#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
#статистика #искажения
Ещё одна довольно часто встречающаяся манипуляция при работе с данными - использование средних значений и подмена понятий мер.
Предположим, вам нужно подсчитать, сколько в среднем получают сотрудники в компании. Вы собираете данные об их окладах и премиях, суммируете доходы и применяете медиану. Получившееся значение - 95 400.
Но эту же задачу можно решить иначе: посчитать среднее арифм. С точки зрения статистики - всё корректно, это допустимая мера оценки. Полученное значение - 106 200.
Наконец, третий вариант изменить состав выборки. Например, исключить внешних совместителей (или стажеров, или сотрудников в отпуске по уходу за ребенком и пр. вариантов масса). Это уже вопрос методологии: считать ли их "сотрудниками" в моменте. Допустим, мы исключаем их.. Теперь наше значение 130 267.
Во всех случаях расчёт был корректным. Только вот разница составила 34 867 руб.
Довольно часто мы видим "средние" величины, но далеко не всегда понятно что за ними стоит.
Ещё одна довольно часто встречающаяся манипуляция при работе с данными - использование средних значений и подмена понятий мер.
Предположим, вам нужно подсчитать, сколько в среднем получают сотрудники в компании. Вы собираете данные об их окладах и премиях, суммируете доходы и применяете медиану. Получившееся значение - 95 400.
Но эту же задачу можно решить иначе: посчитать среднее арифм. С точки зрения статистики - всё корректно, это допустимая мера оценки. Полученное значение - 106 200.
Наконец, третий вариант изменить состав выборки. Например, исключить внешних совместителей (или стажеров, или сотрудников в отпуске по уходу за ребенком и пр. вариантов масса). Это уже вопрос методологии: считать ли их "сотрудниками" в моменте. Допустим, мы исключаем их.. Теперь наше значение 130 267.
Во всех случаях расчёт был корректным. Только вот разница составила 34 867 руб.
Довольно часто мы видим "средние" величины, но далеко не всегда понятно что за ними стоит.
❤5
#инструменты #боты #botmother
Третья часть про тг-боты и botmother: общие рекомендации и первые шаги в работе. Первая Вторая
🔹Первое, что нам нужно сделать - добавить токен от BotFather. Для этого, после регистрации, переходим в раздел «Настройки», и там слева добавляем в соответствующее поле токен канала (на скрине).
🔹Далее, прежде чем выстраивать структуру бота, создайте её на бумаге или, например, в ппт. Блок-схема позволит посмотреть на весь бот и заранее увидеть узкие места. Это лучший способ грамотно распланировать работу вашего бота.
🔹На первых этапах держите структуру максимально простой. Сначала добейтесь стабильной логики, и только затем добавляйте более сложные инструменты и опции.
🔹Начните с 2–3 простых кнопок - не перегружайте интерфейс. Пусть каждая кнопка ведёт к отдельному блоку. Блоки - к следующим, и так далее. Пусть конечные блоки ведут к основному меню, так пользователь "не потеряется".
Не забывайте, что у самой площадки есть уроки на русском.
Третья часть про тг-боты и botmother: общие рекомендации и первые шаги в работе. Первая Вторая
🔹Первое, что нам нужно сделать - добавить токен от BotFather. Для этого, после регистрации, переходим в раздел «Настройки», и там слева добавляем в соответствующее поле токен канала (на скрине).
🔹Далее, прежде чем выстраивать структуру бота, создайте её на бумаге или, например, в ппт. Блок-схема позволит посмотреть на весь бот и заранее увидеть узкие места. Это лучший способ грамотно распланировать работу вашего бота.
🔹На первых этапах держите структуру максимально простой. Сначала добейтесь стабильной логики, и только затем добавляйте более сложные инструменты и опции.
🔹Начните с 2–3 простых кнопок - не перегружайте интерфейс. Пусть каждая кнопка ведёт к отдельному блоку. Блоки - к следующим, и так далее. Пусть конечные блоки ведут к основному меню, так пользователь "не потеряется".
Не забывайте, что у самой площадки есть уроки на русском.
❤2
#HRаналитика #HR_аналитика #HR_analysis #HRtech #people_analytics
Авторский канал, посвящённый HR-аналитике, статистике в HR, исследованиям, HR Tech-решениям и AI.
Вся информация - бесплатна и доступна для свободного распространения.
Посты снабжены тегами по темам и разделам для удобной навигации.
Справочник тэгов:
⚡️ #основы — основы HR-аналитики;
⚡️ #визуализация — средства и формы визуализации данных;
⚡️ #статистика — базовая статистика и теорвер для анализа;
⚡️#методы — методы анализа HR-данных;
⚡️ #инструменты — технологические решения в области HR-аналитики и HR-tech;
⚡️ #метрики — HR-метрики и показатели;
⚡️#прогнозирование — методы прогнозирования и моделирования;
⚡️ #исследования — база для проведения качественных и количественных исследований;
⚡️ #AI — нейросети в HR и HR-анализе;
⚡️ #Excel #VBA— материалы по Excel и по языку программирования в Excel;
⚡️ #прочее — общий тег для всего прочего;
⚡️#личное — личные наблюдения и заметки автора.
t.me/analytics_hr
Авторский канал, посвящённый HR-аналитике, статистике в HR, исследованиям, HR Tech-решениям и AI.
Вся информация - бесплатна и доступна для свободного распространения.
Посты снабжены тегами по темам и разделам для удобной навигации.
Справочник тэгов:
⚡️ #основы — основы HR-аналитики;
⚡️ #визуализация — средства и формы визуализации данных;
⚡️ #статистика — базовая статистика и теорвер для анализа;
⚡️#методы — методы анализа HR-данных;
⚡️ #инструменты — технологические решения в области HR-аналитики и HR-tech;
⚡️ #метрики — HR-метрики и показатели;
⚡️#прогнозирование — методы прогнозирования и моделирования;
⚡️ #исследования — база для проведения качественных и количественных исследований;
⚡️ #AI — нейросети в HR и HR-анализе;
⚡️ #Excel #VBA— материалы по Excel и по языку программирования в Excel;
⚡️ #прочее — общий тег для всего прочего;
⚡️#личное — личные наблюдения и заметки автора.
t.me/analytics_hr
❤9