اکنون در دسترس! پژوهش تلگرام ۲۰۲۵ — مهمترین بینشهای سال 
People Analytics
رفتن به کانال در Telegram
People analytics is a data-driven approach to managing people at work || Канал про HR-аналитику: оценка персонала, психометрика, использование R для анализа и визуализации HR-данных. Связь с автором канала: Юрий (@psych2016) Рекламу НЕ размещаю.
نمایش بیشتر2 009
مشترکین
اطلاعاتی وجود ندارد24 ساعت
-27 روز
-830 روز
در حال بارگیری داده...
کانالهای مشابه
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
ژوئن '26
ژوئن '26
+9
در 0 کانالها
مه '26
+13
در 0 کانالها
Get PRO
آوریل '26
+20
در 0 کانالها
Get PRO
مارس '26
+22
در 0 کانالها
Get PRO
فوریه '26
+29
در 0 کانالها
Get PRO
ژانویه '26
+24
در 2 کانالها
Get PRO
دسامبر '25
+44
در 0 کانالها
Get PRO
نوامبر '25
+29
در 0 کانالها
Get PRO
اکتبر '25
+29
در 1 کانالها
Get PRO
سپتامبر '25
+26
در 0 کانالها
Get PRO
اوت '25
+16
در 0 کانالها
Get PRO
ژوئیه '25
+46
در 2 کانالها
Get PRO
ژوئن '25
+49
در 0 کانالها
Get PRO
مه '25
+67
در 3 کانالها
Get PRO
آوریل '25
+40
در 1 کانالها
Get PRO
مارس '25
+50
در 1 کانالها
Get PRO
فوریه '25
+81
در 3 کانالها
Get PRO
ژانویه '25
+69
در 3 کانالها
Get PRO
دسامبر '24
+48
در 0 کانالها
Get PRO
نوامبر '24
+69
در 2 کانالها
Get PRO
اکتبر '24
+79
در 3 کانالها
Get PRO
سپتامبر '24
+40
در 0 کانالها
Get PRO
اوت '24
+51
در 1 کانالها
Get PRO
ژوئیه '24
+67
در 3 کانالها
Get PRO
ژوئن '24
+40
در 1 کانالها
Get PRO
مه '24
+33
در 1 کانالها
Get PRO
آوریل '24
+43
در 1 کانالها
Get PRO
مارس '24
+54
در 2 کانالها
Get PRO
فوریه '24
+34
در 2 کانالها
Get PRO
ژانویه '24
+38
در 0 کانالها
Get PRO
دسامبر '23
+53
در 0 کانالها
Get PRO
نوامبر '23
+79
در 0 کانالها
Get PRO
اکتبر '23
+67
در 4 کانالها
Get PRO
سپتامبر '23
+71
در 0 کانالها
Get PRO
اوت '23
+76
در 0 کانالها
Get PRO
ژوئیه '23
+76
در 0 کانالها
Get PRO
ژوئن '23
+284
در 0 کانالها
Get PRO
مه '23
+111
در 0 کانالها
Get PRO
آوریل '23
+30
در 0 کانالها
Get PRO
مارس '23
+61
در 0 کانالها
Get PRO
فوریه '23
+39
در 0 کانالها
Get PRO
ژانویه '23
+30
در 0 کانالها
Get PRO
دسامبر '22
+34
در 0 کانالها
Get PRO
نوامبر '22
+36
در 0 کانالها
Get PRO
اکتبر '22
+41
در 0 کانالها
Get PRO
سپتامبر '22
+88
در 0 کانالها
Get PRO
اوت '22
+118
در 0 کانالها
Get PRO
ژوئیه '22
+103
در 0 کانالها
Get PRO
ژوئن '22
+76
در 0 کانالها
Get PRO
مه '22
+29
در 0 کانالها
Get PRO
آوریل '22
+103
در 0 کانالها
Get PRO
مارس '22
+20
در 0 کانالها
Get PRO
فوریه '22
+44
در 0 کانالها
Get PRO
ژانویه '22
+64
در 0 کانالها
Get PRO
دسامبر '21
+165
در 0 کانالها
Get PRO
نوامبر '21
+53
در 0 کانالها
Get PRO
اکتبر '21
+22
در 0 کانالها
Get PRO
سپتامبر '21
+40
در 0 کانالها
Get PRO
اوت '210
در 0 کانالها
Get PRO
ژوئیه '210
در 0 کانالها
Get PRO
ژوئن '210
در 0 کانالها
Get PRO
مه '21
+165
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 14 ژوئن | 0 | |||
| 13 ژوئن | 0 | |||
| 12 ژوئن | +1 | |||
| 11 ژوئن | 0 | |||
| 10 ژوئن | 0 | |||
| 09 ژوئن | +1 | |||
| 08 ژوئن | 0 | |||
| 07 ژوئن | +1 | |||
| 06 ژوئن | 0 | |||
| 05 ژوئن | 0 | |||
| 04 ژوئن | +1 | |||
| 03 ژوئن | +1 | |||
| 02 ژوئن | +3 | |||
| 01 ژوئن | +1 |
پستهای کانال
🤖 Вкалывают роботы
Компания Figure AI запустила прямую трансляцию, в которой демонстрируется работа гуманоидных роботов в реальном времени. Это по-настоящему завораживающее зрелище! Роботы самостоятельно сортируют посылки на конвейере: берут коробки, переворачивают их и направляют дальше по линии. И всё полностью без участия человека. 😮
#FigureAI #БудущееУжеЗдесь #ИскусственныйИнтеллект #AI#FutureIsNow #РоботыНаРаботе
| 2 | 🔍 Сколько лет люди остаются на одной работе по разным профессиям?
Интересная визуализация от Нейтана Яу на основе данных Current Population Survey (2018–2024) в США. Респондентов спрашивали: «Сколько лет вы работаете на текущей работе?». Самая высокая медианная продолжительность: у руководителей пожарных и полицейских подразделений. Самая низкая: у водителей такси и операторов транспортных средств.
На первом графике показан медианный стаж с разбросом между 25-м и 75-м процентилями (или межквартильный размах IQR) для каждой профессии. Например, у веб-разработчиков медиана 4 года 11 месяцев, но 25-й перцентиль = 3 года 4 мес., а 75-й = 7 лет 7 мес., у почтовых служащих самый широкий разброс: кто-то работает десятилетиями, а кто-то уходит быстро.
На втором графике сравнивается медиана против IQR, что позволяет выделяет четыре квадранта (общих типа профессий): 1) высокая текучесть, 3) высокая текучесть, но с долей долго работающих, 3) смешанные от коротких до длительных сроков работы, 4) длительная занятость с небольшим разбросом.
Визуализация сделана как force-directed scatterplot: точки слегка «отталкиваются», как если бы между ними действовали физические силы. Такой приём часто используется для решения проблемы оверплоттинга (наложения точек друг на друга).
#R #D3_js #примеры_визуализаций #референсы | 283 |
| 3 |  +2بدون متن... | 269 |
| 4 | 🙋♂️ О тестах предварительного отсева кандидатов
В профессиональной диагностике важно разделять инструменты, которые помогают найти «лучших», и те, что призваны отсеять «непригодных». Тесты предварительного отсева не обязаны иметь высокую корреляцию с эффективностью работы специалиста. Их главная задача — отсеять тех, кто точно не готов к профессиональной деятельности из-за отсутствия базовых профессиональных знаний. На примере теста КВАЛИМИН-26/50 в статье «О валидности и эффективности тестов предварительного отсева кандидатов» А. Г. Шмелев рассматривает случай асимметричного вывода — об отсутствии пригодности в случае низкого балла по тесту отсева. Тогда как высокий балл по тесту КВАЛИМИН всё равно потребует проведения дополнительных, более специализированных и более дорогостоящих оценочных процедур (работа под супервизией, собеседование с комиссией, решение кейсов в письменном и устном виде и т. п.).
Теоретический экзамен — необходимый инструмент (без него нельзя допускать к практике), но недостаточный (высокий балл сам по себе не гарантирует мастерства). Логика проста: высокий балл по теории не делает вас автоматически хорошим психологом, но низкий балл определённо делает вас профессионально непригодным на данный момент.
По аналогии с тестом на знание требований техники безопасности: низкий балл по тесту позволяет с большей вероятностью прогнозировать повышенный риск опасного поведения, обусловленного незнанием. Поэтому работник с низкими баллами по тесту не должен получить допуск к определённым видам работ. Вместе с тем высокий балл не является гарантией соблюдения сотрудником требований техники безопасности. Обычно повышенный риск травматизма и аварийности (то есть склонность к нарушению требований ТБ) характерен как для новичков, так и для работников с большим стажем работы или с определёнными личностными особенностями, однако это тема для другого поста.
#психометрика #тесты #валидность #практическая_тестология | 473 |
| 5 |  بدون متن... | 372 |
| 6 | Во второй главе читатель осваивает основы работы с данными на языке R: типы и структуры данных, базовые операции, обработку таблиц, работу с датами и строками, а также концепцию «опрятных» (tidy) данных. Дополнительно рассматриваются загрузка данных из внешних источников, веб-скрейпинг и сохранение результатов анализа.
Третья глава вводит в системы управления базами данных и принципы реляционной модели. Рассматриваются возможности PostgreSQL и язык SQL – от базовых операций до более продвинутых техник, включая оконные функции и оптимизацию запросов.
Четвёртая глава посвящена визуализации данных. Читатель знакомится с принципами грамматики графики и популярным пакетом для визуализации данных ggplot2, осваивает как базовые типы графиков, так и более сложные визуализации (тепловые карты, диаграммы Санкей, корреляционные матрицы). Дополнительно описаны R-пакеты в рамках grammar of graphics.
Пятая и шестая главы формируют прочную статистическую базу. Сначала вводятся ключевые понятия – выборки, гипотезы, доверительные интервалы и p-значения, рассматриваются конкретные методы анализа: от χ²-тестов и критерия Фишера до анализа времени до события и оценки диагностических тестов, включая вопросы выбора методов и поправки на множественные сравнения. Завершается глава вопросами планирования исследований (расчет размера выборки, рандомизация) и разведочного анализа данных.
Седьмая глава посвящена машинному обучению и большим данным. Рассматривается математика для машинного обучения. В ней даётся практическое введение в ключевые алгоритмы – регрессии, деревья решений, случайный лес, бустинг и нейронные сети, а также рассматриваются подходы к построению ML-пайплайнов и методы обучения без учителя.
Восьмая глава выходит за рамки анализа как такового и показывает, как организовать полноценный исследовательский процесс: от контроля версий (Git) до создания динамических отчётов и дашбордов (Quarto) и интерактивных приложений (Shiny), организации сбора данных. Содержание данной главы оформлено в виде скачиваемых файлов в формате PDF на сайте книги.
Девятая глава завершает книгу обзором биомедицинских датасетов. Материал служит базой для самостоятельной работы и воспроизведения примеров из книги. Наборы данных доступны для скачивания в интернет-репозитории.
📕 В итоге книга представляет собой целостное и практико-ориентированное руководство, которое не просто знакомит с инструментами анализа данных, а формирует системное мышление исследователя. Она особенно полезна тем, кто хочет перейти от фрагментарного использования методов к выстроенному, воспроизводимому и доказательному анализу данных – как в медицине, так и за её пределами.
Приобрести книжку можно, например, тут.
🔗 Ссылка на репозиторий: github.com/ds-book/code
📦 Датасеты: https://ds-book.ru/docs/datasets/
#R #ggplot2 #RStats #datascience #аналитика_данных #книги #машинное_обучение #ИИ | 329 |
| 7 | 📕 Обзор книги «Наука о данных и искусственный интеллект в медицине»
В современную эпоху биомедицинские исследования сталкиваются с беспрецедентным ростом объемов информации. Объём доступных данных стремительно увеличился: их стало проще собирать, хранить и обрабатывать. Однако сами по себе данные не дают знания – ключевым становится умение их анализировать. Наука о данных (Data Science) превращается в фундамент доказательной медицины, позволяя не просто описывать явления, но и строить прогностические модели, выявлять скрытые закономерности и обеспечивать высокую точность выводов. Умение работать с данными сегодня является критически важным навыком для исследователей, стремящихся к объективности и воспроизводимости своих результатов. При этом на первый план выходит не только техника, но и культура работы с данными: умение формулировать задачи, интерпретировать результаты и выстраивать прозрачный аналитический процесс. Речь идет о формировании особого мышления и грамотности работы с данными, без которых невозможно эффективно использовать их потенциал.
Практическое руководство «Наука о данных и искусственный интеллект в медицине» от коллектива авторов даёт читателям комплексное и прикладное представление о возможностях Data Science в медицине, охватывая все важные информационно-технологические и исследовательские аспекты – от принципов планирования и дизайна биомедицинских исследований до анализа и визуализации данных, включая машинное обучение и работу с реальными биомедицинскими датасетами. Материал изложен доступно, но без упрощения содержания, что позволяет исследователю уверенно применять описанные подходы в своей предметной области.
Авторы делают акцент на практической значимости излагаемого материала, когда каждая глава содержит не только теоретические основы, но и многочисленные примеры (практические пошаговые действия и объяснение кода на R), рекомендации по использованию тех или иных методов анализа данных (алгоритмы их выбора).
Методология книги настолько универсальна, что её можно использовать как «учебник по доказательному подходу» в любой сфере: 1) HR-аналитикам (например, описываемый в ней анализ выживаемости для оценки «срока жизни» сотрудника в компании и выявления драйверов текучести персонала), 2) психологам-исследователям (применять описываемые методы для анализа данных тестирования), 3) дата-журналистам (сделать предобработку данных, привести к «опрятному» виду, работать с «грязными» данными из разных источников и превращать их в интересные расследования).
Важной составляющей книги являются сопутствующие датасеты. Это не абстрактные примеры, а реальные наборы биомедицинских данных. Наличие этих файлов позволяет читателю практиковаться «в боевых условиях», отрабатывая навыки очистки, визуализации и моделирования на конкретных кейсах, которые легко переносятся в рабочую практику врача, аналитика или исследователя. В онлайн-репозитории книги вы можете ознакомиться и скачать все скрипты (примеры кода на языке R), которые рассматриваются в печатном издании.
Это не книга по программированию на языке R (хотя авторы делают ставку на язык R, и это главное преимущество книги), а руководство по переходу на новый уровень мышления, поскольку учит культуре работы с данными, где во главе угла стоят точность, прозрачность, воспроизводимость и доказательность. Книга для тех, кто хочет перестать бояться данных и научиться уверенно работать с ними: от постановки задачи до интерпретации результатов и их представления.
Структура книги выстроена последовательно и отражает реальное содержание и процесс работы с данными.
Первая глава посвящена особенностям медицинских исследований и закладывает основу доказательной медицины. Рассматриваются дизайн исследований, рандомизация, ослепление, типовые схемы, а также клинические исследования, их фазы, нормативные аспекты и возможные систематические ошибки. Отдельное внимание уделено систематическим обзорам и метаанализу. | 279 |
| 8 |  +7بدون متن... | 275 |
| 9 | Пришла отличная книжка, обзором на которую хочу поделиться с читателями канала 👇 | 268 |
