#исследования
🔍 Внутренняя согласованность — это характеристика шкалы или опроса, показывающая, насколько все вопросы действительно измеряют одно и то же.
В HR-аналитике согласованность особенно важна при расчёте сложных индексов — вовлечённости, удовлетворённости, выгорания. Чем этот показатель выше, тем лучше.
🔹 Где нужна согласованность:
— При расчёте итоговых баллов (например, средний по шкале)
— В шкалах Ликерта (1–5, 1–7), где ответы агрегируются
— В опросах, где строится индекс или интегральный показатель
— В оценках компетенций с несколькими индикаторами в одном блоке
🔹 Где согласованность не требуется:
— В анкетах с независимыми блоками (офис, команда, задачи)
— В ситуациях, где важна каждая тема по отдельности
🔹 Пример:
Если вы используете 6 вопросов для оценки командного взаимодействия, но только 3 из них реально про команду, а остальные — про ИТ-системы и график работы, индекс теряет достоверность. Альфа Кронбаха (об этом в следующем посте) в этом случае покажет низкое значение.
🔍 Внутренняя согласованность — это характеристика шкалы или опроса, показывающая, насколько все вопросы действительно измеряют одно и то же.
В HR-аналитике согласованность особенно важна при расчёте сложных индексов — вовлечённости, удовлетворённости, выгорания. Чем этот показатель выше, тем лучше.
🔹 Где нужна согласованность:
— При расчёте итоговых баллов (например, средний по шкале)
— В шкалах Ликерта (1–5, 1–7), где ответы агрегируются
— В опросах, где строится индекс или интегральный показатель
— В оценках компетенций с несколькими индикаторами в одном блоке
🔹 Где согласованность не требуется:
— В анкетах с независимыми блоками (офис, команда, задачи)
— В ситуациях, где важна каждая тема по отдельности
🔹 Пример:
Если вы используете 6 вопросов для оценки командного взаимодействия, но только 3 из них реально про команду, а остальные — про ИТ-системы и график работы, индекс теряет достоверность. Альфа Кронбаха (об этом в следующем посте) в этом случае покажет низкое значение.
❤2👍2
#метрики #надежность #альфа_кронбаха
⚡️ Альфа Кронбаха (Cronbach’s alpha) — метрика, которая показывает, насколько надёжно работает ваш опрос или шкала. Используется для оценки внутренней согласованности набора вопросов.
🔹 Формула (упрощённая):
α = (N / (N - 1)) * (1 - (∑σ²_i / σ²_total)), где:
N — число вопросов,
σ²_i — дисперсия по каждому вопросу,
σ²_total — дисперсия по сумме баллов по всем вопросам.
🔹 Интерпретация на скрине.
Показатель сравнивается с пороговыми значениями. Опросник считается согласованным при α > 0.7
🔹Пример:
12 вопросов по вовлеченности, ответы по шкале от 1 до 5. Если α = 0.85 — отлично.
Если α < 0.7 — шкала ненадёжна, вопросы не «работают вместе».
Часто используется в психометрических опросниках, опросниках по вовлеченности и удовлетворенности. Выводится как дополнительное значение.
Альтернативный способ - воспользоваться калькулятором. Например, таким
⚡️ Альфа Кронбаха (Cronbach’s alpha) — метрика, которая показывает, насколько надёжно работает ваш опрос или шкала. Используется для оценки внутренней согласованности набора вопросов.
🔹 Формула (упрощённая):
α = (N / (N - 1)) * (1 - (∑σ²_i / σ²_total)), где:
N — число вопросов,
σ²_i — дисперсия по каждому вопросу,
σ²_total — дисперсия по сумме баллов по всем вопросам.
🔹 Интерпретация на скрине.
Показатель сравнивается с пороговыми значениями. Опросник считается согласованным при α > 0.7
🔹Пример:
12 вопросов по вовлеченности, ответы по шкале от 1 до 5. Если α = 0.85 — отлично.
Если α < 0.7 — шкала ненадёжна, вопросы не «работают вместе».
Часто используется в психометрических опросниках, опросниках по вовлеченности и удовлетворенности. Выводится как дополнительное значение.
Альтернативный способ - воспользоваться калькулятором. Например, таким
👍3
⚡️Индекс Симпсона (Simpson’s Diversity Index, D) — показатель измеряет вероятность того, что два случайно выбранных сотрудника из коллектива будут принадлежать к разным категориям (по полу, возрасту, опыту и т.д.).
🔹 Формула: D = 1 - Σ(pᵢ²),
где pᵢ — доля категории i (например, женщин, мужчин).
Интерпретация:
D → 0 — одна доминирующая группа
0,4-0,6 — среднее значение (бенчмарк M&S)
D → 1 — равномерное распределение.
🔹 Пример:
Структура персонала в компании: 50% линейный персонал, 30% специалисты, 20% руководители.
D = 1 - [(0.5² + 0.3² + 0.2²)] = 1 - (0.25 + 0.09 + 0.04) = 0.62
Значение в норме, дополнительных действий не требуется.
🔹 Отличие от индекса Шеннона:
— Шеннон чувствительнее к редким категориям и логарифмически "штрафует" доминирование.
— Симпсон проще: он даёт «шанс» различий, и значение легче интерпретировать.
Если нужно быстро и наглядно сравнить отделы по разнообразию — Симпсон удобнее. Если интересны тонкие различия в структуре — выбирайте Шеннона.
🔹 Формула: D = 1 - Σ(pᵢ²),
где pᵢ — доля категории i (например, женщин, мужчин).
Интерпретация:
D → 0 — одна доминирующая группа
0,4-0,6 — среднее значение (бенчмарк M&S)
D → 1 — равномерное распределение.
🔹 Пример:
Структура персонала в компании: 50% линейный персонал, 30% специалисты, 20% руководители.
D = 1 - [(0.5² + 0.3² + 0.2²)] = 1 - (0.25 + 0.09 + 0.04) = 0.62
Значение в норме, дополнительных действий не требуется.
🔹 Отличие от индекса Шеннона:
— Шеннон чувствительнее к редким категориям и логарифмически "штрафует" доминирование.
— Симпсон проще: он даёт «шанс» различий, и значение легче интерпретировать.
Если нужно быстро и наглядно сравнить отделы по разнообразию — Симпсон удобнее. Если интересны тонкие различия в структуре — выбирайте Шеннона.
👍2
#методы #согласованность
Вот очень простой (проще чем расчет Альфа Кронбаха) метод проверки согласованности ответов в опросах.
⚡️ Inter-Item Correlation — простой способ оценки согласованности опроса без сложных формул.
Суть метода доовльно проста, мы расчитываем корреляцию между всеми вопросами и смотрим на среднее значение этой коррелчции.
Логика метода простая: если вопросы измеряют одно и то же — они должны быть связаны, но не идентичны.
🔹 Как считать:
1. Рассчитываем корреляцию (обычно Пирсона или Спирмена) между всеми парами вопросов.
2. Находим среднее значение этих корреляций.
3. Интерпретируем значение:
0.7–1 — оптимально: шкала согласована.
<0.7 — слабая связь между вопросами.
Пример на скрине выше.
Вот очень простой (проще чем расчет Альфа Кронбаха) метод проверки согласованности ответов в опросах.
⚡️ Inter-Item Correlation — простой способ оценки согласованности опроса без сложных формул.
Суть метода доовльно проста, мы расчитываем корреляцию между всеми вопросами и смотрим на среднее значение этой коррелчции.
Логика метода простая: если вопросы измеряют одно и то же — они должны быть связаны, но не идентичны.
🔹 Как считать:
1. Рассчитываем корреляцию (обычно Пирсона или Спирмена) между всеми парами вопросов.
2. Находим среднее значение этих корреляций.
3. Интерпретируем значение:
0.7–1 — оптимально: шкала согласована.
<0.7 — слабая связь между вопросами.
Пример на скрине выше.
👍2
#методы #согласованность
Еще один метод проверки соглаосванности. Мб чуть более замороченный чем предыдущий.
⚡️ Split-Half Reliability — метод оценки надёжности опросника, когда мы делим наш опросник на две части и смотрим насколько ответы этих частей консистентны (взаимно согласованны).
Логика у метода простая: если опросник согласован, то ответы будут коррелировать между собой.
🔹 Метод:
1. Разделим шкалу на 2 половины, например: чётные и нечётные вопросы.
2. Для каждого респондента считаем сумму ответов по каждой половине.
3 . Находим корреляцию (Rsb) между этими суммами по формуле Спирмена-Брауна:
r_sb = 2r / (1 + r), где r - это ранговая корреляция Спирмена.
Rsb > 0.8 — шкала надёжна.
<0.7 — стоит пересмотреть вопросы или логику опроса.
🔹 Пример:
1. Находим корреляцию между Q1 и Q2,3 по Спирмену (на скрине выше):
ρ = 1 - (6 * ∑d²) / (n(n² - 1)) = (6 * 4.5) / (6 * (36 - 1)) = 0.871
2. Применим формулу Спирмена-Брауна:
r_sb = (2 * 0.871) / (1 + 0.871) ≈ 1.742 / 1.871 ≈ 0.93. Ответы согласованны.
Еще один метод проверки соглаосванности. Мб чуть более замороченный чем предыдущий.
⚡️ Split-Half Reliability — метод оценки надёжности опросника, когда мы делим наш опросник на две части и смотрим насколько ответы этих частей консистентны (взаимно согласованны).
Логика у метода простая: если опросник согласован, то ответы будут коррелировать между собой.
🔹 Метод:
1. Разделим шкалу на 2 половины, например: чётные и нечётные вопросы.
2. Для каждого респондента считаем сумму ответов по каждой половине.
3 . Находим корреляцию (Rsb) между этими суммами по формуле Спирмена-Брауна:
r_sb = 2r / (1 + r), где r - это ранговая корреляция Спирмена.
Rsb > 0.8 — шкала надёжна.
<0.7 — стоит пересмотреть вопросы или логику опроса.
🔹 Пример:
1. Находим корреляцию между Q1 и Q2,3 по Спирмену (на скрине выше):
ρ = 1 - (6 * ∑d²) / (n(n² - 1)) = (6 * 4.5) / (6 * (36 - 1)) = 0.871
2. Применим формулу Спирмена-Брауна:
r_sb = (2 * 0.871) / (1 + 0.871) ≈ 1.742 / 1.871 ≈ 0.93. Ответы согласованны.
👍1
#визуализация #excel #диаграммы
Чтобы не потеряться в многообразии графиков, вот мини гайд по основным диаграммам в Excel: какие есть и для чего их лучше всего использовать.
🔹 Гистограмма вертикальная— сравнение между категориями.
Подходит, если категорий немного.
🔹 Гистограмма горизонтальная — те же данные, но при длинных названиях категорий например, названия филиалов.
🔹 График — тренды и динамика.
Пример: изменение текучести персонала по кварталам, изменение продаж и пр.
🔹 Круговая (пайчарт) — доли от общего. Только если <6 сегментов!
Если больше, больше подойдет вторичная линейчатая.
🔹 Ящик с усами (boxplot) — визуализация медианы, квартилей, выбросов.
Пример: разброс зарплат в отделе: можно сразу увидеть медиану и «переплаты».
🔹 Точечная (scatter plot) — для отображения корреляции.
Пример: связь между вовлеченностью и производительностью.
🔹 С областями — динамика + вклад категорий во время.
Пример: как менялась доля каждого отдела в общем штате по месяцам.
Чтобы не потеряться в многообразии графиков, вот мини гайд по основным диаграммам в Excel: какие есть и для чего их лучше всего использовать.
🔹 Гистограмма вертикальная— сравнение между категориями.
Подходит, если категорий немного.
🔹 Гистограмма горизонтальная — те же данные, но при длинных названиях категорий например, названия филиалов.
🔹 График — тренды и динамика.
Пример: изменение текучести персонала по кварталам, изменение продаж и пр.
🔹 Круговая (пайчарт) — доли от общего. Только если <6 сегментов!
Если больше, больше подойдет вторичная линейчатая.
🔹 Ящик с усами (boxplot) — визуализация медианы, квартилей, выбросов.
Пример: разброс зарплат в отделе: можно сразу увидеть медиану и «переплаты».
🔹 Точечная (scatter plot) — для отображения корреляции.
Пример: связь между вовлеченностью и производительностью.
🔹 С областями — динамика + вклад категорий во время.
Пример: как менялась доля каждого отдела в общем штате по месяцам.
👍5❤3
#визуализация #excel #диаграммы #ступенчатая
⚡️ Ступенчатая диаграмма (Step Chart) — хороший способ отразить изменения, которые происходят не непрерывно, а скачкообразно, этапно. Например: изменение ставок, условий, политик и пр.
🔹 Когда применять:
— когда важно показать не тренд, а именно точки перехода каких-то состояний;
— для "фона" и накладывать на этот график другие графики. Например, показать как изменение системы мотивации влияет на текучесть и другие показатели.
🔹 Пример:
Бонусная ставка по отделу:
Янв–Март: 10%, Апр–Июнь: 12%, Июль–Сент: 8%, Окт–Дек: 15%.
Линейный график создаст иллюзию «плавного» изменения, хотя на деле ставка резко меняется. Ступенчатая диаграмма покажет: в каждый период ставка была фиксированной.
🔹 Как построить в Excel:
1. Подготовить исходную таблицу
2. Продублировать строки таким образом, чтобы каждое новое значение было конечным значением пред.периода (как на скрине)
3. Построить график ( scatter plot) по данным трансформированной таблицы.
⚡️ Ступенчатая диаграмма (Step Chart) — хороший способ отразить изменения, которые происходят не непрерывно, а скачкообразно, этапно. Например: изменение ставок, условий, политик и пр.
🔹 Когда применять:
— когда важно показать не тренд, а именно точки перехода каких-то состояний;
— для "фона" и накладывать на этот график другие графики. Например, показать как изменение системы мотивации влияет на текучесть и другие показатели.
🔹 Пример:
Бонусная ставка по отделу:
Янв–Март: 10%, Апр–Июнь: 12%, Июль–Сент: 8%, Окт–Дек: 15%.
Линейный график создаст иллюзию «плавного» изменения, хотя на деле ставка резко меняется. Ступенчатая диаграмма покажет: в каждый период ставка была фиксированной.
🔹 Как построить в Excel:
1. Подготовить исходную таблицу
2. Продублировать строки таким образом, чтобы каждое новое значение было конечным значением пред.периода (как на скрине)
3. Построить график ( scatter plot) по данным трансформированной таблицы.
👍4
#исследования
Типичные задачи HR-аналитика связаны со сбором количественных данных и их анализом. Анализ заработных плат, исследование текучести, уровня абсентеизма и многое другое — это примеры количественных исследований.
Количественные методы лежат в основе корреляционного и регрессионного анализа, факторного и кластерного анализа, построения математических моделей и прогнозов. Именно эти методы обеспечивают связь между эмпирическими данными и математическими вычислениями.
Спектр применения количественных методов охватывает любые исследования, результаты которых могут быть выражены в числах, процентах и математических соотношениях. Это основа любой работы аналитика.
⚡️К инструментам количественных исследований относятся:
— опросы
— анкетирование,
— наблюдение
— эксперименты.
⚡️К техническим средствам для их проведения можно отнести:
Google Forms , SurveyMonkey, или их российские аналоги, например: Как дела от hh.ru и Яндекс Взгляд от Яндекса.
Типичные задачи HR-аналитика связаны со сбором количественных данных и их анализом. Анализ заработных плат, исследование текучести, уровня абсентеизма и многое другое — это примеры количественных исследований.
Количественные методы лежат в основе корреляционного и регрессионного анализа, факторного и кластерного анализа, построения математических моделей и прогнозов. Именно эти методы обеспечивают связь между эмпирическими данными и математическими вычислениями.
Спектр применения количественных методов охватывает любые исследования, результаты которых могут быть выражены в числах, процентах и математических соотношениях. Это основа любой работы аналитика.
⚡️К инструментам количественных исследований относятся:
— опросы
— анкетирование,
— наблюдение
— эксперименты.
⚡️К техническим средствам для их проведения можно отнести:
Google Forms , SurveyMonkey, или их российские аналоги, например: Как дела от hh.ru и Яндекс Взгляд от Яндекса.
❤2
Планирую записать несколько коротких и максимально прикладных видео-уроков по теме HR-анализа для общего доступа.
Какие направления вам интересны?
(можно выбрать несколько вариантов)
Какие направления вам интересны?
(можно выбрать несколько вариантов)
Anonymous Poll
48%
Базовые HR-метрики: методология и расчет
41%
Создание дашборда на базе Excel (G Sheet)
29%
Создание дашборда на базе BI-систем
38%
SQL для HR-аналитика
51%
Автоматизация в Excel
22%
LLM и системный промтинг
38%
Проведение HR-исследований
41%
Аналитика системы оплаты труда
49%
Аналитика ФОТ
40%
Аналитика функции подбор и адаптация
#excel #powerquery
Достаточно часто появляются задача по сведению разных Excel файлов в один. Например, когда нужно учесть табели с разных СП из отдельных файлов в один общий.
Делать это руками может быть долго и чревато ошибками, поэтому лучше автоматизировать этот процесс через Power Query.
🔹 Как сделать:
— создать папку и поместить туда все файлы (формат и структура должны быть одинаковы)
— открыть пустую книгу Excel. Вкладка Данные → Получить данные → Из файла → Из папки.
— указать путь к папке с табелями → ОК.
— Excel покажет список файлов. Жмем Объединить → Объединить и преобразовать.
— Power Query сам подгрузит все строки в одну таблицу.
— Жмем Закрыть и загрузить → “В таблицу”.
на выходе получаем объединенный файл.
Но самое классное, что PQ позволяет легко добавлять новые файлы в объединенный файл.
Для этого, когда приходят новые табели, просто кладем их в ту же папку и в Excel жмем Данные → Обновить всё.
Файл будет подгружен автоматически. Это очень удобно, обязательно попробуйте.
Достаточно часто появляются задача по сведению разных Excel файлов в один. Например, когда нужно учесть табели с разных СП из отдельных файлов в один общий.
Делать это руками может быть долго и чревато ошибками, поэтому лучше автоматизировать этот процесс через Power Query.
🔹 Как сделать:
— создать папку и поместить туда все файлы (формат и структура должны быть одинаковы)
— открыть пустую книгу Excel. Вкладка Данные → Получить данные → Из файла → Из папки.
— указать путь к папке с табелями → ОК.
— Excel покажет список файлов. Жмем Объединить → Объединить и преобразовать.
— Power Query сам подгрузит все строки в одну таблицу.
— Жмем Закрыть и загрузить → “В таблицу”.
на выходе получаем объединенный файл.
Но самое классное, что PQ позволяет легко добавлять новые файлы в объединенный файл.
Для этого, когда приходят новые табели, просто кладем их в ту же папку и в Excel жмем Данные → Обновить всё.
Файл будет подгружен автоматически. Это очень удобно, обязательно попробуйте.
👍7
#Excel
Сегодня про функции в Excel, которые позволят рассчитывать трудовой стаж в разных разрезах.
1.
Это функция рассчитывает общий стаж в днях, включая выходные и праздники.
Если дата увольнения нет, то кол-во дней будет рассчитано на тек. дату.
2.
Эта функция позволяет рассчитать количество рабочих дней, исключая праздники и выходные.
Если дата увольнения не указана, расчет производится по текущую дату.
В формуле используются две переменные:
выходные — задаёт, какие дни недели считаются нерабочими. По умолчанию можно оставить пустым, тогда выходными будут сб и вск. Альтернативные значения: 1- сб , 2 - вск, 12 - вск и пн, 17 - пт и сб и суббота.
праздники — задаёт список дат, которые не учитываются при расчёте (например, федеральные праздники). Их можно задать через ссылку на диапазон ячеек, как показано в примере.
Сегодня про функции в Excel, которые позволят рассчитывать трудовой стаж в разных разрезах.
1.
=МАКС(0;ЕСЛИ(дата_увольнения="";СЕГОДНЯ();дата_увольнения)-дата_приема)
Это функция рассчитывает общий стаж в днях, включая выходные и праздники.
Если дата увольнения нет, то кол-во дней будет рассчитано на тек. дату.
2.
=ЧИСТРАБДНИ.МЕЖД(дата_приема;ЕСЛИ(дата_приема="";СЕГОДНЯ();дата_увольнения);выходные;праздники)
Эта функция позволяет рассчитать количество рабочих дней, исключая праздники и выходные.
Если дата увольнения не указана, расчет производится по текущую дату.
В формуле используются две переменные:
выходные — задаёт, какие дни недели считаются нерабочими. По умолчанию можно оставить пустым, тогда выходными будут сб и вск. Альтернативные значения: 1- сб , 2 - вск, 12 - вск и пн, 17 - пт и сб и суббота.
праздники — задаёт список дат, которые не учитываются при расчёте (например, федеральные праздники). Их можно задать через ссылку на диапазон ячеек, как показано в примере.
👍2
#Excel #ВПР #ГПР #Vlookup
Это буквально "Золото" и must have функции в Excel, которые позволяют вам искать значение по ключу и работать со сколь угодно большими таблицами.
⚡️ВПР позволяет искать значения по вертикали (то есть в столбцах)
Пример: Есть таблица с данными по численности персонала (справа на скрине), ваша задача найти значение численности для какого-то отдела.
Синтаксис функции:=ВПР(значение_отдела; таблица_для_поиска; номер_столбца_для_вывода; 0)
Дословно это означает: возьми значение отдела, найди его в первом столбце указанной таблицы и верни значение из того столбца, номер которого я указал.
⚡️ГПР позволяет искать значения по горизонтали (то есть в строках).
Пример: Ваша задача — найти численность для конкретного отдела (слева).
Синтаксис функции: =ГПР(значение_отдела; таблица_для_поиска; номер_строки_для_вывода; 0)
Дословно это означает: возьми значение отдела, найди его в первой строке указанной таблицы и верни значение из той строки, номер которой я указал.
Это буквально "Золото" и must have функции в Excel, которые позволяют вам искать значение по ключу и работать со сколь угодно большими таблицами.
⚡️ВПР позволяет искать значения по вертикали (то есть в столбцах)
Пример: Есть таблица с данными по численности персонала (справа на скрине), ваша задача найти значение численности для какого-то отдела.
Синтаксис функции:=ВПР(значение_отдела; таблица_для_поиска; номер_столбца_для_вывода; 0)
Дословно это означает: возьми значение отдела, найди его в первом столбце указанной таблицы и верни значение из того столбца, номер которого я указал.
⚡️ГПР позволяет искать значения по горизонтали (то есть в строках).
Пример: Ваша задача — найти численность для конкретного отдела (слева).
Синтаксис функции: =ГПР(значение_отдела; таблица_для_поиска; номер_строки_для_вывода; 0)
Дословно это означает: возьми значение отдела, найди его в первой строке указанной таблицы и верни значение из той строки, номер которой я указал.
❤2👍2
#методы #прогнозирование #регрессия
⚡️Логистическая регрессия — вид регрессии, который позволяет предсказать вероятность наступления бинарного события. Бинарное событие - это такое событие у которого есть всего два исхода: 1/0, пришел/ не пришел, уволился/работает и тд.
В отличие от линейной, логистическая регрессия предсказывает вероятность (от 0 до 1), а не конкретное число.
🔹 Общий алгоритм действий
- На основе исторических данных определяются факторы, которые имеют связь с наступлением события
- Рассчитывается их вес (влияние) по формуле
- Cоставляется уравнение лог.регрессии и рассчитывается вероятность наступления события
🔹 Формула:
P = 1 / (1 + e^-(b0 + b1x1 + b2x2 + ... + bnxn)), где
P - вероятность события,
e - основание натурального логарифма,
x1...xn - переменные,
b0...bn - их коэф.
🔹 Как рассчитывать:
Чаще всего логистическую регрессию рассчитывают с помощью Python или R. Но при определенной сноровке и знаниях можно это сделать и с помощью Excel (об этом в одном из след.постов)
⚡️Логистическая регрессия — вид регрессии, который позволяет предсказать вероятность наступления бинарного события. Бинарное событие - это такое событие у которого есть всего два исхода: 1/0, пришел/ не пришел, уволился/работает и тд.
В отличие от линейной, логистическая регрессия предсказывает вероятность (от 0 до 1), а не конкретное число.
🔹 Общий алгоритм действий
- На основе исторических данных определяются факторы, которые имеют связь с наступлением события
- Рассчитывается их вес (влияние) по формуле
- Cоставляется уравнение лог.регрессии и рассчитывается вероятность наступления события
🔹 Формула:
P = 1 / (1 + e^-(b0 + b1x1 + b2x2 + ... + bnxn)), где
P - вероятность события,
e - основание натурального логарифма,
x1...xn - переменные,
b0...bn - их коэф.
🔹 Как рассчитывать:
Чаще всего логистическую регрессию рассчитывают с помощью Python или R. Но при определенной сноровке и знаниях можно это сделать и с помощью Excel (об этом в одном из след.постов)
👍2❤1
#прогнозирование #EMA #WMA #MA
Базовые методы прогнозирования временных рядов - это хороший старт для HR-прогнозирования (текучесть и пр.) Методы простые, но имеющие прикладное применение.
Для примера имеем данные в хронолог.порядке: 10,11,12.
Задача: рассчитывать след. значение в ряду.
⚡️ Скользящая средняя(Moving Average, MA).
(10+12+11)/3 = 11
⚡️ Взвешенная скользящая средняя (Weighted MA, WMA)
(3×12 + 2×10 + 1×9)/(3+2+1) = 10.5
⚡️ Экспоненциальная скользящая средняя (Exponential MA, EMA)
EMA(t) = α × X(t) + (1 − α) × EMA_{t−1}, где:
EMA(t) - значение сглаживания на текущий момент
X(t) - реальное значение в момент t
α - коэффициент сглаживания (0 < α ≤ 1)
EMA(t−1) - значение на предыдущем шаге
• α = 0.1 — сглаживание сильное (больше инерция)
• α = 0.9 — почти как текущее значение
⚠️ Ограничения методов:
- не учитывают сезонность
- предполагают стабильность процесса
- лучше работают на коротких горизонтах
- плохо учитывают "длинные" наблюдения
Базовые методы прогнозирования временных рядов - это хороший старт для HR-прогнозирования (текучесть и пр.) Методы простые, но имеющие прикладное применение.
Для примера имеем данные в хронолог.порядке: 10,11,12.
Задача: рассчитывать след. значение в ряду.
⚡️ Скользящая средняя(Moving Average, MA).
(10+12+11)/3 = 11
⚡️ Взвешенная скользящая средняя (Weighted MA, WMA)
(3×12 + 2×10 + 1×9)/(3+2+1) = 10.5
⚡️ Экспоненциальная скользящая средняя (Exponential MA, EMA)
EMA(t) = α × X(t) + (1 − α) × EMA_{t−1}, где:
EMA(t) - значение сглаживания на текущий момент
X(t) - реальное значение в момент t
α - коэффициент сглаживания (0 < α ≤ 1)
EMA(t−1) - значение на предыдущем шаге
• α = 0.1 — сглаживание сильное (больше инерция)
• α = 0.9 — почти как текущее значение
⚠️ Ограничения методов:
- не учитывают сезонность
- предполагают стабильность процесса
- лучше работают на коротких горизонтах
- плохо учитывают "длинные" наблюдения
👍4
#основы
Пару дней назад на занятиях делал прогноз временного ряда методом взвешенной скользящей средней. Написал формулу в Excel - на вид всё корректно, но результат был явно неверный.
Вот что было написано в ячейке: (10*3)+(11*2)+(12*1)/6.
Ответ Excel - 58. Правильный ответ - 14,6
В итоге, в чем именно состоит ошибка я понял только после занятия, когда вернулся к форме записи формулы.
В математике есть строгая последовательность выполнения операций. Если её не соблюдать - вы получите ошибку в расчете. Это может показаться очевидным, но как показывает практика такие ошибки, по невнимательности, может совершить каждый.
Сама последовательность описана на скрине, но проблема в том, что в Excel, в отличие от, например, Python, не работает логика приоритета между числителем и знаменателем - все действия выполняются строго слева направо, если не расставлены скобки, который задают приоритет расчета и сделать это может только пользователь.
так что не забывайте проверять свои формулы )
Пару дней назад на занятиях делал прогноз временного ряда методом взвешенной скользящей средней. Написал формулу в Excel - на вид всё корректно, но результат был явно неверный.
Вот что было написано в ячейке: (10*3)+(11*2)+(12*1)/6.
Ответ Excel - 58. Правильный ответ - 14,6
В итоге, в чем именно состоит ошибка я понял только после занятия, когда вернулся к форме записи формулы.
В математике есть строгая последовательность выполнения операций. Если её не соблюдать - вы получите ошибку в расчете. Это может показаться очевидным, но как показывает практика такие ошибки, по невнимательности, может совершить каждый.
Сама последовательность описана на скрине, но проблема в том, что в Excel, в отличие от, например, Python, не работает логика приоритета между числителем и знаменателем - все действия выполняются строго слева направо, если не расставлены скобки, который задают приоритет расчета и сделать это может только пользователь.
так что не забывайте проверять свои формулы )
❤4👍2🤯1
#Excel #vba
⚡️ Простенький, но довольно полезный скрипт.
🔹Что делает:
Выделяет строчку, на которой находится курсор, зеленым. Перенос курсора перенесет и подсветку на новую строку.
Можно выделить несколько строк зеленым, зажав Ctrl.
Удобно если вы работаете с большими таблицами и вам нужно смотреть значения из разных колонок на одной строке.
🔹Как вставить:
1. Alt + F11 - откроется редактор VBA.
2. В левой панели выберите нужный лист (например, Лист1).
3. Вставьте код
4. Ctrl+S - сохраняем скрипт
5. После перезагрузки файла скрипт начнет работать
🔸Скрипт будет работать только в том файле и на том листе, в котором вы его написали. Остановить скрипт можно удалив его.
Лайк если полезно ))
⚡️ Простенький, но довольно полезный скрипт.
🔹Что делает:
Выделяет строчку, на которой находится курсор, зеленым. Перенос курсора перенесет и подсветку на новую строку.
Можно выделить несколько строк зеленым, зажав Ctrl.
Удобно если вы работаете с большими таблицами и вам нужно смотреть значения из разных колонок на одной строке.
🔹Как вставить:
1. Alt + F11 - откроется редактор VBA.
2. В левой панели выберите нужный лист (например, Лист1).
3. Вставьте код
Dim prevRow As Range
Private Sub Worksheet_SelectionChange(ByVal Target As Range)
On Error Resume Next
If Not prevRow Is Nothing Then
prevRow.Interior.ColorIndex = xlColorIndexNone
End If
Target.EntireRow.Interior.Color = RGB(198, 239, 206)
Set prevRow = Target.EntireRow
End Sub
4. Ctrl+S - сохраняем скрипт
5. После перезагрузки файла скрипт начнет работать
🔸Скрипт будет работать только в том файле и на том листе, в котором вы его написали. Остановить скрипт можно удалив его.
Лайк если полезно ))
👍8
#метрики #BUR
⚡️Активность использования корпоративных бенефитов (Benefit Utilization Rate) - простая в расчёте и полезная метрика в арсенале C&B, которая показывает, насколько сотрудники реально используют предоставленные компанией льготы типа страховки, оплаты спорта и пр. Она помогает оценить эффективность затрат и задуматься над востребованностью некоторых бенефитов.
🔹Формула:
(число сотрудников, использовавших льготу / фактическая численность, имеющих доступ к льготе) * 100%
🔹Пример:
оплата фитнеса доступна 500 фактическим сотрудникам. Воспользовались бенефитом 320 сотрудников.
320 / 500 * 100% = 64%
🔹Интерпретация:
— <50% тревожный сигнал: либо льгота не нужна, либо о ней никто не знает.
— 50–80% нормальная вовлечённость.
— >80% бенефит крайне востребован, возможно, стоит расширить.
⚠️ Важно считать по видам бенефитов отдельно: спорт, ДМС, обучение, питание. не смешивайте все вместе.
Считайте раз в полгода и используйте данные для апдейта соцпакета.
⚡️Активность использования корпоративных бенефитов (Benefit Utilization Rate) - простая в расчёте и полезная метрика в арсенале C&B, которая показывает, насколько сотрудники реально используют предоставленные компанией льготы типа страховки, оплаты спорта и пр. Она помогает оценить эффективность затрат и задуматься над востребованностью некоторых бенефитов.
🔹Формула:
(число сотрудников, использовавших льготу / фактическая численность, имеющих доступ к льготе) * 100%
🔹Пример:
оплата фитнеса доступна 500 фактическим сотрудникам. Воспользовались бенефитом 320 сотрудников.
320 / 500 * 100% = 64%
🔹Интерпретация:
— <50% тревожный сигнал: либо льгота не нужна, либо о ней никто не знает.
— 50–80% нормальная вовлечённость.
— >80% бенефит крайне востребован, возможно, стоит расширить.
⚠️ Важно считать по видам бенефитов отдельно: спорт, ДМС, обучение, питание. не смешивайте все вместе.
Считайте раз в полгода и используйте данные для апдейта соцпакета.
👍3
#визуализация #excel #диаграммы
Тут я рассказывал про базовые диаграммы в Excel.
Пришла пора затронуть чуть более ситуативные, но вместе с тем полезные средства визуализации.
По ссылке на каждой более подробная информация и нюансы построения.
🔹Круговая-вторичная — используется, когда нужно показать большое количество значений в рамках целого, но при этом акцентировав внимание на нескольких первых позициях.
🔹Водопад — отлично показывает, как изменяется показатель шаг за шагом. широко применяется в C&B как инструмент для визуализации факторного анализа отклонений.
🔹Торнадо — используется в сравнении двух наборов данных. Широко применяется для демонстрации половозрастного состава.
🔹Воронка — для демонстрации изменения значений одного показателя через ряд этапов/действий. Классика жанра в рекрутменте.
🔹Ступенчатая — показывает изменения, происходящие неравномерно. Например, отображение изменений зарплаты по датам (не каждый месяц, а по фактическим повышениям). Часто применяется вкупе с другими.
Тут я рассказывал про базовые диаграммы в Excel.
Пришла пора затронуть чуть более ситуативные, но вместе с тем полезные средства визуализации.
По ссылке на каждой более подробная информация и нюансы построения.
🔹Круговая-вторичная — используется, когда нужно показать большое количество значений в рамках целого, но при этом акцентировав внимание на нескольких первых позициях.
🔹Водопад — отлично показывает, как изменяется показатель шаг за шагом. широко применяется в C&B как инструмент для визуализации факторного анализа отклонений.
🔹Торнадо — используется в сравнении двух наборов данных. Широко применяется для демонстрации половозрастного состава.
🔹Воронка — для демонстрации изменения значений одного показателя через ряд этапов/действий. Классика жанра в рекрутменте.
🔹Ступенчатая — показывает изменения, происходящие неравномерно. Например, отображение изменений зарплаты по датам (не каждый месяц, а по фактическим повышениям). Часто применяется вкупе с другими.
👍2
This media is not supported in your browser
VIEW IN TELEGRAM
#Excel
Хорошая новость - в Excel появится функция авто обновления сводных таблиц (больше не придется руками нажимать обновление каждый раз, когда в источниках сводной таблицы появляются новые записи)
Плохая новость - доступно, судя по всему, это будет только для MS Office 365.
Функция доступна в бета-канале для Excel для Windows версии 2506 (сборка 19008.2000) и более поздних версий, а также для Excel для Mac версии 16.99 (сборка 250616106) и более поздних версий.
Очень круто, но жаль, что только для 365.
Хорошая новость - в Excel появится функция авто обновления сводных таблиц (больше не придется руками нажимать обновление каждый раз, когда в источниках сводной таблицы появляются новые записи)
Плохая новость - доступно, судя по всему, это будет только для MS Office 365.
Функция доступна в бета-канале для Excel для Windows версии 2506 (сборка 19008.2000) и более поздних версий, а также для Excel для Mac версии 16.99 (сборка 250616106) и более поздних версий.
Очень круто, но жаль, что только для 365.
❤1👍1
#исследования
⚡️Экстраполяция — это способ распространения результатов выборки на генеральную совокупность. Когда нужно оценить поведение всей совокупности на основе небольшой выборки. Полезна в HR, когда опрос охватывает не всех сотрудников, а только выборку, но результаты нужно подбить по всем сотрудникам
🔹Пример:
вы провели опрос вовлеченности среди 200 из 1000 сотрудников. Средний балл вовлеченности — 3.8. Нужно оценит средний уровень вовлеченности по компании.
Если выборка репрезентативна, то оценка общего среднего = среднее по выборке = 3.8
🔹Чтобы оценить доверительный интервал:
Найдите стандартное отклонение по выборке (например, σ = 0.5)
Посчитайте стандартную ошибку: SE = σ / √n = 0.5 / √200 ≈ 0.035
Постройте 95% интервал: 3.8 ± 1.96 * 0.035 → [3.73; 3.87]
🔹Вывод:
с 95% уверенностью, реальная вовлеченность по всей компании лежит в этом диапазоне. То есть сделав анализ по части мы можем экстраполировать результаты этого анализа на всю компанию с высокой точностью.
⚡️Экстраполяция — это способ распространения результатов выборки на генеральную совокупность. Когда нужно оценить поведение всей совокупности на основе небольшой выборки. Полезна в HR, когда опрос охватывает не всех сотрудников, а только выборку, но результаты нужно подбить по всем сотрудникам
🔹Пример:
вы провели опрос вовлеченности среди 200 из 1000 сотрудников. Средний балл вовлеченности — 3.8. Нужно оценит средний уровень вовлеченности по компании.
Если выборка репрезентативна, то оценка общего среднего = среднее по выборке = 3.8
🔹Чтобы оценить доверительный интервал:
Найдите стандартное отклонение по выборке (например, σ = 0.5)
Посчитайте стандартную ошибку: SE = σ / √n = 0.5 / √200 ≈ 0.035
Постройте 95% интервал: 3.8 ± 1.96 * 0.035 → [3.73; 3.87]
🔹Вывод:
с 95% уверенностью, реальная вовлеченность по всей компании лежит в этом диапазоне. То есть сделав анализ по части мы можем экстраполировать результаты этого анализа на всю компанию с высокой точностью.
👍4❤2
#основы #численность
⚡️ В HR различают несколько типов численности: фактическая, штатная и списочная численность. К сожалению, иногда их путают.
🔹 Штатная численность — количество позиций по штатному расписанию, вне зависимости от того, заняты они или нет.
Формула: (кол-во строк в штатном расписании с любым статусом).
🔹 Фактическая численность — реально работающие сотрудники на текущий момент (не включая вакансии).
Формула: (штатная численность − вакансии).
🔹 Списочная численность — все сотрудники, которые числятся в организации, включая временно отсутствующих (отпуск, больничный, декрет). Основа для ССЧ.
Формула: (фактическая численность + принятые на работу на неполное рабочее время + надомники + практиканты ).
⚡️ Пример:
Штатная - 120 шт.ед.
Вакансии - 10
Фактическая = 120 − 10 = 110
Списочная = 110+10 +5+1= 126
Разница важна:
штатная — про структуру,
фактическая — про рабочие руки сегодня,
списочная — про всех, кто в штате юридически.
⚡️ В HR различают несколько типов численности: фактическая, штатная и списочная численность. К сожалению, иногда их путают.
🔹 Штатная численность — количество позиций по штатному расписанию, вне зависимости от того, заняты они или нет.
Формула: (кол-во строк в штатном расписании с любым статусом).
🔹 Фактическая численность — реально работающие сотрудники на текущий момент (не включая вакансии).
Формула: (штатная численность − вакансии).
🔹 Списочная численность — все сотрудники, которые числятся в организации, включая временно отсутствующих (отпуск, больничный, декрет). Основа для ССЧ.
Формула: (фактическая численность + принятые на работу на неполное рабочее время + надомники + практиканты ).
⚡️ Пример:
Штатная - 120 шт.ед.
Вакансии - 10
Фактическая = 120 − 10 = 110
Списочная = 110+10 +5+1= 126
Разница важна:
штатная — про структуру,
фактическая — про рабочие руки сегодня,
списочная — про всех, кто в штате юридически.
👍4