Тренды текучести персонала в США

На диаграмме - уровень текучести персонала в США - voluntary - или по инициативе работника, по собственному желанию.
Опубликовано в Hurrah For Quitters. Обратите внимание, этот пост из блога Nate Silver - см. например  Интересный формат обучения от Google.
Автор поста делает вывод: рост текучести - знак доверия экономике страны. Если человек бросает свою работу, значит он уверен, что не останется без средств к существованию, без работы

Взаимосвязь текучести персонала и времени зачатия ребенка в Швеции

В рамках подготовки к семинару по управлению текучестью персоналом на основе данных изучаю книгу шведского ученого Göran Broström-Event History Analysis with R-CRC Press (2012).
В книге помимо прочего приводится статистика фертильности (плодовитости) женщин. Статистика первой половины 19 века (!). Помимо прочего идут такие показатели: дата замужества, дата рождения первого ребенка, дата рождения второго ребенка и т.д...
Я человек окончательно испорченный, вижу сразу самое непотребное: я обратил внимание, что во многих случаях разница между датой выхода замуж и рождением первого ребенка менее 9 месяцев. Захотелось ответить на вопрос: а каков % тех женщин, что зачали ребенка до замужества.

деление здесь 0, 25 соответствует 3-м месяцам, 0,5 - полгода, 0, 75 - 9 месяцев, 1 - год. Заметно, что мода приходится на 0, 75 лет или 9 месяцев и соответствует интуитивной гипотезе, что бОльшая часть женщин зачинают ребенка в брачную ночь.
Медиана - 9, 72. И 42, 3 % имеет разницу между датой замужества и рождением первого ребенка менее 9 месяцев. Нужно учитывать срок беременности, но я думаю, что распределение срока беременности носит нормальное распределение, поэтому мы достаточно уверено можем сказать, что у примерно 40 % шведских женщин в 19 веке момент зачатия предшествовал свадьбе.
Для сравнения: всего было 1857 обследуемых женщин, частота указана по оси Y. Следовательно в первые три месяца после замужества ребенка родили примерно 15 % = (50 + 100 + 125)/ 1857. Можно посчитать точнее, но мне уже лень
.....
Для тех, кто следит за моими постами по текучести персонала, поняли ли вы, почему я привожу кейсы, далекие от HR?
Управление текучестью персонала на основе данных - базовый показатель текучести персонала
Я бы еще вывод сделал: аналитика - это серьезный труд, который приносит результаты через годы, нельзя сегодня поставить задачу, а завтра получить результат. Более того, аналитика не есть проект, а процесс: не думаю, что церковнослужители думали о том, что в 21 веке кто-то будет рыться в их книгах... Это еще и культура данных...

ПыСы

Для пользователей R, Rstudio
library(eha)
data(fert)
Сам же научился делать scale функции hist
hist(g$next.ivl, axes=F)
axis(2)
axis(1, at=seq(0,10, by=0.25), labels=seq(0,10, by=0.25))

Оценка эффективности через обратную связь клиентов (кейс по hr-аналитике)

Решил продолжить тему кейсов по hr-аналитике. Кейсы бывают

• на понимание задачи (см. Кейс по HR-аналитике без цифр (на понимание));
• на получение описательных / дескриптивных статистик ( Управление текучестью персонала на основе данных (кейс- задача для самостоятельной работы));
• на проведение расчетов / анализ (Кейс "Связь оценки по компетенциям и результатов деятельности");
• интегрированные кейсы, где нужно объединить несколько умений: понимание задачи, оцифровка, расчеты (см. HR-аналитика. Вступительный кейс).

Сегодня кейс на умение оцифровывать данные. И на понимание задачи.

Описание

В туалете Тель-авива встретил на выходе вот такое устройство

Любой посетитель туалета может оценить качество чистоты туалета.
Достаточно нажать на любую рожицу. Думаю, смысл рожиц понятен. И также думаю, что использовать это можно не только в туалетах, многие видели это в сбербанке, в других местах, где требуется оценить клиентский сервис. Поэтому пост универсален.

Представьте, что информация с этого устройства выгружается в excel. Далее проводится анализ и принимается решение о том, кто из уборщиц показывает лучшие / худшие результаты. 

Задание

Напишите перечень переменных, минимально необходимых для оценки качества уборки туалета разными уборщицами. Или по другому: дайте перечень колонок в excel, которые необходимо выгружать для проведения анализа эффективности.
Буквально:

1. ....
2. ....
3. ....

Дополнительные вопросы

1. Какой статистический критерий мы можем использовать для оценки эффективности в данном случае?
2. Как мы можем диагносцировать ситуацию, когда какая-нибудь уборщица будет самостоятельно жать на зеленую рожицу?
3. Как (какие переменные добавляет, с помощью какого критерия проводим анализ), мы можем оценить / проанализировать гендерную составляющую в обратной связи клиентов (так мы можем оценить не только, собственно, гендер, но выявить наличие личностной составляющей в оценке, это поможет скорректировать оценку эффективности);
4. Какие другие виды анализа вы бы хотели провести, какие дополнительные переменные вам для этого необходимы и как вы их получите?

      4а. Как вариант: мы решили расписание уборок туалетов и хотим проверить, как это повлияло на качество уборки. Какие переменные необходимы.
Удачи в решении!

Прогноз 2015: российский рынок изменит свое представление о природе ассессмент центра

Изменение глобально одно, но я разобью его на поинты:

1. Валидизация модели компетенций (ценность ассессмент центра) на основе мнений экспертов сменится на валидизацию на основе данных: мы начнем искать корреляции;
2. Изменится отношение к данным: не найдя значимых связей между традиционными процедурами ассессмент центра и эффективностью и т.п.. работников, мы начнем искать данные из других источников. И сюда же: изменятся процедуры ассессмент центра. В качестве далекой перспективы: участник ассессмента будет больше тратить время на электронном ассессменте, на веб симуляторах, а оценка его деятельности будет проходить по логам id session
3. Изменятся процедуры создания модели компетенций: интервью по получению поведенческих примеров потеряет свой вес 
4. Главное: изменится понимание самой природы ассессмент центра: мы потеряем прибежище в виде стройных и чаще всего очевидно понятных психологических конструктов. Например (это фантазия), как бы мы не старались, мы не сможем притянуть компетенцию "клиентоориентированность" к модели. И сама модель будет "кривой", "косой" и за рамками здравого смысла. И нам придется играть с бизнесом в "черный ящик".

Несколько цитат в подтверждение.

Интересный формат обучения от Google

В компании Google приглашают выступать перед сотрудниками известных людей.

Хочу показать, как это делал Nate Silver - для тех, кто не в курсе, кто это, посмотрите фильм "Человек, который изменил все", Nate - это прообраз того выпускника университета, который написал программу, позволяющую предсказывать успешность игроков бейсбола.

Но в видео он скорее в другом качестве - в качестве прогнозиста президентских и парламентских выборов в США

 У вас в компаниях бывает что-нибудь подобное? поделитесь, кого приглашали?

Топ 10 прорывов в HR технологиях

Публикую перевод статьи Джоша Берзина с сайта forbes. Джош публикует подобные программные статьи ежегодно (см. напр статью прошлого года 9 горячих трендов в HR-технологиях … и почти все они - бомба на рынке), этот год не исключение. В этом году перевод мне дался еще более тяжело, чем прежде. И это несмотря на то, что я перевел уже более 100 000 знаков текста Джоша. Дело не в сложности текстов. Дело в освещаемых темах. Берзин все больше удаляется в области, которые нам, "простым смертным", пока недостижимы. Ну в качестве метафоры: погонщику кобылы бессмысленно описывать достоинства паровоза. В каком то смысле эта статья расчитана на наших провайдеров HR софта, чем нашим HR. И многие HR сочтут статью оторванной от реалий их бизнеса. Это так, и это не так. Нельзя рассчитывать на успех, преодолевая ямы на дороге, зная, что кто-то гоняет по автобану...
Статью я переводил, стараясь максимально адаптировать под массового пользователя, по этой причине опускал некоторые технические детали и упрощал текст (профи все равно поймут), я опускал "воду" в тексте, которой, к сожалению, грешит Джош Берзин.
И тем не менее, мой обзор западных статей на эту тему говорит, что тексты Джоша Берзина являются самыми глубокими и системными с т.з. анализа ситуации на рынке HR технологий.
Итак,

Топ 10 прорывов в HR технологиях

Объем рынка HR технологий составляет более 15 миллиардов долларов, приходящего на программное обеспечение, и рынок этот растет и получает инновации.  Мы отслеживаем более 100 новых стартапов в социальном и реферальном рекрутинге, аналитике талантов (talent analytics), научном ассессменте (assessment science), онлайн-обучении, HR систем для среднего бизнеса. Новые инструменты помогают менеджменту выстроить внутренние коммуникации, вовлечение, признание и комфорт рабочее пространства.

Как быстро создавать страты в R (управляем переменными исследования)

Когда то написал пост Как быстро создавать страты (управляем переменными исследования). Этот пост был про то, как метрическую переменную перевести в номинативную или, по другому: задать диапазоны метрической переменной.

В указанном мной посте нужно было переменную возраст (метрическую) разбить на страты / диапазоны:

• до 25 лет;
• 25-34 года;
• 35-44 года;
• старше 45 лет.

В Excel это делается с помощью функции ВПР, в программе R, Rstudio это решается функцией cut

Для нашего примера команда выглядела бы так

где br - точки, которые задают диапазоны, labels - обозначения диапазонов
я крайними точками указал возраст 0 и 100 лет, это потому, что я не знал минимальный и максимальный возраст. Можно задать более точно, узнав минимальный и максимальный возрасты в выборке через функции min и max

Поиск работы: вакансии, резюме

Сегодня создал группу Поиск работы: вакансии, резюме в Линкедин. Создание группы вызвано несколькими причинами:

1. Рост активности по размещению вакансий и резюме у нас в форуме (Трудоустройство: Вакансии и Трудоустройство: Резюме специалистов);
2. Вакансии и резюме все больше размещают не HR специалисты;
3. Ситуация на рынке труда делает эту тему все более актуальной;
4. Ну и просто я верю в силу сети linkedin.

Приглашаю в группу. На сию секунду в ней 2 человека. Вы можете стать свидетелями эксперимента, как растет и развивается группа в linkedin.

Исследование времени поиска работы

Исследование напрашивалось давно и напросилось: будем вычислять сроки поиска работы соискателями и искать факторы, влияющие на эти сроки.
Это будет бенчмарк рынка поиска работы по отраслям, территориям, позициям.
ВАЖНО: мы пригласим к участию в опросе как тех, кто нашел работу, так и тех, кто еще в поиске. Это увеличит количество респондентов и повысит качество исследований.
Я благодарю всех коллег из обсуждения исследования, кто помог мне формулировать вопросы. Я выношу эти вопросы на обсуждение.
Прошу вас покритиковать данные поинты, дать классификации по отраслям, позициям, но особенно хотелось бы получить предложения факторов (гипотез), влияющих на срок поиска новой работы.
Хотелось бы услышать гипотезы о влиянии сразу с предложениями, как можно оцифровать эти факторы.
Итак, вопросы исследований

1. Дата заполнения анкеты
2. Дата увольнения 
3. Инициатор увольнения: Вы / работодатель
4. Дата начала поиска работы (может быть до увольнения; если вы не искали, а Ваш работодатель сам вышел на Вас, поле нужно оставить пустым)

Характеристики прошлого места работы

1. Отрасль (очень бы хотелось получить ссылку на наиболее разумную, на ваш взгляд, классификацию)
2. Размер компании (число работников)
3. Регион
4. Сфера Вашей деятельности (тоже самое: не могли бы порекомендовать 

Личные данные 

1. Пол
2. Год рождения
3. Размер зарплаты на момент увольнения (можно не указывать)
4. Семейное положение на момент увольнения
5. Наличие детей на момент увольнения
6. Образование на момент увольнения
7. Знание английского языка на момент увольнения
8. Жилье: собственное или съемное на момент увольнения
9. Наличие кредитов в банках на момент увольнения

Ваши действия по поиску работы

1. Вставали на учет в Центр Занятости
2. Получали пособие по безработице
3. На каких работных сайтах размещали резюме
4. В каких социальных сетях размещали информацию, что ищите работу
5. Обращались ли к знакомым с просьбой о помощи в поиске работы
6. Звонили ли в компании 
7. Посылали ли резюме в компании по е майл, по почте
8. Посылали ли резюме в КА
9. Приглашали ли Вас на интервью в КА
10. Сколько компаний приглашали вас на интервью (не считая интервью компании, куда вы устроились)
11. Проходили ли обучение: тренинги, семинары
12. Через какой источник нашли работу:

• Вы обратились непосредственно в саму компанию по рекомендации вашего знакомого - работника данной компании
• Вы обратились непосредственно в саму компанию (узнав из рекламы, зная бренд компании и т.п..)
• Работодатель нашел Вас через социальные сети 
• Работодатель вышел на Вас через Ваше резюме на джоб сайте 
• Работодатель вышел на Вас по рекомендации человека, знающего вас
• Вы откликнулись на вакансию на джоб сайте 
• Вы откликнулись на вакансию в социальных сетях 
• Вы откликнулись на на объявление в газете 
• Вы откликнулись на вакансию в разделе Вакансии компании (карьерный портал)
• Кадровое агентство вывело вас на работодателя
• Центр занятости дал вакансию
• другое

Характеристики нового места работы

1. Дата устройства на новое место работы (если вы не устроились - заполнять не надо!)
2. Отрасль
3. Размер компании (число работников)
4. Регион
5. Увеличилась ли Ваша зарплата на новом месте работы: увеличилась / уменьшилась / на том же уровне
6. Сфера Вашей деятельности на новом месте работы
7. Готовы ли рекомендовать данную работу своим друзьям / знакомым и родственникам в качестве работодателя?

Как в Google выстроен процесс подбора персонала

Даю видеозапись выступления HR-директора компании Google Ласло Бок. 

Если английский не ваш конек, вот ссылки на статьи о Google
В Head-Hunting Big Data может быть не такой уж сложной задачей
Как Google стал №3 в списке самых дорогих компаний Мира, используя People Analytics
Обращаю ваше внимание, что выстпление не только про использование аналитики, если я вам уже надоел с этой темой.
Даю два скриншота из выступления

Принципы подбора кандидатов

По каким критериям отбирают кандидатов

И в процессе собеседования используют два типа интервью:

1. Ситуационное (дают гипотетическую ситуацию и спрашиваю, как бы повел себя кандидат, почему, какие результаты и т.п..)
2. Бихевиоральное ("приведите пример решения такой то проблемы")

Ложные корреляции: очищение эффекта (на примере текучести персонала)

Не любителям теории рекомендую пропустить вводную часть, перейти сразу вниз к кейсу.

"Фанаты" моих исследований полюбили новый "контраргумент" результатов моих исследований - "ложные корреляции". Пишу "контраргумент" в кавычках, поскольку те, кто используют его, не понимают сути ложности корреляции. Чаще всего их понимание сводится к тому, что корреляции можно найти всегда, если постараться: между размеров обуви мужчин племени Папуа и количеством опечаток в журнале "Наука и Жизнь" на 1963 год.

Мне даже не хочется останавливаться на такой ерунде, я обозначу то, что меня интересует в ложных корреляциях.

Часто происходит так, что мы выявили связь между факторами X и Y, но эта связь обусловлена неким третьим фактором G, который находится в причинно следственных отношениях с Y. Мы при этом принимаем X за "чистую" монету и получаем некорректную модель.

А именно: ложная корреляция не позволяет нам прогнозировать / принимать правильные управленческие решения. 

В регрессионных моделях преодолеть эту проблему позволяет кросс валидация, но в более простых кейсах я бы предложил включать голову.

В моих исследованиях уже были такие примеры. 

1. Связь между социальной сетью, в которой кандидат проявляет активность, и текучестью персонала (см. Как социальные сети можно использовать в аналитике для рекрутеров). Связь эта опосредована возрастом. А возраст нам не позволяет прогнозировать стаж работы в компании
2. Связь домена электронной почты и текучести персонала. Анализ влияния домена личной почты сотрудника на текучесть персонала. По той же самой причине: gmail пользуются более молодые люди. Но они, молодые люди, не более склонны к увольнению, просто они еще не успели наработать столько, сколько немолодые. 
3. Вчера я выяснил, что ложной корреляцией является корреляция между стажем и тем, как человек добирается на работу: на машине или общественном транспорте - эта связь тоже опосредована возрастом. 
4. В Кейсе по оценке эффективности очного и дистанционного обучения мы выявили значимость различий результатов теста очников и дистанционников, но это не позволяет говорить нам, что очное обучение эффективнее дистанционного, поскольку мы не учли влияние других факторов: например, того, что очники изначально были более подготовлены.

Сегодня покажу, как я "очищал" эффект влияния отрасли на текучесть HR специалистов

Анализ эффективности каналов привлечения (источников трафика) кандидатов

Еще один из результатов нашего исследования факторов текучести персонала (активно участвуем).
Сегодня покажу взаимосвязь между текучестью персонала и каналом привлечения (источником трафика) кандидатов.
Обращаю ваше внимание, что вы можете сделать аналогичный анализ у себя в компании, достаточно иметь следующую информацию:

1. Дата приема на работу
2. Дата увольнения ("живых" тоже используем в анализе, дата увольнения будет пустой)
3. Причина увольнения (а именно: по чьей инициативе произошло увольнение, работодателя или работника - и нас, конечно, последнее интересует)
4. Каналы привлечения кандидатов (у вас свои каналы, я показываю свои - то, как обозначал). 

Внимательные читатели моего блога помнят, что я уже делал подобное (Влияние каналов привлечения (источников трафика) кандидатов на текучесть персонала), сегодня показываю другой инструмент. В прошлый раз я использовал знакомый всем Манн Уитни, сегодня использую более корректный, точнее, более корректные инструменты анализа дожития: Log Rank Кокса и Bresow или обобщенный Вилкоксона. Обращаю ваше внимание, что данный показатель можно использовать не только по уволенным сотрудникам, но учитывать "живых", еще работающих сотрудников в анализе, что повышает качество анализа как минимум за счет большего числа наблюдений. Участники моего семинара Аналитика для HR должны помнить критерий Вилкоксона. По методологии пост идентичен посту Бенчмаркинг: текучесть HR специалистов по отраслям
Также обращаю ваше внимание, что такой анализ можно проводить в отношении любых признаков:

• М/Ж
• женат / не женат
• Высшее образование / не высшее
• Блондины / брюнеты
• Есть собака / есть кошка

Описание задачи

Одна переменная - стаж работы. Другая - источник трафика или канал привлечения: как кандидат узнал о вакансии. Я беру следующие источники:

1. Знакомые - в результатах анализа обозначены как friend
2. Джоб сайты - js
3. Работодатель сам вышел на Вас - emp
4. Кадровое агентство - KA

Результат анализа

Бенчмаркинг: текучесть HR специалистов по отраслям

Пост в продолжение серии постов Управление текучестью персонала. Хочу показать еще один шаблон анализа текучести. Данные взяты из исследования Ключевые факторы удержания и текучести персонала (вы уже поучаствовали? опрос активен до сих пор).
Мы анализируем стаж специалистов по отраслям. Вы же можете использовать этот шаблон для анализа текучести у себя в компании по любому параметру: семейное положение, подразделение, позиция, уровень образования и т.п....
Я писал ранее, что базовый показатель текучести персонала - медиана (см. Управление текучестью персонала на основе данных - базовый показатель текучести персонала). Сегодня добавим еще квартили.

Описание задачи

Итак, в опросе поучаствовало:

1. 49 HR из банков,
2. 44 HR с производства,
3. 39 HR из IT отрасли.

Задача состоит в проверке гипотезы, есть ли разница в текучести HR по отраслям. Или по другому: влияет ли отрасль на текучесть HR.
*Вы хотите сказать, что мало участников? Согласен! Тогда помогите привлечь аудиторию к исследованию