Опыт применения чатбота в рекрутинге: год вместе
Статья HR Deutsche Telekom в переводе Ольги Хайдаровой. Рекомендую обратить внимание на процентное соотношение вопросов кандидатов по темам. Если у кого-то из читателей есть опыт использования чат ботов, с удовольствием опубликую Ваш опыт.

https://goo.gl/naaq3U

хочу показать вам одну диаграмму, которая у меня вызывает вопросы
Это динамика стартовых зарплат HR по годам в разрезе Москва / не Москва
С регионами тьфу тьфу все стабильно, а вот Москва просто провалилась я яму. Напомню, это не текущие, а стартовые зарплаты.
Это не значит, что стали меньше платить (хотя и это тоже), а то, что стали меньше нанимать руководителей, а больше специалистов.
Это также не очень гут, потому что похожая ситуация была в 2009 году - году кризиса, когда брали в основном спецов, а не начальников. И это может говорить тогда о том, что кризис нифига не прошел.......
Что думаете, коллеги?
И напомню, что Вы можете поучаствовать в исследовании и получить индивидуальный отчет, насколько ваша зарплата в рынке
https://goo.gl/h91DWF

Интерпретабельность аналитики
Коллеги, Александр Вечерин очень интересную тему поднял.

1) нам важны не просто показатели качества модели, а интерпретируемость результатов. Т..е. если мы создали модель приема на работу, в которой принимаем / отклоняем кандидатов, то мы должны понимать не просто качество модели - с какой вероятностью мы можем неверно взять или отклонить Васю Иванова, но нам еще хотелось бы понимать, почему мы Васю отклонили - какие в нем данные не те. Причем, прошу не путать божий дар в яичницей: это не та ситуация, когда в компании создана модель компетенций, а кандидата отклоняют на основе того, что у него недоразвита компетенция "клиентоориентированность". Это полная лажа. Я говорю о математической модели, за которой стоит тяжкий труд по сбору данных и анализу.
Далее я коснусь математических аспектов интепретации модели (прошу прощения у неподготовленной публики - переходите сразу в пункту 8 - из песни слова не выкинешь - приходите ко мне на семинар, чтобы быть в теме).
Аспекты интпретации можно описать следующими пунктами.
2) линейная регрессия замечательна тем, что там есть коэффициенты, которые легко интепретируемы
3) засада возникает в тот момент, когда нам приходится а) логарифмировать переменные или 4) регуляризировать - в этот момент пропадает ясность.
4) если с логарифмированием как то еще можно разобраться, у нас вместо абсолютных значений появляются %, то с регуляризацией все хуже: перестает быть понятен физический смысл коэффициентов
5) но совсем плохо с непараметрическими моделями, потому что все, что у нас там есть - фиче импортанс - важность факторов. И мы ничего не можем сказать про конкретного Васю Иванова, которого не взяли на работу, потому что его СКОР (от англ score) показал низкие значения.
6) вот эта ситуация в аналитике (см. п 5) называется ситуацией черного ящика, когда мы не понимаем, что внутри.
7) но совсем недавно появились пакеты типа LIME, которые говорят, да нет, ребята, мы можем сказать, почему Вася был отклонен.
8) в посте по ссылке я описываю одну из возможных ситуаций: в качестве модели я беру прогноз психологической совместимости подчиненный руководитель и показываю не просто прогноз того, насколько совместимы они между собой, а какие факторы у конкретно данного Васи Иванова способствуют совместимости или препятствуют
https://goo.gl/6bFPh6

.

Юбилеи и годовщины как риски текучести персонала
Один из самых парадоксальных результатов нашего исследования
Представьте, что вы устролись на работу 14 февраля 2015 года.
Какова вероятность, что вы уволитесь спустя какое то время близко к этой дате?
С т.з. здравого смысла совершенно неважно, уволитесь вы 14 сентября или 14 февраля, но статистика говорит о другом.
https://goo.gl/G4ro98

это в продолжение предыдущего поста. Количество увольнений по месяцам. По результатам исследования https://goo.gl/Fofmtr (стоит пройти по ссылке и поучаствовать, если вы еще не)
Октябрь откровенно выбивается.
Давайте применим карту шухарта для анализа.
https://goo.gl/UDu1Yd
среднее значение по месяцам 86
стандартное отклонение 16
т.е. среднее + 2 отклонения = 119,
среднее + 3 отклонения = 135
Октября нам дает 131 , те. вероятность, что октябрь выбивается не случайно больше 95 %
Коллеги, чем нам так октябрь не угодил? Осенняя депрессия?

В какое время суток лучше проходить психологические тесты
Для тех, кому назначают он - лайн тесты или для тех, кто назначает тесты.
https://goo.gl/iT9j6B

Корпоративная культура Facebook, Amazon и Apple в описании вакансий
чуваки сделали крутую аналитику: скачали описание вакансий 10 самых высокотехнологичных компаний, а потом провесли анализ тональности текста: выявили, какие слова / выражения значимо чаще используют те или иные компании.
надо ждать, что наши job сайт скопируют это
https://goo.gl/ukqLtT

Фокус на причинах, а не на симптомах вовлеченности сотрудников
Статья Andrew Marritt. Вовлеченность персонала, смею утверждать - черный ящик для нашего HR. Мы либо просто в форумах языками трещим на эту тему, но когда доходит до измерения, отдаем дело в руки провайдеров, а те нам лепят что-то, чего мы сами не понимаем, а мы потом смотрим на графики: вовлеченность нашей компании 64 %. Сама же вовлеченность остается в тумане.
Andrew Marritt в отличие от вводит нас в вовлеченность. Его статьи глубокие, поэтому он не так популярен, но он реально классный аналитики, который сам работает руками. И его надо обязательно читать, если вы хотите разбираться в вовлеченности
https://goo.gl/mZkpJp

Коллеги, на выходные оставляю рекламу семинаров. Этой весной я проведу два открытых семинара в Москве:
Семинар - практикум "Аналитика для HR", 10-11 апреля 2018 г.,
https://goo.gl/u8UKVH
семинар базовый, работаем два дня в excel и SPSS.
Семинар-практикум "HR-Аналитика в R", 23-24 апреля 2018
https://goo.gl/yiYY2k
Этот семинар для очень продвинутых - тех, кто работает или готов работать в программе R
если есть вопросы - пишите @Edvb72

Коллеги, хочу провести одно голосование. Ниже я дам две картинки. Каждая картинка представляет одну компанию. На картинке - слова / словосочетания из вакансий этих компаний, которые чаще всего в компании используют. Высота слова обозначет частоту использования.
По каждой компании несколько сотен вакансий. Названия компаний, а это главная интрига, дам после подведения голосования.

Три голосовалки: по каждой компании - нравится ли вам облако слов или нет, и заключительная голосовалка: я не вижу принципиальной разницы между этими двумя компаниями.

Вариант ответа "я не вижу принципиальной разницы между этими двумя компаниями"

Самая популярная статья нашего канала за прошлую неделю
Корпоративная культура Facebook, Amazon и Apple в описании вакансий
больше всего лайков
Она же (и ваше внимание к статье) заставили меня провести собственное небольшое исследование, результатом чего стал опрос (я жду, что будут еще голоса). И я готовлю пост про эти две российские компании
https://goo.gl/WgQ9ga

Вопрос: надо ли в данной ситуации HR-директору беспокоиться о текучести персонала
Коллеги, и снова обращаюсь к вам с просьбой высказать свое мнение.
Ситация прям вот сейчас возникла))))
Сделал общий анализ текучести в ритейле и получил картинку.
Мне показалось, что ситуация не очень приятная.
Но коллега привел картинку бенчмарка текучести по ритейлу, и ситуация кажется вполне себе приличной.
По ссылке я публикую обе картинки и описываю две позиции.
Мне важно услышать от вас, какая позиция из описанных вам ближе

Если Вы оцениваете ситуацию как плохую, кликните на плачущий смайлик. Если как хорошую - то на смайлки с средечками
https://goo.gl/DnNtn1

Сравнительный анализ корпоративной культуры Альфабанка и Сбербанка на основе текстов вакансий
выкладывал вчера две картинки со словами из вакансий
подвожу результаты.
думаю, вы уже догадались, какая компания Сбер, какая Альфа банк.
В посте я также даю свою интпретацию результатов нашего голосования, почему результаты получились именно такими, какими получились. Буду вам благодарен, если вы дадите мне свою обратную связь через лайки: согласны вы с моими выводами или нет.
спасибо
https://goo.gl/SQJcAS

Последний рекрутер: искусственный интеллект и рекрутинг
немного сменим тему после вчерашнего. Представляю статью Raghav Singh - индус из Чикаго
Один из самых зравых представителей рекрутинга, что я встречал.
В статье Raghav рассуждает, заменит ли искусственный интеллект рекрутеров или нет. Не то, чтобы я был с ним согласен, но выводы оригинальны
https://goo.gl/A8rFSF

Как я скачиваю вакансии компаний с ХХ.ru (на примере Газпрома)
Коллеги, заранее прошу прощения: пост чисто технический, с кодом в Python.
Это может пригодиться или тому, кто сам работает в Python, или если в вашем компании есть программер, он легко применит для парсинга вакансий
https://goo.gl/DA1iXP

Если антилайков будет больше лайков, не буду впредь грузить вас подобными постами. Но имхо кому-то реально может пригодиться

В продолжение предыдущего поста. В последнее время часто слышу разговоры, какую программу лучше изучать HR-аналитикам: R или Python. Хочу статистически проверить популярность программ. Прошу проголосовать, какую программу вы изучали, изучаете или хотели бы изучать.

▪️ 34% (24) R
🔸🔸🔸🔸🔸🔸🔸🔸

▫️ 11% (8) Python
🔸🔸

▪️ 31% (22) R и Python
🔸🔸🔸🔸🔸🔸🔸

▫️ 22% (16) Ни одну из этих программ
🔸🔸🔸🔸🔸
👥 70 - всего голосов

Карьерная скорость в HR
Я по результатам нашего исследования посчитал скорость передвижения HR по карьерной лестнице - сколько времени занимает переход со ступеньки на ступеньку.
Кстати, что интересно: нет значимых различий в скорости с позиции ассистента на позицию специалиста и с позиции начальника отдела на позицию HR дира.
Но вы можете оспорить выводы исследования. Методология не идеальна
А карьерный шаг равен .....

https://goo.gl/69Ld1X