#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.

#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.

#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.

#основы #численность #ссч

В продолжение предыдущего поста - поговорим о среднесписочной численности.

🔹 Алгоритм расчета:
1. Расчет списочной численности за каждый календарный день, включая праздничные (нерабочие) и выходные дни.

❗️Списочная численность за выходные и нерабочие праздничные дни равна
показателю на предшествовавший этой дате рабочий день.

❗️Если сотрудник работает неполный день: обычная продолжительность рабочего дня (в часах) *
число рабочих дней по календарю.

2. Расчет месячного значения: сумма дней / число календарных дней месяца. Считаем с дробной частью.

3. Расчет годового значения: Сумма ССЧ за каждый месяц года / 12

❗️Если компания новая и работает неполный год, в ССЧ все равно учитывается каждый месяц. Периоды, когда организация не работала, будут считаться с показателями «0».

🔹Среднесписочная численность готовится для отчетов:
- расчет страховых взносов (РСВ) — сдается в ФНС,
- раздел 2 ЕФС-1 — сдается в СФР,
- П-4 — подается в Росстат.

методология от nalog.ru

#метрики #PPI

⚡️ Performance to Pay Index (PPI) - интересная метрика, которая показывает, насколько оплата труда сотрудника соотносится с его результативностью относительно других сотрудников в группе.
Используется для оценки индивидуальной справедливости системы вознаграждения.

🔹 Формула:
PPI = Индекс результативности / Индекс затрат на оплату труда

🔹 Как считать:
Индекс результативности = (Индивидуальный KPI / Средний KPI по группе)
Индекс затрат = Индивидуальный оклад(зп) / Средний оклад(зп) по группе

🔹 Пример:
Сотрудник А: KPI = 120, ЗП = 150 тыс.
Средние значения по группе: KPI = 100, ЗП = 120 тыс.
PPI = (120/100) / (150/120) = 1.2 / 1.25 = 0.96

Интерпретация:
PPI < 1 — сотрудник получает больше, чем показывает результативность других сотрудников на той же должности или в группе;
PPI > 1 — результативность опережает оплату, возможна недооценка.

#метрики #обучение #d_fact

Делюсь интересным методом оценки эффективности обучения.
Адекватно применить, к сожалению, можно только для треннингов по хардам и в тех случаях, когда они направлены на рост производительности - метод с расчётом d-критерия (коэффициента эффекта Коэна).

🔹 Алгоритм:
1. Соберите KPI сотрудников до и после обучения (например, продажи за месяц).
2. Рассчитайте средние значения показателя
3. Найдите общее стандартное отклонение
SD = sqrt((SD_before² + SD_after²) / 2)
4.Рассчитайте коэф:
d = (μ_after - μ_before) / SD

🔹 Интерпретация метрики:
d < 0.2 — слабый эффект на производительность.
d = 0.5 — устойчивый эффект, есть рост производительности
d > 0.8 — сильный эффект. Обучение крайне эффективно.

#основы #шкалы

Краткий справочник для определения инструмента связи между разными типами шкал данных.

🔹 Типы шкал:
Номинальная — категории без порядка
Пример: пол, отдел, должность.

Порядковая (ранговая) — есть порядок, но нет равных интервалов
Пример: оценки, грейды, уровни.

Интервальная — порядок + равные интервалы, но нет нуля
Пример: дата, температура.

Отношений — обычные числовые данные, включая ноль.
Пример: производительность, стаж, зп и пр.

#методы #вариация #коэффициент_вариации

⚡️ Коэффициент вариации (Coefficient of Variation, V) — инструмент который помогает оценить стабильность данных. Он показывает относительное рассеяние данных по отношению к среднему и позволяет сравнивать разные наборы данных.

🔹 Формула для расчета: CV = (σ / μ) * 100%, где σ — стандартное отклонение, а μ — среднее арифметическое.

Интерпретация коэффициента:
<17% - совокупность однородна
17-33 - достаточно однородна
35-40 - недостаточно однородна
>40% - неоднородна (высокий разброс значений)

🔹 Пример:
Данные о зарплатах двух команд:
Команда A: 80, 90, 100, 110, 120 (μ = 100, σ = 14,14).
Команда B: 60, 75, 105, 135, 160 (μ = 107, σ = 38,03).
CV команды A: (14,14 / 100) * 100% = 14,14%
CV команды B: (38,03 / 107) * 100% = 35,54%

Вывод: Команда B имеет более высокий коэффициент вариации, что указывает на большую разбросанность зарплат внутри команды.

#методы #ρx #коэффициент_осцилляции

⚡️ Коэффициент осцилляции (ρx) — эффективный инструмент для выявления колебаний, их оценки и определения скрытой сезонности. например, для выявления сезонности в текучести персонала.

🔹 Формула:
ρx = (макс значение за период- мин значение за период) / ср.знач

🔹 Интерпретация:
ρx < 0.3 — показатель стабилен, данные находятся в рамках одного диапазона
0.3 ≤ ρx≤ 0.6 — умеренные колебания
ρx > 0.6 — высокая нестабильность, наличие скрытой сезонности

🔹Применять можно в двух основных случаях
1. если вы "чувствуете" наличие колебаний в ряде данных, но вам нужно как-то подтвердить это на уровне цифр
2. для выявления сезонности в ряде данных за определённый период времени

#метрики #ROI

Классическая формула расчета возвратности инвестиций (ROI):
ROI = (Доход – Инвестиции) / Инвестиции * 100%
Но, если эффект от инвестиции появляется не сразу, то такая формула не совсем верна.
Более корректно будет считать ROI с учетом периода, за который проект начинает приносить выгоду.

🔹 Пример базовый ROI:
В нашем примере после проведения автоматизации высвободилось определённое кол-во часов у сотрудников, которые были пересчитаны в рубли через стоимость часа.
При базовом варианте возвратность составит 0,7 или 70%/месяц.

🔹 Пример отложенный ROI:
Расчет возвратности в случае, если эффект проявился не сразу, а спустя 3 месяца.
Отдельно рассчитываем доход с учетом дисконтирования

PV = CF / (1 + r)^(t/период), где:
CF — доход от автоматизации
r — годовая ставка дисконтирования (~0,15 для России на тек.момент)
t — количество месяцев до эффекта
период — 12 месяцев

Получаем стоимость инвестиций спустя 3 месяца - 16 416.
Применяем классическую формулу ROI и получаем возвратность в 0,64 или 64%

#прогнозирование

⚡️Бально-факторный метод прогнозирования — самый базовый способ "прогнозирования" какого-то события. Например, увольнения.
Беру в кавычки потому, что это, конечно, не прогнозирование, а просто способ по ряду характеристик определить риск ухода, например. Но, если в компании нет других инструментов, это лучше чем ничего и в какой-то мере тоже полезный срез.

🔹 Алгоритм:
1. Определяем список факторов (например: низкая ЗП, смена руководителя), который повышает риск увольнения. Факторы определяются экспертно.
2. Оцениваем по факторам сотрудников (1 - есть, 0 - нет)
3. Считаем сумму баллов.
4. Определяем балл, после которого считаем, что риск есть и нужно реагировать (в примере >=3). определяем опять же экспертно.

Базовый вариант: просто сумма баллов
Расширенный вариант: каждой хар-ке присваиваем вес. Итоговый балл: ∑ (балл * вес)

#статистика #инструменты

Просто любопытная статистика.
На скрине частота упоминаний различных технических навыков на 100 опубликованных вакансий HR-аналитиков + вариации полученная парсингом с одной крупной поисковой площадки. Данные конца 2024 года.
Но принципиально за год мало что изменилось.

Excel — по прежнему основной инструмент не только анализа , но и визуализации. Тут ничего не поменялось.

1С, 1С ЗУП — это основные источники данных, поэтому их упоминание тоже вполне понятно.

BI системы востребованы менее чем для половины вакансий. Это тоже вполне понятно. В крупном бизнесе есть отдельные BI-аналитики, которые сами работают с дашбордами и витринами. А в малом бизнесе это просто не нужно.

SQL объективно нужен только для больших объемов данных и сложных структурах.

Python, R — востребованность низкая. Говоря откровенно, задачи, для которых нужны языки программирования, HR-аналитики решают не часто. Точнее, в редких компаниях, когда бизнес готов отойти от описания и отчётности к предиктиву.

#метрики

⚡️ Интенсивность расходования бюджета - это не сложная, но полезная метрика, которая показывает интенсивность расходования бюджета во времени.
Логика простая, в идеальном состоянии интенсивность расходования годового бюджета должна не превышать 1/12 части заложенного бюджета ФОТ в месяц. Если превышает, то бюджет "сгорает" быстрее, чем заложено в бюджете. Можно воспринимать эту метрику как предварительный план-факт анализ

🔹Формула:
Факт за отчетный период накопленным итогом / План бюджета за весь период * 100%

🔹 Как использовать:
— Анализировать помесячно или квартально перед подготовкой план-факт анализа для предварительной оценки расходования и отклонения от плана.
— Сравнивать с планом: если фактическое значение выше темпа времени, нужно корректировать активность по бюджетным статьям
— Считать отдельно по статьям и для ФОТ и для административно-хозяйственного бюджета.

#визуализация #scatter_plot

Рассказываю про хороший инструмент визуализации, который позволяет комбинировать разные характеристики объекта (например, результативность и вовлеченность) и показывать это на графике.

Есть ряд сотрудников с двумя характеристиками: результативность и вовлеченность. Эти показатели можно использовать как координаты, тогда на графике мы увидим их рсположение относительно друг-друга.

🔹Как строить:
Выбираем точечную диаграмму. В выборе источника данных отмечаем каждый объект как отдельный ряд данных.
По оси X — результативность
по оси Y — вовлечённость
На выходе получаем график где каждая точка — сотрудник.

🔹Интерпретация:
Верхний правый угол — высокие вовлечённость и результат.
Нижний левый — ни мотивации, ни результатов.
Верхний левый — вовлечены, но низкая эффективность.
Нижний правый — эффективны, но выгорают.

🔹Альтернативное применение:
Предложенная комбинация факторов - это только пример. Можно построить для других характеристик

#метрики #CandB #SRP

⚡️Индекс вхождения в диапозон зп (Salary Range Penetration, SRP) — это метрика, которая показывает, где находится оклад (или зп) сотрудника относительно всего зп диапазона (или зарплатной вилки).

🔹Формула:
SRP = (Оклад — нижняя граница диапазона) / (верхняя граница диапазона — нижняя граница диапазона)

🔹Как использовать (одна из стратегий применения SRP):
❕Отрицательное значение SRP означает, что оклад сотрудника не попадает в диапазон грейда для его должности. Обычно это зарплаты сотрудников, которые только приступили к работе, недавно перевелись на новую должность и пока не в полной мере соответствуют должности.
❕0,3–0,6 — вторая треть диапазона, соответствующая сотрудникам, которые в полном объёме выполняют свои задачи.
❕0,6–1 — верхняя треть, обычно включает высокоэффективных сотрудников или тех, кто готовится к повышению.
❕>1 — оклад превышает верхнюю границу диапазона. Такие должности считаются "переплаченными".

Классический подход — избегать значений SRP меньше 0 и больше 1.

#прогнозирование #Excel

Планирую серию постов про прогнозирование временных рядов. Начнем с простых вещей в Excel, а потом перейдем на код (тут иначе не получится, увы).

Временные ряды - это последовательность числовых данных во времени. Пример: численность, текучесть и пр.
Наша задача этот ряд спрогнозировать.
Мера оценки качества - среднее % отклонений прогноза от тестовой выборки (MAPE).

🔹Способ 1 для excel: функция "Лист прогнозов".
Данные → Лист прогнозов.
Excel использует алгоритм экспоненциального сглаживания. Учитывает: общий тренд сезонность, случайные колебания (нет)).

🔹Параметры модели:
Сезонность - ставим руками, зависит от длинны цикла. Обычно 12 (на автоподбор не надейтесь).
Доверительный интервал - оставляем 95%

на выходе получаете прогноз и доверительный интервал.

Сразу скажу, что точность не самая хорошая (пример на скрине), но на 1-2 шага вперед модель может дать более-менее нормальный прогноз. На долгосрок - нет.
MAPE (6 мес) - 47%

Моя оценка 2/5

#прогнозирование #Excel

продолжаем знакомиться с методами прогнозирования (пока в рамках Excel)

🔹Способ 2 для excel: функция =предсказ.линейн()
Это уже простая линейная регрессия, в отличие от предыдущего метода, который использовал экспоненциальное сглаживание. Но! У этой регрессии только один признак - время. То есть это трендовая модель.

Для анализа потребуется ряд данных и время (его лучше выразить не в формате даты, а в формате чисел: 1,2,3 и т.д. после прогноза поменяете на даты обратно).
= предсказ.линейн(x, известные значения y, известные значения x), где
x - порядок числа, которое будем прогнозировать. предсказываете последний месяц года - пишите 12.
известные значения у - ряд данных, которые будет базой для прогноза
известные значения х - наш временной ряд (1,2...)

Прогноз на выходе тоже весьма средний, MAPE составил 21%.
Лучше чем предыдущий метод, но, есть ограничения, например, метод не работает с сезонностью в ряде, если в ваших данных она есть, то используйте =ПРЕДСКАЗ.ETS

моя оценка 3/5

#прогнозирование #Excel

Сделаем небольшое отступление от прогнозов и поговорим о том, как понять, что прогноз действительно точный.
Простой и надежный способ проверить это - ретроспективное тестирование модели: делим данные на обучающую и тестовую выборки и сравниваем прогноз с уже случившимся фактом.

🔹Процесс:
Соберите исторические данные по нужной метрике
Делим ряд на 2 части. 75-80% будет базой для создания прогноза и 15-20% для тестирования прогноза.
Строим прогноз на вторую часть выборки, используя данные первой части (на скрине)
Смотрим на график.

🔹Как мерить:
1. Визуально. Смотрим на графике насколько прогноз передает: а) тренд b) колебания
2. Рассчитываем отклонение:
MAE = СРЗНАЧ(ABS(Факт - Прогноз)) - средняя ошибка отклонения, натур. ед.
MAPE = СРЗНАЧ(ABS((Факт - Прогноз)/Факт)) - средний % отклонения прогноза от факта, %

Если ошибки небольшие - строим прогноз на будущие периоды.

#прогнозирование #Excel

Говоря о прогнозах, стоит затронуть еще две важных сущности: доверительный интервал и прогнозный интервал. Сегодня про первый.
Доверительный интервал (Confidence Interval) - инструмент, который помогает оценить, насколько точно мы знаем среднее значение метрики по выборке.
К примеру, у нас есть ряд данных по увольнениям за 18 мес. Хотим узнать: с какой точностью это среднее отражает реальность?

🔹Алгоритм расчета:
1. рассчитываем ср.знач, станд.отклон, кол-во наблюдений, t-student test по исходному ряду данных. все формулы есть в Excel.
2. рассчитываем дов.интервал: ср.знач ± t * (σ / √n), где
t — критическое значение Стьюдента:
t = СТЬЮДЕНТ.РАСП(0.975; 17) = 2.110
3. строим интервал в обе стороны от среднего значения исходного ряда данных - верх и низ.
(пример расчета на скрине)

CI говорит, где с 95% вероятностью находится истинное среднее, но не охватывает все значения. В следующем посте — про прогнозный интервал и его применение в моделях.

#метрики #benefits #utiliation

⚡️Индекс использования льготы / индекс востребованности льготы (Utilization Rate ) — простая метрика с помощью которой можно оценивать востребованность льготы в компаниии (ДМС, страх.жизни, well-being программы и пр.).
Чаще всего в компании применяются разные льготы на разные категории персонала и во всем этом "зоопарке" нужно понимать что реально работает, а что просто не очень востребовано у сотрудников. Для этого как раз нужен UR.

🔹 Как считать:
число сотрудников, использовавших льготу / число сотрудников, имеющих доступ к льготе

🔹 Важно:
1. Данные по использованию льготы берутся за период (обычно мес, кв.)
2. UR считается отдельно по каждой льготе и каждой категории персонала
3. Пороговые значения зависит от типы льгот. Mercer в свое время давал:
0,80 как норму для ДМС,
0,35-0,45 для wellbeing программ,
0,10 для страхования жизни, пенс. программ

#прочее #компетенции

Некоторое время назад я обновил модель компетенций HR-аналитика на основе достаточно масштабного исследования группы европейских учёных, о котором пару лет назад писал в книге.

Оригинал, если захотите с ним ознакомиться:
McCartney S., Murphy C., McCarthy J. — A Competency Model for the Emerging Role of HR Analysts // ResearchGate GmbH

Я адаптировал модель, немного освежил и дополнил технический стек, основываясь на результатах парсинга требований из вакансий на HR-аналитиков. Так что можно сказать, что получилась почти авторская версия 😊

Модель в аттаче, доступна для свободного скачивания.