Про проект Карьерные лифты

После начала занятий аналитикой не люблю писать посты в эпистолярном жанре, но позицию иногда хочется свою высказать.

Недавно РБК рассказала о проекте «Карьерные лифты». Цитирую статью: «В нацпроект «Образование» добавили новую программу стоимостью почти 5 млрд руб. — «Социальные лифты». В ее рамках в России будет формироваться управленческая элита». Инициатором проекта выступил Сергей Кириенко: «Проект отражает видение администрации президента в области формирования управленческой элиты страны».

Из статьи можно догадаться, что администрация президента позитивно оценила состоявшийся конкурс «Лидеры России» и теперь хочет его масштабировать на другие уровни.

Я хочу покритиковать проект в двух аспектах: 1) техническом и 2) методологическом.

Технический аспект

Каков был результат конкурса «Лидеры России»: "Конкурс «Лидеры России», победители которого продолжают учиться в «школе Кириенко» в РАНХиГС и впоследствии назначаются губернаторами и министрами — это тоже часть «социальных лифтов»."

Т.е. "Лидеры России" это кадровый резерв на губернаторов. Отсюда простая схема того. как бы стоило организовать конкурс: 

1. измерить нынешних губернаторов (а также их заместители, поскольку речь скорее о постах заместителей, чем самих губернаторов) с помощью тех инструментов, которые применялись в конкурсе "Лидеры России" (тот же самый тест управленческого потенциала), 
2. отранжировать этих людей по степени успешности, 
3. построить уравнение регрессии,
4. понять, насколько данные инструменты позволяют прогнозировать успешность губернатора (у меня есть сомнения в пользе тестов по географии и теста управленческого потенциала), 
5. если уравнение регресси дает хоть сколько нибудь значимо, применять эти инструменты на выборке подавших заявки кандидатов.

Это было сделано? нет, конечно! Технически это реализуемо? Вполне!

Мне возразят, что им (власти) нужен губернатор нового типа. Такого типа нет среди нынешних губернаторов. Этот аргумент очень легко отвергается: в этом случае применение любых инструментов в принципе бессмысленно, поскольку никто не знает, каким будет образ успешного губернатора, кроме господа бога. И если мне провайдеры скажут, что они владеют таким божественным провидением, то это легко проверить: пусть они своим божественным провидением определят образ успешного нынешнего губернатора, а потом мы проверим с помощью регрессии, насколько они совпадают. И когда они обосрутся не попадут в расчетах, можно будет сэкономить бюджетные деньги на их инструментах. 

Резюме: все, что описал выше, стандартная задача по машинному обучению. И не применяют ее не только по причине не знания или каких-то технологических и/или методических ограничений, а еще в силу того, что организаторы разочаруются в инструментах отсева кандидатов: модель получится слабая, и встанет вопрос, что с этим вообще делать? А от 80 % инструментов оценки придется отказаться в силу их полной неспособности дифференцировать успешных и не успешных кандидатов. 

Таким образом, можно утверждать, что даже чисто технически процедура далека от современных технологий.

Методологический аспект 

Проблема "свежей крови"

Какую глобальную проблему призван решить конкурс "Карьерные лифты" / "Социальные лифты"? Это проблема сменяемости власти, обновления аппарата, проблема "свежей крови". Опыт застоя в период правления Л.И. Брежнева показал, что советского режима есть явные проблемы. Что явилось одной из причин развала Советского Союза. Россия в ее современном виде имеет туже самую проблему. 

В демократических странах проблема сменяемости власти решается естественным путем: через выборы. Меняются команды управленцев, приходит "свежая кровь", новые идеи и т.п.. 

Насколько возможно обновление власти и кадров при полной несменямости верхушки власти - это вопрос. 

Главный же вопрос в другом: как в системе, которая, простите, протухает, найти каналы (Карьерные лифты), которые обеспечат приток свежей крови?

Если вся система работает на затухание, то с чего вдруг Карьерные лифты будут работать замечательно? 

Поясняю на пальцах: на мероприятие тратятся хорошие деньги, провайдер инструментов оценки кандидатов заинтересован в освоении бюджета. Ели его инструмент, мягко скажем, не очень хорош, будет ли заинтересован в объективной оценке (а объективная оценка заключается в отказе от его инструмента) кандидатов? Я в этом сомневаюсь. В этой системе действуют те же законы: освоение бюджетов, борьба за место у кормушки и т.п... А вместо реальных результатов - пыль в глаза.
И истинные интересы проекта Карьерные лифты не будут достигнуты. 

Трудно быть богом

Кириенко является поклонником системо-мыследеятельностной методологии Щедровицкого. Для кого-то это направление известно как организационно - деятельностные игры (ОДИ).  

Вспоминаем идею прогрессорства братьев Стругацких. Идея социальной инженерии, которая может преобразить Мир по замыслу инженеров. 

Поэтому для меня лично совершенно не удивительно, что автором проекта Карьерные лифты выступил именно Кириенко. 

В этом месте возникает самая сложная проблема: а кого мы понимаем под лидерами? Вполне допускаю, что "лидеры" это в понимании Сергея Кириенко это заместители губернаторов. Ну просто по статусу они лидеры. Тогда и спорить не о чем.

Но мне бы хотелось напомнить / рассказать об одной истории отбора лидеров именно в методологии организационно - деятельностных игр, поклонником которой является Кириенко. 

Выборы директора РАФ

Виктор Боссерт

В 1987 году в Советском Союзе в самом разгаре шла перестройка, и на Рижской автомобильной фабрике решили провести выборы генерального директора. Методологи сделали, как я понимаю, единственно вернуб вещь: не мешали ситуации развиваться так, как она развивалась в естественной среде: кандидаты на пост генерального директора ходили по заводу, узнавали о проблемах завода, собирали вокруг себя команды единомышленников. 

Переломным моментом стал день, когда местный комитет КПСС (была такая организация) предложил всем кандидатам подписать какую-то бумагу. Я сейчас уже точно не помню сути, но что-то про то, что кандидаты позволяли себя выбирать в генеральные директора, в первую очередь, партийному комитету, а потом уже коллективу завода. За детали я не ручаюсь, но смысл в том, что кандидаты подчинялись воле парткомитета. 

Так вот из всех кандидатов на пост генерального директора РАФа только двое отказались подписывать бумагу парткомитета, а, точнее, петь под дудку партии. Этими двумя были Виктор Боссерт и Горбунов (имя забыл). 

И так вдруг случилось "неожиданно", что остальные кандидаты очень быстро отсеялись, а эти двое продолжили борьбу. Генеральным директором в итоге стал Виктор Боссерт. 

И если проводить параллели выборов генерального директора РАФа с проектом Карьерные лифты, то не выступает ли администрация президента и Кириенко в виде того самого парткомитета? Не кажется ли, что лидеры это такие чуваки, которые не очень то готовы к воспитанию? Мне всегда казалось, что лидеры сами ставят себе цели и идут к их достижению. И классным результатом внедрения Карьерных лифтов был бы результат, при котором команда Карьерных лифтов устроила бунт. И создала бы что-то свое. Но кто-то допускает мысль, что это нужно Кириенко?
И "лидеры" теперь ради попадания в финал конкурса будут заняты не продвижением своих идей, а поиском правильных ответов на вопросы теста управленческого потенциала. Я это могу судить по тому, что за последние месяцы увеличился поток по поисковому запросу "пройти pif", "ответы к тесту управленческого потенциала" и т.п..
Вам нравятся такие "лидеры"? Мне - нет. 

Чем отличается российский менеджмент от западного (с т.з. подчиненных)

Результат нашего исследования Ключевые факторы эффективности и текучести персонала.
Если Вы не любите копаться в аналитических выкладках, сразу переходите к последнему пункту Резюме.

Описание дизайна

Сразу хочу предупредить: я беру в исследовании только компании на территории России.
Напомню, что респонденты заполняют анкету об одном из своих мест работы. Вопросы от даты приема до даты увольнения.
В опросе есть вопрос "Являлась ли компания филиалом иностранной компании", и я с помощью этого вопроса выделаю две подвыборки:

1. Российские;
2. Западные компании (головной офис находится в Европе или Северной Америка).

Далее я беру вопросы отношения подчиненного и руководителя:

1. Как часто Ваш руководитель давал (дает) Вам обратную связь
2. Критиковал (критикует) ли Вас руководитель в присутствии других?
3. Благодарил ли Вас Ваш руководитель за достижения?
4. Проявлял (проявляет) ли Ваш руководитель заботу о Вашем развитии?
5. Выходили (выходите) ли Вы со своими инициативами на руководителя

И по каждому из вопросов я смотрю различия между российскими и западными компаниями. Т.е. мы можем выявить, чаще ли менеджеры западных компаний дают обратную связь, чем менеджеры российских компаний, и т.п....
Общее количество респондентов таково:

1. 966 представители западных компаний;
2. 4 335 российские.

Результаты

Далее по каждому вопросу.

Обратная связь

Как часто Ваш руководитель давал (дает) Вам обратную связь

И первый сюрприз.

• Российские менеджеры чаще дают ежедневную обратную связь (каждый пятый менеджер ежедневно дает обратную связь - заучили коучи?), а западный только каждый десятый дает ежедневную обратную связь;
• Зато западные менеджеры чуть чаще дают еженедельную обратную связь (29 % против 24, 6 % у российских);
• И еще чаще западные манагеры дают обратную связь реже, чем в неделю (44 % против 36 %).

В России появилась первая магистерская программа "HR-аналитика"!

Коллеги, с удовольствием представляю пресс релиз о появлении в России первой магистерской программы "HR-аналитика".
Инициатором программы выступила HR-служба компании "Татнефть".
Это очень важный шаг в развитии зрелости HR-сообщества. Я буду обязательно информировать о том, как проходит обучение.

Пресс релиз

Начальник управления по работе с персоналом Публичного акционерного общества «Татнефть» Андрей Глазков рассказал об открытии первой в России уникальной магистерской программы «HR-аналитика» по целевому заказу и при финансовой поддержке крупной нефтяной компании Татарстана на базе Альметьевского государственного нефтяного института (АГНИ). Программа призвана решить множество практических задач, соответствующих духу времени, но основная ее цель – поддержка главного современного вектора развития всех крупных российских и международных компаний.

Судя по последним данным, инвестиции в HR-аналитику растут, однако вместе с тем повышается и процент компаний, недовольных уровнем подготовки своих сотрудников, обладающих недостаточными знаниями и навыками для использования HR-аналитики.

За решение этой проблемы взялись в нефтяной столице Татарстана, разработав магистерскую программу, не имеющую аналогов в России. Двухлетнее очное обучение будет построено на таких основных дисциплинах, как «Современные системы управления персоналом», «Стратегический менеджмент в HR», «Социальный компьютинг», «Предиктивная аналитика», «Управление эффективностью компании. Стоимостное мышление», «Прикладная HR-аналитика. Практика проектной деятельности». Модульная составляющая обучения вкупе с топ-менеджментом «Татнефти» в роли преподавателей и ведущими практиками в области HR-аналитики сделают данную магистерскую программу максимально эффективным и полезным процессом получения знаний для выпускников специалитета и бакалавриата.

Результаты обучения будут измеряться, в первую очередь, теми самостоятельными проектами, которые будут выполнять магистранты по решению прикладных задач Компании с помощью HR-аналитики.

Что касается условий обучения магистрантов программы «HR-аналитика», помимо повышенной по сравнению с другими учебными заведениями стипендии, студенты получат уникальную возможность устроиться в компанию на период обучения, а лучшие из них в последующем станут сотрудниками ПАО «Татнефть», входящей в топ-5 нефтегазовых компаний России. Также немаловажно, что для первой волны обучающихся по уникальной магистерской программе будут доступны места в комфортабельном общежитии АГНИ.

Электронный адрес Управления по работе с персоналом ПАО «Татнефть» им.В.Д. Шашина personal@tatneft.ru 

В IT отрасли на одного работника приходится больше HR, чем в других отраслях?

Данный пост написан на основе данных опроса Портрет HR-директора.
В нашем опросе есть вопросы про размер HR службы и размер компании (общее количество работников):

1. "Количество подчиненных HR-директора (размер HR-службы) - укажите число работников службы HR - можно приблизительно";
2. "Размер компании (количество работающих) - укажите число работников компании, хотя бы приблизительно".

Операцией деления мы можем получить данные, сколько работников компании приходится на одного HR. В разрезе по отраслям получается вот такой результат.

Для тех, кто не умеет данный тип диаграммы, пост Как читать диаграмму boxplot (ящик с усами).
Ось X - отрасли (я взял самые популярные отрасли),
Ось Y - отношение количества работников к количеству hr-специалистов.
Заметно, что в Банках, Производстве и Ритейле это отношение почти одинаково и составляет примерно 100 работников на 1-го hr-специалиста.
IT отрасль сильно выбивается из этого ряда: на одного hr-а в IT отрасли приходится примерно 60 айтишников.

В нашем телеграм канале проходит опрос "Сколько в среднем (медиана) работников приблизительно приходится на одного hr-специалиста по всем отраслям на пост советском пространстве". На момент написания поста медианное значение составляло 103 работника на одного hr-специалиста. Но я не могу утверждать, что это значение можно принимать как корректное: убирая в сторону аргументы типа "кого называть HR", я скажу, что у нас явно скошенная выборка: это компании, где HR умеют пользоваться интернетом, Линкедином, телеграмом, ИМХО, это смещает нашу выборку. 

Какие могут быть гипотезы:

1. IT отрасль более сложная, для ее обслуживания требуется больше HR специалистов;
2. IT отрасль по количеству работников значимо меньше других отраслей, а отношение работников к числу hr-специалистов изменяется нелинейно, поэтому отношение работников к hr-специалистам определяется размером компании. 
3. Добавьте свою гипотезу 

Препроцессинг данных: если часть переменной категориальная, часть числовая (с кодом в R)

90 % работы аналитика это извлечение и препроцессинг данных. Хочу поделиться, как я решил одну проблему, которую сам себе же и создал.
Самый пост технически не сложный, но, надеюсь, фишки кода препроцессинга будут оценены теми, кто работает в R. Ну и саму логику решения задачи:)

Проблема

• В моем опросе Портрет HR-директора (кстати, поучаствуйте) есть такие вопросы "Количество подчиненных HR-директора (размер HR-службы) - укажите число работников службы HR - можно приблизительно"
• "Размер компании (количество работающих) - укажите число работников компании, хотя бы приблизительно". 

Изначально эти вопрос представлял собой тип вопроса "one choice" - респондент выбирал один вариант из нескольких предложенных (далее буду показывать на примере вопрос о размере HR службы):

• 'ни одного'
• 'от 1 до 3' 
• 'от 4 до 10' 
• 'от 11 до 30' 
• 'более 30'

Нужно ли более возрастных работников реже благодарить?

Тема recognition одна из самых моих любимых. Это едва ли не самый важный фактор текучести, см. только малую часть постов в нашем блоге

1. Как признание заслуг подчиненного влияет на удержание талантов (результаты западных исследований) - это мнение Берзина
2. Почему подчиненные уходят от руководителей
3. Recognition: как признание заслуг подчиненного влияет на удержание талантов (результаты нашего исследования)

Сегодня я хочу рассмотреть связь частоты благодарности  возраста, и как это связано с брендом.

Проблема 

На диаграмме результаты нашего опроса Ключевые факторы эффективности и удержания персонала (по прежнему жду вашего участия в опросе и делаю за этой индивидуальный отчет по зарплате)
У нас есть вопрос в исследовании "Благодарил ли Вас Ваш руководитель за достижения" (справа верхним регистром я показал, как сократил вопрос для отображения на диаграмме - для экономии пространства):

1. Да, практически все достижения были отмечены моим руководителем - ВСЕ;
2. Если не все, то многие- МНОГИЕ;
3. Получал лишь изредка - ИЗРЕДКА;
4. Нет - НЕТ,

На диаграмме показана связь между частотой благодарности со стороны руководителя и возрастом работника.
Если Вы не помните / не умеете читать диаграмму боксплот, вам сюда
Как читать диаграмму boxplot (ящик с усами)
Заметно, что чем старше работники, тем их реже благодарят (различия значимые).
Т.е. мы показали, что с возрастом работник получает меньше благодарностей со стороны руководителя.
Нормально ли это? Снижается ли потребность в благодарностях у более зрелого работника? Нужно ли его меньше благодарить?

Дизайн исследования

На этой диаграмме показана связь между благодарностью руководителя и готовностью рекомендовать компанию. Например, среди тех подчиненных, которых руководитель благодарит за все заслуги, % готовых рекомендовать составляет 86 %. Если же руководитель вообще не благодарит, то % готовых рекомендовать составляет всего 42 %.
Гипотеза моя проста: если у более зрелых работников снижается потребность в благодарности, то уровень готовности рекомендовать не будет снижаться с возрастом. Если же это не так, что среди более возрастных работников уровень готовности рекомендовать компанию будет ниже.

Результат

На этой я показываю связь возраста и готовности рекомендовать. p-value = 2.682e-05.
Да, действительно, более возрастные работники значимо реже рекомендуют своего работодателя.
Но нам необходимо посмотреть не в целом по возрасту, а взять

На этой диаграмме показана связь между возрастом и благодарностью руководителя в разрезе готовности рекомендовать. Читать надо так:

• Первый боксплот "Да.нет" обозначает: "Да" - готов рекомендовать компанию, "все" - все заслуги были отмечены руководителем;
• Второй боксплот "Да.нет" обозначает: "Нет" - готов рекомендовать, "все" - все заслуги были отмечены руководителем.
• Эти два боксплота показывают всех, у кого руководитель отмечает все заслуги, но одни готовы рекомендовать, другие не готовы рекомендовать.
• Цветом обозначается пара, объединенная по признаку благодарности руководителя, т.е. розовым цветом обозначены все работники, чьи заслуги всегда отмечались руководителем, зеленый цвет обозначает всех, у кого многи заслуги отмечались и т.п..

Если гипотеза о том, что у возрастных работников потребность в благодарности снижается верна, то мы должны ожидать значимых различий в каких их цветовых пар.  Возможны два варианта поведения:

1. Например, в последней цветовой паре (те, кто не получают благодарности), готовые рекомендовать могли бы иметь более высокое медианное значение по возрасту: если им с возрастом до лампочки благодарность руководителя, значит, они могли бы рекомендовать чаще. Но эта гипотеза сразу отметается. Заметно, что медианный возраст готовых рекомендовать в последней паре не выше, чем не готовых рекомендовать.
2. А вот более интересный результат: в первой цветовой паре у работников (у кого все заслуги отмечаются) правый боксплот мог бы показывать более высокие значения. Т.е. если возрастного подчиненного хвалить, то у него это может вызвать скорее негатив., чем готовность рекомендовать компанию. И обратите внимание: это очень похоже на правду!!! Правый боксплот имеет более высокое медианное значение: если для готовых рекомендовать и получающих все благодарности от руководителя медиана возраста 32 года, то не готовых рекомендовать - 37!!!! 

И самое интересное: Тест стьюдента показывает p-value = 0, 02.
А счастье было так близко!
Мы не забываем про поправку для множественных сравнений. Я использую в нашем случае поправку Тьюки, а более мощная, чем поправка Бонферрони.
                                      p adj
Нет.все-Да.все                 0.2184000
Нет.многие-Да.многие    0.7931134
Нет.нет-Да.нет                 0.8996896
Нет.изредка-Да.изредка  0.9999999

Эта таблица показывает, что в каждой цветовой паре нет значимых различий. 

Резюме:

В свете параметра HR-бренда - готовности рекомендовать компанию - мы не нашли аргументов, почему более возрастных работников стоило бы благодарить реже.
Нет, связь между готовностью рекомендовать компанию и благодарностью руководителя у более возрастных подчиненных проявляется в той же степени, что и у более молодых подчиненных.
Поэтому руководителям можно порекомендовать следующее: если вы хотите, чтобы вашу компанию рекомендовали чаще, не забывайте хвалить более возрастных работников!

Примечания:
я допускаю, что в моей логике могли быть ошибки, прошу указать мне на них;
мы проверили только один параметр - готовность рекомендовать компанию. Допускаю, что по другим параметрам ситуация может быть другой.



__________________________________________________________

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

10 метрик HR, которые вы можете, но, вероятно, еще не используете

Перевод статьи 10 HR Metrics You Should Use But Probably Don’t нашего  проекта переводы статей по hr-аналитике на английском.
Перевод выполнила Ольга Смирнова (по ссылке профиль на Линкедине - рекомендую френдиться с профи),  у Ольги свое, очень интересно дело, она создатель сайтов и он-лайн школ, рекомендую http://smirnovaolga.tilda.ws/ !  Это уже шестой перевод Ольги. Читайте также

1. Лидеры в HR аналитике: непрерывное стремление Capital One к улучшению исследований в области HR
2. Лидеры в HR аналитике: управление практическими исследованиями в Merck & Co
3. Искусственный интеллект в HR: прорывное приложение
4. Лидеры в HR аналитике: совместный подход к исследованиям в Microsoft
5. Как удостовериться, что гибкие команды могут работать вместе

Итак,

10 метрик HR, которые вы можете, но, вероятно, еще не используете

Иногда просто хочется увидеть список HR метрик и найти что-нибудь новенькое. Сегодня будет коротко и ясно: 10 метрик HR, которые вы можете, но, вероятно, еще не используете.

1. Индекс риска выбытия (Retention Risk Index)

Здесь  требуется некое прогнозное моделирование, поэтому это нетривиально, но вы проделаете хорошую работу даже с некоторыми базовыми моделями, такими как логистическая регрессия или дерево решений.
Основной принцип заключается в следующем:

• Используя прогнозную модель, сгенерируйте вероятность ухода для каждого сотрудника
• Отсортируйте этот список сотрудников по результату вероятности увольнений (убывающий порядок)
• Найдите лучших работников в топ-10% вашего отсортированного списка
• Сосредоточьте на этих людях усилия по удержанию или развитию карьеры, переговорам и т. д.

2. Коэффициент текучести (скользящее среднее) (Turnover Rate (Running Average))

Текучесть часто рассчитывается ежемесячно. Но, как я подчеркнул в своих постах signal-to-noise, одержимость измерением текучести на ежемесячной основе означает, что вы тратите время, частично исследуя случайные ежемесячные колебания.

Мы можем использовать скользящее среднее, чтобы сгладить некоторые из искажений, но по-прежнему предоставлять руководству самые актуальные показатели. Я бы, например, предложил использовать трехмесячный средний показатель.

Вот простые шаги, если вы не знакомы с ним:

• Рассчитайте коэффициент текучести за каждый отдельный месяц как обычно. Я бы предложил делать это с данными как минимум за два года
• Затем для каждого месяца добавьте к текущему коэффициенту текучести данные по текучести за два предыдущих месяца.
• Разделите эту сумму на 3 (потому что вы добавили три показателя)
• В качестве примера – скользящий средний показатель текучести в августе будет средним значением текучести в июне, июле и августе. В сентябре - средний показатель в июле, августе и сентябре и т. д.

Обратите внимание - это означает, что вы не сможете создать скользящее среднее значение за первые два месяца диапазона данных, потому что у вас не будет двух предыдущих месяцев. Хотя в действительности никто не обратит на это внимания, потому что эти недостающие месяцы уже далеко в прошлом.

3. Коэффициент отношения повышений к переводам (Promotion-to-Transfer Ratio)

Это отличный показатель для понимания характера внутреннего движения. Это просто и просто мощно.

Количество повышений за период
______________________________
Количество переводов за период

Я бы придерживался ежеквартального измерения.

4. Коэффициент чистого найма (Net Hire Ratio)

Это хороший показатель для немедленного понимания того, увеличивается ли или сокращается ваш штат.

Количество приемов извне за период
________________________________
Количество увольнений за период


Здесь я бы так же использовал квартальные вычисления… достаточно часто, чтобы быть полезным, достаточно долго, чтобы ограничить влияние искажений.

5. Потеря опыта лучших сотрудников (Top Performer Experience Loss)

Метрика: общее количество лет пребывания в должности для всех уходящих лучших сотрудников. Это так просто, что не должно считаться метрикой.
Однако если вы считаете, что это не полезно, скажите мне, какой из следующих результатов привлекает ваше внимание:

1. В первом квартале текучесть лучших сотрудников составила 5,2%
2. В первом квартале нашу компанию покинули 147 лет опыта лучших сотрудников

Оформление показателя в потерянных годах носит понятный характер и выводит нас из цифрового оцепенения.

6. Средняя скорость повышения (Mean Promotion Speed)

Для всех тех, кто был повышен в какой-либо период, каково среднее число лет их работы в  должности до повышения?

Всего лет в роли до повышения
___________________________
Количество повышений

Я бы предложил более длительный период расчета, вероятно ежегодный, потому что повышения довольно редки.
Вот два способа быть на шаг впереди:

• Посмотрите на распределение этого показателя.
• Посмотрите на своих нынешних лучших сотрудников и определите тех, чьи годы в текущей роли отклоняются на один пункт выше от среднего.

7. Коэффициент внутреннего найма (Internal Hire Rate)

Этот показатель также относится к категории «Мы заботимся о сотрудниках».

Общее количество внутренних переводов за период
____________________________________________
Средняя численность за период

Мы перемещаем людей по компании? Мы даем им различный опыт и расширяем их знания об организации? Все статичны и застряли?
Примечание: Средняя численность персонала - это то же самое, что мы обычно делаем для измерения текучести и других показателей: это просто среднее число сотрудников в начале и конце периода измерения.

8. Отношение внутреннего / внешнего найма (Internal/ External Hire Ratio)

Иногда внутренний найм это здорово, потому что вы сохраняете знания компании. В других случаях вам нужна свежая кровь, новые идеи.

Общее количество внутренних приемов за период
___________________________________________
Общее количество внешних приемов за период

9. Изменение показателя производительности (Performance Ratings Change)

Еще одна «это так просто, это едва ли метрика» метрика.
Метрика: вычесть текущий показатель производительности из прошлогоднего показателя для каждого отдельного сотрудника.
Как и в случае с другими показателями, сделайте некоторые расчеты, отсортируйте данные по разным отделам, по возрасту или полу или еще как-то по-другому. Что вы узнали?
Команды продаж измеряют производительность из года в год всегда, но команды HR это делают редко. Я понятия не имею, почему.
Как мы можем ожидать повышения производительности, если мы сами не рассматриваем ее повышение?

10. Коэффициент удержания в первый год (First-Year Retention Rate)

Хорошо, я уверен, что многие из вас используют этот коэффициент... но я так же уверен, что некоторые из вас этого не делают.
Метрика: процент принятых извне сотрудников, которые фактически работают в течение как минимум года. Просто не забудьте отфильтровать свои расчеты по тем, чей день приема был по крайней мере год назад. Это легко упустить из виду, что заканчивается заниженным показателем, потому что вы считаете тех, кто был нанят всего 6 месяцев назад.
Наем стоит дорого. Обучение стоит дорого.
Обратите внимание на этот показатель и соответствующим образом скорректируйте свою деятельность.

Заключение

Придерживаясь принципа коротко и ясно, дайте мне знать, что вы думаете.
Если вы хотите больше таких списков, дайте мне знать. Если вы хотите больше погрузиться в область метрик, дайте мне знать.
Если вы хотите что-то еще, сообщите мне об этом.

Статьи с тему метрик и текучести:

1. Как считать текучесть персонала в excel (кейс на примере конкретной компании)
2. 17 метрик рекрутинга, о которых вам нужно знать
3. 14 примеров HR-метрик
4. 70 HR-метрик с примерами (постройте свой собственный дашборд)
5. Что такое HR-dashboard и HR-отчет? Примеры, визуализации и советы как это сделать

__________________________________________________________

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

A/B test: инструмент рекрутера повышения отдачи от вакансии (предложение job сайтам)

Это предложение не только для job сайтов, но и для карьерных порталов компаний, но поскольку у нас карьерные порталы чаще это средство удовлетворения амбиций HR, а не рабочий инструмент привлечения кандидатов, то обращаюсь я скорее к представителям job сайтов.

Суть A/B testing-а проста (см. также A/B тест: технология, которая меняет правила бизнеса): вы делите выборку пополам (но при этом выборки по признакам (пол, возраст и т.п.) одинаковы), даете им два разных стимула и смотрите на отдачу от каждой подвыборки. Например, вы даете детям зеленое и красное мороженое и смотрите, какое лучше едят.
Применительно к нашей ситуации, задача A/B testing-а выглядит так: job сайт клиентам предлагает разместить два разных варианта одной и той же вакансии.
ВАЖНО: рекрутеры (компания) сами определяют, что указывать в разных версиях вакансии (писать про плюшки или про agile). Кроме того, Заказчик (рекрутер) указывает срок эксперимента. Про это чуть дальше.
Далее job сайт в рамках A/B testing-а берет на себя обязательство обеспечить рандомный доступ к вакансии (т.е. все кандидаты и иже с ними буду случайным образом (запомните умное слово - рандомно) перенаправляться на один из вариантов вакансии). Рандомность нам нужна здесь для уверенности в том, что выборки идентичны с т.з. парметров кандидатов: пол, возраст, образование и т.д...
После завершения эксперимента (напомню, что рекрутер сам указывает срок эксперимента) job сайт выдает вот такую статистику:

	версия 1	версия 2
Просмотры	546	551
Общее время просмотра (мин)	110	83
Отклики	13	28

И к этому вот, например, такую фразу: Z-критерий для разности долей откликов на вакансию p-value = 0.018377.
Для вас, как для Заказчика это означает, что вторая версия вакансии дала значимо бОльший % откликов.
Понятно, что это только контур продукта, его можно допиливать, но идея такая.
Один очень важный плюс: здесь уже нечего будет языком бла бла бла по поводу того, что писать в вакансии, верно? Тут экспертиза проверяется математикой, не так ли?
На карьерном портале можно играться не только текстом вакансии, но и дизайном оформления.

Хотели бы вы такой сервис A/B testing-а от job сайтов?

__________________________________________________________

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

EdCast развивает рынок LXP с акцентом на повышение квалификации в мировом масштабе

Перевод статьи EdCast Expands The LXP Market With Focus On Global Upskilling в рамках нашего  проекта переводы статей по hr-аналитике на английском. Автор статьи Josh Bersin - я затрудняюсь представлять автора,  он настолько известен, что непонятно, что можно говорить - по ссылке с имени автора его статьи в нашем блоге. Но самая популярная его статья на сегодня вот
Джош Берсин. Переворот рынка HR технологий: 10 топ трендов 2018

Перевод этой статьи выполнила Екатерина Соколова, (ссылка на профиль ВКонтакте) - c&b Байкальский банк, ПАО Сбербанк (рекомендую этого специалиста).Это четвертый перевод Екатерины, см. также:

• Самая большая ошибка большинства в HR-аналитике?
• Wegmans: оценка ценности корпоративных льгот для сотрудников
• 5 истин об HR-аналитике (IBM Watson Talent)

Итак

EdCast развивает рынок LXP с акцентом на повышение квалификации в мировом масштабе

Как я объяснял в нескольких статьях за последние недели, рынок Платформ обучения (Learning Experience Platform - LXP) растет быстро. На данный момент это рынок охватом более 200 миллионов долларов, ежегодно прирастающий на 100%, основные игроки – компании Degreed, EdCast, Fuse, CornerstoneOnDemand, SkillSoft, Valamis.
В этой статье я хочу представить компанию EdCast, одного из первых игроков в этом пространстве, и рассказать, как компания фокусируется на повышении квалификации, путем создания серии «рынков навыков».

О компании EdCast

EdCast была основана в 2014 году разработчиком программного обеспечения Карлом Мехта. Карл открыл компанию, когда был инвестором, изучавшим технологические тренды компаний своего порфтолио. Он увидел потребность в информационном инструменте, который поможет людям учиться и быть в курсе технологических трендов.
Хотя Карл пришел не из HR, он привносит технологическую перспективу в пространство LXP. Он успешный разработчик (он был основателем и генеральным директором PlaySpan Inc., приобретенным Visa Inc.), работал в качестве Президента по инновациям в Белом доме при администрации Обамы, был в консультативном совете Intel Capital, и основал некоммерческую, основанную на технологиях, компанию силиконовой долины CodeforIndia.org. Поэтому он видит мир навыков и образования в глобальном масштабе.
Он позиционирует EdCast как «облако знаний для цифровой экономики» (“the knowledge cloud for digital economy”) и мне нравится первый термин, характеризующий компанию: «Netflix Обучения» (см. статью Netflix как система подбора персонала и создания команд). Он видит LXP технологию как вертикальную платформу поиска и контента, используемую для развития навыков в любой сфере.
EdCast хочет стать платформой обучения и поиска информации для  разноплановой аудитории. Для продвижения этой стратегии EdCast приобрел 2 компании (Sociative – компания с машинным обучением, основанная двумя специалистами по машинному обучению; и Sales University – компания, построенная на решении для продаж на основе искусственного интеллекта). EdCast так же представил GuideMe, инструмент цифровой активации, конкурентный на растущем рынке онлайн-систем поддержки производительности (WalkMe, SAP EnableNow и другие).
Почему такие компании приобрел EdCast? EdCast видит корень проблемы в управлении цифровыми знаниями, поэтому компания строит образовательную платформу, наполненную контентом, опытом и глубоким уровнем машинного обучения.

Стратегия EdCast’s по повышению квалификации и контенту 

Серия последних заявлений раскрывает направление движения компании. Рассмотрим два рынка для развития навыков в бизнесе:

Внутри корпоративное обучение: Внутри компании (зеленый круг слева) LXP имеет инструменты для сбора, публикации, размещения и персональной рекомендации необходимых сотрудникам тренингов, статей, видео и документов. С помощью машинного обучения программа подберет образовательный контент в соответствии с Вашей ролью, желаемыми для обучения навыками и в сравнении с другими экспертами. У каждой компании своя специфика, свой внутри корпоративный контент,  карьерное развитие, поэтому LXP становится внутренней платформой переподготовки и инструментом карьерного развития, уникальным способом работы Вашей компании.

У многих компаний большой пробел в этой области. Один из клиентов EdCast, к примеру, имеет более восьмидесяти платных подписок на разрозненных ресурсах. LXP может собрать эту информацию и сделать доступной для людей, которые даже не подозревали, что это возможно.

Публичное и профессиональное повышение квалификации:

В экономическом мире (голубой круг справа) LXP может представлять одинаковую функцию для профессиональных кругов, сообществ и глобальные программы повышения квалификации, выходящие за рамки компании. EdCast сфокусировался в этой сфере с помощью широкого использования и глубоких экспертных знаний в нескольких профессиональных отраслях.

Пока корпоративные закупщики фокусируются на проблеме с одной стороны, на специфике компании, им необходимо решать проблемы с другой стороны, со стороны помощи каждому сотруднику индивидуально повысить профессиональные навыки. Два этих рынка очень близки.

Поставщики LMS удвоили свое присутствие на рынке, продавая LMS коммерческим организациям, образовательным институтам, некоммерческим организациям и прочим компаниям. Но это было непросто, поскольку SCORM API не совмещает контент и пользовательские данные.

В рынке LXP, где публикуемый и распространяемый контент интегрирован и упрощен машиной, мы можем воспринимать эту проблему как набор вертикальных «рынков навыков» (общие курсы, учетные данные, модели навыков и так далее в определенной профессии). Это то, к чему EdCast стремится.

Небольшой бэкграунд по машинному обучению в обучении

Чтобы понять, как объединяются голубой и зеленый круги, необходимо кратко рассказать о машинном обучении. Поскольку платформа программного обеспечения получает данные (Google, Netflix, Amazon, Facebook и прочие), инженеры могут писать алгоритмы предсказания поведения, улучшения рекомендаций и совершенствования поисковых результатов. Netflix применяет это в киноиндустрии, Amazon – в шоппинге, Google – для глобального поиска. Данные – это двигатель, питающий компании, именно он учит систему поведению пользователей и их желаниям.

Алгоритмы искусственного интеллекта и машинного обучения, что важно заметить, являются больше товаром. Инженеры могут найти алгоритмы машинного обучения как на общедоступных ресурсах, так и могут использовать программный интерфейс Google, IBM Watson и Amazon в качестве инструмента. Чем больше и глубже становится набор данных (более объемный в конкретной области), тем умнее становится система.

В примере с развитием сотрудников проблема предоставления обучения, соответствующего работе, - комплексная. (Я считаю, что эта проблема «вертикального поиска» как Google for Jobs, Google Image Search и тому подобное). Мы должны рассмотреть это направление деятельности, соответствующие ей навыки, уровень подготовки персонала, желаемые навыки и обязанности, и, в заключении, авторитет и навыки ментора у автора или коуча. Необходимо проанализировать много данных.

Как я и предполагал, все данные можно объединить в четыре категории:

При таком богатом наборе данных есть множество возможностей машинного обучения, чтобы добавить ценность продукту. Хорошо выполненные могут принимать данные, разносить по категориям и, со временем, учиться – чем больше пользователей и контекста, тем лучше.

Компании, давно специализирующиеся в этой области, к примеру, Netflix, создали «персоны» разных потребителей, поэтому они знают, какой тип фильмов и контента предложить каждой группе пользователей. Facebook сделал аналогичную вещь, и, я предполагаю, Amazon тоже (предлагаю, Amazon создал множество профилей покупателей в своих алгоритмах). Спустя какое-то время мы будем делать то же, что LXP: становиться умнее от обучения IT, тренингов по безопасности, продажам и так далее.

Пока все компании, специализированные на LXP, работают над этим (Cornerstone, Degreed, EdCast, Filtered, Fuse, Skillsoft, Valamis и другие), инженеры предполагают, что лучшим предложением станет то, у которого будут лучшие данные. Он должен быть специфичным и глубоким, чтобы мы могли применять повторяющиеся модели к каждой стратегии обучения (часто это называется узким искусственным интеллектом, потому то сфокусирован на конкретной проблеме).

Предположим, Вы – инженер и вы хотите узнать, как программировать в блокчейне. Если Вы купите книгу по теме, Вам это поможет в начале, погрузит в концепцию, покажет код и даст Вам примеры. В LXP Вы можете получить доступ к сотням книг, курсов, сертификатов и экспертным материалам, а машинное обучение потенциально может подобрать все это в соответствии с индивидуальными потребностями.

Что сейчас делает EdCast’s

Позвольте кратко рассказать о трех анонсированных масштабных направлениях.

Глобальная программа обучения NASSCOM

Первое, о чем я хочу сказать, глобальная программа обучения NASSCOM.

 NASSCOM – одно из  крупнейших сообществ профессионального развития в сфере IT, аутсорсинге и технических навыках. Организация, штаб-квартира которой находится в Индии, поддерживает более 4 миллионов технических специалистов и специалистов по аутсорсингу, предоставляя учебные курсы, карты навыков, карьерные обозреватели и профессиональных программы для некоторых крупнейших мировых компаний. Благодаря тому, что экономика Индии – одна из самых быстро развивающихся, Индия стала глобальным центром технического аутсорсинга. NASSCOM владеет огромной информационной базой данных о навыках будущего.

Прямо сейчас, сотрудничая с EdCast, NASSCOM создала Инициативу будущего обучения, которая определила девять критически важных технологий для IT специалистов всего мира. Это: искусственный интеллект, виртуальная реальность, большие данные и аналитика, интернет вещей, робототехника, 3D печать, социальность и мобильность, облачные вычисления и кибербезопасность.  Все девять охватывают довольно широкую гамму.

Для каждой из девяти областей (для искусственного интеллекта, больших данных и робототехники уже запущены) NASSCOM развивает набор из 55 ролей и ключевых навыков, создавая вводные и продвинутые пути обучения, объединяя сотни часов обучения, контента и профессионального развития. С тех пор, как клиентами NASSCOM стали крупнейшие мировые компании из списка Fortune 100, пользователи смогли собирать, курировать и создавать пути для технических потребностей крупных компаний во всем мире.

NASSCOM планирует использовать EdCast для сортировки контента и вдохновения предметных экспертов на публикацию широко варьирующихся материалов для ИТ-специалистов. Компания сотрудничает с образовательными агентствами Индии и рассчитывает представить «рынок навыков» своим потребителям чуть позже в этом году.

Так же NASSCOM планирует построить центр сертификации и оценки, который поможет техническим специалистам получить уверенность, что они освоили знания, необходимые в конкретной области. Первоначальные партнеры впечатляют: Wipro, Infosys, Genpact, Tech Mahindra, Google, Amazon, Microsoft и другие.

Образовательная программа Всемирного экономического форума

Вторая образовательная программа, поддержанная EdCast, Образовательная программа Всемирного экономического форума (ВЭФ), www.theskillset.org. Хотя цели программы похожи на NASSCOM, подход отличается. ВЭФ разрабатывает общедоступную программу, объединяющую технический и профессиональный развивающий контент от нескольких крупнейших мировых компаний. Компании предоставят самостоятельно разработанные материалы, благодаря которым люди по всему миру будут учиться, получать сертификаты и изучать новые навыки. Компании, вовлеченные в проект, впечатляют: Cisco, PEGA, Salesforce, SAP, HP Enterprise, CA, Cognizant, Tata Consultancy, PWC, Accenture – официально названные партнеры. Каждая из компаний предоставила старшего исполнительного спонсора для работы с ВЭФ, совместно строится общедоступный каталог и система навыков.

Конечно, массивные усилия по сбору такого рода сложны, так как много перекрестных материалов, разных форматов и разных определений компетенций. Используя LXP, однако, можно рассортировать контент относительно навыков, работы и поставщика, а машинное обучение снова сделает это более подходящим спустя какое-то время.

Образовательная программа Норвегии

Третья образовательная программа, подкрепляемая EdCast, – это Nordic Futures project, инициатива по созданию цифровых и социальных навыков для работающего населения Норвегии. Поскольку бренд новый, его цели схожи с программами NASSCOM и ВЭФ, – стимулировать людей делиться знаниями, курировать информацию и создавать новые навыки при максимально низких затратах.

Влияние на рынок LXP и EdCast

Что все это значит для рынка LXP в целом и EdCast в частности? Все просто. Помните, что первоначальной целью Образовательной Экспериментальной платформы было создание обучения, подходящего конкретному человек, а не просто управление образовательными программами. Работая с компаниями этого сегмента, EdCast надеется получить доступ к большому количеству контента и данных и стать умнее в том, какая карьера, контент и навыки нужны людям. Я предполагаю, что среди компаний рынка LXP будет гонка, чтобы пойти дальше этих программ.

Выбор LXP:

Если Вы решили приобрести LXP для Вашей компании, я рекомендую Вам задуматься о вещах, освещенных в статье.

Достаточно ли платформа умна, чтобы рекомендовать правильный контент для Ваших пользователей и необходимых навыков? Способна ли платформа поглощать, отмечать, категорировать, достаточно ли быстро учится адаптироваться к новому контенту и не генерирует мусор, если Вы смотрели что-то не по теме? Есть ли у поставщика персонал с навыками и инструментами очистки данных, устранения дубликатов, которые Вы создаете, и создания новых алгоритмов, чтобы становиться умнее? Есть ли у программы система безопасности для защиты конфиденциальных данных? Достаточно ли система пластична, чтобы отображать все «семейства»  компании, оптимизировать их использование для нужд обучения?

Поскольку рынок растет и машинное обучение становится более зрелым, я обещаю рассказать вам больше о том, чему я научился, и, как всегда, рад вашим история и опыту. 

__________________________________________________________

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

Анализ тональности текста с использованием word2vec и реализацией в pipeline Python

Анализ тональности текста или сентимент анализ - это метод классификации текста. Самый популярный пример из курсов по машинному обучению - прогноз оценки, которую поставит посетитель ресторана заведению на основе его отзыва. Или, по другому, можем ли мы спрогнозировать на основе отзыва посетителя, будет ли он рекомендовать этот ресторан или нет.
В HR сама собой напрашивается аналогичная задача: можем ли мы спрогнозировать на основе отзыва увольняющегося работника в exit интервью спрогнозировать, будет ли он рекомендовать нашу компанию коллегам / будет ли он отзываться о компании позитивно или негативно. Хотя, безусловно, класс решаемых задач значительно шире. Я бы отослал здесь к статье Raja Sengupta Как NLP может в корне изменить HR. NLP - это Natural language processing или проще - анализ текстов. Моя задача проще - я хочу показать код для решения одной задачи в Python.

word2vec vs "bag of words"

Одним из самых популярных методов анализа текстов (а точнее, этот метод просто хронологически более ранний - и, может быть, более интуитивно понятный) является метод "мешок слов "bag of words". Мы просто получаем столько переменных, сколько у нас слов в тексте (исключая "мусорные" или редкие слова). Т.е. если в отзывах у нас используется 1 485 слов, то у нас будет 1485 новых переменных / колонок. И если в отзыве содержится слово - оно же название переменной - то переменная принимает значение "1", в противном случае "0". Т.е. если респондент написал отзыв "хорошая компания", то из 1485 ячеек напротив данного респондента будет только две "1" - в колонках "хорошая" и "компания".
Этот подход интуитивно понятен, но он имеет ряд недостатков (что делать с "не"? и т.п...), но главное: в этом подходе не отражается смысл слов, фраз.
word2vec
Преодолением такого подхода является метод word2vec (буквально 'word' to 'vector'), который превращает весь текст в N-мерное пространство, и каждое слово это вектор со своими координатами, т.е. буквально можно записать так:

'опрос': array([ 0.05069825, -0.01941545,  0.00567565, -0.0276236 ,  0.01180002,
      .......  0.00385726])
Не показываю весь вектор, потому что он имеет 100 значений. И эти 100 значений - это переменные в нашем уравнении.
"Плюс" этого метода в том, что близкие по значению слова имеют близкие координаты векторов. Например, когда я делал модель для функционала HR, то для слова "компенсации" самые близкие координаты вектора имело слово "c&b". И это замечательно, потому что в подходе "bag of words" слова "c&b" и "компенсации" это разные слова, а в подходе word2vec эти слова хоть и не идентичны, но очень близки.

Данные

У меня свой датасет, которым я с вами не поделюсь, но вы можете опробовать этот код на своих данных. Структура данных достаточно проста:

1. переменная "текст";
2. бинарная переменная 1/ 0, +1 / -1 и т.п..

Я свои данные взял из нашего исследования факторов текучести персонала (участвуем в исследовании) . Помимо всего прочего, в нашем опросе есть две переменные:
"Отзыв о компании";
"Готовы ли Вы рекомендовать эту компанию в качестве работодателя своим знакомым, коллегам?"

Реализация в Python

Итак, начинаем  с загрузки данных

import pandas as pd
import numpy as np
df = pd.read_csv('data.csv', sep=',', encoding = 'cp1251')
df.info()
Data columns (total 2 columns):
y 792 non-null int64
Отзыв о компании 792 non-null object
dtypes: int64(1), object(1)

df['y'].value_counts()
1    404
0    388
Name: y, dtype: int64

Да, у нас очень небольшой датасет, лучше иметь несколько тысяч, даже несколько десятков тысяч строк данных. Но моя задача скромнее - показать алгоритм. Выборка у нас достаточно сбалансированная - соотношение тех, кто готов рекомендовать компанию, и тех, кто не готов - почти 50/50.
Первая задача, которую нам надо решить - создать словарь слов. Т.е. присвоить каждому слову координаты вектора. Для этого нам необходимо взять весь текст и обучить его. Но прежде нам необходимо преобразовать наши отзывы из формата pandas в формат, годный для преобразований word2vec.
Преобразуем таким образом

import nltk
import nltk.data
tokenizer = nltk.data.load('tokenizers/punkt/english.pickle')
from nltk.tokenize import sent_tokenize, word_tokenize
import re 

 def preproc(sentence):
    sent_text = re.sub(r'[^\w\s]','', sentence)
    words = sent_text.lower().split()
    return(words)

 def senttxt(sent, tokenizer, remove_stopwords=False ):
        raw_sentences = tokenizer.tokenize(oped.strip())
        sentences = []
        for raw_sentence in raw_sentences:
            
            sentences.append(preproc(raw_sentence))
        
        len(sentences)
        return sentences

txt_snt = df['Отзыв о компании'].tolist()
sentences = []
for i in range(0,len(nyt_opeds)):
    sent = txt_snt[i].replace("/.", '')
    sentences += senttxt(sent, tokenizer)

В итоге мы получаем объект вот такого формата

sentences[0]
['классическая',
 'российская',
 'компания',
 'с',
 'назначениями',
 'не',
 'по',
 'знаниям',
 'а',
 'по',
 'личной',
 'приверженности',
 'не',
 'соблюдающая',
 'свои',
 'же',
 'правила',
 'делающая',
 'глупость',
 'за',
 'глупостью',
 'и',
 'оправдывающая',
 'их',
 'еще',
 'большими',
 'глупостями']

Этот формат уже можно использовать для создания словаря. Что мы и делаем.

Для удержания новых сотрудников, встречайтесь с ними в их первую неделю работы

Перевод статьи To Retain New Hires, Make Sure You Meet with Them in Their First Week в рамках нашего  проекта переводы статей по hr-аналитике на английском. Статья опубликована в Harvard Business Review, и это сама по себе рекомендация. Один из авторов статьи Dawn Klinghoffer, лидер  HR Business Insights компании Microsoft. И статья про результат, полученный в Microsoft. Рекомендую также интервью с Dawn Klinghoffer, Лидеры в HR аналитике: совместный подход к исследованиям в Microsoft.
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. Это третий перевод Светланы, смотрите также

1. Unilever нанимает сотрудников, используя интеллектуальные игры и искусственный интеллект, - и это стало огромным успехом - самая популярная статья 2018;
2. Опросы сотрудников - по-прежнему один из лучших инструментов измерения вовлеченности

Итак,

Для удержания новых сотрудников, встречайтесь с ними в их первую неделю работы

Dawn Klinghoffer
Candice Young
Xue Liu

Первое впечатление на рабочем месте действительно важно – и не только для работодателя. Новые сотрудники формируют впечатления о компании начиная с самого начала, и это влияет на их решение остаться в компании в долгосрочной перспективе. Негативный опыт в период адаптации может привести их к ненужной и непредотвратимой текучести персонала, стоимость которой может достигать до двух годовых размеров заработных плат работника.
Однако, измерить успешность мероприятий по адаптации сложно. В Microsoft,  где мы нанимаем тысячи людей ежегодно, нам не хватало эффективного способа измерить восприятие нашего процесса адаптации, кроме попытки сделать выводы из количества потерь персонала.
Стремясь лучше понять то, что мы считаем «ранней текучестью», мы обратились к очевидной возможности, которая была упущена.  Мы начали просто спрашивать сотрудников об их опыте.  Мы создали опрос и обратились к ним после их первой рабочей недели, а затем снова через 90 дней, чтобы узнать о новом опыте сотрудников и первых впечатлениях от Microsoft.
Из опроса мы узнали, что мелочи очень важны для новых сотрудников - например, иметь рабочий компьютер и немедленный доступ к зданию, электронной почте и корпоративной компьютерной сети в первый рабочий день.  Исходя из этого, мы привлекли людей из отделов расчета зарплаты, ИТ, иммиграционного, юридического, всеобщей безопасности, обучения, закупки, найма и HR для достижения общей цели: Удостовериться, что новые работники являются продуктивными в первый рабочий день.  Каждый член команды способствовал достижению общей цели, и в результате все организационные барьеры были разрушены.  Теперь мы ежемесячно просматриваем прогресс, обучаем и обмениваемся идеями и отзывами, чтобы гарантировать успех всех новых сотрудников.
Погружаясь глубже, мы хотели понять, как их раннее поведение влияет на вовлеченность примерно 3000 новых сотрудников.  Благодаря партнерству с подразделением Microsoft Workplace Analytics мы сопоставили анонимные метаданные календаря и электронной почты (в той же мере анонимными) с данными о вовлеченности.  Утверждения, которые мы использовали для оценки вовлеченности, были «Я горжусь тем, что работаю в Microsoft» и «Я ожидаю, что буду работать в Microsoft в течение __ лет».
Мы узнали, что для нового сотрудника очень важно встречаться один на один со своим менеджером в течение первой рабочей недели.  Те, кто делал это, видел ранний рост по трем ключевым направлениям.

1. Во-первых, они, как правило, имели внутреннюю сеть на 12% больше и вдвое больше количество информационных потоков в течение 90 дней.  Это важно, потому что сотрудники, которые развивают свою внутреннюю сеть, чувствуют свою принадлежность к компании и могут оставаться в компании дольше.  Например, величина показателя намерения остаться по нашему опроснику у сотрудников, которые взаимодействуют внутри, на 8% выше нашего прогноза.  Они также сообщают о более сильном чувстве принадлежности к своей команде, сохраняя при этом свое подлинное «Я».
2. Во-вторых, у них были встречи более высокого качества.  Более качественные встречи имеют меньше отказов от участия, меньше уровней контроля посещаемости, меньше участников, которые отправляют электронные письма во время встреч, и меньше участников в целом, и они, как правило, короче (один час или меньше).
3. В-третьих, они потратили почти в три раза больше времени на взаимодействие со своей командой, чем те, у кого не было встречи с руководителем один на один.  Это раннее взаимодействие в команде важно: сотрудники, которые проводят больше времени во взаимодействии, имеют более высокие шансы на успех от принадлежности к команде, чем те, кто этого не делает, и они склонны сообщать о более качественных встречах.

Эти и другие идеи помогают нам пролить свет на опыт адаптации сотрудников и дают нам направление для изменений, чтобы еще больше улучшить найм новых сотрудников.  И это только начало для Microsoft.  В настоящее время мы экспериментируем с другими способами улучшения работы по адаптации, уделяя особое внимание рабочим связям новых сотрудников, особенно когда руководитель работает в другом месте.
Но в конце концов, все сводится к следующему: не стоит недооценивать силу встреч с руководителем один на один в первую неделю.  Это звучит очевидно, но для нового сотрудника это может быть самая важная связь, которую необходимо установить.

__________________________________________________________

На этом все, читайте нас в телеграмме и вконтакте