#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%
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%
👍3
#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)
⚡️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)
👍2❤1
#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.
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.
👍6❤1😢1
#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.
⚡️ 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.
❤2👍1
#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
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
👍2
#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.
⚡️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.
👍4
#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
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
❤3👍1
#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
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
👍1
#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.
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.
👍1
#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.
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.
👍3❤1
#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
⚡️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
👍2
модель компетенций_10.25 _upd.xlsx
13 KB
#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.
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.
👍11❤2
#прогнозирование
Наткнулся на несколько интересных исследований в области социально-сетевого анализа (SNA) (отдельная и очень интересная тема) про паттерны поведения сотрудников, которые планируют уволиться. Ниже короткое резюме:
1. Падение продуктивности - тут все очевидно. До -79% производительности за 2 мес до увольнения (Ko et al.)
2. Более пассивное поведение - отказ от новых проектов, отсутствие инициатив, предложений. Тут без цифр. (Regts & Molleman)
3. Снижение уровня вовлеченности - меньше общения, игнор корпоративной жизни, снижение кол-ва сообщений (-39%) в чатах, реакций, кол-во исходящих сообщений (-47%), кол-ва встреч (-21%) (CU university.)
4. Рост абсентеизма - общий рост (до +34%) за 4-5 мес перед увольнением (ERIC.ed)
🔹Доп.паттерны, исходя из собственных наблюдений и анализа:
1. Рост утилизации корп.бенефитов (ДМС в первую очередь)
2. Рост и-нет трафика
3. Изменение обычного для сотрудника графика (в т.ч. может быть рост переработок)
4. Рост интереса к ЛНА и вн. вакансиям
Наткнулся на несколько интересных исследований в области социально-сетевого анализа (SNA) (отдельная и очень интересная тема) про паттерны поведения сотрудников, которые планируют уволиться. Ниже короткое резюме:
1. Падение продуктивности - тут все очевидно. До -79% производительности за 2 мес до увольнения (Ko et al.)
2. Более пассивное поведение - отказ от новых проектов, отсутствие инициатив, предложений. Тут без цифр. (Regts & Molleman)
3. Снижение уровня вовлеченности - меньше общения, игнор корпоративной жизни, снижение кол-ва сообщений (-39%) в чатах, реакций, кол-во исходящих сообщений (-47%), кол-ва встреч (-21%) (CU university.)
4. Рост абсентеизма - общий рост (до +34%) за 4-5 мес перед увольнением (ERIC.ed)
🔹Доп.паттерны, исходя из собственных наблюдений и анализа:
1. Рост утилизации корп.бенефитов (ДМС в первую очередь)
2. Рост и-нет трафика
3. Изменение обычного для сотрудника графика (в т.ч. может быть рост переработок)
4. Рост интереса к ЛНА и вн. вакансиям
👍5
#исследования #пульс_опросы
Небольшое сравнение классических опросов в HR и пульс-опросов.
⚡️Классические опросы — развернутые анкеты, которые проводятся 1–2 раза в год и охватывают широкий круг тем. Например, исследование удовлетворённости, лояльности и пр. Дают более высокую вовлечённость и "глубину", но требуют существенно больше времени на прохождение. Не получится проводить часто, а значит и результаты не будут давать оперативной картины и не позволят отслеживать динамику или держать руку на пульсе. Для проведения можно использовать: monkey survey, google forms, yandex forms и пр.
⚡️Пульс-опросы — короткие и частые опросники из 1–3 вопросов (часто с закрытыми формами ответов), на которые пользователь тратит не больше пары минут. Дают более низкую вовлечённость в каждый конкретный опрос, но не утомляют пользователей, а значит, их можно проводить регулярно и отслеживать динамику показателей, изменение отношения команды к инициативам и т.д. Для проведения: leapsome, iSpringб, qpulse и пр.
Небольшое сравнение классических опросов в HR и пульс-опросов.
⚡️Классические опросы — развернутые анкеты, которые проводятся 1–2 раза в год и охватывают широкий круг тем. Например, исследование удовлетворённости, лояльности и пр. Дают более высокую вовлечённость и "глубину", но требуют существенно больше времени на прохождение. Не получится проводить часто, а значит и результаты не будут давать оперативной картины и не позволят отслеживать динамику или держать руку на пульсе. Для проведения можно использовать: monkey survey, google forms, yandex forms и пр.
⚡️Пульс-опросы — короткие и частые опросники из 1–3 вопросов (часто с закрытыми формами ответов), на которые пользователь тратит не больше пары минут. Дают более низкую вовлечённость в каждый конкретный опрос, но не утомляют пользователей, а значит, их можно проводить регулярно и отслеживать динамику показателей, изменение отношения команды к инициативам и т.д. Для проведения: leapsome, iSpringб, qpulse и пр.
👍2
#личное #прочее
Последние четыре года, параллельно основной деятельностм, я занимаюсь преподаванием ДПО на разных платформах.
Сначала в качестве ревьюера, затем методиста, преподавателя, наставника, а потом и автора программ. И хотя я всегда старался делать что-то, что мне было бы интересно изучать самому, до известной степени это всегда был компромисс.
Поэтому я решил попробовать сделать полностью авторскую программу. Что-то не очень большое, но довольно комплексное.
Так родился мини-курс по C&B-аналитике (аналитике компенсаций и льгот).
Сейчас это 4 урока и порядка 150 мин видеоматериалов. В нем я рассказываю про компоненты материальной и нематериальной мотивации, их анализ, процесс бюджетирования, контроль исполнения бюджета ФОТ и некоторые другие аспекты аналитики в этой области. программа продолжает расширяться, но главные материалы уже готовы.
По ссылке доступно вводное слово, где я рассказываю о программе, этом направлении и его задачах.
А если вам стало интересно, то сам мини-курс доступен по этой ссылке
Вопросы и предложения можете направлять в пм или на почту eugeny.kiriek@gmail.com
Последние четыре года, параллельно основной деятельностм, я занимаюсь преподаванием ДПО на разных платформах.
Сначала в качестве ревьюера, затем методиста, преподавателя, наставника, а потом и автора программ. И хотя я всегда старался делать что-то, что мне было бы интересно изучать самому, до известной степени это всегда был компромисс.
Поэтому я решил попробовать сделать полностью авторскую программу. Что-то не очень большое, но довольно комплексное.
Так родился мини-курс по C&B-аналитике (аналитике компенсаций и льгот).
Сейчас это 4 урока и порядка 150 мин видеоматериалов. В нем я рассказываю про компоненты материальной и нематериальной мотивации, их анализ, процесс бюджетирования, контроль исполнения бюджета ФОТ и некоторые другие аспекты аналитики в этой области. программа продолжает расширяться, но главные материалы уже готовы.
По ссылке доступно вводное слово, где я рассказываю о программе, этом направлении и его задачах.
А если вам стало интересно, то сам мини-курс доступен по этой ссылке
Вопросы и предложения можете направлять в пм или на почту eugeny.kiriek@gmail.com
👍9❤2
#ИИ #ChatGPT #системный_промт
⚡️Системный промт (System prompting) - это управление поведением ИИ через скрытую инструкцию, которая подаётся до любого общения с пользователем.
В отличие от обычного запроса, system prompt не видит пользователь, но именно он задаёт контекст для ветки общения.
🔹Где находится в ChatGPT:
В разделе "Персонализация": там можно прописывать формат взаимодействия, требования к формату ответов, расширениям файлов и пр.
В разделе кастомных GPT (GPT>обзор>создать GPT): там можно писать инженерный промт (о нем отдельно) и задавать задачи для всей ветки диалога
Через API (ChatCompletion) - как блок role: system
в HR-ботах, ассистентах и AI-инструментах (в backend части): перед вставкой пользовательского вопроса.
🔹 Чем точнее system prompt — тем стабильнее поведение модели и тем предсказуемее будет результат, который вы получите.
В след.посте про базовые правила составления такого промта.
⚡️Системный промт (System prompting) - это управление поведением ИИ через скрытую инструкцию, которая подаётся до любого общения с пользователем.
В отличие от обычного запроса, system prompt не видит пользователь, но именно он задаёт контекст для ветки общения.
🔹Где находится в ChatGPT:
В разделе "Персонализация": там можно прописывать формат взаимодействия, требования к формату ответов, расширениям файлов и пр.
В разделе кастомных GPT (GPT>обзор>создать GPT): там можно писать инженерный промт (о нем отдельно) и задавать задачи для всей ветки диалога
Через API (ChatCompletion) - как блок role: system
в HR-ботах, ассистентах и AI-инструментах (в backend части): перед вставкой пользовательского вопроса.
🔹 Чем точнее system prompt — тем стабильнее поведение модели и тем предсказуемее будет результат, который вы получите.
В след.посте про базовые правила составления такого промта.
❤1
#ИИ #ChatGPT #системный_промт
Продолжаем тему системного промтинга. Сегодня о том, а что там писать. Есть более-менее стандартный шаблон, а пример реализации и результат на скрине:
🔹 роль - определяет роль в рамках ветки (определяет "язык", спец.лексику, глубину комментариев и пр. ).
🔹 задача - та, задача, которую будет решать кастомный GPT. Рекомендую ограничиться одной задачей в рамках ветки. Это и ускорит работу, улучшит качество ответа, а главное, позволит получать один и тот же формат ответа.
🔹 требования к формату - прописываете все свои требования к решению/расчетам. Правила обработки данных, наличие или отсутствие источников, язык кода (или отсутствие кода), допустимые изменения и пр.
🔹 ограничения - отдельно указываете то, что не хотите видеть в ответе или ограничения на ветку. например: нельзя использовать определённые источники.
🔹 формат - та форма, которую вы будете видеть.
Обязательно попробуйте, вы удивитесь насколько это качественно улучшит ваши результаты работы с LLM.
Продолжаем тему системного промтинга. Сегодня о том, а что там писать. Есть более-менее стандартный шаблон, а пример реализации и результат на скрине:
🔹 роль - определяет роль в рамках ветки (определяет "язык", спец.лексику, глубину комментариев и пр. ).
🔹 задача - та, задача, которую будет решать кастомный GPT. Рекомендую ограничиться одной задачей в рамках ветки. Это и ускорит работу, улучшит качество ответа, а главное, позволит получать один и тот же формат ответа.
🔹 требования к формату - прописываете все свои требования к решению/расчетам. Правила обработки данных, наличие или отсутствие источников, язык кода (или отсутствие кода), допустимые изменения и пр.
🔹 ограничения - отдельно указываете то, что не хотите видеть в ответе или ограничения на ветку. например: нельзя использовать определённые источники.
🔹 формат - та форма, которую вы будете видеть.
Обязательно попробуйте, вы удивитесь насколько это качественно улучшит ваши результаты работы с LLM.
❤8
#прогнозирование
Решил резюмировать некоторые свои наблюдения и опыт работы в области прогнозирования временных рядов в HR в виде серии статей.
Первая часть посвящена базовым моделям прогнозирования, доступным в Excel. Рассказываю об их специфике, применении, а главное - о некоторых важных особенностях работы с данными и прогнозирование метрик и показателей в HR.
Кажется, вышло довольно информативно, наглядно а главное - доступно для воспроизведения.
ссылка
Чуть позже выложу вторую часть - про более сложные и точные модели, но с реализацией уже на python (к сожалению, ресурсы Excel, в этом направлении, в первой статье практически исчерпаны).
Решил резюмировать некоторые свои наблюдения и опыт работы в области прогнозирования временных рядов в HR в виде серии статей.
Первая часть посвящена базовым моделям прогнозирования, доступным в Excel. Рассказываю об их специфике, применении, а главное - о некоторых важных особенностях работы с данными и прогнозирование метрик и показателей в HR.
Кажется, вышло довольно информативно, наглядно а главное - доступно для воспроизведения.
ссылка
Чуть позже выложу вторую часть - про более сложные и точные модели, но с реализацией уже на python (к сожалению, ресурсы Excel, в этом направлении, в первой статье практически исчерпаны).
❤7
#инструменты #боты #botfather
Пост для тех, кто давно собирался сделать свой корп. чат-бот, но никак не мог найти время, чтобы разобраться в теме. Рассказываю как это сделать: первый пост про создание ключа, второй - про конструкторы для запуска, третий - рекомендации по логике работы бота и некоторые общие советы.
Первое, что нам нужно будет сделать - получить ключ тг-бота. Это бесплатно и не займет много времени.
BotFather — это официальный бот Telegram для создания и настройки других ботов. Без него не запустится ни один Telegram-бот.
🔹 Как создать нового бота:
1. Переходим по ссылке выше;
2. Набираем команду /start для начала работы;
3. Выбираем команду /newbot для создания нового бота;
4. Придумываем имя для бота (username должен заканчиваться на bot);
5. Получаем уникальный токен - это ключ, с помощью которого платформа подключает Telegram-бота (сохраняем этот ключ, он важен).
В следующим посте рассмотрим конструкторы, которые позволят построить логику чат-бота и наполнить его.
Пост для тех, кто давно собирался сделать свой корп. чат-бот, но никак не мог найти время, чтобы разобраться в теме. Рассказываю как это сделать: первый пост про создание ключа, второй - про конструкторы для запуска, третий - рекомендации по логике работы бота и некоторые общие советы.
Первое, что нам нужно будет сделать - получить ключ тг-бота. Это бесплатно и не займет много времени.
BotFather — это официальный бот Telegram для создания и настройки других ботов. Без него не запустится ни один Telegram-бот.
🔹 Как создать нового бота:
1. Переходим по ссылке выше;
2. Набираем команду /start для начала работы;
3. Выбираем команду /newbot для создания нового бота;
4. Придумываем имя для бота (username должен заканчиваться на bot);
5. Получаем уникальный токен - это ключ, с помощью которого платформа подключает Telegram-бота (сохраняем этот ключ, он важен).
В следующим посте рассмотрим конструкторы, которые позволят построить логику чат-бота и наполнить его.
❤6
#инструменты #боты #botmother
Вторая часть про тг-боты: про конструкторы, точнее один из конструкторов.
⚡️ Botmother - no‑code конструктор чат‑ботов, который позволяет собирать бота без навыков программирования. Логику выстраиваете в визуальном редакторе: берёте готовые блоки (сообщения, кнопки, ветки сценария) и соединяете их как кубики.
Сервис обладает кроссплатформенностью, простым интерфейсом, переведен на русский, есть встроенные видеоуроки и широкий функционал. Базовая версия бесплатная.
🔹Что можно реализовать через бота:
чат-бот для новичков возможностью связи с HR-менеджером, инструкциями пр.
чат-бот функции с базой документов, которые пользователь может получать по своему запросу
платформу для опросов и пр.
🔹 Как использовать:
1.Регистрируете в botfather новый ключ (тот, что вы сохранили в пред.посте)
2.Регистрируете на платформе botmother, подвязываете ключ в настройках
3.Используете или готовый шаблон или строите бота сами
Разобраться несложно, интерфейс простой.
Вторая часть про тг-боты: про конструкторы, точнее один из конструкторов.
⚡️ Botmother - no‑code конструктор чат‑ботов, который позволяет собирать бота без навыков программирования. Логику выстраиваете в визуальном редакторе: берёте готовые блоки (сообщения, кнопки, ветки сценария) и соединяете их как кубики.
Сервис обладает кроссплатформенностью, простым интерфейсом, переведен на русский, есть встроенные видеоуроки и широкий функционал. Базовая версия бесплатная.
🔹Что можно реализовать через бота:
чат-бот для новичков возможностью связи с HR-менеджером, инструкциями пр.
чат-бот функции с базой документов, которые пользователь может получать по своему запросу
платформу для опросов и пр.
🔹 Как использовать:
1.Регистрируете в botfather новый ключ (тот, что вы сохранили в пред.посте)
2.Регистрируете на платформе botmother, подвязываете ключ в настройках
3.Используете или готовый шаблон или строите бота сами
Разобраться несложно, интерфейс простой.
👍3🤯1
#статистика #искажения
На днях прочитал книгу «Как лгать при помощи статистики». Материал довольно старый (очень), но механизмы, которые лежат в её основе, еще встречаются.
Это навело меня на идею серии постов пронеумышленные искажения аналитики - те самые случаи, когда никто не врёт, но по итогу получается, что 2 + 2 = 5.
Первая и одна из самых популярных методик искажения - это изменения при визуализации результатов анализа. На скрине выше - два графика текучести персонала. Они оба построены на одном датасете. Но на первом мы видим двукратный рост текучести, а снизу — почти прямую линию, которая едва ли может кого-то обеспокоить.
Достигнуто это тремя приёмами:
Убирается сетка - так визуально любые изменения становятся более сглаженными.
Убирается размерность на шкалах - становится вообще непонятно, есть ли у показателя какая-то динамика.
И самое интересное - "играем" с осями. Там, где в первом графике максимум по Y — 50 %, во втором он уже 100 %.
Цифры не меняются, а вот их восприятие еще как.
На днях прочитал книгу «Как лгать при помощи статистики». Материал довольно старый (очень), но механизмы, которые лежат в её основе, еще встречаются.
Это навело меня на идею серии постов про
Первая и одна из самых популярных методик искажения - это изменения при визуализации результатов анализа. На скрине выше - два графика текучести персонала. Они оба построены на одном датасете. Но на первом мы видим двукратный рост текучести, а снизу — почти прямую линию, которая едва ли может кого-то обеспокоить.
Достигнуто это тремя приёмами:
Убирается сетка - так визуально любые изменения становятся более сглаженными.
Убирается размерность на шкалах - становится вообще непонятно, есть ли у показателя какая-то динамика.
И самое интересное - "играем" с осями. Там, где в первом графике максимум по Y — 50 %, во втором он уже 100 %.
Цифры не меняются, а вот их восприятие еще как.
👍9