15 кейсов HR аналитики с оценкой эффективности для бизнеса

Перевод статьи 15 HR Analytics Case Studies with Business Impact  нашего  проекта переводы статей по hr-аналитике на английском. Автор - Erik Van Vulpen.
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 тринадцатый (!!!) перевод Ольги. Читайте также

1. Познавательно о процентах
2. 10 метрик HR, которые вы можете, но, вероятно, еще не используете
3. Без цифровой культуры нет цифровой трансформации
4. Следующий вызов для Искусственного Интеллекта: понимание нюансов языка
5. Лидеры в HR аналитике: непрерывное стремление Capital One к улучшению исследований в области HR
6. Лидеры в HR аналитике: управление практическими исследованиями в Merck & Co
7. Искусственный интеллект в HR: прорывное приложение
8. Лидеры в HR аналитике: совместный подход к исследованиям в Microsoft
9. Как удостовериться, что гибкие команды могут работать вместе
10. Moneyball для бизнеса: как Искусственный Интеллект меняет управление талантами
11. HR в рабочем процессе: появилась новая парадигма
12. Пришло ли время пересмотреть масштаб и широту HR аналитики?

Итак,

15 кейсов HR аналитики с оценкой эффективности для бизнеса

Пришло время, когда HR аналитика начинает показывать ценность, которую она приносит бизнесу. Это сложно сделать, поскольку она по-прежнему остается новой областью. В этой статье я собрал 15 лучших кейсов по HR аналитике, которые встречал за последние два года. Каждое из этих тематических исследований связано с конкретным влиянием на бизнес.

Для каждого кейса я буду ссылаться на оригинальную публикацию. Несколько примеров взяты из отличного отчета Strategic Workforce Analytics report от Corporate Research Forum. Это одна из немногих статей, в которых собраны тематические кейсы с оценкой эффективности для бизнеса. Часть других кейсов были опубликованы на этом ресурсе раньше, а некоторые другие - в газетах. Как я уже сказал, я включил только кейсы, которые показали реальные преимущества для организаций.

15 Кейсов HR аналитики.

1. Экономия путем прогнозирования увольнений по собственному желанию. 

13 марта 2015 года Wall Street Journal опубликовал статью под названием «Алгоритм, который рассказывает боссу, кто может уволиться». В статье рассматривается, как Credit Suisse
предсказывали, кто может покинуть компанию. Это был один из первых примеров очень популярной сегодня аналитики увольнений сотрудников.

Мало того, что аналитики Credit Suisse могли предсказать, кто может уйти, но они также могли определить, почему эти люди могут уйти. Эта информация была предоставлена анонимно менеджерам, чтобы они могли уменьшить факторы риска текучести и лучше работать с удержанием своих сотрудников.

Кроме того, специальные менеджеры были обучены удерживать лучших сотрудников, которые имели высокий риск ухода. В общей сложности эта программа сэкономила Credit Suisse примерно 70 000 000 долларов в год. Полную статью можно найти здесь.

2. Включение вовлеченности в доходность магазинов

В Harvard Business Review было опубликовано еще одно занятное исследование HR аналитики на рабочем месте. В статье «Competing on Talent Analytics» авторы описывают свои исследования в нескольких крупных компаниях в США.

Они специально изучили взаимосвязь между вовлеченностью и финансовыми показателями. Вовлеченность часто рассматривается как святой грааль HR - но ее влияние трудно измерить.

Авторы описывают, что некоторые организации «могут определить увеличение вовлеченности сотрудников с точностью до 0,1% в определенном магазине». Они приводят пример Best Buy, где увеличение вовлеченности на 0,1% приводит к более чем 100 000 долларов дохода в каждом магазине в год.

Значение этих соотношений мотивировало Best Buy к ежеквартальному, а не ежегодному опросу вовлеченности сотрудников. Полную статью можно найти здесь.

3. Текучесть в Experian

Утечка персонала была проблемой в Experian. Компания столкнулась с уровнями текучести на 3-4% выше желаемого.

Создав прогностическую модель, которая включала 200 составляющих, таких как размер и структура команды, работа руководителя и продолжительность пути до работы и обратно, они смогли предсказать риск увольнения.

Примером такого фактора риска были команды численностью более 10-12 человек. Группа аналитиков также определила триггеры риска увольнения: когда кто-то переезжал дальше от офиса, это увеличило бы риск немедленного увольнения.

Модель была развернута в нескольких регионах - с небольшими отличиями в алгоритме прогнозирования. Как сообщается, эти данные в сочетании с хорошей практикой управления привели к снижению уровня текучести на 2-3% за последние 18 месяцев, с экономией в среднем от 8 000 000 до 10 000 000 долларов США.

4. Риск увольнения в IBM

Аналогичный анализ был проведен в IBM, где текучесть была высокой в определенных критически важных для бизнеса областях. Используя возможности IBM по машинному обучению - Watson, команда аналитиков HR создала алгоритм, включающий такие источники, как данные о наборе персонала, срок пребывания в должности, история продвижения, производительность, роль, зарплата, местоположение, уровень должности и т. д.

В компании также учитывали настроения сотрудников, измеренные через их Social Pulse. Гипотеза здесь заключалась в том, что вовлеченность в социальные медиа может падать, когда сотрудники думают об уходе.

Инвестиции принесли $ 300 000 000 за четыре года, а текучесть в критических областях снизилась на 25%. Согласно отчету, производительность также улучшилась, а стоимость подбора персонала снизилась.

5. Сохранение ключевых талантов в Nielsen 

Nielsen создали аналогичную прогностическую модель еще в 2015 году. Первая прогностическая модель включала только 20 переменных, таких как возраст, пол, стаж и рейтинг менеджера. Со временем было добавлено больше переменных.

Это обеспечило многочисленные инсайты, в том числе то, что первый год работы имеет наибольшее значение. У сотрудников первого года отслеживали прохождение критических контактных точек. Например, первый чекин с их менеджером должен произойти в течение определенного промежутка времени после найма, иначе приходит уведомление. Это было доказанным, важным условием удержания в течение первого года.

Несмотря на то, что повышение побуждало людей оставаться, горизонтальное продвижение было также сильным стимулом для людей не уходить.

Существенным результатом было то, что c людьми с наибольшим риском ухода в течение следующих шести месяцев была проведена работа, и компания смогла перевести 40% на новые роли. Выполнение этих горизонтальных перестановок увеличило вероятность остаться в компании на 48%.

6. Сокращение дорожно-транспортных происшествий

В Зимбабве состоялось фантастическое исследование влияния качества оценки при приеме на работу. Местный транспортный бизнес хотел снизить стоимость дорожно-транспортных происшествий (ДТП) своих водителей. ДТП не представляли опасности для вовлеченных людей, но эти несчастные случаи задерживали транспорт и были очень дорогостоящими из-за материального ущерба.

Местные консультанты исследовали, могут ли психометрические тесты предсказать, если некоторые люди имеют более высокую вероятность быть вовлеченными в дорожно-транспортное происшествие, чем другие. Если эти факторы могут быть идентифицированы, они могут использоваться в качестве критериев отбора для новых сотрудников.

Они обнаружили ряд очень полезных идей. Прежде всего, оказалось, что популярный Defensive Driving Certificate (DDC), который должны были получить водители, не влиял на их вероятность попасть в аварию.

Измерение уровня концентрации и реактивная стойкость к стрессу были связаны с склонностью к авариям, а также с тем, сколько лет водитель имел водительские права. Оценка базовой концентрации водителя и реактивная стойкость к стрессу до их найма имела смысл. Так же как и прием более возрастных водителей, поскольку они были более опытными. 

Подробные сведения об этом кейсе HR аналитики и статистические тесты можно найти здесь.

7. Достижение оптимального уровня укомплектования персоналом

Еще одно интересное исследование HR  аналитики касалось достижения оптимального уровня укомплектования персоналом. Крупная горнодобывающая компания в Зимбабве была обеспокоена потерей денег из-за пере- или недоукомплектованных отделов.

Эксперты проявили интересный подход при анализе пере- и недоукомплектованности. Они взяли число сотрудников бизнес-единицы и сравнили его с бизнес-деятельностью этой же единицы, измеряемой за более чем 17 кварталов.

Взаимосвязь между количеством сотрудников и деловой активностью была сильной, а квадрат R составлял 70,34%. Это означает, что 70,34% деловой активности можно объяснить числом сотрудников. Сопоставляя эти два измерения, команда смогла идентифицировать отделы, которые были пере- и недоукомплектованными.

Избыточные сотрудники были сокращены. Оказалось, что убыточность от сокращения составляла всего два месяца - в третий месяц компания уже экономила деньги. Уволенные сотрудники также могли быть переведены на аналогичные должности в недоукомплектованных отделах в других регионах.

Перейдите по ссылке для полного изучения кейса HR аналитики.

8. Обучение работников и танцы под дождем

Краткая история кейса представлена в статье, написанной Tony Brugman and Rob van Dijk от лица их собственной консалтинговой работы.

Компания была крупным голландским FMCG ритейлером, который использовал HR аналитику для анализа эффективности обучения. Аналитики обнаружили, что обучение персонала магазина оказывало положительное влияние на финансовые показатели магазина. Это было измерено с помощью A / B тестирования. Только в первый год рентабельность их учебной программы составляла 400%

9. Больничные в E.ON

HR аналитика также помогла E.ON избежать нехватки сотрудников. Абсентеизм в этой немецкой энергетической компании с численностью более 43 000 человек вырос выше контрольного показателя.

Группа аналитиков сформулировала 55 гипотез, проверила 21 из них и утвердила 11.

Один из примеров, написанных в отчете, заключался в том, что компенсация неиспользованного отпуска не увеличивала абсентеизм. Увеличивало же его отсутствие продолжительного отпуска в течение года или отсутствие отпуска длительностью 1-2 дня несколько раз в течение года. Этот факт был сообщен менеджерам для улучшения политики предоставления отпуска.

10. Вовлеченность в Clarks

Обувной ритейлер Clarks изучил взаимосвязь между вовлеченностью и финансовыми показателями. Первый вопрос, который они задавали, был: есть ли вообще связь?

Поскольку компания уже сообщала о более высоких в среднем уровнях вовлеченности, она учитывала отдачу от вовлеченности и то, уменьшалась ли отдача от вовлеченности на более высоких уровнях.

Команда работала со специалистами по статистике, которые управляли системой планирования распределения ритейлера. Всего в анализ было включено 450 точек данных о производительности бизнеса.

Согласно отчету, результаты показали, что действительно была связь. Вовлеченность ведет к повышению эффективности бизнеса. В случае с Clark каждое улучшение на 1% (процентный пункт) помогло улучшить показатели эффективности бизнеса на 0,4% (процентный пункт).

Чтобы научиться на этом кейсе и сделать его более действенным, команда также проанализировала характеристики 100 лучших магазинов как количественно, так и качественно. Они обнаружили, что в магазинах был оптимальный размер команды, а длительность пребывания менеджера магазина в должности была значительным предиктором производительности. Это означало, что частая смена менеджеров магазинов приводит к снижению производительности.

Благодаря этим знаниям команда смогла создать план для высокопроизводительных магазинов. Кроме того, они создали инструментарий для взаимодействия, который менеджеры могут использовать для повышения производительности.

По словам CPO компании, результаты говорят сами за себя. «Розничный бизнес в Великобритании из года в год систематически превосходил внутренние цели и внешние показатели. Мы также увеличили долю рынка».

11. Вовлеченность в Shell

Аналогичный результат был обнаружен в Shell, где вовлеченность была связана с превосходной производительностью бизнеса, благодаря совершенствованию методов обеспечения безопасности.

Увеличение вовлеченности сотрудников на 1% привело к 4% -ному снижению частоты «зарегистрированных случаев травматизма», что является ключевым стандартом безопасности отрасли. Безопасность, в свою очередь, напрямую связана с эффективностью бизнеса.

12. Увеличение производительности благодаря HR 

Еще одно замечательное исследование HR аналитики состоялось в большой сети ресторанов, показатели которой постоянно снижались. Команда менеджеров не понимала почему. У них были кусочки информации, и они не могли реализовывать эффективную политику.

Группе консультантов было предложено провести исследование и предоставить информацию через данные.

Из-за отсутствия хороших данных, команда решила произвести оценку, используя опрос. Интересным в этом кейсе было то, что они не использовали обычный тест на вовлеченность. Вместо этого они сначала рассмотрели соответствующие бизнес-результаты. Три ключевых результата, которые они определили, были:

• Количество клиентов
• Удовлетворенность клиентов
• Удержание сотрудников

Производительность бизнеса будет увеличиваться, если эти три показателя будут расти.

Затем компания развернула опрос вовлеченности с ориентацией на бизнес, в котором они:

• Связали результаты работы сотрудников с реальными бизнес-результатами
• Приоритезировали факторы, которые оказали наибольшее влияние на результаты бизнеса
• Показали влияние бизнеса на улучшение этих факторов
• Сфокусировали менеджеров по работе с клиентами на факторах, которые оказали наибольшее влияние

Путем сопоставления этих факторов с их собственными оценками и влиянием, которое они оказывают на результаты бизнеса, команда может легко визуализировать, какие драйверы в наибольшей степени способствуют повышению эффективности бизнеса, и на каких драйверах должны быть сфокусированы менеджеры по работе с клиентами.

Шесть факторов, которые будут получать наибольшее внимание, находятся в синем квадрате. Сосредоточив внимание на этих 6 факторах, менеджеры по работе с клиентами создадут самый большой доход.

Менеджеры ресторанов, у которых средний балл был 4 или выше в этом исследовании, скорее всего, увидели

• увеличение удовлетворенности клиентов на 16%
• увеличение количества клиентов на 18 000  в год
• меньше текучести на 10% 

Полный отчет можно найти здесь: Как HR сделал клиентов счастливыми

13. Компенсация и льготы в Clarks

Во втором кейсе HR аналитики, посвященном Clarks, был применен анализ компенсаций и льгот для оптимизации пакетов вознаграждений для сотрудников.

Согласно отчету, «спросив, за какие льготы сотрудники готовы торговаться, компания получила гораздо более подробный взгляд на то, что люди действительно ценят, и соответствующим образом скорректировала пакет компенсаций и льгот».

Удовлетворение могло быть улучшено на 15 процентных пунктов, лишь от предоставления людям небольшой суммы денег для инвестиций в собственное развитие. Сотрудники также хотели иметь возможность продавать свои праздничные дни, что фактически сэкономило компании деньги.

14. Открытие нового офиса Cisco

Многие из этих кейсов HR аналитики были сосредоточены на использовании внутренних данных. В этом же отчете мы можем найти анализ, в котором внешние данные играют большую роль.

Cisco использовала демографические данные, чтобы определить, где лучше всего открыть новые офисы. Объединив различные данные, в том числе текущие уровни использования офисных площадей, стоимость и доступность ключевых талантов, а также доступность выпускников университетов, позволили им расшириться в районах, где было меньше игроков, конкурирующих за один и тот же талант.

Кроме того, при выборе нового офиса Cisco использовала эти же данные, чтобы найти места, где сотрудники с соответствующей квалификацией были доступны в изобилии.

15. Unilever: автоматическая прослушка во время силового поглощения компании

Когда в начале 2017 года Kraft Heinz начал агрессивную кампанию по поглощению, команда HR аналитиков Unilever показала, что аналитика также может быть задействована во время кризиса.

Команда проанализировала сети в организации и создала модели для возможного снижения затрат.

Кроме того, команда смогла отслеживать настроения и отношения сотрудников. Это позволило им увидеть, как сотрудники реагируют на стратегии защиты Unilever. Эти идеи непосредственно помогли принять решение во время кризиса.

По словам Clement, вице-президента HR, «информация, которую мы предоставили, помогла как в составлении планов снижения издержек, так и в предоставлении информации для поддержки возможностей наших планов роста, так что мы смогли показать, что мы более настроены использовать сильные стороны нашего бизнеса, чем Kraft Heinz».

__________________________________________________________

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

Должен ли R стать языком HR?

R - это язык программирования, если верить опросам, это самый популярный инструмент анализа данных HR-аналитиков в Мире. См. также Семинар Введение в R для HR и Семинар-практикум "HR-Аналитика в R".
Вполне, казалось бы, соответствует мантре HR: "HR должен говорить с бизнесом на языке цифр". Так вот R это язык цифр. Я запустил опрос в нашем телеграм канале:

R – язык для HR?
А также я хочу запустить опрос: считаете ли Вы, что язык R должен стать таким же необходимым в работе HR (не HR-аналитиков, а HR), как excel?

• Я работаю в R, считаю, R должен стать необходимым в работе HR  7% (13) 
• Я работаю в R, считаю, R НЕ должен стать необходимым в работе HR 4% (9) 
• Я НЕ работаю в R, считаю, R должен стать необходимым в работе HR 15% (29) 
• Я НЕ работаю в R, считаю, R НЕ должен стать необходимым в работе HR  8% (15) 
• Я не знаю, что такое R  55% (102) 
• У меня нет однозначного ответа на этот вопрос  9% (17) 

Напротив каждого вариант ответа стоит а) % респондентов, которые выбрали тот или иной вариант и б) число респондентов, которые выбрали данный вариант.

Диаграмма

выполнена в R

Некоторые выводы 

Для меня удивительно, что бОльшая часть аудитории телеграм канала по HR-аналитике не знают, что такое R - а вы говорите говорить с бизнесом на языке цифр;
Главная интрига опроса - кто чаще будут голосовать в пользу R - те, кто работает в R, или те, кто в R не работают. Картина такая:

1. среди тех, кто работает в R, 59 % считают, что R должен стать необходимым в работе HR (у нас 22 респондента указали, что работают в R (13+9); 59 % = 13 / 22);
2. среди тех, кто НЕ работает в R - 66 % (!).

Т.е. не работающие в R чаще выбирают R, как язык HR. Но спешу разочаровать любителей теории заговора: и Z-критерий для разности долей, и Хи квадрат показали, что это различие (59 и 66 %) является не значимым, т.е. отклонение случайно, а, значит, работающие и неработающие в R с одинаковой частотой считают, что R должна стать языком HR.
Будем ждать, когда R станет необходимым элементом подготовки HR?



__________________________________________________________

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

Использование анализа текстов сотрудников для достижения бизнес-результатов

Перевод статьи Using employee text analytics to drive business outcomes в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор - David Green (по ссылке - все статьи автора в нашем блоге), Давид Грин берет интервью у Andrew Marritt - одного из самого известного в HR среде аналитика в области анализа текстов, см, напр Как использование методов анализа текста изменяет опросы сотрудников
Перевод сделала Арлашкина Ольга (профили в социальных сетях:  LinkedIn, Facebook, Вконтакте), кандидат социологических наук, HR консультант, разработчик и преподаватель курсов высшего и дополнительного образования для специалистов по управлению персоналом. Автор более 20 публикаций (статьи, учебные пособия) по менеджменту, социологии, управлению человеческими ресурсами. В HR-профессии с 2001 года. Это третий перевод Ольги в нашем блоге. См. также

• Вовлеченность персонала 3.0: Humu запускает Nudge Engine («инструмент подталкивания»)
• Джош Берзин переосмысливает лидерство

Итак,

Использование анализа текстов сотрудников  для достижения бизнес-результатов

Рис. 1. Примеры вопросов по бизнесу, на которые можно было бы ответить, используя анализ текстов (источник: Эндрю Маррит , ORGANIZATION VIEW)

Как указано в статье, опубликованной ранее в этом году Бернардом Марром, 90% мировых данных были получены только за последние два года. Бòльшая часть этих данных представляет собой неструктурированные данные (в основном текстовые, но также изображения, видео и т. д.), которые, в основном, остаются неиспользованными большинством организаций, особенно, когда речь идет о данных по управлению персоналом и человеческими ресурсами.
При возможностях, предоставляемых «текстовой аналитикой» (text analytics, англ.; в качестве перевода данного термина будет также использоваться понятие «анализ текстов», прим. переводчика), неудивительно, что команды аналитиков и HR-лидеры ищут способы использовать эти данные для поддержки своей работы.
Эндрю Марритт (Andrew Marritt), один из ведущих экспертов в области анализа текстов с точки зрения данных о персонале, более десяти лет проработавший в области HR-аналитики, является популярным спикером конференций, а также основателем и генеральным директором Organization View, компании по аналитике данных о персонале, расположенной в Швейцарии. Его продукт Workometry используется постоянно растущим числом компаний для извлечения такой информации из текстов сотрудников, которая оказывает влияние на результаты работы бизнеса и персонала.
Недавно я провел с Эндрю некоторое время, чтобы обсудить возможности, предоставляемые текстовой аналитикой, примеры кейс-стади и рекомендации для HR-практиков и команд по HR-аналитике.

1. Эндрю, добро пожаловать на myhrfuture, во-первых, пожалуйста, не могли бы вы дать определение текстовой аналитики?

Текстовая аналитика - это применение алгоритмов для обработки текстовой информации. Когда люди говорят о взрывном росте данных, рост происходит главным образом в неструктурированных данных - текст, изображения, аудио, видео – это не классические «числа» в базах данных. Для компаний, вероятно, наиболее распространенным типом неструктурированных данных является текст.
С помощью текстовой аналитики мы превращаем эти качественные неструктурированные данные в количественные структурированные данные. Сделав это, мы уже можем применить к ним все виды статистического или машинного анализа.
Есть два основных типа квантификации (квантификация – это сведение качественных характеристик к количественным, прим. переводчика), которые мы делаем:

• кодирование или классификация текста, что дает нам количественные данные 
• скоринг (оценка, ранжирование, прим переводчика) текста  - например, анализ чувств или эмоций - где мы получаем вероятность или оценочные данные.

2. Почему использование текстовой аналитики в компаниях растёт?

Анализ текстов предоставляет для компаний огромные возможности. Во-первых, в большинстве случаев текстовые данные не анализируются. Но это, как правило, действительно богатые данные, и, учитывая, что они не были проанализированы, в них можно найти много потенциально полезного. Во-вторых, мы можем сопоставить их с тем, что можно выявить с помощью традиционных количественных данных. Во многих случаях они уже неоднократно анализировались, и аналитики, как правило, получают снижение предельных доходов. В-третьих, как я уже упоминал ранее, текст представляет собой самый обширный источник данных в большинстве компаний, а также, вероятно, самый богатый.

3. Каковы примеры использования анализа текстов в рамках hr-аналитики?

У HR-ов много текстов. На мой взгляд, стоит подумать о текстовой аналитике на двух уровнях:

1. Какую информацию (англ. insight, прим. переводчика) вы можете получить из структурирования данных?
2. Если у вас есть структурированные данные, что вы можете с ними сделать?

Тип данных, которые мы видим в большинстве случаев, берется из какой-то анкеты. Только примерно 30% вопросов в анкетах являются типичными вопросами о «вовлеченности». Около 50% вопросов сотрудникам задаются о бизнес-задачах – это так называемый «голос работника» (англ. Employee Voice, прим. переводчика), остальное - это темы, которые интересуют HR-департаменты, такие как управление результативностью, управленческая эффективность или разнообразие.
За пределами данных опросов мы видим большой интерес к данным системы управления результативностью (англ. performance management, прим. переводчика). Мы провели анализ данных оценки 360 °, чтобы найти различия в гендерно ориентированных темах, а также анализ целей, чтобы увидеть, как инициативы руководства высшего уровня распределяются по уровням организации. Всё чаще мы находимся в поиске потребностей развития, чтобы определить, могут ли компании понять, что сотрудники хотели бы получить от обучения. Могут ли они оптимизировать доступность учебных курсов, чтобы они предлагались близко к спросу (сокращая расходы на поездки)? Можем ли мы создать механизм прогнозирования, который будет рекомендовать курсы, прежде чем кто-то включит их в организационный перечень?
Наконец, есть много других источников в HR-департаментах, где генерируется текст. Мы проводим анализ запросов в / из службы поддержки HR, определяя шаблоны гораздо более детально, чем когда-либо можно было бы понять с помощью структурированного сбора данных. Мы надеемся, что эта информация послужит основой для ряда изменений, в совершенствовании результативности, улучшающих сервисы и снижающих затраты.

Рис. 2. Обзор тематизации текстов в Workometry (источник: Эндрю Маррит , ORGANIZATION VIEW)

Перевод рис. 2

4. Какие ключевые проблемы hr-отделам  и командам по hr-аналитике необходимо преодолеть отношение к текстовой аналитике?

Самая большая проблема - это расстояние, которое вам нужно преодолеть, прежде чем текстовая аналитика действительно станет полезной.

Мы считаем, что наиболее важным аспектом хорошего анализа является контекст. Это включает в себя требование о том, что текст должен быть проанализирован в контексте задаваемого вопроса. Кроме того, необходимо включить в понимание текста контекст организации, плюс это также контекст того, о чем еще говорят люди.

Распространенным способом анализа текстов является определение тем - например, коммуникация или вознаграждение. Однако наш опыт показывает, что это редко бывает достаточно полезным. Мы считаем, что данные должны быть категоризированы до уровня, когда название самой темы является хорошим ответом на вопрос. Так, коммуникация может быть «более прозрачной коммуникацией» или «более частой коммуникацией с руководством», «большей коммуникацией между подразделениями», «меньшей электронной коммуникацией» или даже «меньшей коммуникацией в выходные дни».

Еще одна большая проблема заключается в том, что каждая организация имеет свой собственный язык. Иногда это проявляется в широком использовании акронимов – мы использовали их во внутренней сети, определяя многие из вещей, когда я работал в Reuters (акроним - аббревиатура, образованная из начальных букв, частей слов или словосочетаний, произносимая как единое слово, прим. переводчика). В других случаях это может быть способ, с помощью которого внутри фирмы употребляются слова. Менеджеры одного компании говорят о желании увеличить фонд заработной платы, кто время как большинство других компаний описывают то же самое, как желание увеличить численность персонала. Наш опыт показывает, что при построении моделей на уровне компании всегда можно добиться значительных улучшений, если изучить терминологию.

Наконец, классные модели хорошо работают в отношении одной проблемы, но они являются обобщающими. Сотрудники редко пишут предложениями, они ожидают, что вы интерпретируете их ответ в контексте задаваемого вопроса. Один и тот же текст может иметь разные значения в зависимости от вопроса. Мы сомневаемся, что такого рода анализ текстов, используемый в некоторых HR-технологиях, можно обобщить.

Конечно, я даже не упомянул «нормальные» проблемы с данными, такие как время, необходимое для очистки и предварительной обработки данных. Это может быть чрезвычайно сложно в отношении анализа текстов. Определение того, в каких частях документа нужно искать соответствующие данные - так называемое зонирование, - это то, на чем мы не фокусируемся, но является важным, если вы, например, хотите прочитать резюме.

5. Не могли бы вы привести некоторые примеры того, как организации использовали текст работника.

Давайте возьмем два конкретных примера, оба из которых имели важное значение.

Один - от розничной компании, которая проводила регулярные пульс-опросы. В одном квартале мы увидели огромный всплеск числа сотрудников, говорящих о музыке, которая играла в магазине. Мы заметили, что эти сотрудники также чаще говорили о жалобах клиентов. Люди, которые делали комментарии, были значительно более вовлечены, чем средний сотрудник, но они также говорили о том, что компания устарела, а руководство не прислушивается.

По некоторым из комментариев стало очевидно, что произошло. В поисках экономии средств было принято решение заменить музыку в магазине музыкой с более низкими лицензионными затратами. Как только руководство увидело комментарии, оно отменило решение.

В следующем месяце мы снова увидели много комментариев о музыке, но на этот раз сотрудники благодарили менеджеров за то, что они сменили музыку и прислушались к их мнению.

Другой пример связан с новым генеральным директором глобальной компании. В своем первом обращении к персоналу он объявил о своем намерении потратить первые несколько месяцев на изучение бизнеса и предложил всем сотрудникам сообщить ему, что, по их мнению, он должен решить. Он получил тысячи сообщений на разных языках.

Мы были приглашены директором по стратегии, чтобы проанализировать эту обратную связь. Одна из вещей, которую мы определили, была тема о плохих контрактах / проектах. Когда мы связали данные с организационной структурой, мы поняли, что большинство этих комментариев исходили от небольшой части ИТ-организации. Оказалось, что был контракт с крупной внешней фирмой - десятки миллионов долларов в годовом исчислении, - о котором собственные специалисты по данным фирмы знали, что там заложены большие ошибки, и поэтому он вряд ли будет работать так, как ожидалось. В этом случае тот факт, что проблема была прозрачной для исполнителей, означал, что они были в состоянии исследовать ситуацию и устранить риск на достаточно ранней стадии.

В обоих случаях было затронуто несколько тем. Менеджеры нашли вопросы, которые они, вероятно, никогда бы не подумали задать, если бы они разрабатывали структурированный «традиционный» опрос

Это связывание данных обратной связи с другими данными предоставило много контекста и переквалифицировало комментарии от случайных к чему-то, что требовало дополнительного изучения. Можете думать об этом, как о нахождении иголки в стоге сена. Сами комментарии дали хорошее представление о том, что было проблемой, и что нужно было сделать, чтобы решить проблему.

6. Каковы три ключевых рекомендации, которые вы предложили бы hr-директору или руководителю отдела hr-аналитики, которые рассматривают возможность  использования анализа текстов работников?

Анализ текста - это одна из тех тем, которую довольно легко начать, но трудно достичь той стадии, на которой она может быть полезна.

1. Многие аналитики данных и ИТ-специалисты скажут, что могут это сделать, но лишь немногие из них будут обладать навыками и знаниями, чтобы определить то, где это может быть полезно. Вам нужно поговорить с несколькими экспертами. Они должны быть в состоянии получить результаты довольно быстро, потому что у них уже есть ключевые средства получения информации, правильно выстроенные и усовершенствованные.
2. Будьте готовы выбрать сначала «легкие» проекты. Я думаю, что все, что требует зонирования - особенно в документах, не имеющих общей структуры – это то, чего вам следует избегать и / или найти профессионала, который специализируется на таком типе документов. Более специфичный текст легче понять на достойном уровне, чем текст общего характера.
3. Спросите себя, что бы вы хотели найти, если бы анализировали данные вручную. Вы действительно хотите оценить каждое предложение по шкале эмоций? Вы хотите, чтобы предложения были сгруппированы в более крупные темы? Что сделало бы эти темы полезными? На многих людей оказывает влияние то, что является возможным, например, оценка чувств или эмоций - а не то, что они на самом деле делали бы, если бы имели квалифицированного качественного исследователя для выполнения этой работы. Например, почти всегда лучше получить оценку чувств из структурированного количественного опроса, чем выводить ее из текста.

Рис. 3. Пример сети «совместного проявления», которая показывает темы, которые чаще всего упоминаются вместе у индивидов, на основе оценки вероятности общего между ними.

7. Где люди могут узнать больше о текстовой аналитике?

Большая часть написанного об анализе текстов из того, что я видел, довольно техническая. Дисциплина меняется так быстро, что нам приходится читать большое количество статей, чтобы не отставать. Поскольку современные методы работы с текстом основаны на моделях глубокого обучения, они требуют довольно серьезного технического и математического понимания.

Я включил еще несколько статей, посвященных бизнесу, в последние выпуски нашего информационного бюллетеня Empirical HR:

1. Подкаст от Microsoft Research по машинному переводу. 
2. История машинного перевода. Хотя статья сосредоточена только на переводе, способ, которым описывается перевод, соответствует многим другим темам анализа текстов. 
3. Обзор новейшей истории обработки естественного языка. Нелегко понять без некоторых знаний, но очень тщательно раскрыто.  

Наконец, если у кого-то есть большой объем текста по определенной теме (например, более 1000 текстовых ответов на конкретный открытый вопрос), с которым они столкнулись. В зависимости от варианта использования мы обычно можем развернуть пилотажное исследование за несколько дней.

Спасибо, Эндрю.

Спасибо, Эндрю, за то, что поделились своим временем, идеями и обширными знаниями. Еженедельный информационный бюллетень Эндрю «Empirical HR» всегда достоин прочтения и охватывает HR-аналитику, опыт сотрудников и многие другие темы, равно как и последние новости текстовой аналитики. Я настоятельно рекомендую вам подписаться на него.

Зачем мне нужны данные в Journey Maps?

Перевод статьи Why Do I Need Data in My Journey Maps? в рамках нашего проекта переводы статей по hr-аналитике на английском.
Перевод сделал Роман Луконин (ссылка на профиль ВКонтакте - присоединяйтесь), Специалист группы анализа и отчетности ЦКС ЦОБ ПАО "Татнефть". Роман - студент магистерской программы HR-аналитики Татнефти (см. В России появилась первая магистерская программа "HR-аналитика"!). Это уже второй перевод Романа в нашем блоге, а первый перевод также связан с Journey Maps:
Тенденции в Картах путешествия сотрудников (Employee Journey Maps)
Рекомендую вам начинать с первого перевода, если хотите погрузиться в Employee Journey Maps
Итак,

Зачем мне нужны данные в Journey Maps?

Добавляете ли вы данные на свои Journey Maps?
Еще в 2015 году я написал статью «Эй! Вы получили свои метрики на моей Journey Map!». В ней я призывал тех, кто составляет EJM, добавлять данные на их карты путешествий. Я писал, что…
… средства отображения были вынуждены развиваться, потому что люди не оценили по достоинству мэппинг с нынешними способами реализации; вдобавок карты вовсе не обещают стать теми самыми ускорителями изменений, какими их придумали. И единственный путь, в котором они могут быть применены на практике – это если у вас есть данные для поддержки или управления этим процессом. Руководители любят данные и метрики, так ведь? Решения, основанные на данных – последний писк моды, и это вполне справедливо.
Какие данные? Нет недостатка данных, не так ли? Безусловно, данные необходимо связывать с EJM, которую вы составляете, но есть несколько примеров видов данных, которые вы можете добавить на карту.

• Голос клиента/данные, услышанные от клиента, включающие в себя обзоры, оценку, диагностику и стенограммы;
• Данные об эмоциях, особенно из авторитетных источников: к примеру, текстовая или голосовая аналитика, анализ настроений;
• Персональные данные: соберите в кучу все, что вы знаете о сотруднике, для которого составляете EJM, что поможет ему повысить общий опыт;
• CX-метрики, включающие NPS (индекс потребительской лояльности), CSAT (оценка удовлетворенности клиента), CES (оценка потребительских усилий).
• Остальные данные о клиенте, включая общение, взаимодействие, пожизненную стоимость клиента (CLV), причина звонка, количество посещений сайта, куда заходили на сайте и т.д.;
• Метрики оперативного центра/центра обработки вызовов, включающие отчет о посредниках, громкость звонка, результат первого взаимодействия, время ожидания, время решения проблемы, использованные каналы;
• Бизнес-данные: за отсутствием лучшего способа маркировки, они отображают влияние на бизнес, которое затем будет использовано для расставления приоритетов в моменты истины: их выручка, прибыльность, удержание сотрудников, затраты на решение проблем, время решения проблем, усилия для решения проблем, влияние на тип данных;
• Артефакты, включающие в себя телефонные звонки, видеозаписи, счета-фактуры, квитанции, копии, документы, скриншоты и т.д.

Несомненно, если вы приступили к мэппингу при помощи ватмана и стикеров, что я настоятельно рекомендую, вам понадобится оцифровать ваши карты и разместить их на карте сопоставления путешествий или на платформе для анализа EJM, которая поможет интегрировать различные источники данных в карту.
Существует множество причин для того, чтобы данные были на картах, ведь они являются важным компонентом для улучшения обслуживания клиентов.  Данные помогают нам понять наших клиентов, принимать лучшие решения и обеспечить их опытом, на который они рассчитывают.
Не говоря о воплощении EJM в жизнь, зачем нужно включать данные в них? Данные помогают или позволяют нам…

• Измерять путешествие (каждый шаг по отдельности или все путешествие в целом);
• Более глубоко анализировать опыт и облегчить его понимание;
• Определить и подробно рассмотреть взлеты и падения в опыте – что прошло хорошо и не очень;
• Понять, где необходима оптимизация;
• Занесите на карту дополнительные интересы и особенности поведения клиентов (когда их не будет в комнате), меняя карту и процесс от достаточно качественных к более количественным мерам;
• Изменить перспективы изнутри и снаружи, при этом добавляя данные на карты, чтобы передать опыт клиенту;
• Сделать EJM более реализуемыми;
• Добавить обоснованность и правдоподобие вашей карте (потому что есть многочисленные источники данных, которые больше качественные, чем количественные);
• Определить ключевые «моменты истины»;
• Уделять первоочередное внимание улучшениям.

Именно последние два пункта очень и очень важны: EJM сами по себе не выявляют и не расставляют за вас приоритеты. Вам необходимы замечания и пожелания клиента, данные о нем и метрики.

__________________________________________________________

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

Применение научной HR-аналитики для совершенствования HR-процессов

Перевод статьи How to use Scientific People Analytics to improve people processes в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор - Max Blumberg, это уже третья статья серии о научной HR-аналитике, см. первые две статьи

1. HR-аналитика и научный метод
2. Научная HR-аналитика: обзор метода профилирования значений

Перевод сделала Екатерина Малинина, HR business partner в IT-отрасли. Эксперт в оценке, обучении, развитии талантов. Помогает менеджерам строить эффективные и надежные команды, способные переложить в программный код любую задачу бизнеса. Профили Екатерины в фейсбуке и в Линкедине. Это уже десятый перевод Екатерины :

1. 8 главных HR-трендов 2018 года
2. Истинно стратегическое планирование трудовых ресурсов
3. Тренды в оценке настроений сотрудников и исследовании вовлеченности
4. Исследования вовлеченности персонала: часть 1, проблемы традиционного подхода
5. Прогнозирование в HR-аналитике не так важно, как вы думаете
6. Радикальный эксперимент Unilever с процессом найма персонала: резюме – снаружи, алгоритмы – внутри
7. Анализ текучести персонала – Описательные методы
8. Анализ текучести персонала – Методы прогнозирования
9. Научная HR-аналитика: обзор метода профилирования значений

Итак,

Применение научной HR-аналитики для совершенствования HR-процессов

В третьей статье серии доктор Max Blumberg исследует, как применять научную HR-аналитику (Scientific People Analytics, SPA) в принятии решений, касающихся управления человеческим капиталом организации. 

В предыдущей статье я показывал, как применять профилирование значений. Статья ниже предлагает пошаговую инструкцию о том, как применять HR-аналитику для совершенствования некачественных процессов.

Для чего нужны методы научной HR-аналитики?

Вообще, нельзя гарантировать, что изменение процессов принесет желаемый бизнес-результат. 

Для многих видов бизнеса плохо сконструированные HR-процессы оборачиваются потерей миллионов или даже десятков миллионов фунтов в год. Например, представьте издержки от внедрения слабых процессов подбора персонала, которые препятствуют найму высокопотенциальных кандидатов, или от процессов обучения и развития, которые не справляются с формированием необходимых для компании компетенций.

Методы научной HR-аналитики позволяют заранее протестировать эффективность предлагаемых изменений – приведут ли они к желаемому бизнес-результату или нет. И если ответ отрицательный, придется искать другие варианты.

Что представляют собой методы HR-аналитики?

Научная HR-аналитика основана на научном методе, изложенном в первой статье. Данный метод является универсальным стандартом и используется для проверки широкого ряда утверждений в различных областях, включая исследование новых лекарств, оборудования и, с недавних пор, бизнес-процессов (например, финансовых, маркетинговых).

Применять научный метод можно по-разному – в зависимости от проблемы, которую нужно решить, и доступных ресурсов. Я выбрал описываемую в статье методику (см. рис. 1), потому что она непосредственно оценивает воздействие изменений в процессах на результат организации.

Рис. 1: Научная HR-аналитика может оценить влияние обновленных HR-процессов на улучшение бизнес-показателей.

Вкратце, научная аналитика собирает данные о текущем состоянии рабочей силы, ключевых факторах производительности и желаемом бизнес-результате до изменения HR-процессов. Дальше процессы меняются, и, спустя некоторое время, данные о рабочей силе, факторах производительности и результатах вновь собираются.
Если разница между данными до и после процессных изменений достаточно велика, то это доказывает, что изменение процессов достигло своей цели, и их можно внедрять.
Чтобы лучше разобраться, как применять методологию научного анализа, изучите инструкцию ниже.

1. Сбор данных до изменений (базовый уровень) 

Первым делом соберем базовые данные, предшествующие изменению проблемных HR-процессов. Для этого берем данные обо всех уровнях профилирования значений, описанных в предыдущей статье:

Данные об HR-процессах

Выбор конкретных данных для сбора зависит от того, какие именно процессы предстоит изменять, а также от природы изменений. Например, изменение процессов взаимодействия между сотрудниками будет затрагивать данные о различных уровнях коммуникации; изменение процесса планирования преемственности потребует данных о размере бюджета на поддержание списка преемников, количестве позиций, требующих преемников и т.д.

Данные о характеристиках рабочей силы, ключевых факторах производительности и бизнес-показателях

Ранее я показывал, что невозможно точно предсказать, какие характеристики рабочей силы, показатели производительности и бизнес-результат будут затронуты изменениями конкретных HR-процессов. Причина этого в том, что каждый HR-процесс потенциально может влиять на множество показателей. Скажем, изменение процесса подбора, скорее всего, затронет:

• Такие характеристики рабочей силы, как вовлеченность и производительность новичков
• Такие ключевые факторы производительности, как продуктивность, качество, инновационность и рост клиентов
• Такие бизнес-показатели, как выручка и прибыль

Это означает, что в идеале мы должны измерить все характеристики рабочей силы, факторы производительности и бизнес-результаты перед обновлением HR-процессов.
Если ограниченные ресурсы не позволяют произвести подсчет всех показателей, следует, как минимум, измерить те факторы, которые (гипотетически) изменятся в результате обновления процесса.

2. Изменение HR-процессов

Следующим шагом применим изменения к некачественному HR-процессу с целью сокращения его негативного влияния на желаемый результат.
Но что именно нужно сделать с процессом, чтобы с наибольшей вероятностью получить желаемый результат? Источники ниже пригодятся для формирования вариантов:

Сотрудники

Идеи об изменении процессов от сотрудников обычно предпочтительнее, чем рекомендации внешних консультантов, как минимум, по двум причинам: во-первых, у сотрудников понимание специфики требований к процессам компании лучше, чем у внешних экспертов, знания которых носят более общий характер. Во-вторых, и, возможно, это более важно, если сотрудники не вовлечены в разработку процессов, которые влияют на достижение ими их результатов, вероятнее всего, они будут выполнять их ради галочки.

Проекты, осуществляемые в похожих бизнес-условиях

Вполне вероятно, что в это же самое время кто-то еще – внутри вашей организации или за ее пределами – попытается решить аналогичные проблемы. Так что обычно очень полезно бывает:

• Расспросить коллег об их аналогичном опыте
• Изучить публикации тематических исследований (Google Scholar – очень полезный ресурс для этого)

Не забудьте перед применением чужого опыта убедиться, что условия реализации тех проектов в значительной мере соответствуют вашим собственным. Если это не так, результат может не соответствовать ожиданиям в вашей бизнес-среде.

3. Сбор данных после изменения процессов

После реализации изменений в HR-процессах и наблюдения за ними в течение некоторого времени приступаем к сбору данных, чтобы определить, привели ли изменения к желаемым улучшениям бизнес-показателей.
Данные, собранные на этом шаге, должны быть из тех же уровней профилирования значений, что и базовые данные, собранные в шаге 1.

4. Анализ разницы данных до и после изменений

Анализ данных до и после изменений может быть простым или сложным. Простой анализ исследует разницу между данными до и после изменений по всем уровням профилирования значений (HR-процессы, характеристики персонала, факторы производительности и бизнес-показатели), как показано на рисунке 1.
Если разница в данных значительна, изменения в процессах можно внедрять.
Проблема простого анализа состоит в том, что определение значимой разницы очень субъективно.
Более сложный статистический анализ не только решает эту проблему, но также помогает определить, какие именно изменения в процессах повлияли на улучшение бизнес-показателей. Например, сложный анализ может высчитать, какие комбинации компетенций сотрудников и соответствующего уровня компенсации принесет наибольший рост производительности.

Изолирование эффектов HR-процессов

Проверяя воздействие измененных HR-процессов на результат, важно выявить истинную причину наблюдаемых улучшений – были это изменения процессов или какие-то другие факторы (например, улучшилась общая экономическая ситуация или обновилась управленческая команда). Называется это контроль, или изолирование, эффектов HR-процессов.
«Золотым стандартом» изолирования эффекта считается произвольный выбор группы сотрудников, работающих по старым, не обновленным процессам, и такой же произвольный выбор другой группы, работающей по обновленным процессам. Этот подход известен как А/В, или контрольная группа.
Использование А/В-теста подходит для оценки изменений, например, в процессе обучения или развития, однако по этическим соображениям он не используется для оценки процесса компенсации. В этом случае следует использовать альтернативные техники изолирования.
В реальности, контрольные группы чаще используются для академических исследований, чем в реальных организационных условиях. Следовательно, компании вынуждены находить альтернативные подходы к исследованию изменений в процессах. Однако их надежность ниже, чем у контрольных групп, и их целесообразно использовать лишь как индикаторы – произошло улучшение или нет.
В частности, один из полезных подходов – проверить, что любые улучшения, произошедшие вследствие изменения процессов, представлены на всех уровнях профилирования значений, а не только на уровне бизнес-результата. То есть изменения процессов должны улучшить характеристики рабочей силы, показатели эффективности и бизнес-результаты.
Другими словами, если улучшение бизнес-результатов не сопряжено с улучшением показателей рабочей силы и эффективности, значит, оно произошло благодаря другим факторам.

Во всех ли случаях следует применять методы научной HR-аналитики?

Применение научной аналитики требует времени и ресурсов, поэтому, в первую очередь, применять ее нужно в тех случаях, когда альтернативная стоимость реализации неоптимального процесса достаточно велика, чтобы оправдать ее использование. Например:

• Если невыполнение клиентской службой своих показателей оборачивается потенциальными потерями 80 млн фунтов ежегодно, то использование научной аналитики для определения компетенций, которыми должны обладать представители клиентской службы, будет вполне оправданным вложением
• Если потенциальные потери от найма низкоэффективного административного персонала выражается в нескольких тысячах фунтах, т.к. его легко заменить, вкладывать 20 тысяч фунтов в улучшение программы подбора не имеет смысла

Таким образом, возможные затраты на использование несовершенных процессов необходимо сравнивать со стоимостью использования методологии научной HR-аналитики.

В следующей статье…

В заключительной статье я буду сравнивать преимущества и недостатки научной HR-аналитики и других модных подходов. Не пропустите!

Какой Work-Life balance нам комфортен (результаты опроса)

Я провел опрос в своем телеграм канале такого содержания:
Work-Life balance

Мне показалось, что утро понедельника хорошее время для таких опросов. Прошу оценить наиболее комфортный лично для вас баланс Work-Life.
Work-Life balance – это, если верить англоязычной Вики – соотношение времени на работу и на другие аспекты жизни. Поэтому шкала ответов представляет шкалу процентов с делением по 10 %.
Обращаю внимание, опрос не про реальное состояние дел в Work-Life balance, а про то, что Вам было бы наиболее комфортно.
Результатом опроса будет кривая наших предпочтений Work-Life balance.
Итак,

• 0 % Work – 100 % Life
• 10 % Work – 90 % Life
• 20 % Work – 80 % Life
• 30 % Work – 70 % Life
• 40 % Work – 60 % Life
• 50 % Work – 50 % Life
• 60 % Work – 40 % Life
• 70 % Work – 30 % Life
• 80 % Work – 20 % Life
• 90 % Work – 10 % Life
• 100 % Work – 0 % Life

Диаграмма

На диаграмме по оси X я оставил только первую часть варианта ответа - ту, что отвечает за Work. Т.е. слева у нас два респондента, которые выбрали вариант 0 % Work, т.е. им комфортно вообще без работы, а справа четверо респондентов, которые бы жили на работе. 

Обратите внимание, левая часть таки преобладает. Если исключить самый популярный вариант 50/50, то слева от него 144 голоса респондентов, а справа - всего 82.

Главная проблема опроса - что считать за %. Мне писали, что с учетом на сон и на выходные, 50 % деление будет как раз в случае вариант ответа 20 %. И тому подобное. Но я то сам в глубине души считаю, что Work-Life balance это скорее состояние души. И в пользу этой версии говорит характер распределения - очень близко к нормальному. 

__________________________________________________________

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

Статьи по hr-аналитике на английском 26

26-й выпуск статей по hr-аналитике на английском.
Предыдущий, 25-й выпуск, статей на английском по HR-аналитике вы найдете по ссылке Статьи по hr-аналитике на английском 25 (по ссылкам можно перейти до самой первой статьи).
И даже если вы не владеете английским языком, рекомендую почитать анонсы статей, это позволит держаться вам в курсе трендов аналитики.

Итак,

1. Is Employee Engagement Just a Reflection of Personality? - статья Гарвард Бизнес ревью, авторы Tomas Chamorro-PremuzicLewis GarradDidier Elzinga. Суть статьи в вопросе: а, действительно, с чего мы взяли, что вовлеченность это реакция на действия компании? (статья взята в перевод)
2. Employee survey comments: How to interpret and take action - статья не будет популярной, поскольку это сегодня интересует по большей части только спецов от аналитик, а зря! В статье рассматривается, как понимать / интерпретировать комментарии в корпоративных опросах, какие действия можно на этом строить. Статья очень важная. Автор - Fresia Jackson. (статья взята в перевод)
3. Why Do I Need Data in My Journey Maps? - короткая, но важная статья с т.ч. понимания выстраивания сбора данных, метрик, построения дашбордов. У нас в ноябре в топ-3 попала статья Тенденции в Картах путешествия сотрудников (Employee Journey Maps) - статья представляет из себя "всего лишь" набор картинок - метфор, как компании представляют себе Карты Путешествия Работников (Employee Journey Maps). Но в статье нет очень важного - упоминания, что Карты Путешествия становятся больше, чем просто метафоры, когда к ним добавляются данные. И про это в статье Annette Franz. (статья взята в перевод)
4. 9 excitingtrends and opportunities in hr for 2019 - Новый Год близится, а вместе с ним близится пора подведения итогов и пора прогнозов и трендов на следующий год, и каждый уважающий гуру пишет поты на тему того, что нас ждет в следующем году. Вот первый пост от Rob Scott. (статья взята в перевод) 
5. The 10 golden rules of HR analytics (crowd version) - Patrick Coolen написал немаленькую, но важную статью, которая может быть кусками вставлена просто в должностную инструкцию HR-аналитика. 
6. People data: How far is too far? - у нас практически ни одна статья по hr-английском не обходится без статей Josh Bersin. После взрыва интереса к HR-аналитике начинается рефлексия, а что мы в итоге можем реально "выжать" из HR-аналитик? Где заканчивается "пена" и начинается использование данных. Статья написана Джошом вместе с Dimple Agarwal и Gaurav Lahiri.
7. Using employee text analytics to drive business outcomes - статья David Green. Из названия опять же все понятно: текст наступает, и мы, как аналитики, должны его анализировать, использовать в своих данных. Статья очень важная. (статья взята в перевод)

__________________________________________________________

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

Семинар Введение в R для HR

R на сегодня является самым популярным языком среди HR-аналитиков.
Знание R сегодня необходимо также как знание excel. Это признак хорошего тона, это признак развитых аналитических навыков у HR.
Семинар Введение в R для HR представляет из себя наиболее простую форму освоения данного языка. Не люблю этот термин, но семинар из разряда "для чайников".
Сам семинар я бы назвал "гигиеническим" - просто как некую базовую вещь, необходимую для освоения HR, наравне со знанием базовых понятий из рекрутинга, оценки, обучения персонала, компенсаций и т.п...

Цель семинара

Дать навыки работы с данными и анализа данных в R.
Делю понятия работы и анализа данных, поскольку работы с данными более широкое понятие. Курсы по анализу данных на ресурсах типа coursera представляют собой классику по анализу данных, где данные нам даны уже в "причесанном" виде.
В работе HR таких идеальных ситуаций просто не бывает. Данные в HR "грязные". Например, переменная "пол" может содержать значения "м", "ж", "М", "Ж", "муж", "жен", "муж.", "жен." и так далее. Надо все это многообразие обозначений одной командой, быстро привести к "м" и "ж", так, чтобы в последствии не было мучительно больно за бесцельно прожитые годы. Или другая стандартная задача: у вас есть дата приема и дата увольнения (или дата выгрузки отчета), вам нужно посчитать стаж работников и превратить его в отчет.
На курсе мы будем рассматривать шаблоны решения подобных задач.
И после этого посмотрим виды анализа данных. Дойдем до линейной и логистической регрессий.

Формат семинара

Корпоративный. Возможны варианты: два дня подряд, занятия несколько недель с одним занятием в неделю, он-лайн лекции. Обсуждаемо.
Занятия проходят в Rstudio.

Требования к участникам 

1. Вы работаете в excel, знаете и понимаете смысл сводных таблиц, формул ЕСЛИ(), ВПР()
2. Вы знаете основы статистики, понимаете, что означают термины "корреляция", "значимость различий"

Содержание семинара

Более подробное содержание обсуждается с Заказчиком.

• Лекция1. Загрузка данных
• Лекция2. Типы данных, dataframe, cbind(), rbind(), ВПР (merge)
• Лекция3. Чистка, преобразование данных
• Лекция4. Пропущенные значения
• Лекция5. Отбор, фильтрация данных
• Лекция6. Описательные статистики, доверительные интервалы
• Лекция7. Взаимосвязь количественных переменных
• Лекция8. Взаимосвязь категориальных переменных
• Лекция9. Взаимосвязь количественных и категориальных переменных
• Лекция10. Визуализация с помощью ggplot
• Лекция11. Работа с форматом даты
• Лекция12. Линейная, логистическая регрессии

Аппендикс 

• Автоматизация обработки результатов опросов;
• Функции семейства apply 

Контроль знаний

По согласованию с Заказчиком участники выполняют собственные проекты по анализу данных.
___________________________________________________
Жду заявок edvb()yandex.ru


__________________________________________________________

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