#метод #корреляция

⚡️Точечно-бисериальный коэффициент корреляции (rpb) - это мера связи между одной бинарной переменной (0 / 1, да / нет), и одной количественной переменной (зарплата, возраст, KPI, стаж и т.д.).

🔹Пример:
Мы хотим выявить связь между объемом продаж у сотрудника (количественная переменная) и фактом прохождения обучения по продажам (это бинарная шкала).
Выписываем всех сотрудников с результатами их продаж и делим их на две группе, те, которые прошли обучение и не прошли.
Преобразуем это в матрицу (как на скрине) и применяем формулу точечно-бисериального коэффициента.

🔹Интерпретация аналогична всем прочим видам корреляции

Пример кода на Python для реализации

from scipy.stats import pointbiserialr

# binary — обучение (1-прошел обучение, 0 - нет)
# numeric — результаты продаж
# соотв: первый сотр. прошёл обучение, сделал 120 продаж и тд

binary  = [1, 0, 1, 1, 0, 0, 1]
numeric = [120, 95, 130, 110, 90, 100, 125]

r, p = pointbiserialr(binary, numeric)

print(f"r_pb = {r:.3f}")

#методы #вовлеченность

⚡️ Gallup Q12 - простой способ измерения вовлеченности от компании Gallup.

🔹Методология метода:

1. Сотрудники отвечают на 12 вопросов (скрин) по 5-бальной шкале.

2. HR рассчитывает средний балл по всем оценкам и отдельно по блокам вопросов.

3. На основе получившихся значений считают:
3.1. Индекс вовлечения (Engagement Index):
> 4 - сотрудник активно вовлечён,
3-4 - нейтрален
< 3 - сотрудник не вовлечён.

3.2. Top-Box Scoring: рассчитывается кол-во оценок 4-5, а затем значения по блокам сравниваются между собой. Так выявляются проблемные области по сп.

#основы #ранжирование

Простенький, но очень важный метод в арсенале любого аналитика (не только HR) - ранжирование данных.

⚡️ Ранжирование - это процедура присвоения объектам порядковых номеров (рангов) на основе их значений.
Если у нас уже есть порядковая шкала (например, оценка: 1–5), мы можем перевести её в ранговую, отсортировав сотрудников и назначив места.
Например, чтобы определить победителей или для выполнения последующего корреляционного анализа (об этом дальше).

🔹В Excel можно выполнить через функцию:
=Ранг(объект, которому будет присвоен ранг; весь массив данных; порядок ранжирования (0 или 1).
не забудьте, используя эту функцию, закрепить ссылку на весь массив (как на скрине), когда будете ее протягивать для всех данных. Сделать это можно выделил ссылку и нажав F4

🔹В Python

import pandas as pd

df = pd.DataFrame({
    'name': ['A','B','C','D','E'],
    'score': [100, 124, 98, 81, 120]
})

df['rank'] = df['score'].rank()

#метод #корреляция #Пирсон

⚡️Корреляция Пирсона - инструмент для оценки линейной связи между двумя количественными показателями, выраженными количественными непрерывными шкалами (кг, штуки, рубли, метры и пр.)

🔹Когда применяем?
- данные количественные (зарплата, выручка, производительность, текучесть и т.д.)
- распределение близко к нормальному (или выборка достаточно большая)
- связь предполагается линейной

🔹Алгоритм:
Рассчитывается среднее значение по каждой переменной.
Для каждого наблюдения определяется отклонение от среднего.
Перемножаются отклонения двух переменных.
Сумма произведений нормируется на произведение стандартных отклонений.

🔹В Excel можно использовать функцию
=коррел(массив 1; массив 2)

🔹Интерпретация аналогична всем прочим видам корреляции
🔹Наличие кор.связи необязательно предполагает зависимость

#визуализация

Написал небольшую статью про манипуляции в аналитике через визуализацию данных.

О том, как «правильно» выбранный способ визуализации может кардинально изменить восприятие информации и превратить провальные результаты во вполне достойную работу.

Материал во многом основан на моем опыте по обе стороны «баррикад». Текст написан прежде всего для того, чтобы подчеркнуть важность критического мышления — особенно когда речь идет о данных и их интерпретации. И, конечно, это не инструкция к действию. Скорее — вредные советы.

Надеюсь, со временем дойдут руки до второй части, где разберу трюки с процентами, весами, псевдокорреляциями, манипуляциями с выборками, различными типами агрегаций и другими подобными вещами.

#метод #корреляция #Спирмен

⚡️ Ранговая корреляция Спирмена — инструмент для оценки связи между показателями, когда данные не нормальны или выражены в рангах (грейды, оценки, разряды, уровни, места и пр).
Например, вам интересно понять есть ли связь между производительностью и разрядом сотрудника.

🔹Алгоритм:
1. Присваивание рангов (пост про ранжирование).
2. Вычисление разностей рангов: Для каждой пары значений вычисляется разность рангов (di).
3. Рассчитывается квадрат разностей рангов (именно поэтому не важно будете ли вы ранжировать данные по возрастанию или убыванию, главное - делайте ранжирование одинаковым для обоих переменных)
3. вычисления коэффициента Спирмена.

🔹В Excel можно использовать функцию
=коррел(массив 1; массив 2)
но убедитесь, что вы сделали ранжирование.

🔹Интерпретация аналогична всем прочим видам корреляции

#визуализация #Excel #условное_форматирование

⚡️ Условное форматирование - это инструмент, который позволяет выделять данные в Excel таблицах на основе пользовательских правил. Инструмент удобен, когда надо "подсветить" какой-то тип данных или какое-то условие в массиве ячеек (>,<,=, повторы, уникальные значения и пр.).

🔹 Где находится:
Раздел находится на вкладке "Главная" >> "Условное форматирование".

🔹Что может:
1. Выделять конкретные значения
2. Показать данные больше/меньше заданного числа.
3. Находить значения в рамках заданного диапозона
4. Находить дубли и уникальные значения и пр.

🔹Как использовать:
Выделяете массив данных для анализа, переходите в раздел условное форматирование и создаете правило, которое тут будет применено ко всему массиву.

Подходит для отчетов, дашбордов и оперативной аналитики.
Помогает быстро находить проблемы или тренды.
Удаляются и редактируются правила в том же разделе.

#основы #Excel #анализ_данных

⚡️ Пакет анализа данных — мощный и функциональный инструмент, встроенный в Excel, о котором, к сожалению, знает не так много людей.
С его помощью можно выполнять более продвинутые методы анализа, такие как построение регрессионных уравнений, анализ вариации или построение гистограмм.
Пакет, в базовой версии Excel отключен и для его использования требует установки аддона (это бесплатно и доступно для всех версий Excel).

🔹Как подключить:
Переходим во вкладку «Файл» → «Параметры» (слева внизу) → в открывшемся окне выбираем раздел «Надстройки» → справа внизу в поле «Управление» выбираем «Надстройки Excel» и нажимаем «Перейти».
В новом окне ставим галочку рядом с «Пакет анализа» и нажимаем ОК.
После этого раздел «Анализ данных» появится во вкладке «Данные».

#методы #регрессия

Переходим к прикладным методам анализа данных - линейным уравнениям и регрессиям.

⚡️Линейное уравнение - это самый простой способ попробовать определить зависимость одного фактора от другого и ответить на вопрос: «насколько именно один фактор влияет на другой?». Если корреляции говорят о связи, то здесь речь уже идёт о зависимости (взаимосвязи).

🔹Линейное уравнение имеет вид:
y = ax+b, где:
y — зависимая величина
a — коэффициент при независимой переменной x
x — значение показателя
b — свободный член

Самый простой способ понять как это работает на практике - посмотреть на значения стажа и оклада или стажа и производительности сотрудника. Собираем такие пары и строим по ним график (в Excel: Диаграммы - Точечная/график). График, который вы увидите на выходе и будет описывать такую связь.
Прямая (как на графике) будет описываться линейный уравнением. Это самый просто вид зависимости, но на практике, конечно, он встречается не так часто.

Как с ней работать поговорим чуть дальше.

#метрики #укомплектованность

⚡️Укомплектованность - одна из базовых метрик показывающая, насколько заполнено штатное расписание компании. Однако, на нее можно взглянуть и под другим углом. Ниже несколько вариантов расчета метрики с разным акцентом.

🔹Классический вариант показывает, какая доля утверждённых ставок занята сотрудниками на конкретную дату. Используется для общего мониторинга кадровой ситуации и быстрой оценки дефицита персонала.
Ограничение метода — не учитывает частичную занятость и длительные отсутствия.

🔹Через расчет FTE
Более точный метод расчёта, учитывающий долю занятости сотрудников. Позволяет корректно учитывать частичную занятость, совместителей, парт-таймеров и пр. Лучше использовать для операционного управления и бюджетирования.

🔹Операционный или активный укомплект. Метод показывает фактическую рабочую мощность подразделения на дату. Подходит для: планирования смен и графиков, оценки производственной нагрузки, расчёта KPI.

Все расчеты производятся на дату

#методы #регрессия

Говоря о регрессии, нельзя не упомянуть мультиколлинеарность. Это ситуация, при которой несколько признаков в модели сильно коррелируют между собой. То есть модель получает дублирующую информацию от разных переменных.

В классических линейных моделях в такой ситуации коэффициенты становятся нестабильными, что приводит к искажению результатов и усложняет интерпретацию модели.

🔹Что с этим делать:
После анализа корреляции между признаками следующим шагом является снижение мультиколлинеарности в модели.
Существует несколько подходов:
1. Удаление признаков
Оставляем один фактор из группы сильно коррелирующих, отказываясь от остальных. Доступно в любом формате работы.
2. Регуляризация
Использование методов регуляризации, таких как Lasso и Ridge-регрессия.
Они позволяют снизить влияние избыточных признаков за счёт «штрафа» на коэффициенты. Только python или R

Модель без мультикол. становится лучше и устойчивее и без ущерба точности (пример на скрине).

#методы #регрессия

Продолжим тему линейных уравнений и поговорим о том, как построить уравнение, описывающее одну переменную через другую в Excel.

На входе у нас есть набор данных, описывающий сотрудников компании через две переменные: стаж и оклад.
Мы сделали предположение, что оклад связан со стажем, проверили это с помощью корреляции и теперь хотим количественно её оценить.

🔹Как построить:
Переходим на вкладку Данные → Анализ данных → Регрессия.
В окне выбираем следующие параметры:

Входной интервал Y — переменная, которую мы хотим описать. Оклады.
Входной интервал X — переменная, через которую мы будем описывать Y. Стаж.
Ставим галочку в разделе «Метки», если в наших данных есть заголовки.
Выходной интервал — ячейка, в которую будет выведен результат анализа.

Из всего многообразия показателей нас интересуют:
Y-пересечение — это базовый коэффициент уравнения;
Коэффициент при переменной стаж — он также войдёт в уравнение.
подставляем их в уравнение и получаем формулу расчета зависимости.

#основы #исследования

⚡️Шкала Лайкерта (Likert scale) – это шкала используемая в количественных исследованиях для измерения степени согласия или несогласия респондентов с различными утверждениями. Является «базой» для любого исследователя и используемся повсеместно при составлении большинства опросников.
Классическая версия 5-балльная, однако, возможно использовать и 7-балльный вариант, если нужен больший разброс значений (на скрине).
В HR-аналитика шкала используется в большинстве методологий определения вовлеченности персонала, лояльности, при проведении исследований EVP, SCAR, для исследования мотивации и пр.

🔹 Важные нюансы:
1. Шкала является симметричной относительно своего «центра».
2. В опросах в идеале стоит использовать одинаковые ответы. То есть все вопросы формулировать так, чтобы они закрывались одним набором.
3. Все варианты в шкалах, в рамках одного опроса, должны иметь одну логику в ответах. Если вы начинаете ответы от несогласен к согласен, то такой порядок ответов должен сохранятся и далее.

#AI #Codex

Большинство из нас использует нейронки (будь то chatGPT, deepseek или какие-то другие) в формате веб-версий. Посмотрим на альтернативный способ - через десктопное приложение, которое устанавливается на ваш компьютер.

⚡️ Codex — это инструмент (AI-агент) внутри экосистемы ChatGPT/OpenAI для разработки ПО и агентов. Доступен для скачивания всем пользователям (по крайней мере сейчас) вне зависимости от тарифа или через интерфейс веб-приложения или на оф.сайте.

🔹 Как это выглядит: Вы создаете промт, сохраняете его как навык (то есть готовый скрипт для воспроизведения), а затем автоматизируете работу это скрипта, то есть создаете правила, по которым этот скрипт будет работать уже без вашего участия.

⚠️ Важно: для работы Codex необходимо предоставить доступ к папке, над которым он работает. В этом случае нейросеть получает доступ к файлам и папкам, входящим в рабочую область проекта. Поэтому не рекомендуется размещать в рабочей директории конфиденциальные данные.

#AI #Cursor

Если Codex-а было мало, то вот еще одно десктопное решение с разными моделями AI.

⚡️ Cursor - редактор кода с встроенным AI, который выглядит как привычный веб-интерфейс нейронки, но вашем компьютере. Есть бесплатный тариф и платные версии с расширенными возможностями.

🔹 Как работать: скачиваете дистрибутив с оф.сайта, устанавливаете программу у себя и запускаете. Нужно будет создать папку проекта (по аналогии с Codex), к которой у нейронки будет доступ и с которой она будет работать. В чате пишите запросы, в соседнем окне получаете код и готовые решения.

🔹 Особенности: Не нужно копировать код в чат. Cursor индексирует проект и понимает связи между файлами, если код находится в папке, к которой у него есть доступ. Можно создавать AI агентов, которые будут выполнять задачи автономно по заранее настроенным правилам.

#метрики #IMR

⚡️ Интернальная мобильность (Internal Promotion and Transfer, IMR) — это показатель, который отражает, насколько активно сотрудники перемещаются внутри компании (переходят на новые должности, меняют отделы, получают повышения и пр.).

Рассчитывается как частное между кол-во внутренних переводов за период и (количеством сотрудников на начало и конец отчетного периода)/2.

🔹 Пример расчета:
Допустим, за год 50 сотрудников сменили должности внутри компании.
В начале года было 500 сотрудников, в конце — 550.
IMR = 50/((500+550)/2) = 0,095 или 9,5%

🔹 Как интерпретировать?
✔️ <5% — низкая мобильность. Возможно в компании существуют ограничения на развитие и горизонтальные и вертикальные перемещения.
✔️ 5-15% — здоровая мобильность, сотрудники имеют возможности для развития.
✔️ >15% — высокая мобильность.

#методы #Джини

потихоньку выхожу из летнего застоя.

⚡️ Индекс Джини в HR - показатель, который позволяет оценить, насколько равномерно какое-то значение распределено среди всей совокупности. Например, как производительность распределена между сотрудниками или продажи между менеджерами. Очень классно работает на производствах, где много небольших коллективов с разным уровнем производительности

🔹 Алгоритм расчета:
0: собираем данные и ранжируем по возрастанию;
1: считаем долю каждого сотр. в общем объеме;
2: считаем накопленную долю производительности - последовательно складываем доли сотрудников;
3: считаем долю сотрудников в общем количестве;
4: строим кривую Лоренца через точечную диаграмму: X - накопленная доля сотрудников; Y - накопленная доля производительности;
5: рассчитываем индекс Джини по формуле на скрине.

🔹 Интерпретация:
Чем ближе индекс к 0, тем равномернее распределена производительность между сотрудниками, чем ближе к 1, тем сильнее результат концентрируется у небольшой группы сотрудников.

#методы #нормализация #z_score

⚡️ Нормализация — это приведение показателей к одной базе, чтобы можно было корректно сравнивать подразделения, периоды и пр. разного размера. Метод используется в ситуациях, когда вы сравниваете большое количество разных по размерам групп и пытаетесь определить какие из них лучше/хуже или для того, чтобы проранжировать их.

Например, вы сравниваете текучесть по подразделениям. Сравнивать в лоб не всегда верно, в таких случаях используют нормализую.
Инструментов нормализации много, мы рассмотрим два:

🔹1. Нормализация на фиксированную базу. Мы берем общую для всех подразделений базу (например 10 или 100 сотрудников) и перемножаем все показатели тек. на эту базу. Теперь подразделения разного размера находятся в одной шкале.

🔹 2. Z-нормализация чуть более сложная. Рассчитывается по формуле Z = (X − среднее) / стандартное отклонение.
Если Z-score тек. подразделения +1,6, это означает, что тек. в этом подразделении находится на 1,6 ст. отклон. выше среднего уровня по компании

На ЛитРес вышла статья с моими комментариями о том, как бизнесу сохранить устойчивость в 2026 году.
Постарался обойтись без лишнего алармизма, но при этом показать реальное положение дел, которое сегодня наблюдается во многих компаниях сегмента малого и среднего предпринимательства.

Я поделился своими комментариями и рекомендациями о том, что можно сделать со стороны HR-функции, для сохранения этого самого бизнеса и какой-то устойчивости компании.
Понимаю, что некоторые из рекомендаций могут показаться довольно пессимистичными и не очень гуманными, но я старался давать реальные советы, которые, возможно, кому-то смогут помочь в это не самое простое время.

Надеюсь, материал будет полезен руководителям, собственникам бизнеса и HR-специалистам.
Ознакомиться со статьёй можно по ссылке: статья на ЛитРес

#основы #индекс

Мы привыкли использовать проценты, если хотим сравнить между собой какие-то показатели. Но в некоторых случаях лучше использовать не процент, а индекс.

🔹Простой индекс выражает изменение во времени одного показателя. Например, индекс изменения зп или индекс производственной эффективности.

🔹Составной индекс объединяет информацию о нескольких разных показателях. Например, у нас есть несколько команд (сотрудников) или товаров, с помощью составного индекса мы можем посчитать их общую производительность в динамике.

🔹Составной взвешенный индекс позволяет выполнить ту же работу, но уже с учетом значимости (веса) каждого показателя. Например товар 1 более значим чем товар 2, т.к. доля выручки у него больше, поэтому и его вес будет больше. Сделать сравнение через % уже будет невозможно, только через индекс.

🔹 Когда индекс уместен:
1. сравнивать показатели разного масштаба;
2. объединять несколько показателей;
3. учитывать их вес;
4. строить агрегированные показатели.

#метрики #текучесть #turnover #fifo_turnover

⚡️ FIFO текучесть (FIFO turnover rate) — это довольно необычный, но интересный в своей логике способ расчета текучести персонала. Он фокусируется на уходе сотрудников из первоначального состава команды. В отличие от стандартного подхода, FIFO исключает из расчета новых сотрудников, что позволяет посмотреть на структуру текучести.
При этом FIFO текучесть не стоит интерпретировать как правильную текучесть, которая заменяет стандартную. Этот показатель отвечает на вопрос:
«Какую долю первоначального состава мы потеряли?»

🔹 Особенности применения:
1. Уместно применять в тех случаях, когда текучесть в компании высокая и нужно понять ее структуру
2. Важно для компаний в области R&D, IT, консалтинга и тех компаний, где высокая стоимость экспертизы и "стоимости" отдельного сотрудника
3. Хорошо считать в паре с классической текучестью или с анализом текучести по когортам