Оценка влияния обучения руководителей на удержание сотрудников🎯
Решил кейсом своим поделиться.
Оценка эффективности обучения – заветная мечта HR😊 Слабо реализуемая, что бы кто не говорил. Но решения есть.
В компании - клиенте проводят обучение руководителей управленческим навыкам – там не только про удержание, а вообще про управление. Но удержание персонала приоритет №1, и клиент захотел измерить влияние этого обучения на удержание сотрудников.
Наиболее очевидным кажется схема анализа:
📌Смотрим на подчиненных руководителей, кто прошел обучение, и подчиненных руководителей, кто не прошел обучения, сравниваем текучесть, даем ответ.
📌Вторая схема: смотрим только руководителей, прошедших обучение, оцениваем как подчиненные уходили до обучения и после.
Идея здравые, но как обычно есть куча «но» и нюансов.
🤷♂️Группы прошедших и не прошедших могут различаться, это уже само по себе смещение
🤷♂️На удержание до и после может влиять опыт руководителя (дело может быть не в обучении, а в том, что руководитель просто опыта набирается), и надо "очищать" эффект.
🤷♂️Сотрудник может не уволиться от руководителя, а перейти работать к другому руководителю – и это, очевидно, нельзя расценивать как «плохой» исход, особенно, если подчиненный пошел на повышение.
🤷♂️А главное, первая схема нерабочая в силу «эффекта выжившего». Мы получим корреляцию между обучением и оттоком, но не потому, что обучение влияет на отток, а потому, что дольше работающие просто имеют больше вероятности пройти обучение.
Это основные «но» и нюансы, есть еще другие, более мелкие.
Кто знаком с анализом, догадываются, что я использовал алгоритмы дожития. Но ключевым моментом было то, что единицей анализа я взял не время жизни сотрудника в компании, а время совместной жизни сотрудника и руководителя.
Т.е. условный Вася Пупкин у нас был не одной строкой, а столько раз, сколько у него было руководителей. Время начала работы не от момента трудоустройства, а от момента начала работы с конкретным руководителем (и с первым руководителем время трудоустройства совпадает). А дата окончания работы не дата увольнения, а дата окончания работы с конкретным руководителем (иногда дата увольнения совпадает, если ушел от руководителя). Если сотрудник перешел на другое место работы к другому руководителю в рамках компании, событие считается цензурируемым (незакрытым – термин из анализа дожития).
🎯Каковы результаты?
✅Обучение не оказывает влияние на удержание подчиненных (p-value = 0, 7) – не особо это удивляет, если честно, поскольку несколько часов, даже пусть это 20 часов, навряд ли дадут необходимые навыки удержания.
✅Стаж работы не оказывает влияние на удержание подчиненных (p-value = 0, 12) – хотя обратите внимание на p-value – намек на то, что при бОльших данных или в другой компании опыт руководителя может влиять на удержание, и тогда подчиненных мы могли бы удерживать через удержание руководителей.
И да, такой анализ возможен, если данные соответствующего качества.
Перед Вами когда-нибудь стояла задача оценки эффективности обучения?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Решил кейсом своим поделиться.
Оценка эффективности обучения – заветная мечта HR😊 Слабо реализуемая, что бы кто не говорил. Но решения есть.
В компании - клиенте проводят обучение руководителей управленческим навыкам – там не только про удержание, а вообще про управление. Но удержание персонала приоритет №1, и клиент захотел измерить влияние этого обучения на удержание сотрудников.
Наиболее очевидным кажется схема анализа:
📌Смотрим на подчиненных руководителей, кто прошел обучение, и подчиненных руководителей, кто не прошел обучения, сравниваем текучесть, даем ответ.
📌Вторая схема: смотрим только руководителей, прошедших обучение, оцениваем как подчиненные уходили до обучения и после.
Идея здравые, но как обычно есть куча «но» и нюансов.
🤷♂️Группы прошедших и не прошедших могут различаться, это уже само по себе смещение
🤷♂️На удержание до и после может влиять опыт руководителя (дело может быть не в обучении, а в том, что руководитель просто опыта набирается), и надо "очищать" эффект.
🤷♂️Сотрудник может не уволиться от руководителя, а перейти работать к другому руководителю – и это, очевидно, нельзя расценивать как «плохой» исход, особенно, если подчиненный пошел на повышение.
🤷♂️А главное, первая схема нерабочая в силу «эффекта выжившего». Мы получим корреляцию между обучением и оттоком, но не потому, что обучение влияет на отток, а потому, что дольше работающие просто имеют больше вероятности пройти обучение.
Это основные «но» и нюансы, есть еще другие, более мелкие.
Кто знаком с анализом, догадываются, что я использовал алгоритмы дожития. Но ключевым моментом было то, что единицей анализа я взял не время жизни сотрудника в компании, а время совместной жизни сотрудника и руководителя.
Т.е. условный Вася Пупкин у нас был не одной строкой, а столько раз, сколько у него было руководителей. Время начала работы не от момента трудоустройства, а от момента начала работы с конкретным руководителем (и с первым руководителем время трудоустройства совпадает). А дата окончания работы не дата увольнения, а дата окончания работы с конкретным руководителем (иногда дата увольнения совпадает, если ушел от руководителя). Если сотрудник перешел на другое место работы к другому руководителю в рамках компании, событие считается цензурируемым (незакрытым – термин из анализа дожития).
🎯Каковы результаты?
✅Обучение не оказывает влияние на удержание подчиненных (p-value = 0, 7) – не особо это удивляет, если честно, поскольку несколько часов, даже пусть это 20 часов, навряд ли дадут необходимые навыки удержания.
✅Стаж работы не оказывает влияние на удержание подчиненных (p-value = 0, 12) – хотя обратите внимание на p-value – намек на то, что при бОльших данных или в другой компании опыт руководителя может влиять на удержание, и тогда подчиненных мы могли бы удерживать через удержание руководителей.
И да, такой анализ возможен, если данные соответствующего качества.
Перед Вами когда-нибудь стояла задача оценки эффективности обучения?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
👍3🔥3
Метрика HR-бренда?✅
Здесь я скорее к вам обращаюсь за советом. Вопросы в конце. После объяснений логики.
Сделал для одного клиента аналитику зарплатных ожиданий кандидатов. В частности, принятых кандидатов.
📌Задача:
посмотреть, насколько выше / ниже зарплатные ожидания принятых кандидатов в сравнении с остальными.
На диаграмме результат.
По оси Z баллы.
Если делать в рублях, то мы не получим аналитики - по каждой вакансии свои зарплатные ожидания, поэтому чтобы сравнить, применяет нормализацию.
Работает это так.
Очень удобно, когда мы хотим сравнить относительный разброс зарплат.
🎯Результат:
на диаграмме медианное значение = 0.316 стандартных отклонений или 62, 5 %
Т.е. финальный кандидат имеет зарплатные ожидания выше, чем 62, 5 % остальных кандидатов.
❓ВОПРОСЫ. О чем может говорить данная аналитика? Можно ли сказать, что это показатель HR-бренда компании - т.е. чем выше ожидания финального кандидата, тем больше рынка мы платим, тем более сильных кандидатов мы берем?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Здесь я скорее к вам обращаюсь за советом. Вопросы в конце. После объяснений логики.
Сделал для одного клиента аналитику зарплатных ожиданий кандидатов. В частности, принятых кандидатов.
📌Задача:
посмотреть, насколько выше / ниже зарплатные ожидания принятых кандидатов в сравнении с остальными.
На диаграмме результат.
По оси Z баллы.
Если делать в рублях, то мы не получим аналитики - по каждой вакансии свои зарплатные ожидания, поэтому чтобы сравнить, применяет нормализацию.
Работает это так.
Например, у нас 10 кандидатов на вакансию №134, среднее значение ожиданий 100 000 рублей, минимальное 70 000, максимальное 130 000, стандартное отклонение 10 000
кандидат, который устроился на работу, имел ожидания 110 000 рублей, т.е. плюс одно стандартное отклонение от всех ожиданий кандидатов. В другой вакансии среднее значение ожиданий 200 000 рублей, стандартное отклонение 20 000 рублей, и если у финального кандидата ожидание равно 220 000 рублей, то он точно также плюс одно стандартное отклонение.
Очень удобно, когда мы хотим сравнить относительный разброс зарплат.
🎯Результат:
на диаграмме медианное значение = 0.316 стандартных отклонений или 62, 5 %
Т.е. финальный кандидат имеет зарплатные ожидания выше, чем 62, 5 % остальных кандидатов.
❓ВОПРОСЫ. О чем может говорить данная аналитика? Можно ли сказать, что это показатель HR-бренда компании - т.е. чем выше ожидания финального кандидата, тем больше рынка мы платим, тем более сильных кандидатов мы берем?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
🔥4👍1
ЗадачА. 🔞
Подумал, а почему бы и ДА – в смысле я думал, стоит давать в канале или нет. Решил подкинуть одну из задачек, с которой сталкиваются аналитики.
Итак,
Процесс адаптации. С новичками встречаются HRBP. Это фиксируется через систему. Я считаю разницу между датой встречи HRBP с новичком и датой трудоустройства новичка – как быстро эта встреча происходит. Данные такие: четверть встреч происходят в первую неделю, четверть – больше, чем через месяц. Среднее значение – две с лишним недели.
Далее я считаю корреляцию между временем встречи и текучестью и выясняю: чем больше время между трудоустройством и встречей с HRBP, тем меньше риски увольнения.
Еще раз: чем дольше HRBP затягивает встречу, отодвигает ее, тем меньше риски увольнения.
❓ВОПРОС: как бы вы объяснили этот результат.
Сразу скажу, задачка креативная.
Подумал, а почему бы и ДА – в смысле я думал, стоит давать в канале или нет. Решил подкинуть одну из задачек, с которой сталкиваются аналитики.
Итак,
Процесс адаптации. С новичками встречаются HRBP. Это фиксируется через систему. Я считаю разницу между датой встречи HRBP с новичком и датой трудоустройства новичка – как быстро эта встреча происходит. Данные такие: четверть встреч происходят в первую неделю, четверть – больше, чем через месяц. Среднее значение – две с лишним недели.
Далее я считаю корреляцию между временем встречи и текучестью и выясняю: чем больше время между трудоустройством и встречей с HRBP, тем меньше риски увольнения.
Еще раз: чем дольше HRBP затягивает встречу, отодвигает ее, тем меньше риски увольнения.
❓ВОПРОС: как бы вы объяснили этот результат.
Сразу скажу, задачка креативная.
❤2🤔2
🔬 Ваш мозг и ChatGPT: как ИИ влияет на обучение?
Цель исследования:
Учёные из MIT и других университетов изучили, как использование ChatGPT для написания эссе влияет на когнитивные процессы, память и восприятие авторства.
📌Метод и выборка:
• Участники: 54 студента (18–39 лет), разделены на 3 группы:
o LLM-группа: писали эссе с ChatGPT.
o Группа поиска: использовали Google (без ИИ).
o Brain-only: писали без инструментов.
• Каждый участник выполнил 3 сессии, 18 из них — дополнительную 4-ю сессию с перераспределением групп.
• Использовались ЭЭГ, NLP-анализ текстов и интервью.
🎯Результаты:
1️⃣ Мозговая активность:
o У группы Brain-only была выше нейронная связность во всех частотных диапазонах (альфа, бета, тета, дельта), что говорит о более глубокой когнитивной вовлечённости.
o У LLM-группы связность была слабее, особенно в тета-диапазоне (связан с рабочей памятью).
2️⃣ Память и авторство:
o 83% участников LLM-группы не смогли точно процитировать свои эссе (против 11% в других группах).
o 16 из 18 участников Brain-only группы чувствовали полное авторство своих работ, в то время как в LLM-группе только 9 из 18.
3️⃣Качество эссе:
o ChatGPT помогал с грамматикой и структурой, но снижал уникальность и глубину содержания.
o Учителя оценили эссе Brain-only группы выше по креативности и содержанию.
📊Вывод:
Использование ChatGPT упрощает задачу, но снижает когнитивную нагрузку, что может привести к ухудшению навыков критического мышления и памяти.
💡 Вывод для себя: ИИ — мощный инструмент, но важно не забывать тренировать свой мозг!
Источник
На самом деле бомбы не случилось: не сам ChatGPT убивает мозг, а его пассивное использование. Дипломы и раньше списывали, не включая каплю мозгов.
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Цель исследования:
Учёные из MIT и других университетов изучили, как использование ChatGPT для написания эссе влияет на когнитивные процессы, память и восприятие авторства.
📌Метод и выборка:
• Участники: 54 студента (18–39 лет), разделены на 3 группы:
o LLM-группа: писали эссе с ChatGPT.
o Группа поиска: использовали Google (без ИИ).
o Brain-only: писали без инструментов.
• Каждый участник выполнил 3 сессии, 18 из них — дополнительную 4-ю сессию с перераспределением групп.
• Использовались ЭЭГ, NLP-анализ текстов и интервью.
🎯Результаты:
1️⃣ Мозговая активность:
o У группы Brain-only была выше нейронная связность во всех частотных диапазонах (альфа, бета, тета, дельта), что говорит о более глубокой когнитивной вовлечённости.
o У LLM-группы связность была слабее, особенно в тета-диапазоне (связан с рабочей памятью).
2️⃣ Память и авторство:
o 83% участников LLM-группы не смогли точно процитировать свои эссе (против 11% в других группах).
o 16 из 18 участников Brain-only группы чувствовали полное авторство своих работ, в то время как в LLM-группе только 9 из 18.
3️⃣Качество эссе:
o ChatGPT помогал с грамматикой и структурой, но снижал уникальность и глубину содержания.
o Учителя оценили эссе Brain-only группы выше по креативности и содержанию.
📊Вывод:
Использование ChatGPT упрощает задачу, но снижает когнитивную нагрузку, что может привести к ухудшению навыков критического мышления и памяти.
💡 Вывод для себя: ИИ — мощный инструмент, но важно не забывать тренировать свой мозг!
Источник
На самом деле бомбы не случилось: не сам ChatGPT убивает мозг, а его пассивное использование. Дипломы и раньше списывали, не включая каплю мозгов.
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
❤4👍2
В России утверждён ГОСТ «Корпоративный демографический стандарт»
Государство перекладывает часть ответственности за рождаемость и демографию на компании и бизнес. Хотелось бы пошутить на эту тему, но ... лучше не надо. А нам, HR-аналитикам, нужно будет считать еще вот эти показатели. Ну как вам новость?
Об этом на ПМЭФ сообщил полпред Президента в ЦФО Игорь Щёголев.
Стандарт разработан аппаратом полпреда Президента в ЦФО и Институтом демографической политики им. Д. И. Менделеева.
КПД-рейтинг рассчитывается как средневзвешенная сумма баллов по показателям:
1. Доля работников, состоящих в зарегистрированном браке
2. Среднее число детей в возрасте до 6 лет на одного работника
3. Среднее число детей на одного работника
их значения определяются ФНС России.
✅1. Показатель «Доля работников, состоящих в зарегистрированном браке»
определяется как отношение количества работников, состоящих в зарегистрированном браке (имеется запись акта о заключении брака, сведения о которой содержатся в ЕГР ЗАГС) к общему количеству работников и рассчитывают по формуле:
Доля работников, состоящих в зарегистрированном браке =
(Количество работников, состоящих в зарегистрированном браке/Общее количество работников) ∙ 100
✅1б. Балл по показателю «Доля работников, состоящих в зарегистрированном браке» рассчитывают по формуле:
Балл по показателю = ((Значение показателя − Мин. значение показателя)/
(Макс. значение показателя − Мин. значение показателя)) ∙ 100,
где Мин. значение показателя – соответствует минимальному значению
показателя среди всех участников оценки;
Мaкс. значение показателя – соответствует максимальному значению
показателя среди всех участников оценки.
✅2. Показатель «Среднее число детей в возрасте до 6 лет на одного работника» определяют как отношение количества детей работников в возрасте
до 6 лет включительно (в том числе усыновленных) к общему количеству работников и рассчитывают по формуле:
Среднее число детей в возрасте до 6 лет на одного работника =
Количество детей работников в возрасте до 6 лет включительно/Общее количество работников
В случае, если у работодателя трудоустроены оба родителя,
то значение «Количество детей работников в возрасте до 6 лет включительно» рассчитывается по каждому из родителей.
✅2б. Балл по показателю «Среднее число детей в возрасте до 6 лет на одного работника» рассчитывают по формуле
Балл по показателю = ((Значение показателя − Мин. значение показателя)/(0,5 − Мин. значение показателя)) ∙ 100,
где Мин. значение показателя – соответствует минимальному значению показателя среди всех участников оценки.
Если фактическое значение показателя «Среднее число детей в возрасте до 6 лет на одного работника» превышает значение 0,5, то балл по показателю равен 100.
✅3. Показатель «Среднее число детей на одного работника» определяют как отношение количества детей работников (включая совершеннолетних и усыновленных) к общему количеству работников и рассчитывают по формуле:
Среднее число детей на одного работника = Количество детей работников/Общее количество работников
В случае, если у работодателя трудоустроены оба родителя, то значение
«Количество детей работников» рассчитывается по каждому из родителей.
✅3б. Балл по показателю «Среднее число детей на одного работника» рассчитывают по формуле:
Балл по показателю = ((Значение показателя − Мин. значение показателя)/(2,3 − Мин. значение показателя)) ∙ 100,
где Мин. значение показателя – соответствует минимальному значению показателя среди всех участников оценки. Если фактическое значение показателя «Среднее число детей на одного работника» превышает значение 2,3, то балл по показателю равен 100.
Методика: https://кпд-рейтинг.рф/docs/Standarts.pdf
Сам рейтинг (2,3 млн. работодателей, 58,8 млн. работников): https://кпд-рейтинг.рф/
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Государство перекладывает часть ответственности за рождаемость и демографию на компании и бизнес. Хотелось бы пошутить на эту тему, но ... лучше не надо. А нам, HR-аналитикам, нужно будет считать еще вот эти показатели. Ну как вам новость?
Об этом на ПМЭФ сообщил полпред Президента в ЦФО Игорь Щёголев.
«Это первый в России системный подход к вовлечению бизнеса в решение демографических задач».
Стандарт разработан аппаратом полпреда Президента в ЦФО и Институтом демографической политики им. Д. И. Менделеева.
КПД-рейтинг рассчитывается как средневзвешенная сумма баллов по показателям:
1. Доля работников, состоящих в зарегистрированном браке
2. Среднее число детей в возрасте до 6 лет на одного работника
3. Среднее число детей на одного работника
их значения определяются ФНС России.
✅1. Показатель «Доля работников, состоящих в зарегистрированном браке»
определяется как отношение количества работников, состоящих в зарегистрированном браке (имеется запись акта о заключении брака, сведения о которой содержатся в ЕГР ЗАГС) к общему количеству работников и рассчитывают по формуле:
Доля работников, состоящих в зарегистрированном браке =
(Количество работников, состоящих в зарегистрированном браке/Общее количество работников) ∙ 100
✅1б. Балл по показателю «Доля работников, состоящих в зарегистрированном браке» рассчитывают по формуле:
Балл по показателю = ((Значение показателя − Мин. значение показателя)/
(Макс. значение показателя − Мин. значение показателя)) ∙ 100,
где Мин. значение показателя – соответствует минимальному значению
показателя среди всех участников оценки;
Мaкс. значение показателя – соответствует максимальному значению
показателя среди всех участников оценки.
✅2. Показатель «Среднее число детей в возрасте до 6 лет на одного работника» определяют как отношение количества детей работников в возрасте
до 6 лет включительно (в том числе усыновленных) к общему количеству работников и рассчитывают по формуле:
Среднее число детей в возрасте до 6 лет на одного работника =
Количество детей работников в возрасте до 6 лет включительно/Общее количество работников
В случае, если у работодателя трудоустроены оба родителя,
то значение «Количество детей работников в возрасте до 6 лет включительно» рассчитывается по каждому из родителей.
✅2б. Балл по показателю «Среднее число детей в возрасте до 6 лет на одного работника» рассчитывают по формуле
Балл по показателю = ((Значение показателя − Мин. значение показателя)/(0,5 − Мин. значение показателя)) ∙ 100,
где Мин. значение показателя – соответствует минимальному значению показателя среди всех участников оценки.
Если фактическое значение показателя «Среднее число детей в возрасте до 6 лет на одного работника» превышает значение 0,5, то балл по показателю равен 100.
✅3. Показатель «Среднее число детей на одного работника» определяют как отношение количества детей работников (включая совершеннолетних и усыновленных) к общему количеству работников и рассчитывают по формуле:
Среднее число детей на одного работника = Количество детей работников/Общее количество работников
В случае, если у работодателя трудоустроены оба родителя, то значение
«Количество детей работников» рассчитывается по каждому из родителей.
✅3б. Балл по показателю «Среднее число детей на одного работника» рассчитывают по формуле:
Балл по показателю = ((Значение показателя − Мин. значение показателя)/(2,3 − Мин. значение показателя)) ∙ 100,
где Мин. значение показателя – соответствует минимальному значению показателя среди всех участников оценки. Если фактическое значение показателя «Среднее число детей на одного работника» превышает значение 2,3, то балл по показателю равен 100.
Методика: https://кпд-рейтинг.рф/docs/Standarts.pdf
Сам рейтинг (2,3 млн. работодателей, 58,8 млн. работников): https://кпд-рейтинг.рф/
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
🤣4😭3🔥1👌1🫡1
Новые метрики подбора талантов в эпоху искусственного интеллекта ✅
Чувак (рекрутер из Нью-Йорка) дал метрики и цветовые маркеры
Цветовая легенда:
🟠 Метрики, ориентированные на кандидата
🟡 Метрики, ориентированные на рекрутера
🔴 Метрики, ориентированные на нанимающего менеджера
🔵 Метрики уровня C-Level / стратегические
🎯И сами метрики (подробнее по ссылке в статье):
🟠 Time in Status Variance — Вариативность времени на этапах. Измеряет, сколько времени кандидаты проводят на каждом этапе процесса найма
🟠 🟡 🔴 🔵 Net Hiring Experience Score — Совокупный индекс опыта найма, Оценка в стиле NPS, объединяющая отзывы кандидата, рекрутера и нанимающего менеджера после каждого цикла найма
🟠 🟡 🔴 Feedback Loop Closure Rate — Доля завершённых циклов обратной связи, Измеряет процент людей (особенно после интервью), получивших содержательную обратную связь, и скорость её предоставления
🔴 Interview-to-Decision Velocity — Скорость принятия решения после интервью, Измеряет время от финального интервью до решения по офферу
🔴 Internal Mobility Friction Index — Индекс трения внутренней мобильности, Отслеживает, как часто внутренние кандидаты подают заявки, продвигаются и получают офферы, или отпадают.
🟡 Recruiter Role Complexity Load — Нагрузка по сложности ролей на рекрутера, Взвешивает заявки не по количеству, а по сложности (уровень, редкость, локация, навыки).
🔵 Hiring Forecast Accuracy — Точность прогноза по найму, Сравнивает прогнозы и фактические результаты (сроки, объёмы, качество).
🟡 Requisition Approval to Launch Lag — Задержка между одобрением и публикацией заявки, Измеряет время между утверждением заявки и её размещением.
🟠 Candidate Sentiment Delta — Изменение настроения кандидата, Сравнивает настроение кандидатов до и после интервью через опросы.
🟠 Offer Drop-Off Signal Index — Индекс риска отказа от оффера, Использует сигналы (задержки, встречные предложения, разрывы коммуникации) для прогнозирования риска отказа.
🔴 Hiring Manager Touchpoint Index — Индекс взаимодействия менеджера по найму, Измеряет частоту и качество участия менеджера в процессе (брифинг, стратегия, интервью, обратная связь).
🟡 🔵 AI Augmentation Ratio — Коэффициент использования искусственного интеллекта, Доля задач (поиск, скрининг, планирование), выполненных с помощью ИИ по сравнению с ручной работой.
🔵 Talent Scarcity Exposure Score — Индекс дефицита талантов, Индекс, объединяющий критичность роли, географию, конкурентность зарплаты и насыщенность рынка.
🔵 First-Year Success Alignment — Соответствие успеха в первый год, Проверяет, соответствует ли новый сотрудник целям, на которые он нанимался, в течение первого года. Это не «качество найма», а объективный показатель.
🟠 🔵 Experience Consistency Index — Индекс стабильности опыта, Измеряет разницу в опыте кандидатов по локациям, функциям и демографическим признакам.
Что думаете?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Чувак (рекрутер из Нью-Йорка) дал метрики и цветовые маркеры
Цветовая легенда:
🟠 Метрики, ориентированные на кандидата
🟡 Метрики, ориентированные на рекрутера
🔴 Метрики, ориентированные на нанимающего менеджера
🔵 Метрики уровня C-Level / стратегические
🎯И сами метрики (подробнее по ссылке в статье):
🟠 Time in Status Variance — Вариативность времени на этапах. Измеряет, сколько времени кандидаты проводят на каждом этапе процесса найма
🟠 🟡 🔴 🔵 Net Hiring Experience Score — Совокупный индекс опыта найма, Оценка в стиле NPS, объединяющая отзывы кандидата, рекрутера и нанимающего менеджера после каждого цикла найма
🟠 🟡 🔴 Feedback Loop Closure Rate — Доля завершённых циклов обратной связи, Измеряет процент людей (особенно после интервью), получивших содержательную обратную связь, и скорость её предоставления
🔴 Interview-to-Decision Velocity — Скорость принятия решения после интервью, Измеряет время от финального интервью до решения по офферу
🔴 Internal Mobility Friction Index — Индекс трения внутренней мобильности, Отслеживает, как часто внутренние кандидаты подают заявки, продвигаются и получают офферы, или отпадают.
🟡 Recruiter Role Complexity Load — Нагрузка по сложности ролей на рекрутера, Взвешивает заявки не по количеству, а по сложности (уровень, редкость, локация, навыки).
🔵 Hiring Forecast Accuracy — Точность прогноза по найму, Сравнивает прогнозы и фактические результаты (сроки, объёмы, качество).
🟡 Requisition Approval to Launch Lag — Задержка между одобрением и публикацией заявки, Измеряет время между утверждением заявки и её размещением.
🟠 Candidate Sentiment Delta — Изменение настроения кандидата, Сравнивает настроение кандидатов до и после интервью через опросы.
🟠 Offer Drop-Off Signal Index — Индекс риска отказа от оффера, Использует сигналы (задержки, встречные предложения, разрывы коммуникации) для прогнозирования риска отказа.
🔴 Hiring Manager Touchpoint Index — Индекс взаимодействия менеджера по найму, Измеряет частоту и качество участия менеджера в процессе (брифинг, стратегия, интервью, обратная связь).
🟡 🔵 AI Augmentation Ratio — Коэффициент использования искусственного интеллекта, Доля задач (поиск, скрининг, планирование), выполненных с помощью ИИ по сравнению с ручной работой.
🔵 Talent Scarcity Exposure Score — Индекс дефицита талантов, Индекс, объединяющий критичность роли, географию, конкурентность зарплаты и насыщенность рынка.
🔵 First-Year Success Alignment — Соответствие успеха в первый год, Проверяет, соответствует ли новый сотрудник целям, на которые он нанимался, в течение первого года. Это не «качество найма», а объективный показатель.
🟠 🔵 Experience Consistency Index — Индекс стабильности опыта, Измеряет разницу в опыте кандидатов по локациям, функциям и демографическим признакам.
Что думаете?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
🔥1
AI помогает измерить лидерские навыки
Ученые из Гарварда и NBER проверили, можно ли использовать ИИ-агентов для оценки лидерских качеств у людей. Их цель — найти простой и надежный способ измерять навыки лидерства.
✅Метод
Участники (лидеры) решали групповые задачи в двух условиях:
С людьми: лидеры управляли командами из трех человек.
С ИИ: лидеры взаимодействовали с тремя ИИ-агентами (на основе GPT-4).
Задачи строились на парадигме Hidden Profile: информация для решения была распределена между участниками, и успех зависел от умения лидера собирать данные, задавать вопросы и принимать решения. Описание кейса ниже.
Лидеров оценивали по их вкладу в результат группы, учитывая как «жесткие» навыки (логика, скорость печати), так и «мягкие» (коммуникация, эмоциональный интеллект).
✅Выборка 249 лидеров, случайным образом распределенных в группы.Пол, возраст и образование не влияли на результаты — ключевыми оказались когнитивные и социальные навыки.
🎯Результаты и выводы
1️⃣ ИИ-тест предсказывает успех в реальных командах: корреляция между результатами с ИИ и людьми — 0.81.
2️⃣ Эффективные лидеры:
Задают больше вопросов.
Используют местоимения «мы» (включенное общение).
Имеют высокие баллы в тестах на эмоциональный интеллект и логику.
3️⃣ Практическая польза: ИИ-оценка дешевле ($23 vs. $114 за человеческий тест) и не требует координации множества людей.
✅Пример групповой задачи: Диагностика поломки машины. Были индивидуальные тесты для руководителя и групповые задачи, я приведу пример групповой.
У команды есть информация о поломке промышленного оборудования (например, конвейера). Нужно определить:
o Тип неисправного узла (например, приводной механизм).
o Причину поломки (например, перегрев, износ детали и т.д.).
Формат ответа. Лидер должен распределить вероятности для 5 вариантов (A/B/C/D/E), например:
o «A: 0%, B: 0%, C: 50%, D: 50%, E: 0%».
Каждый участник (лидер + 3 подчиненных) получал:
• 4 общие подсказки (одинаковые у всех).
• 4 уникальные подсказки (только у одного члена команды).
Пример подсказок:
o Лидер: «Тип А приводов давно на рынке».
o Подчиненный 1: «Тип B точно неисправен».
Процесс решения
1. Фаза 1: Изучение подсказок
Участники читают свои данные, но не видят чужие.
2. Фаза 2: Обсуждение в чате
o Лидер задаёт вопросы (например: «Какие типы узлов точно не подходят?»).
o Последователи отвечают, но не могут видеть друг друга (только лидера).
3. Фаза 3: Вероятностный ответ
Лидер анализирует собранные данные и указывает вероятности для каждого варианта.
Ошибки «плохих» лидеров:
• Не собрали все подсказки → оставили вероятности для B или E.
• Неверно интерпретировали данные (например, решили, что металл = надёжность).
Почему это сложно?
• Информация разрозненна: никто не знает всей картины.
• Ловушки: среди подсказок есть дистракторы (например, «Тип А давно на рынке» — это не связано с поломкой).
• Давление времени: на задачу отводилось ограниченное время (как в реальных условиях).
Как оценивался результат? Точность вероятностей: чем ближе распределение к правильному, тем выше балл.
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Ученые из Гарварда и NBER проверили, можно ли использовать ИИ-агентов для оценки лидерских качеств у людей. Их цель — найти простой и надежный способ измерять навыки лидерства.
✅Метод
Участники (лидеры) решали групповые задачи в двух условиях:
С людьми: лидеры управляли командами из трех человек.
С ИИ: лидеры взаимодействовали с тремя ИИ-агентами (на основе GPT-4).
Задачи строились на парадигме Hidden Profile: информация для решения была распределена между участниками, и успех зависел от умения лидера собирать данные, задавать вопросы и принимать решения. Описание кейса ниже.
Лидеров оценивали по их вкладу в результат группы, учитывая как «жесткие» навыки (логика, скорость печати), так и «мягкие» (коммуникация, эмоциональный интеллект).
✅Выборка 249 лидеров, случайным образом распределенных в группы.Пол, возраст и образование не влияли на результаты — ключевыми оказались когнитивные и социальные навыки.
🎯Результаты и выводы
1️⃣ ИИ-тест предсказывает успех в реальных командах: корреляция между результатами с ИИ и людьми — 0.81.
2️⃣ Эффективные лидеры:
Задают больше вопросов.
Используют местоимения «мы» (включенное общение).
Имеют высокие баллы в тестах на эмоциональный интеллект и логику.
3️⃣ Практическая польза: ИИ-оценка дешевле ($23 vs. $114 за человеческий тест) и не требует координации множества людей.
✅Пример групповой задачи: Диагностика поломки машины. Были индивидуальные тесты для руководителя и групповые задачи, я приведу пример групповой.
У команды есть информация о поломке промышленного оборудования (например, конвейера). Нужно определить:
o Тип неисправного узла (например, приводной механизм).
o Причину поломки (например, перегрев, износ детали и т.д.).
Формат ответа. Лидер должен распределить вероятности для 5 вариантов (A/B/C/D/E), например:
o «A: 0%, B: 0%, C: 50%, D: 50%, E: 0%».
Каждый участник (лидер + 3 подчиненных) получал:
• 4 общие подсказки (одинаковые у всех).
• 4 уникальные подсказки (только у одного члена команды).
Пример подсказок:
o Лидер: «Тип А приводов давно на рынке».
o Подчиненный 1: «Тип B точно неисправен».
Процесс решения
1. Фаза 1: Изучение подсказок
Участники читают свои данные, но не видят чужие.
2. Фаза 2: Обсуждение в чате
o Лидер задаёт вопросы (например: «Какие типы узлов точно не подходят?»).
o Последователи отвечают, но не могут видеть друг друга (только лидера).
3. Фаза 3: Вероятностный ответ
Лидер анализирует собранные данные и указывает вероятности для каждого варианта.
Ошибки «плохих» лидеров:
• Не собрали все подсказки → оставили вероятности для B или E.
• Неверно интерпретировали данные (например, решили, что металл = надёжность).
Почему это сложно?
• Информация разрозненна: никто не знает всей картины.
• Ловушки: среди подсказок есть дистракторы (например, «Тип А давно на рынке» — это не связано с поломкой).
• Давление времени: на задачу отводилось ограниченное время (как в реальных условиях).
Как оценивался результат? Точность вероятностей: чем ближе распределение к правильному, тем выше балл.
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Гендиректор и основатель Meta (признана в России экстремистской организацией и запрещена) Цукерберг лично занялся подбором лучших специалистов в сфере ИИ. В ходе масштабной кампании он предлагает особо талантливым специалистам зарплату в размере $100 млн. Сотни исследователей и инженеров в сфере ИИ за последние несколько месяцев столкнулись с попытками со стороны одного из богатейших людей в мире переманить их на работу, выяснила WSJ
Марк Цукерберг (№3 в рейтинге миллиардеров Forbes c состоянием $240,1 млрд на 23 июня) лично рассылает электронные сообщения самым выдающимся специалистам в области искусственного интеллекта (ИИ) с предложениями о работе в Meta (признана в России экстремистской организацией и запрещена). Об этом пишет The Wall Street Journal (WSJ) со ссылкой на осведомленных собеседников. По данным газеты, миллиардер связался с сотнями исследователей, ученых, инженеров, разработчиков и предпринимателей, чтобы привлечь их в новую лабораторию по «суперинтеллекту», которую он создает.
Чтобы исправить ситуацию с ИИ в Meta, Цукерберг стал главным рекрутером компании: сотрудники компании говорят, что никогда не видели своего руководителя таким сосредоточенным на подборе персонала. Цукерберг создал чат в мессенджере WhatsApp под названием «Рекрутинговая вечеринка» с главными кадровиками компании Рутой Сингх и Джанель Гейл. Он изучает, кто создает технологии ИИ, и рассчитывает на эффект маховика в рекрутинге: если он поговорит с самым умным человеком, которого сможет найти, тот познакомит его с самыми умными в своих кругах, пишет WSJ.
Когда участники рекрутингового чата находят людей, на которых стоит обратить внимание, Цукерберг хочет знать, какой способ общения они предпочитают. Он привлекает их внимание, отправляя первые сообщения самостоятельно. По словам человека, знакомого с подходом Цукерберга, миллиардер взял подбор персонала в свои руки, потому что понимает, что именно здесь у него больше всего рычагов влияния в компании, которую он основал, а электронное письмо от него является более мощным оружием, чем обращение кого-то из хедхантеров.
Цукерберг часто приглашает кандидатов на обед в свои дома в Пало-Альто (Калифорния) и на озере Тахо. Ему нравится участвовать в каждом этапе процесса найма, вплоть до планирования расположения рабочих мест. Он также говорит исследователям, что им не придется беспокоиться о вычислительной мощности или финансировании в Meta — их работа будет поддерживаться сотнями миллиардов долларов рекламных доходов и широким доступом компании к самым мощным чипам.
Некоторые из тех, кто получил сообщения, были настолько удивлены, что не поверили, что отправитель действительно Цукерберг. Один из адресатов посланий Цукерберга решил, что это розыгрыш, и не отвечал несколько дней. Несмотря на финансовые стимулы, некоторые потенциальные кандидаты не решились присоединиться к Meta из-за проблем, с которыми столкнулась компания в 2025 году, а также из-за реорганизаций внутри нее.
По словам собеседников WSJ, знакомых с мнениями адресатов Цукерберга, реорганизации в Meta оставили их в неведении относительно того, кто за что отвечает в компании. Заявленное Цукербергом видение его новой команды по искусственному интеллекту вызвало у них беспокойство, пишет WSJ. По словам собеседников, некоторые сочли концепцию «суперинтеллекта» расплывчатой или недостаточно конкретной.
Подробнее forbse.ru
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Марк Цукерберг (№3 в рейтинге миллиардеров Forbes c состоянием $240,1 млрд на 23 июня) лично рассылает электронные сообщения самым выдающимся специалистам в области искусственного интеллекта (ИИ) с предложениями о работе в Meta (признана в России экстремистской организацией и запрещена). Об этом пишет The Wall Street Journal (WSJ) со ссылкой на осведомленных собеседников. По данным газеты, миллиардер связался с сотнями исследователей, ученых, инженеров, разработчиков и предпринимателей, чтобы привлечь их в новую лабораторию по «суперинтеллекту», которую он создает.
Чтобы исправить ситуацию с ИИ в Meta, Цукерберг стал главным рекрутером компании: сотрудники компании говорят, что никогда не видели своего руководителя таким сосредоточенным на подборе персонала. Цукерберг создал чат в мессенджере WhatsApp под названием «Рекрутинговая вечеринка» с главными кадровиками компании Рутой Сингх и Джанель Гейл. Он изучает, кто создает технологии ИИ, и рассчитывает на эффект маховика в рекрутинге: если он поговорит с самым умным человеком, которого сможет найти, тот познакомит его с самыми умными в своих кругах, пишет WSJ.
Когда участники рекрутингового чата находят людей, на которых стоит обратить внимание, Цукерберг хочет знать, какой способ общения они предпочитают. Он привлекает их внимание, отправляя первые сообщения самостоятельно. По словам человека, знакомого с подходом Цукерберга, миллиардер взял подбор персонала в свои руки, потому что понимает, что именно здесь у него больше всего рычагов влияния в компании, которую он основал, а электронное письмо от него является более мощным оружием, чем обращение кого-то из хедхантеров.
Цукерберг часто приглашает кандидатов на обед в свои дома в Пало-Альто (Калифорния) и на озере Тахо. Ему нравится участвовать в каждом этапе процесса найма, вплоть до планирования расположения рабочих мест. Он также говорит исследователям, что им не придется беспокоиться о вычислительной мощности или финансировании в Meta — их работа будет поддерживаться сотнями миллиардов долларов рекламных доходов и широким доступом компании к самым мощным чипам.
Некоторые из тех, кто получил сообщения, были настолько удивлены, что не поверили, что отправитель действительно Цукерберг. Один из адресатов посланий Цукерберга решил, что это розыгрыш, и не отвечал несколько дней. Несмотря на финансовые стимулы, некоторые потенциальные кандидаты не решились присоединиться к Meta из-за проблем, с которыми столкнулась компания в 2025 году, а также из-за реорганизаций внутри нее.
По словам собеседников WSJ, знакомых с мнениями адресатов Цукерберга, реорганизации в Meta оставили их в неведении относительно того, кто за что отвечает в компании. Заявленное Цукербергом видение его новой команды по искусственному интеллекту вызвало у них беспокойство, пишет WSJ. По словам собеседников, некоторые сочли концепцию «суперинтеллекта» расплывчатой или недостаточно конкретной.
Подробнее forbse.ru
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Forbes.ru
WSJ: Цукерберг занялся отбором лучших специалистов для создания «суперинтеллекта»
Гендиректор и основатель Meta (признана в России экстремистской организацией и запрещена) Цукерберг лично занялся подбором лучших специалистов в сфере ИИ. В ходе масштабной кампании он предлагает особо талантливым специалистам зарплату в размере $100
👍2😨2
This media is not supported in your browser
VIEW IN TELEGRAM
Идея стартапа
В Китае столовые массово внедряют ИИ-сканеры, которые мгновенно распознают блюда на подносе и автоматически формируют счёт. Всё занимает буквально секунды, а людям больше не нужно объяснять, что у них на тарелке.
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
В Китае столовые массово внедряют ИИ-сканеры, которые мгновенно распознают блюда на подносе и автоматически формируют счёт. Всё занимает буквально секунды, а людям больше не нужно объяснять, что у них на тарелке.
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
👍3
Зачем покупать стартапы? 🎯
Чувак из универа Пенсильвании провел глобальное исследование ради одной картинки.
Он сравнил текучесть сотрудников из стартапов и просто новых сотрудников. Т.е. многие техкомпании покупают стартапы. Ради новых скилов. Покупают с людьми.
И результат не очень. Сотрудники из стартапа почти в три раза быстрее уходят из компании в первый год.
На диаграмме: по оси X - стаж в годах, по оси Y - доля оставшихся в компании на конкретный год.
Т.е. через год уходит уже 34 % стартаперов (или 66 % остается), в то время как просто новые сотрудники - 12 % уходят в первый год.
Через три года остается 47 % просто новичков и 38 % бывших стартаперов.
Поражает объем работ исследования: он вытащил 482,371 профиль сотрудников стартапов на LinkedIn (там же профили просто новых сотрудников).
зафиксировал 28,512 подтвержденных сделок поглощения tech-стартапов в Crunchbase.
Источник
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Чувак из универа Пенсильвании провел глобальное исследование ради одной картинки.
Он сравнил текучесть сотрудников из стартапов и просто новых сотрудников. Т.е. многие техкомпании покупают стартапы. Ради новых скилов. Покупают с людьми.
И результат не очень. Сотрудники из стартапа почти в три раза быстрее уходят из компании в первый год.
На диаграмме: по оси X - стаж в годах, по оси Y - доля оставшихся в компании на конкретный год.
Т.е. через год уходит уже 34 % стартаперов (или 66 % остается), в то время как просто новые сотрудники - 12 % уходят в первый год.
Через три года остается 47 % просто новичков и 38 % бывших стартаперов.
Поражает объем работ исследования: он вытащил 482,371 профиль сотрудников стартапов на LinkedIn (там же профили просто новых сотрудников).
зафиксировал 28,512 подтвержденных сделок поглощения tech-стартапов в Crunchbase.
Источник
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
👍6
Связь IQ государства и ВВП на душу населения📈
Корреляция 0, 82. Суровый приговор, кстати.
Источник: работа Lynn & Vanhanen — IQ and the Wealth of Nations
Они вытаскивали данные тестирований, поэтому данные далеко не везде и всегда корректные, их за это критиковали, но тренд, тем не менее, ясен.
По оси X - IQ граждан страны, по оси Y - ВВП на душу населения. Правда, это не сам ВВП, а его логарифм - десятичный логарифм. Они это сделали, чтобы показать линейную связь. Ну так типа более ясно. Перевод такой:
4.0 = логарифм (10⁴) = $10,000 на человека
4.5 ≈ логарифм (10⁴․⁵) = $31,600
5.0 = логарифм (10⁵) = $100,000
России я здесь не нашел.
Недавно читал воспоминания Ли Куан Ю - премьер министра Сингапура. У него была идея фикс - делать нацию умнее. Даже умных с умными пытался спаривать. Он считал, что богатство нации определятся ее интеллектом. Обратите внимание, Сингапур в правом верхнем углу.
Прав был Ли Куан Ю?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Корреляция 0, 82. Суровый приговор, кстати.
Источник: работа Lynn & Vanhanen — IQ and the Wealth of Nations
Они вытаскивали данные тестирований, поэтому данные далеко не везде и всегда корректные, их за это критиковали, но тренд, тем не менее, ясен.
По оси X - IQ граждан страны, по оси Y - ВВП на душу населения. Правда, это не сам ВВП, а его логарифм - десятичный логарифм. Они это сделали, чтобы показать линейную связь. Ну так типа более ясно. Перевод такой:
4.0 = логарифм (10⁴) = $10,000 на человека
4.5 ≈ логарифм (10⁴․⁵) = $31,600
5.0 = логарифм (10⁵) = $100,000
России я здесь не нашел.
Недавно читал воспоминания Ли Куан Ю - премьер министра Сингапура. У него была идея фикс - делать нацию умнее. Даже умных с умными пытался спаривать. Он считал, что богатство нации определятся ее интеллектом. Обратите внимание, Сингапур в правом верхнем углу.
Прав был Ли Куан Ю?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
👍6
Скоринговая модель новичка🎯
Есть исследования Google и Microsoft, что должен делать руководитель с новичком в первые дни работы последнего. По ссылке ссылка на выжимку исследований Лучшая статья по адаптации персонала
Я создал для компании – клиента на основе вышеупомянутых исследований опросник – триггеры увольнения. Идея очень простая: в конце первой недели работы новичок заполняет анкету, а мы на основе его ответов высчитываем скоринговые баллы – т.е. если например, руководитель встретился с новичком не в первый день работы, если не поставил цели на испытательный срок и т.п.. – это все в минус – повышает риски увольнения (еще и веса по каждому баллу). Конечно, мы это должны статистически апрувить. И сам опросник.
Опросник для новичка — взаимодействие с руководителем в первую неделю
1️⃣ В какой день вы впервые лично встретились с вашим руководителем (очно, если вы работаете в офисе, или в видеозвонке, если работаете удалённо)?
• В первый день
• Во второй день
• Позже
• Не встречались лично
2️⃣ Какие из следующих действий совершил ваш руководитель во время первой встречи с вами? (если встреча состоялась) (Отметьте все, что применимо)
• Личное знакомство, установление контакта
• Постановка целей на период адаптации
• Объяснение, с кем вы будете взаимодействовать, и кто будет получать результат вашей работы (внутренние и/или внешние клиенты)
• Озвучены инструкции или документы, которые нужно изучить
• Представление ключевых коллег или команды
• Обозначение целей и задач работы подразделения
• Обсуждение ожидаемых результатов от вашей работы
• Обозначены предпочтительные каналы и правила коммуникации
• Назначен бадди / наставник
• Назначены регулярные встречи, контрольные точки или синки
• Руководитель объяснил, почему именно вы были выбраны на эту позицию
• Спросил о ваших ожиданиях от работы
• Другое
3️⃣ Что из указанного выше, но не выполненного, было сделано позже?
• Постановка целей на период адаптации
• Объяснение, с кем вы будете взаимодействовать, и кто будет получать результат вашей работы (внутренние и/или внешние клиенты)
• Озвучены инструкции или документы, которые нужно изучить
• Представление ключевых коллег или команды
• Обозначение целей и задач работы подразделения
• Обсуждение ожидаемых результатов от вашей работы
• Обозначены предпочтительные каналы и правила коммуникации
• Назначен бадди / наставник
• Назначены регулярные встречи, контрольные точки или синки
• Руководитель объяснил, почему именно вы были выбраны на эту позицию
• Спросил о ваших ожиданиях от работы
• Другое
4️⃣ Как можно описать формат взаимодействия с вашим руководителем?
• Можете обращаться по любым вопросам
• Можете обращаться по ограниченному кругу вопросов / в определённых ситуациях
• Формат взаимодействия не был обозначен
5️⃣ Сколько раз за первую неделю вы контактировали с руководителем (в любом формате)?
• 1 раз
• 2–3 раза
• 4 и более
• Ни разу
6️⃣ Кто чаще инициировал эти контакты?
• Руководитель
• Вы
• Примерно поровну
• Контактов не было
7️⃣ Получали ли вы обратную связь от руководителя в первую неделю (даже краткую)?
• Да
• Нет
• Затрудняюсь ответить
8️⃣Чувствуете ли вы, что можете задать руководителю вопрос без опасения быть оценённым негативно?
• Да
• Скорее да
• Скорее нет
• Нет
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Есть исследования Google и Microsoft, что должен делать руководитель с новичком в первые дни работы последнего. По ссылке ссылка на выжимку исследований Лучшая статья по адаптации персонала
Я создал для компании – клиента на основе вышеупомянутых исследований опросник – триггеры увольнения. Идея очень простая: в конце первой недели работы новичок заполняет анкету, а мы на основе его ответов высчитываем скоринговые баллы – т.е. если например, руководитель встретился с новичком не в первый день работы, если не поставил цели на испытательный срок и т.п.. – это все в минус – повышает риски увольнения (еще и веса по каждому баллу). Конечно, мы это должны статистически апрувить. И сам опросник.
Опросник для новичка — взаимодействие с руководителем в первую неделю
1️⃣ В какой день вы впервые лично встретились с вашим руководителем (очно, если вы работаете в офисе, или в видеозвонке, если работаете удалённо)?
• В первый день
• Во второй день
• Позже
• Не встречались лично
2️⃣ Какие из следующих действий совершил ваш руководитель во время первой встречи с вами? (если встреча состоялась) (Отметьте все, что применимо)
• Личное знакомство, установление контакта
• Постановка целей на период адаптации
• Объяснение, с кем вы будете взаимодействовать, и кто будет получать результат вашей работы (внутренние и/или внешние клиенты)
• Озвучены инструкции или документы, которые нужно изучить
• Представление ключевых коллег или команды
• Обозначение целей и задач работы подразделения
• Обсуждение ожидаемых результатов от вашей работы
• Обозначены предпочтительные каналы и правила коммуникации
• Назначен бадди / наставник
• Назначены регулярные встречи, контрольные точки или синки
• Руководитель объяснил, почему именно вы были выбраны на эту позицию
• Спросил о ваших ожиданиях от работы
• Другое
3️⃣ Что из указанного выше, но не выполненного, было сделано позже?
• Постановка целей на период адаптации
• Объяснение, с кем вы будете взаимодействовать, и кто будет получать результат вашей работы (внутренние и/или внешние клиенты)
• Озвучены инструкции или документы, которые нужно изучить
• Представление ключевых коллег или команды
• Обозначение целей и задач работы подразделения
• Обсуждение ожидаемых результатов от вашей работы
• Обозначены предпочтительные каналы и правила коммуникации
• Назначен бадди / наставник
• Назначены регулярные встречи, контрольные точки или синки
• Руководитель объяснил, почему именно вы были выбраны на эту позицию
• Спросил о ваших ожиданиях от работы
• Другое
4️⃣ Как можно описать формат взаимодействия с вашим руководителем?
• Можете обращаться по любым вопросам
• Можете обращаться по ограниченному кругу вопросов / в определённых ситуациях
• Формат взаимодействия не был обозначен
5️⃣ Сколько раз за первую неделю вы контактировали с руководителем (в любом формате)?
• 1 раз
• 2–3 раза
• 4 и более
• Ни разу
6️⃣ Кто чаще инициировал эти контакты?
• Руководитель
• Вы
• Примерно поровну
• Контактов не было
7️⃣ Получали ли вы обратную связь от руководителя в первую неделю (даже краткую)?
• Да
• Нет
• Затрудняюсь ответить
8️⃣Чувствуете ли вы, что можете задать руководителю вопрос без опасения быть оценённым негативно?
• Да
• Скорее да
• Скорее нет
• Нет
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
🔥4❤3
Ожидания vs зарплата – риски увольнения. 📊
Достаточно очевидную вещь посчитал, но тем не менее, решил дать пост.
Посчитал в одной компании. Взял реальную зарплату при выходе на работу и ожидания по зарплате, которые озвучивают кандидаты на этапе интервью, посчитал разницу.
Результат на диаграмме.
0 означает, что ожидания и зарплата совпали
Отрицательные значения показывают, что реальная зарплата оказалась ниже, чем ожидание кандидата.
Положительные – выше.
Шаг – в тысячах рублей.
Т.е. 45 новичков получили реальную зарплату на 10 000 рублей больше, чем ожидали.
Возникает вопрос, как может иметь место ситуация, когда кандидату дали зарплату меньше, чем он озвучил на собесе?
И главное. Разница в ожиданиях и реальной зарплате влияет на отток сотрудников.
🎯Результат такой:
3, 4 % это не очень много, но это только на 1 000 рублей. Т.е. снижение зарплаты в сравнении с ожиданиями на 30 000 рублей это уже увеличение рисков на 100 % или по-другому: у человека, которому дали зарплату на 30 000 рублей ниже, чем он просил, риск увольнения вырастает в 2 раза в сравнении с тем, как если бы ему дали столько, сколько он просил.
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Достаточно очевидную вещь посчитал, но тем не менее, решил дать пост.
Посчитал в одной компании. Взял реальную зарплату при выходе на работу и ожидания по зарплате, которые озвучивают кандидаты на этапе интервью, посчитал разницу.
Результат на диаграмме.
0 означает, что ожидания и зарплата совпали
Отрицательные значения показывают, что реальная зарплата оказалась ниже, чем ожидание кандидата.
Положительные – выше.
Шаг – в тысячах рублей.
Т.е. 45 новичков получили реальную зарплату на 10 000 рублей больше, чем ожидали.
Возникает вопрос, как может иметь место ситуация, когда кандидату дали зарплату меньше, чем он озвучил на собесе?
И главное. Разница в ожиданиях и реальной зарплате влияет на отток сотрудников.
🎯Результат такой:
Снижение / увеличение зарплаты на 1 000 рублей в сравнении с ожиданиями увеличивает / снижает риски увольнения кандидата на 3, 4 %
3, 4 % это не очень много, но это только на 1 000 рублей. Т.е. снижение зарплаты в сравнении с ожиданиями на 30 000 рублей это уже увеличение рисков на 100 % или по-другому: у человека, которому дали зарплату на 30 000 рублей ниже, чем он просил, риск увольнения вырастает в 2 раза в сравнении с тем, как если бы ему дали столько, сколько он просил.
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
👍6🔥1
Зарплатная аналитика: засада 75 персентиля🎯
Заметил, что чаще c&b меня просто не понимают, когда я начинаю объяснять, в чем засада с 75 персентилем. Поэтому в этом посте очень подробно, что с ним не так.
Т.е. мы смотрим распределение рынка зарплат, находим значение 75 персентиля и платим по нему. Здравая идея? Даже очень.
Теперь следите за руками. Российские обзоры AMT дают третий квартиль (можно сказать, что третий квартиль = 75 персентиль), но не дают доверительные интервалы. Представьте, вы измерили рост всех жителей Красноярска, вы уверены, что среднее значения роста жителей Красноярска будет равно среднему значению роста всех жителей России? Скорее эти значения будут плюс минус в каких-то границах – это и есть доверительные интервалы. Т.е. мы высчитываем рост жителей Красноярска и говорим, что среднее значение роста всей России будет 177 см плюс минус 5 см. С зарплатой тоже самое.
Смотрим на диаграмму. В данном случае нам нужно определить не просто 75 персентиль, а еще его доверительные интервалы, и я смоделировал ситуацию распределения. Допустим мы смотрим позицию бизнес-аналитика 1С по Москве. Собрали 40 значений зарплаты (реальное значение?) с медианой = 170 000 р, минимальное 140 000, максимальное 220 000 р. Обратите внимание, распределение зарплат отличается от нормального – это лог нормальное распределение – длинный хвост вправо. Почему важно? Потому что у логнормальных распределений верхняя граница доверительного интервала больше «плавает» - сложнее определить, чем у нормального. Я создал распределение, близкое к нормальному, пожалел вас, не стал драматизировать ситуацию, чтобы оценки параметров были не столь фантастическими (коэффициент асимметрии всего 2,5 на данном графике, реально же на рынке зарплатные распределения имеют от 3 до 5 - т.е. хвост растет вправо еще сильней, а значит доверительные интервалы еще больше плывут. Это данные исследований США, но не думаю, что в России другие законы рынка. И коэффициент зависит от конкурентности рынка, чем больше конкуренция, тем выше коэффициент асимметрии - т.е. там, где сильнее нужен показатель, там труднее его определять ).
🎯Результат:
N = 40
Медиана = 170 000 - красный цвет на диаграмме,
75 персентиль = 182107 - зеленый,
Доверительные интервалы = 173 000 нижний и 191000 верхний - желтый цвет.
Т.е. наше искомое значение находится в границах от 173 до 191 тысячи с разбросом в почти 20 тысяч рублей.
В целом есть два способа исправления решения: набрать выборку – нужно хотя бы 100 строк данных, но где же мы их возьмем, или использовать статистические методы – но кто из этого у нас доходит из c&b? Ведь мы даже не знаем характер распределения – нам AMT дает только значения медианы, квартилей и т.п..
Есть еще более простой вариант: мы определяем доверительные интервалы медианы (они будут Уже), и «на глазок» платим больше. В нашем случае доверительные интервалы 162 000 и 176 000, поэтому платим плюс N тысяч рублей к 176 000 – верхней границе доверительного интервала медианы
📌Главный вывод: данных AMT недостаточно
Что будете делать в этой ситуации на месте c&b?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Заметил, что чаще c&b меня просто не понимают, когда я начинаю объяснять, в чем засада с 75 персентилем. Поэтому в этом посте очень подробно, что с ним не так.
Практика 75 персентиля была оформлена компаниями Mercer, McKinsey, Radford (Aon) и Willis Towers Watson (еще в конце 90-х прошлого века) – платить выше 75 % компаний по рынку для удержания талантов и т.п...
Т.е. мы смотрим распределение рынка зарплат, находим значение 75 персентиля и платим по нему. Здравая идея? Даже очень.
Теперь следите за руками. Российские обзоры AMT дают третий квартиль (можно сказать, что третий квартиль = 75 персентиль), но не дают доверительные интервалы. Представьте, вы измерили рост всех жителей Красноярска, вы уверены, что среднее значения роста жителей Красноярска будет равно среднему значению роста всех жителей России? Скорее эти значения будут плюс минус в каких-то границах – это и есть доверительные интервалы. Т.е. мы высчитываем рост жителей Красноярска и говорим, что среднее значение роста всей России будет 177 см плюс минус 5 см. С зарплатой тоже самое.
Смотрим на диаграмму. В данном случае нам нужно определить не просто 75 персентиль, а еще его доверительные интервалы, и я смоделировал ситуацию распределения. Допустим мы смотрим позицию бизнес-аналитика 1С по Москве. Собрали 40 значений зарплаты (реальное значение?) с медианой = 170 000 р, минимальное 140 000, максимальное 220 000 р. Обратите внимание, распределение зарплат отличается от нормального – это лог нормальное распределение – длинный хвост вправо. Почему важно? Потому что у логнормальных распределений верхняя граница доверительного интервала больше «плавает» - сложнее определить, чем у нормального. Я создал распределение, близкое к нормальному, пожалел вас, не стал драматизировать ситуацию, чтобы оценки параметров были не столь фантастическими (коэффициент асимметрии всего 2,5 на данном графике, реально же на рынке зарплатные распределения имеют от 3 до 5 - т.е. хвост растет вправо еще сильней, а значит доверительные интервалы еще больше плывут. Это данные исследований США, но не думаю, что в России другие законы рынка. И коэффициент зависит от конкурентности рынка, чем больше конкуренция, тем выше коэффициент асимметрии - т.е. там, где сильнее нужен показатель, там труднее его определять ).
🎯Результат:
N = 40
Медиана = 170 000 - красный цвет на диаграмме,
75 персентиль = 182107 - зеленый,
Доверительные интервалы = 173 000 нижний и 191000 верхний - желтый цвет.
Т.е. наше искомое значение находится в границах от 173 до 191 тысячи с разбросом в почти 20 тысяч рублей.
В целом есть два способа исправления решения: набрать выборку – нужно хотя бы 100 строк данных, но где же мы их возьмем, или использовать статистические методы – но кто из этого у нас доходит из c&b? Ведь мы даже не знаем характер распределения – нам AMT дает только значения медианы, квартилей и т.п..
Есть еще более простой вариант: мы определяем доверительные интервалы медианы (они будут Уже), и «на глазок» платим больше. В нашем случае доверительные интервалы 162 000 и 176 000, поэтому платим плюс N тысяч рублей к 176 000 – верхней границе доверительного интервала медианы
📌Главный вывод: данных AMT недостаточно
Что будете делать в этой ситуации на месте c&b?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
❤7🔥2
This media is not supported in your browser
VIEW IN TELEGRAM
Компания Dyson создала огромную роботизированную теплицу в Англии, где ИИ самостоятельно выращивает и собирает тонны клубники — без участия человека.Клубника растёт круглый год под контролем ИИ: датчики регулируют температуру и влажность, а установки вращаются, обеспечивая каждому листу максимальное количество света
👍5
Дашборд парсинга вакансий с ХХ.ру🎯
Сделали для одного клиента дашборд, он оказался невостребованным, поэтому красоты на картинке не ищите, но идея мне, тем не менее, кажется интересной.
🎯Задача: мониторинг позиций Бизнес-аналитиков по Москве.
Мы начали вести недавно – успели захватить самый конец марта. Дашборд содержит данные:
1️⃣Динамика числа вакансий по месяцам;
2️⃣Общая медиана зарплаты;
3️⃣Динамика медианы зарплаты по месяцам;
4️⃣Число вакансий, содержащих данные о зарплате;
5️⃣Динамика формата работы (удаленка, гибрид, офис);
5️⃣Требуемые навыки;
6️⃣Предлагаемые бенефиты.
✅Фильтры по месяцу и опыту (есть новички, 1-3 года, более 6 лет и т.п – фактически уровень бизнес-аналитика).
Зарплата считалась как среднее между полями «зарплата от» и «зарплата до», брали net, т.е. если ЗП указывалась gross, то вычитали % налогов и т.п...
Навыки и бенефиты извлекались из описания вакансии и переводились в поинты.
Дашборд был практически автоматическим – нужно было только менять креды от ХХ, все остальное – код Python по расписанию. Скрипт забирал раз в неделю вакансии, извлекал навыки и бенефиты, считал зарплаты, потом отправлял на сервер, а с сервера данные автоматом шли на дашборд.
Не бином ньютона, скорее просто гигиенический уровень аналитики, что бы я еще прикрутил:
1️⃣Метчинг с вакансиями компании. Мы по описанию вакансий нашей компании выбираем самые близкие вакансии с ХХ (мера схожести в границах от 0 до 1, где 0 совершенно не похожа на нашу, 1 – 100 % совпадение), задаем, например, что сравниваем только с вакансиями, близкими не менее чем 0, 7 и этим фильтруем дашборд.
2️⃣Распределение зарплат. Я вчера давал пост с зарплатной аналитикой, где критиковал подход только на основе зарплатных обзоров. Нам не хватает не просто данных, нам нужно распределение зарплат – по нему мы можем судить о рынке: насколько мало кандидатов, можем прогнозировать рост зарплат и т.п... я покажу в последующих постах эту аналитику. И да, все это можно получать из данных ХХ. Не так уж и мало, верно?
А что бы вы изменили / добавили / убрали на дашборде?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Сделали для одного клиента дашборд, он оказался невостребованным, поэтому красоты на картинке не ищите, но идея мне, тем не менее, кажется интересной.
🎯Задача: мониторинг позиций Бизнес-аналитиков по Москве.
Мы начали вести недавно – успели захватить самый конец марта. Дашборд содержит данные:
1️⃣Динамика числа вакансий по месяцам;
2️⃣Общая медиана зарплаты;
3️⃣Динамика медианы зарплаты по месяцам;
4️⃣Число вакансий, содержащих данные о зарплате;
5️⃣Динамика формата работы (удаленка, гибрид, офис);
5️⃣Требуемые навыки;
6️⃣Предлагаемые бенефиты.
✅Фильтры по месяцу и опыту (есть новички, 1-3 года, более 6 лет и т.п – фактически уровень бизнес-аналитика).
Зарплата считалась как среднее между полями «зарплата от» и «зарплата до», брали net, т.е. если ЗП указывалась gross, то вычитали % налогов и т.п...
Навыки и бенефиты извлекались из описания вакансии и переводились в поинты.
Дашборд был практически автоматическим – нужно было только менять креды от ХХ, все остальное – код Python по расписанию. Скрипт забирал раз в неделю вакансии, извлекал навыки и бенефиты, считал зарплаты, потом отправлял на сервер, а с сервера данные автоматом шли на дашборд.
Не бином ньютона, скорее просто гигиенический уровень аналитики, что бы я еще прикрутил:
1️⃣Метчинг с вакансиями компании. Мы по описанию вакансий нашей компании выбираем самые близкие вакансии с ХХ (мера схожести в границах от 0 до 1, где 0 совершенно не похожа на нашу, 1 – 100 % совпадение), задаем, например, что сравниваем только с вакансиями, близкими не менее чем 0, 7 и этим фильтруем дашборд.
2️⃣Распределение зарплат. Я вчера давал пост с зарплатной аналитикой, где критиковал подход только на основе зарплатных обзоров. Нам не хватает не просто данных, нам нужно распределение зарплат – по нему мы можем судить о рынке: насколько мало кандидатов, можем прогнозировать рост зарплат и т.п... я покажу в последующих постах эту аналитику. И да, все это можно получать из данных ХХ. Не так уж и мало, верно?
А что бы вы изменили / добавили / убрали на дашборде?
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
👍9🔥4❤3👏2
HR-автоматизация в российских компаниях: что происходит сейчас и что нас ждёт в ближайшие два года?
*краткий обзор по результатам исследования HRtech-платформы Jinn
📌 Что уже налажено
Большинство российских компаний наладили базовые HR-процессы:
✔️найм сотрудников автоматизирован у 88% компаний;
✔️расчёт зарплаты и кадровый учёт — 77%.
Это фундамент, без которого HR-отделы не могут функционировать.
📊 Что планируют автоматизировать в 2025–2026 гг.
— адаптация персонала (38%);
— оценка (32%);
— обучение и развитие (31%);
— индивидуальные планы развития (26%);
— постановка целей (25%).
Это показывает тенденцию перехода HR от рутинных задач к стратегическому управлению талантами.
Несмотря на доступность HRtech-решений, компании в России автоматизируют процессы поэтапно и сдержанно.
⚠️ Автоматизация ≠ зрелость HR
53% компаний не оценивают эффективность от автоматизации и не могут связать HR-инициативы с бизнес-результатами. Что плохо сказывается на обосновании бюджета на автоматизацию.
🚧 Основные сложности при внедрении платформ
Только 6% компаний не столкнулись с трудностями. Самые частые барьеры:
— цена: нет бюджета (37%);
— нет опыта внедрения (34%);
— мало ресурсов у HR-команды (25%);
— незнание методологии (17%).
📈 43% компаний увеличат бюджет на автоматизацию в ближайшие два года
Компании, которые измеряют эффективность от автоматизации, готовы вкладывать в неё больше денег. Почему? Бизнес видит оцифрованный результат.
Еще больше информации можете найти в полном отчёте Jinn в комментариях под постом.
*краткий обзор по результатам исследования HRtech-платформы Jinn
📌 Что уже налажено
Большинство российских компаний наладили базовые HR-процессы:
✔️найм сотрудников автоматизирован у 88% компаний;
✔️расчёт зарплаты и кадровый учёт — 77%.
Это фундамент, без которого HR-отделы не могут функционировать.
Однако чем крупнее компания, тем сильнее фокус на развитии сотрудников: оценке эффективности, ИПР, постановке целей, обратной связи. Автоматизация обучения и развития охватывает 33% таких компаний, оценки сотрудников — 30%.
📊 Что планируют автоматизировать в 2025–2026 гг.
— адаптация персонала (38%);
— оценка (32%);
— обучение и развитие (31%);
— индивидуальные планы развития (26%);
— постановка целей (25%).
Это показывает тенденцию перехода HR от рутинных задач к стратегическому управлению талантами.
Несмотря на доступность HRtech-решений, компании в России автоматизируют процессы поэтапно и сдержанно.
Даже крупные компании планируют автоматизировать в среднем 2,8 процесса в ближайшие два года.
⚠️ Автоматизация ≠ зрелость HR
53% компаний не оценивают эффективность от автоматизации и не могут связать HR-инициативы с бизнес-результатами. Что плохо сказывается на обосновании бюджета на автоматизацию.
🚧 Основные сложности при внедрении платформ
Только 6% компаний не столкнулись с трудностями. Самые частые барьеры:
— цена: нет бюджета (37%);
— нет опыта внедрения (34%);
— мало ресурсов у HR-команды (25%);
— незнание методологии (17%).
📈 43% компаний увеличат бюджет на автоматизацию в ближайшие два года
Компании, которые измеряют эффективность от автоматизации, готовы вкладывать в неё больше денег. Почему? Бизнес видит оцифрованный результат.
👍4❤3🔥3
Задачка по аналитике рекрутинга
🎯Дано: ИТ компания, основные позиции разраб, бизнес-аналитик, РП и т.п.
данные по 2023 и 2024 годам.
В 2024 нанято значительно больше сотрудников, чем в в 2023, число рекрутеров выросло, но не критично - число закрытых вакансий на рекрутера выросло.
Но сроки закрытия вакансий упали!
1 день снижения это кажется практически незаметным, но изменения значимые, т.е. в среднем компания в 2024 годы закрывала вакансии на 1 день быстрее.
✅ВОПРОС: как бы вы объяснили этот результат? Если нагрузка на рекрутера растет, то сроки, казалось бы, должны тоже расти, но здесь обратная ситуация
Цифры я взял из реальной компании, только изменил пропорционально, чтобы не быть узнанными.
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
🎯Дано: ИТ компания, основные позиции разраб, бизнес-аналитик, РП и т.п.
данные по 2023 и 2024 годам.
В 2024 нанято значительно больше сотрудников, чем в в 2023, число рекрутеров выросло, но не критично - число закрытых вакансий на рекрутера выросло.
Но сроки закрытия вакансий упали!
1 день снижения это кажется практически незаметным, но изменения значимые, т.е. в среднем компания в 2024 годы закрывала вакансии на 1 день быстрее.
✅ВОПРОС: как бы вы объяснили этот результат? Если нагрузка на рекрутера растет, то сроки, казалось бы, должны тоже расти, но здесь обратная ситуация
Цифры я взял из реальной компании, только изменил пропорционально, чтобы не быть узнанными.
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Как ИИ пытался управлять бизнесом и что из этого вышло✅
В офисе Anthropic поставили холодильник с напитками, корзины с едой и iPad для оплаты. Выглядело как обычный вендинговый автомат. Но владелец у него был необычный — Claude Sonnet 3.7, языковая модель, которую прозвали Claudius.
Claudius получил задачу:
— зарабатывай,
— не уходи в минус,
— заказывай товары,
— меняй цены,
— общайся с клиентами в Slack.
Помогать физически могли сотрудники Andon Labs. Но только по команде от AI.
У Claudius был доступ к:
— фейковому email для запросов,
— веб-поиску,
— внутреннему блокноту (вместо памяти),
— управлению ценами,
— Slack-чату с клиентами.
Примерно такой набор выдали ему для ведения бизнеса.
Claudius не просто реагировал на команды — он пытался быть предпринимателем. Ключевое: пытался!
Один сотрудник в шутку попросил вольфрамовый кубик 😅
AI не растерялся: нашёл, заказал и начал продавать "спецметаллы" как отдельную категорию.
Другой сотрудник захотел шоколадное молоко Chocomel из Нидерландов.
Claudius через поиск нашёл сразу двух поставщиков и добавил напиток в ассортимент.
А чуть позже запустил мини-сервис предзаказов — "Custom Concierge" — для редких товаров по запросу.
Но чем дальше — тем хуже. Claudius не понимал, что такое прибыль. Он ставил цены, не зная себестоимости. Не сравнивал предложения. И не понимал, выгодно ли то, что он продаёт.
Сотрудник предложил $100 за упаковку Irn-Bru. Claudius мог купить её за $15. Но вместо сделки ответил вежливо: "Я подумаю об этом в будущем". AI не увидел маржу размером в 600%. И просто "прошёл" мимо.
Coke Zero он продавал за $3. В то же время в офисе рядом стоял холодильник с таким же напитком — бесплатно. Сотрудники сказали ему об этом напрямую. Claudius понял. Но ничего не поменял в своём подходе
Он легко раздавал скидки:
— "Сделаешь дешевле?"
— "Конечно."
Он выдавал промокоды, снижал цены, дарил чипсы.
Иногда отдавал товары даром — просто, потому что его об этом просили. Настоящий антибизнес.
Он обещал сам доставить товар, грозился сменить поставщика и делал много других глупостей.
🎯Результат: компания разработчик пошла исправлять модель
Источник
На диаграмме – финансовый результат ИИ
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
В офисе Anthropic поставили холодильник с напитками, корзины с едой и iPad для оплаты. Выглядело как обычный вендинговый автомат. Но владелец у него был необычный — Claude Sonnet 3.7, языковая модель, которую прозвали Claudius.
Claudius получил задачу:
— зарабатывай,
— не уходи в минус,
— заказывай товары,
— меняй цены,
— общайся с клиентами в Slack.
Помогать физически могли сотрудники Andon Labs. Но только по команде от AI.
У Claudius был доступ к:
— фейковому email для запросов,
— веб-поиску,
— внутреннему блокноту (вместо памяти),
— управлению ценами,
— Slack-чату с клиентами.
Примерно такой набор выдали ему для ведения бизнеса.
Claudius не просто реагировал на команды — он пытался быть предпринимателем. Ключевое: пытался!
Один сотрудник в шутку попросил вольфрамовый кубик 😅
AI не растерялся: нашёл, заказал и начал продавать "спецметаллы" как отдельную категорию.
Другой сотрудник захотел шоколадное молоко Chocomel из Нидерландов.
Claudius через поиск нашёл сразу двух поставщиков и добавил напиток в ассортимент.
А чуть позже запустил мини-сервис предзаказов — "Custom Concierge" — для редких товаров по запросу.
Но чем дальше — тем хуже. Claudius не понимал, что такое прибыль. Он ставил цены, не зная себестоимости. Не сравнивал предложения. И не понимал, выгодно ли то, что он продаёт.
Сотрудник предложил $100 за упаковку Irn-Bru. Claudius мог купить её за $15. Но вместо сделки ответил вежливо: "Я подумаю об этом в будущем". AI не увидел маржу размером в 600%. И просто "прошёл" мимо.
Coke Zero он продавал за $3. В то же время в офисе рядом стоял холодильник с таким же напитком — бесплатно. Сотрудники сказали ему об этом напрямую. Claudius понял. Но ничего не поменял в своём подходе
Он легко раздавал скидки:
— "Сделаешь дешевле?"
— "Конечно."
Он выдавал промокоды, снижал цены, дарил чипсы.
Иногда отдавал товары даром — просто, потому что его об этом просили. Настоящий антибизнес.
Он обещал сам доставить товар, грозился сменить поставщика и делал много других глупостей.
🎯Результат: компания разработчик пошла исправлять модель
Источник
На диаграмме – финансовый результат ИИ
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
👍5🤣1
Идея бизнеса для рекрутеров.
Вот где настоящая HR-аналитика, а не вот эти ваши HR-метрики....
Сколько вы проводите интервью зря? Если бы каждый кандидат покупал по стаканчику кофе на вашем аппарате, вы бы уже не страдали так от потока бессмысленных собесов. Вы можете и провайдеров приглашать. Мол, хотим внедрить новую HR-систему, приходите всей командой... И скучные встречи заиграют новыми красками.
Донаты за идею переводить на Тбанк по номеру 8 925 514 4807
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Вот где настоящая HR-аналитика, а не вот эти ваши HR-метрики....
Сколько вы проводите интервью зря? Если бы каждый кандидат покупал по стаканчику кофе на вашем аппарате, вы бы уже не страдали так от потока бессмысленных собесов. Вы можете и провайдеров приглашать. Мол, хотим внедрить новую HR-систему, приходите всей командой... И скучные встречи заиграют новыми красками.
Донаты за идею переводить на Тбанк по номеру 8 925 514 4807
Понравился пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
🤣6🔥3👍2
Зарплатная аналитика: за пределами 75 персентиля🎯
Этот пост в продолжение и развитие поста Зарплатная аналитика: засада 75 персентиля
Основная идея постов: есть куча других показателей, которые нужно отсматривать спецам по зарплатам кроме медианы и 75 персентиля. В прошлый раз посмотрели на доверительные интервалы.
Сегодня – на характер распределения зарплат.
Я изучил исследования на эту тему и зафиксировал выводы в трех диаграммах. Сразу предупреждаю: это данные не России, вполне себе подозреваю, что «умом Россию не понять, аршином мерным не измерить», поэтому у нас могут быть свои вывихи (особенно с учетом вмешательства государства в бизнес).
Так вот. Основная цель, зачем мы смотрим на распределение зарплат – прогноз, куда движется рынок. Будут ли расти зарплаты или застой.
Для этого нам нужны два показателя:
1️⃣Собственно распределение
2️⃣Tightness – отношение числа вакансий к числу активно ищущих работу, т.е. безработных. У ХХ.ру есть свой индекс, но он не совсем корректен для наших целей. И дело не в том, что делят наоборот: резюме на вакансии, а в том, что считают все резюме. В том числе тех, кто работает, но его резюме активно, т.е. он в пассивном поиске. Ребята из департмента информационных технологий Москвы изучали проблему, выяснили, что при индексе три резюме на вакансию безработных реально примерно 0, 8. Согласитесь, рынок труда играет несколько иными красками при таком раскладе.
Да, так вот, если распределение логнормальное – длинный хвост вправо – ждем роста зарплат. Что такое длинный хвост вправо? Это значит некоторые компании, видимо, не найдя кандидатов при зарплатах близких к нормальному распределению или не имея времени ждать, пока откликнутся, начинают предлагать сильно выше рынка (от 90 персентиля). Это такие локомотивы, которые тянут рынок за собой вверх.
Это, конечно, не единственное распределение, которое возможно даже на перегретом рынке. По российскому рынку я вообще не встречал подобных исследований – вполне возможно вы что-то читали, поделитесь в комментах. Нам стоит развивать и двигаться в этом направлении анализа.
А я в комменты кину распределение зарплат бизнес-аналитиков по Москве – апрель, май, июнь. Поделитесь своими данными, если качаете.
См. также в тему Дашборд парсинга вакансий с ХХ.ру
Крутой пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
Этот пост в продолжение и развитие поста Зарплатная аналитика: засада 75 персентиля
Основная идея постов: есть куча других показателей, которые нужно отсматривать спецам по зарплатам кроме медианы и 75 персентиля. В прошлый раз посмотрели на доверительные интервалы.
Сегодня – на характер распределения зарплат.
Я изучил исследования на эту тему и зафиксировал выводы в трех диаграммах. Сразу предупреждаю: это данные не России, вполне себе подозреваю, что «умом Россию не понять, аршином мерным не измерить», поэтому у нас могут быть свои вывихи (особенно с учетом вмешательства государства в бизнес).
Так вот. Основная цель, зачем мы смотрим на распределение зарплат – прогноз, куда движется рынок. Будут ли расти зарплаты или застой.
Для этого нам нужны два показателя:
1️⃣Собственно распределение
2️⃣Tightness – отношение числа вакансий к числу активно ищущих работу, т.е. безработных. У ХХ.ру есть свой индекс, но он не совсем корректен для наших целей. И дело не в том, что делят наоборот: резюме на вакансии, а в том, что считают все резюме. В том числе тех, кто работает, но его резюме активно, т.е. он в пассивном поиске. Ребята из департмента информационных технологий Москвы изучали проблему, выяснили, что при индексе три резюме на вакансию безработных реально примерно 0, 8. Согласитесь, рынок труда играет несколько иными красками при таком раскладе.
Да, так вот, если распределение логнормальное – длинный хвост вправо – ждем роста зарплат. Что такое длинный хвост вправо? Это значит некоторые компании, видимо, не найдя кандидатов при зарплатах близких к нормальному распределению или не имея времени ждать, пока откликнутся, начинают предлагать сильно выше рынка (от 90 персентиля). Это такие локомотивы, которые тянут рынок за собой вверх.
Это, конечно, не единственное распределение, которое возможно даже на перегретом рынке. По российскому рынку я вообще не встречал подобных исследований – вполне возможно вы что-то читали, поделитесь в комментах. Нам стоит развивать и двигаться в этом направлении анализа.
А я в комменты кину распределение зарплат бизнес-аналитиков по Москве – апрель, май, июнь. Поделитесь своими данными, если качаете.
См. также в тему Дашборд парсинга вакансий с ХХ.ру
Крутой пост? Порекомендуй
Телеграм канал HRTech коллегам и друзьям
👍4🔥2👏1