистов

Азбука R (отзыв о курсе «Анализ данных в R»)

По не очень старой, но, несомненно, доброй традиции этого блога публикую отзыв о курсе «Анализ данных  в R»  на платформе он-лайн курсов stepic.org. Есть также вторая часть “Анализ данных в R. Часть 2”, она у меня в планах, поэтому, отзыв пока про первую часть.

  

Итак, из описания курса узнаем, что: “В рамках данного курса мы подробно разберем все основные этапы анализа данных при помощи R. Слушатели научатся без труда манипулировать данными, используя как стандартные методы R и Rstudio, так и специальные пакеты и библиотеки. Мы выясним, как применять основные методы статистического анализа: t-тест, корреляция, регрессия, дисперсионный и регрессионный анализ и др. Также мы научимся писать собственные функции в R. Особое внимание в курсе будет уделено визуализации получаемых результатов”.

Одно из ключевых достоинств курса - он на русском языке. Для меня, например, как не профи в специализированной английской терминологии, это было важно - не нужно разрывать мозг одновременным пониманием лексики и содержания курса.

Преподаватели - внимание! - выпускники факультета психологии СПбГУ, которые потом стали специализироваться на статистике, программировании и прочих всяких machine learning. Возможно, поэтому, курс очень доступен для восприятия “гуманитариям”, такая своего рода азбука с картинками про R - с нуля, пошагово, зачем эта стрелочка и почему тут эта скобочка. И можно перемотать и пять раз прослушать, если не дошло. Идеально)

Из, собственно, анализа данных, возможно, тут не будет чего-то, чего вы сейчас не делаете, например, в Excel (корреляция, регрессия, дисперсионный анализ и т.д.), но, во-первых, вы увидите, что это может делаться в разы проще и быстрее (с и возможностью многократного повторения последовательности вычислений практически без вашего участия).  Кстати, одна из фишек выполнения контрольных работ - начинает хотеться не только написать работающий код, но и короткий и красивый. Страшно бесит, когда ты потратила три дня на пять строчек кода, и оно вроде бы принято, но можно было решить в две))

Во вторых, курс помогает погрузиться в R, выучить “буквы”, прежде чем браться за серьезные “произведения”. Поэтому, в первую очередь я бы рекомендовала его тем, кто уже решил взяться за R, но не знает, с какой стороны подойти. Ну и перед семинаром "HR-Аналитика в R" тоже неплохо бы пройти, чтобы набить руку на операционных вещах и полностью погрузиться в содержательные.

Отзыв о курсе: The Analytics Edge от Массачусетского технологического института

Решил таки оставить отзыв о своем самом любимом курсе The Analytics Edge Массачусетского технологического института.
Правда, проходил я его уже года три назад:). Но менее любимым он от этого не становится.
Если кратко: этот курс мне открыл Аналитику.
Язык курса - R. И даже видеолекции показывают на R, а даже не на Rstudio.
Но это не в недостаток курса.
Курс рассчитан, как я понимаю, на тех, кто уже начинает что-то читать по статистике и машинному обучению. Он имеет стандартное строение: от линейной и логистической регрессии к деревьям, анализу теста, кластеризации и линейной оптимизации. Причем, если вы отвалитесь после первой недели, то знания и навыки не пропадут: каждая неделя обучения в этом смысле самодостаточна.
Для меня курс был идеален потому, что мне на пальцах объяснили очень важные вещи, такие как:

• параметры качества модели: от средей ошибки до Roc Auc и тому подобное
• что такое кросс-валидизация,
• что такое гиперпараметры и как их настраивать в модели
• и так далее...

Т.е. курс был важен не столько кодом, хотя код очень ценен. Курс ценен тем, что тупому гуманитарию как я, смогли легко разложить важные термины и понятия аналитики, статистики, машинного обучения. И во многом такой успех, на мой взгляд, обусловлен, построением курса: 

В начале недели, которая представляет собой какую-то тему, даются не математические основания, например, линейной регрессии, если проходим ее, а какая-то задача. В нашем случае речь идет о Moneyball - историю, которая описана в известном всем фильме Человек, который изменил все. 

Сначала преподаватель вводит в проблему - как вообще возникла потребность в решении этой задачи. Подходит к ее решению в R и решает. На выходе мы получаем решение конкретной задачи. И математика в данном случае гуманитарием усваивается лучше: в моем случае это однозначно, поскольку меня не интересует сама математика, а только польза, которую она может принести. 

__________________________________________________________

На этом все, читайте нас в фейсбуке, телеграмме и вконтакте

Отзыв о курсе: Applied Social Network Analysis in Python

В нашей команде появилась прекрасная традиция - оставлять отзывы на пройденные курсы. См. отзыв Александра Ботвина на курс Вышки от Бориса Демешева  Эконометрика в HR-аналитике (обзор курса). Я создал для каждого отзыва тег  отзыв об учебном курсе, где можно будет просмотреть все отзывы.
Сегодня я даю отзыв на курс Applied Social Network Analysis in Python Мичиганского университета.
И сразу хочу порекомендовать всю специализацию Мичиганского университета по машинному обучению Applied Data Science with Python: если вы развиваетесь в Python, можно использовать курсы специализации.
Пройденный курс касается темы Social Network Analysis, но в HR сейчас более принято название Organisational Network Analytics. И если Вы знакомы с трендами HR-аналитики (см. например, 10 трендов в HR в 2018 году от Давида Грина), то обратили внимание, что тема Organisational Network Analytics одна из самых обсуждаемых и перспективных тем аналитики.
Кстати, 8 марта на базе компании Facebook в Сан-Франциско пройдет первый митап по hr-аналитике, тема Organisational Network Analytics стала первой темой - а темы выбирали на основе голосования.

Вернусь к курсу, 

Курс короткий - 4 недели. И каждая неделя не перенасыщенная, поэтому курс очень удобен, поскольку при нашей занятости не получится, что мы забудем, про что начало курса, когда будем его заканчивать. Объяснения очень понятные.

Как читать мозаичную диаграмму на примере анализа связи эффективности, компетенций, опыта работы

Очередной вопрос на понимание способа визуализации прошел у нас в телеграм канале. Ранее я уже проводил голосовалку на предмет понимания диаграммы boxplot - ящика с усами. На этот раз мы смотрели умение читать мозаичную диаграмму

МОЗАИЧНАЯ ДИАГРАММА
Коллеги, у нас прошло интересное голосование про умение читать типы диаграмм. Я решил сделать это традицией и запускаю новую голосовалку на умение читать типы визуализации.
на картинке выше показана мозаичная диаграмма. Прошу честно ответить, умеете ли Вы читать этот тип диаграммы

Результаты опроса показали

И нас 100 % совпадение с результатами опроса об умении читать диаграмму boxplot.

Кейс про связь эффективности, компетенций и опыта 

Теперь представим, что некая известная консалтинговая компания провела у нас ассессмент центр 100 наших работников, и нам интересно узнать, есть ли связь между эффективностью наших работников и оценками по ассессмент центру. Или, по другому: правда ли, работники, которые показали более высокие результаты на ассессмент центре, демонстрируют более высокие результаты в работе.

Описательные статистики

Эффективность

Сначала выясним, что в нашей компании вот такое распределение эффективных и средне- эффективных работников. Зная, что всего у нас 100 работников, мы легко можем перевести % в количество.

Оценка по компетенциям

Hipo - те, кто получили высокие оценки на ассессмент центре, middle - средние, low - очень высокие низкие.