3в1

🌺Аналитика
Численность персонала
Это, наверное, самый простой показатель, но с бесконечным множеством вариантов.

Если нужно организовать обучение для сотрудников отдельной функции, то не важно где они находятся территориально и нужна численность по функции.

Если нужно рассчитать площадь нового офиса в каком-то городе, то важно место локации сотрудников и нужна численность по городам / странам.

Если в компании принято поздравлять с 8 марта не только работающих женщин, но и находящихся в отпуске по уходу за ребенком, то нужна численность с учетом «декретниц».

🌺Автоматизация
Каждый из вариантов показателя можно считать очень долго если не настроить учет нужных признаков в информационной системе.

🌺Процесс
Но только настройка признаков в информационной системе не решит задачу быстрого сбора данных. Чтобы вся система заработала нужно, чтобы эти данные вносили сотрудники, ответственные за кадровые мероприятия.

Систему hr-аналитики можно построить только в партнерской работе всех сотрудников hr-команды.

ONA

ONA позволяет оценить работу в команде не только с точки зрения количества выполненных задач или результатов выполнения KPI, но и на основе анализа коммуникации и взаимодействия между сотрудниками.

Такая аналитика построена не на точных показателях, а на наблюдении, сравнении, изучении данных, полученных из цифрового следа.

Такими данными могут быть:

🌺 В исследовании коммуникации:
• Количество контактов
• Симметричность контактов
• Плотность связей
• Роль в коммуникациях (лидер мнений, брокер и т.п.)
• Количество часов коммуникаций

🌺 В исследовании взаимодействия:
• Количество встреч (внешних / внутренних)
• Время, проведенное на встречах / Доля времени на встречах относительно продолжительности рабочего дня
• Количество встреч с подчиненными / Время общения с подчиненными тет-а-тет
• Умение делегировать
• Дублирование полномочий
(количество встреч вместе с подчиненными)

🌺 Кейс на картинке выше☝️:
В какой команде управление со стороны руководителя выглядит более эффективным?

Опрос 👇

Про опрос об ONA.

ЗдОрово, что у вас разошлись мнения в ответах! Это значит, что есть место для дискуссии.

Одно важное наблюдение по итогам проведенного опроса:

Дорогие аналитики, пожалуйста, не спешите делать выводы
или, что еще хуже, выносить оценочные суждения.
И старайтесь уберечь от этого пользователей своей информации.

Изучайте контекст, в рамках которого получены данные.
Это позволит сделать выводы более объективными.

В нашей задачке, как минимум, не хватает данных про:
* Состав команд (по ролям, стажу работы...) Равнозначный?
* Инструменты коммуникаций у команд. Одинаковые?
* Характер задач у команд. Сопоставимый?
и т.п.

🌺 Например,
Если мы анализируем поведение руководителя, который адаптирует новичков во время испытательного срока, то более эффективным выглядит взаимодействие команде 01.

Если анализируем поведение высокооплачиваемых ТОРов, то, скорее всего, более эффективным будет поведение в команде 02.

Точно также будет видна разница если добавить к картинкам другие факты.

#кейс #ONA

Продуктовая аналитика, ч.1,
Метрики про количество пользователей

– это одна из таких сфер, где есть что подсмотреть HR-аналитику.

🌺 Что в HR можно считать аналогом продукта?
(внимание: не продуктом, а аналогом!)
* корпоративный портал
* карьерная страница на сайте компании
* приложение для обучения сотрудников
* приложение для участия в корп. мероприятии
* дашборд в BI системе
* чат-бот
и т.п.

🌺 #Метрики
привлечения пользователей:

* DAU, Daily Active Users, число активных пользователей в день
* MAU, monthly active users, число активных пользователей в месяц
* RR, Retention rate,
коэфф удержания
(сколько сотрудников продолжают использовать продукт через N времени)
* CR, Churn rate,
коэфф оттока
(сколько сотрудников перестали пользоваться продуктом через N времени)

🌺 Почему полезно изучать кейсы и использовать метрики из продуктовой аналитики?

Измеряя эти метрики вы сможете:
* понять востребованность решения сотрудниками
* оценить эффективность кампании по популяризации решения
* посчитать эффективность вложений на запуск решения

Хотите потренировать креативное мышление?

Предлагаю вам пример про анализ поведения водителей.

Такой скоринг проводят страховые компании.
А в people-аналитике такая задача может быть актуальной, например, для анализа поведения водителей и прогноза безопасности вождения в логистической компании.

📝 Продолжите мои списки возможных данных👇

🌺 Данные о водителе:
*Возраст
*Семейное положение
*Стаж вождения
*Количество ДТП
*Количество штрафов
...

🌺 Данные об автомобиле:
*Модель
*Цвет
*Дата выпуска
*Участие в ДТП
*Общий пробег
...

🌺 Поведение водителя в автомобиле во время движения:
*Пристегнут ли ремень
*Разговоры по телефону
*Еда/Курение
*Сонливость
...

🌺 Поведение водителя на дорогах:
*Скорость разгона/торможения
*Скорость движения в городе/за городом
*Пробег в день
*Время вождения
...

🌺 Дорожная обстановка:
*Пешеходы на переходе
*Распознавание дорожных знаков
...

🌺 Источники получения информации:
*Видеокамеры города
*База ГИБДД
*Система GPS
...
Сколько пунктов получилось?)
#кейс

Диаграмма "солнечные лучи"

Вчера был первый раз когда я использовала диаграмму "солнечные лучи" в реальной профессиональной жизни 🙈

Она, конечно, очень специфическая, но заслуживает внимания :)

🌺 Хорошо подходит для
общей картинки, когда важен общий контекст и не важны детали.

🌺 Можно использовать для всевозможных распределений, где важно еще и показать иерархию. Например распределение:
* Численности
* Бюджетов
* Рабочих часов
* Учебных часов
и т.п.

🌺 Недостатки:
* Занимает очень много места
* Еxcel криво отрабатывает подписи
* Тяжело читается неподготовленными пользователями

#dataviz

Резюме

Резюме - один из самых полезных, но при этом самых неструктурированных источников данных для HR-аналитика.

На прошлой неделе прошла новость, что известный job-сайт озадачился контентом в резюме.

🌺 Как рекрутер в далеком прошлом, я считаю, что инфо в поле "о себе" - это одна из самых ценных частей резюме. То, что человек считает важным указать о себе в свободном поле, здорово его характеризует.

🌺 Но, как аналитику, мне крайне сложно работать с неструктурированной текстовой инфо...

Я уже писала раньше, что, на мой взгляд, было бы здОрово улучшить job-сайтам, но это взгляд аналитика и автоматизатора.

Интересно, а что думают об этом рекрутеры? 🤔

Укомплектованность &
Приемы/Увольнения

Даже самые простые показатели могут дать повод для анализа и изучения ситуации.

Смотрим на укомплектованность подразделений на конец периода в таблице слева.
На первый взгляд есть 3 подразделения, требующих внимания: 1, 3, 6.

Но если добавить к данным по укомплектованности данные по приемам/увольнениям за период, то требующими внимание окажутся уже подразделения 1, 4, 6.

🌺 Итак,
ситуация в подразделении 1:
Укомлектованность невысокая, увольнений за период не было и при этом не было приемов.

Возможные причины:
* Рекрутеры обходят подразделение стороной и не предоставляют кандидатов
* Руководитель, не смотря на низкую укомплектованность, не одобряет предоставленных кандидатов
* Другие варианты

3 цифры и минимум 2 противоположных по смыслу причины.

Выводы делать рано, только гипотезы.
Далее нужно изучать ситуацию и:
* задать вопросы бизнесу или HRBP
* выяснить корневые причины
* говорить с руководителями или рекрутерами
* улучшить ситуацию

Пятничные HR-метрики 😊

По мотивам выступлений на конференции по продуктовой аналитике:

🌺 Скорость речи спикера.
В Coursera провели анализ и выяснили, что оптимальный ритм речи спикера онлайн конференции для поддержания вовлеченности слушателей – 147 английских слов в минуту. Если меньше, то уже становится скучно.

🌺 Прогноз времени принятия решения кандидатом по маркерам его коммуникации с рекрутером, поведения во время ожидания и прохождения интервью и других признаков 😊
(такое они, конечно, не говорили, но переводя с «маркетологического» на «рекрутерский» получается интересно)

По мотивам личных наблюдений:

В метрики анализа коммуникаций между сотрудниками и эффективного использования рабочего времени надо ввести метрики

🌺 Количество комментариев в задаче в Jira (особенно парных, когда 2 сотрудника соревнуются в красноречии)

🌺 Количество знаков в комментарии
И издавать такие переписки в корпоративном журнале как увлекательный рассказ в жанре научпоп

Хороших выходных! ☀️

🌺 Продуктовая аналитика ч.2,
Метрики про использование продукта

(показатели того как люди пользуются продуктом, какие есть сценарии использования)

В продолжение темы использования метрик продуктовой аналитики для целей HR

Напомню, что «продукт» тут образ собирательный. Продуктом в данном случае может быть корпоративный портал, учебный курс или карьерная страница в инстаграм...


* Коэффициент вовлечённости (Engagement rate): количество целевых реакций пользователей на сообщение / пост

* Количество сессий (Sessions per user): как часто клиенты используют продукт

* Длительность сессии (Session duration): сколько времени пользователь провёл в продукте

* Длительность сессии для когорты (Session duration for a cohort): аналог метрики выше, но с разделением пользователей на когорты

* Количество просмотров (Page views): количество входов

* Глубина просмотра (Page depth): среднее количество страниц за 1 сеанс

* Среднее время на странице (Average page view duration)

* Отказы (Bounce rate): пользователи только 1 страницы

Аномалии в данных.

Аномалии, или "выбросы" - это значительные отклонения от тренда.

🌺 Причины аномалий могут быть:

* ошибки в данных, и тогда надо искать причину и устранять ее в источнике данных.
* объективные внешние причины, и тогда это инсайты, которые нам очень интересны.

Далее тему поясняет мой коллега, hr-аналитик, Артемий Молоснов. 

🌺 Аномалия может быть:

* в каком-то конкретном месте, или аномалия относительно контекста. Например, рост текучести сразу после выплаты годового бонуса.
* в нескольких показателях сразу – текучесть, отказы от офферов и зарплатные ожидания на конкретную позицию. Например, вышла какая-то негативная новость о нашей компании и брэнд работодателя резко пошел вниз.

🌺 Методы выявления (детектирования) аномалий могут быть:

* визуальные (осмотр ряда данных, графиков и диаграмм, условное форматирование)
* статистические (например, через стандартное отклонение, разницу между процентилями и т.п.)
* машинное обучение (метод DBSCAN и подобное)

* Продолжение следует...

#Почитать на выходные

Если вы любите читать по выходным, то рекомендую посмотреть вот на эту книгу.

Она об ошибках в данных - случайных и намеренных,
о принятых и непринятых в связи с этим решениях и о влиянии данных на нашу жизнь)

Написана легким доступным языком и довольно хорошо структурирована.

Так что enjoy!

Ссылка на книгу на Литрес

Первый день после 3х выходных, поэтому продолжение темы, но суперлайт :)

Визуальный поиск выбросов - это довольно просто, он виден невооруженным взглядом.
Главное тут нарисовать правильную картинку из данных, сделать это так, чтобы эти самые выбросы стали заметны.

🌺 Условное форматирование
в Excel
Раскрашивание таблицы данных разными цветами позволяет сделать анализ значений в таблице более простым и быстрым.
(!) Не забывайте, что в excel можно настроить форматирование под свою задачу:
*выбрать 2х и 3х цветную шкалу
*подобрать цвета
*использовать разные варианты деления на интервалы

🌺 Простой линейный график.
"Выколотые" значения на временном ряду покажут отсутствие данных, нулевые значения или аномально большие значения.
И это те значения, с которыми надо разбираться отдельно.

🌺 Диаграмма рассеяния
(точечная диаграмма, scatter plot)
Сильно отклоняющиеся от основного "массива" точки также показывают, что эти данные ведут себя не так как другие и это надо поисследовать.

Продолжение следует

#dataviz

Data science рекрутмент

Когда аналитическое мышление прокачано, то это проявляется во всем 😊

Евгений Макаров, руководитель управления аналитики в Х5Tech, эксперт в Data Science технологиях, поделился со мной своей системой отбора Junior DS специалистов.
Отличный пример для подражания.
Учимся у лучших!

Итак:
• 6 проф навыков
• 9 личных качеств
• ряд других признаков
• 7 «красных флагов»

🌺 Проф навыки:
Их 6. Каждый делится на 4 составляющих. На каждую составляющую составляется задание, с помощью которого оно проверяется на практике. Итого получается 6х4 индикатора.

🌺 Личные качества описывать не буду, HR-ы про это знают

🌺 Ряд других признаков, например, есть ли:
• github
• pet project
• опыт преподавания

Интересно, что эти признаки Женя с командой раскладывают на:
• weak/ strong/ very strong
• positive/ negative

🌺 «Красные флаги», например:
• обман
• код на без отступов :)
• "загуглю, если надо будет"

Так получается система целого набора факторов для разметки dataset-а кандидатов и принятия решений👍

Комиксы и Дашборд

Недавно я слушала уроки Саши Латышевой из курса про историю американского комикса.

Кроме того что сама Саша классный спикер и курс интересный, от нее я узнала
📚о книге
"Понимание комикса"
Скотта Макклауда.
Я в приятном шоке от того какая она крутая, делюсь)

Автор невероятно интересно описывает все аспекты такого вида искусства как Комикс.
Именно так, он называет комикс - "последовательным искусством"

В книге:
🌺 автор разбирает комикс "по косточкам": история, структура, лексикон...

🌺 неожиданно много психологии: про восприятие, достраивание, самоидентификацию...

🌺 есть сравнение несравниваемого (имхо): карикатура или реалистичное изображение?

🌺 крутая карта персонажей.
И это не просто карта, а целая логичная система!

Если читая эту книгу вы представите, что

Комикс = Дашборд
Изображение = Диаграмма
Слово = Подпись данных,

то чтение станет вдвойне интереснее ;)

#почитать на выходных

Статистические методы анализа аномалий в данных.

Продолжение 2х заметок про методы детектирования аномалий данных.

Автор статьи - HR-аналитик, Артемий Молоснов.

Часть 1 вводная, разбираемся в определениях
Часть 2 про визуальный анализ

Часть 3 посвящена статистическим методам и методам на основе машинного обучения

У нас не получилось изложить их коротко, поэтому продолжение по ссылке :)

Свой, чужой, вакансия

Оказывается, организация работы команды фаст-фуд ресторана и какой-нибудь agile-команды в ИТ очень и очень похожи ;)

Реальность всегда шире, чем просто план/факт по штатному расписанию:
есть бизнес-задача и ее надо решить, даже если укомплектованность ниже 100%

В этом случае бизнес обычно всегда использует "доп ресурс", перераспределяя сотрудников на более важные задачи.
В HoReCa это называют "отправить людей на подработку", в ИТ - "пошерить ресурсы" :)

Что это значит для аналитики?

Теперь мало смотреть просто на План/Факт по численности.
Нужен "следующий уровень" - факт "своих" и факт "чужих".

Это важно, т.к. любой сотрудник, пришедший на подмену или усиление, априори менее эффективен для команды, чем "местный": другая планировка ресторана, другая организация работы процессов команды и трекинга задач в Jira.

В этом случае высокая доля подработчиков на проекте при общем, вроде бы, высоком факте - это пространство для улучшений.

Изучение бизнес-процессов компании - это всегда интересно ;)

eNPS
- #метрики оценки лояльности сотрудников, заимствованная HR из маркетинга.

Не буду описывать механику и формулу расчета - об этом есть тонна инфо в интернете.

Что анализируем проводя опрос?

1. Доля принявших участие в опросе от числа сотрудников.

2. Динамика результата.

3. Доля "нейтралов".
В отличие от ответов клиентов, в ответах сотрудников есть так называемая «социальная желательность» и опасения в «не анонимности» опроса, и оьычно в наших результатах доля нейтралов велика.
Поэтому динамика ее роста/снижения для нас еще один, косвенный, показатель лояльности (или доверия) сотрудников.

4. Традиционная детализация
(поиск взаимосвязей):
* по подразделениям
* по группам должностей
* по грейдам
* по территориям
* по возрасту
* по стажу работы

5. Менее традиционная детализация:
* по результативности
* по потенциалу
* по уровню проплаченности

6. Анализ открытых ответов
(Для систематизации их можно поделить на
Плюсы / Минусы / Предложения)

Далее остается сделать улучшения и их презентовать 😊