#hr_аналитика Data point + Data point = More than two data points
Объединение данных из разных источников делает результат аналитического процесса по-настоящему полезным для решения конкретных бизнес-проблем организации, чем результаты анализа на основе каждого отдельного набора данных. Например, набор данных о кадровых перемещения сотрудников из 1C вместе с набором данных ежеквартальной оценки и результативности сотрудников приведут к большим инсайтам, чем каждый из них по отдельности. Только не забывайте о распространенном мифе: если собрать достаточно много данных – то правильное решение бизнес-проблемы найдется автоматически. Сами по себе данные изначально не содержат никакого смысла, в них нет интерпретации, они не говорят о том, какие решения необходимо принимать, но объединяя одни данные с другими, мы создаем новую информацию "для пользы дела".

#эйчар_аналитическое Один мэр как-то заявил, что "в Зимбабве жизнь похуже, чем у нас". Однако именно в Зимбабве развивается people analytics куда лучше, чем у нас. Например, есть кейс о том, что по результатам прохождения психометрических тестов можно предсказывать ДТП (количественной оценки предрасположенности водителя к авариям с использованием результатов психометрического теста). Использовалась логистическая регрессия, с итоговой точностью 72% (А - 57% водителей-аварийщиков были правильно классифицированны как "худшие", а для D - 84% хороших также верно был предсказан класс "хорошие"). Это изменило практику отбора новых водителей и определения потребностей в обучении и т.п.

Россия не Зимбабве. Ждем российских кейсов.

#io_psychology #hr_аналитика #психология У всех организаций есть проблемы, и они почти всегда касаются людей. Как ими управлять, кого нанимать, уволить или продвигать по службе. Как мотивировать, развивать и удерживать их. Психология, как наука о понимании поведения людей, должна стать ключевым инструментом для решения этих проблем, однако большинство организаций не опираются в своих практиках на достижения научной психологии. В результате миллиарды тратятся впустую на бесполезные вмешательства, направленные на привлечение и удержание нужных людей на ключевых ролях, а большинство людей остаются разочарованными своей карьерой. Справочно: индустриально-организационная психология https://en.m.wikipedia.org/wiki/Industrial_and_organizational_psychology

#размышлизмы #аналитика "В этом мире неизбежны только смерть и налоги" -- написал как-то Бенджамин Франклин. Аналитики в эпоху big data легко дополнят его утверждение так: "... неизбежны смерть, налоги и пропущенные данные". :) Думаю, что Франклин согласился бы с этим, поскольку сам собирал данные, например, о штормовых ветрах. Благодаря ему мы также знаем о Гольфстриме, с которым связана очень интересная история. Если бы Франклин (будучи почтмейстером), как современные эйчары, просто фиксировал время в пути почтовых судов, заставлял бы всех капитанов заниматься отчетностью, ввел бы KPI времени как у торговых судов, привязав к ним мотивацию, то мы бы не увидели карту Гольфстрима.
"Видеть легко: трудно предвидеть" (С) Б. Франклин

#hr_аналитика_как_она_есть
Есть калькулятофобия ("чё тут считать, и так всё понятно"), а есть калькулятомания ("давайте сложим-умножим-среднее-посчитаем-в-проценты-переведём"). Кто вы больше? Калькулятофобы или калькулятоманы? Может быть, разумная "золотая середина"? Или просто нужно уметь правильно и корректно считать? В том числе, понимать, что такое измерение, чтобы не сравнивать значения в мартышках, попугаях или слонах, но уметь делать соответствующие преобразования, например, чтобы такое сравнение было корректным.

#HR_аналитика Разделяй и властвуй, или чем девочки отличаются от мальчиков

C классификационными моделями (результат представляется в виде бинарных деревьев) я познакомился в 2011 году благодаря примерами анализа и интерпретации, которыми щедро делился А.Г. Виноградов в блоге ЭСПП (Александр Геннадьевич, спасибо!!!). Это позволило мне уже на своих данных по краткому тест-опроснику «Ваша ли это работа?», собранных в ходе карьерного консультирования взрослых, получить классификационное дерево с применением функции rpart() в R. Я до сих пор помню переполнявшие меня эмоции: «Ура! Что-то получилось! :)
На днях разбирал свои архивы и нашел свои записи:

Допустим, наша цель -- прогнозировать Пол (целевая переменная) по нескольким независимым переменным (да, смотрим, чем мальчики отличаются от девочек в своих ответах)

Исходные данные: 69 испытуемых заполняли опросник «Ваша ли это работа» (50 жен., 19 муж.), включающий 14 утверждений.

Утверждения (те, которые приводятся в результатах классификации и имеют максимальную связь с полом): B2 "В свободное рабочее время Вы с удовольствием занимаетесь чем-то совершенно другим"
C3 "Ваши успехи в работе или продвижение по карьере в данный момент являются одними из лучших по сравнению с успехами других"
G7 "Деньги — это НЕ главная причина того, чем Вы занимаетесь на работе"

Варианты ответа на вопросы:
1 "НЕТ",
2 "Скорее НЕТ, чем да",
3 "Скорее ДА, чем нет",
4 "ДА"

Основные выводы:
Существуют три типа женщин:
1) твердо уверенные в том, что они не лучше по сравнению с другими (в работе или продвижении по карьере)
2) уверенные, что они лучше (в работе или продвижении по карьере), но занимающиеся с удовольствием чем-то другим на работе
3) уверенные, что они лучше других (в работе или продвижении по карьере), не занимающиеся чем-то другим и полагающие, что деньги на работе -- не главное

Мужчины же вышли одного типа: уверенные, что они лучше других (в работе или продвижении по карьере), не занимающиеся чем-то другим и полагающие, что деньги на работе -- главное.

#нейронные_сети А что вы знаете про математические идеи, лежащие в основе нейронных сетей?

#данные Консалтинговые компании по аналитике как грибы после дождя, что не день, то новая компания, все предлагают примерно одно и тоже: вы нам заплатите, а мы ваши данные покрутим. Поэтому важно иметь в штате аналитика, растить аналитиков из своих специалистов, вкладывать ресурсы в развитие функции аналитики, иначе придется платить деньги консалтинговым фирмам, которые за ваши деньги "покрутят ваши данные" и "расскажут то, что вы хотите услышать" тоже за ваши деньги. Так и живем

#визуализация #8е_марта #чего_хотят_женщины Сделал визуализацию одного опроса. Наглядно видно, что мужчины дарят, а чего хотят женщины. С праздником, дорогие и прекрасные дамы!

#данные В сентябре 2018 я писал про DataSearch от Google (см. http://forum.ht-line.ru/threads/poiskovyj-servis-datasearch-dlja-poiska-dannyx.2633/)
Google завершил бета-тестирование сервиса (см. https://datasetsearch.research.google.com/), а новый релиз получил улучшенный функционал. Теперь результаты можно фильтровать по типам наборов данных (таблицы, тексты, изображения) и доступности (платные и бесплатные). Также появилась мобильная версия сервиса.
Поисковик работает на нескольких языках, в том числе и на русском.

Яндекс, слабо повторить?

#hr_аналитик_рекомендует Существует стойкий миф о том, что прогнозировать человеческое поведение невозможно. Увы, но это не так, об этом книжка, которую я всегда рекомендовал, когда выступал с презентациями по HR аналитике. Вы удивитесь, насколько активно многие компании применяют прогнозный анализ. Это происходит постоянно -- ваше поведение пытаются предсказать, когда вы просматриваете товары, принимаете решение о покупке, когда делаете клик мышкой, вводите запрос в поисковике, оплачиваете услуги, делаете заказ, слушаете музыку онлайн, посещаете различные заведения и т.д. Это работает! Читайте книгу Эрика Сигеля "Просчитать будущее"

#визуализация_данных В HR аналитике визуализация стоит тысячи моделей.
Есть очень простой, но важный шаг в работе с HR-данными: визуализация. Как правило, эйчары пропускают данный шаг … Что там визуализировать – быстрее надо считать…

Представим, что у нас есть 4 набора данных, по 11 пар чисел x и y. Среднее и ст. отклонение для x и y каждого набора чисел идентичны, как и корреляция x и y для каждого набора:

> apply(anscombe, 2, mean)
      x1       x2       x3       x4       y1       y2       y3       y4 
9.000000 9.000000 9.000000 9.000000 7.500909 7.500909 7.500000 7.500909 
> apply(anscombe, 2, sd)
      x1       x2       x3       x4       y1       y2       y3       y4 
3.316625 3.316625 3.316625 3.316625 2.031568 2.031657 2.030424 2.030579 
> cor(anscombe$x1, anscombe$y1)
[1] 0.8164205
> cor(anscombe$x2, anscombe$y2)
[1] 0.8162365
> cor(anscombe$x3, anscombe$y3)
[1] 0.8162867
> cor(anscombe$x4, anscombe$y4)
[1] 0.8165214

Модель линейной регрессии, построенная методом МНК для всех 4 наборов данных описывается уравнением

y=3.00+0.500x

А теперь смотрим глазами (см. график)

Скажем спасибо английскому математику Ф. Дж. Энскомбу, который составил эти 4 набора данных в качестве иллюстрации важности применения графиков для статистического анализа и влияния выбросов значений на свойства всего набора данных. В следующий раз, когда будете работать с HR аналитиком, попросите его обязательно сначала сделать визуализацию данных, либо «прикидывайте на глазок» самостоятельно.

#hr_аналитика_как_она_есть #корреляция #величина_эффекта Не так давно увидел в обучающих материалах одного эксперта по HR аналитике фразу о том, что если коэффициент корреляции больше 0.5, то он статистически значим :) Да, это все, что надо знать про уровень тех, кто обучает других HR аналитике.
Но интересно другое: A total of 474 effect sizes from meta-analyses from social psychology during one hundred years extracted from the study by Richard et al. (2003) https://github.com/peterdalle/effectsizes