H0H1: про HR-аналитику

История HR-аналитики Давно собирался и вот написал исторический обзор профессии, включая короткую историю становления в России. #история

Математика и анализ данных В школьные годы, да и по сей день - я хорошо делаю и преуспеваю в том, что мне интересно. Если мне что-то неинтересно, то никакие силовые методы на меня не работают. К большому сожалению, в школе математика не входила в круг моих интересов.😄 Интересна она мне стала позднее, когда я с истфака пришел на психфак, так как там были курсы по статистике и мат. методам в психологии. Как много людей знает, что дипломная работа по психологии должна содержать строгое математическое доказательство? На моем факультете к этому относились довольно серьезно. Правда база моя к тому моменту была считай на нуле и приходилось все наверстывать с самого начала. В моем случае математика стала мне интересна тогда, когда она была приложена к предмету. HR-аналитика, это такое же практическое приложение математики. Мне потребовалось не мало времени, чтобы наверстать всё, что я упустил, сейчас же есть много разнообразных удобных способов и материалов для этого. Хочу поделиться некоторыми из известных мне, добавляйте в комментариях свои варианты: 1️⃣ Онлайн курс Математики для взрослых с нуля за 3 месяца - название говорит само за себя, вас проведут от того как делить в столбик, до азов линейной алгебры. 2️⃣ Высшая математика для заочников и не только - бесплатный курс по высшей математике, оформленный как серия статей, написанных очень доступным и понятным языком. 3️⃣ "Математика и фокусы" - ютуб-канал математика, популяризатора науки Петра Земскова. 4️⃣ "Маткульт-привет!" - ютуб-канал математика, доктора наук Алексея Савватеева. 5️⃣Математика на языке R - комбо-книжка, тут и математика, и программирование на R! И, конечно же практика! Как утверждает один из лучших HR-аналитиков современности Кейт МакНалти: каждый день должен начинаться с математики. #математика

Регрессии и другие истории При написании серии статей про регрессии, в основном, я полгался на три книги. Две из них вам уже хорошо известны - это труды МакНалти и МакЭлрита. Сегодня расскажу подробнее про третью - это "Регрессии и другие истории" авторства Эндрю Гельмана и др. Для демонстрации содержания книги, я приведу один интересный кусок из неё. Многие знают или хотя бы слышали, читали про ошибки первого и второго рода. Напомню, что ошибка I рода - это ситуация, когда отвергнута верная нулевая гипотеза; ошибка II рода - ситуация, когда принята неверная нулевая гипотеза. Так вот авторы книги утверждают, что внимание исследователей должно быть посвящено двум другим типам ошибок, так как ошибки 1 и 2 рода плохо подходят для современных социальных или биологических наук, где могут наблюдаться разнообразные эффекты. 🟡Тип S (Sign) — ошибка знака. Возникает, когда знак предполагаемый эффект имеет противоположное направление истинному эффекту. К примеру, обучение может положительно влиять на эффективность сотрудников, но вы делаете противоположный вывод. 🟡Тип M (Magnitude) — ошибка величины. Происходит, когда величина предполагаемого эффекта сильно отличается от истинного эффекта. Представим, что новая система бонусов увеличивает eNPS сотрудников на 1 балл, но вы переоцениваете этот вклад как +5 баллов. Версия книги в свободном доступе #книги

Профиль HR-аналитика Наконец-то я довел до ума профиль HR-аналитика! Теперь это не только четыре роли: Методолог, Исследователь, Дизайнер и Техник. Но и три уровня владения ролями: Новичок, Профессионал, Эксперт, где каждый следующий уровень профессионализма предполагает овладение предыдущим. Эта матрица позволяет оценить какие компетенции нужны и важны для сбалансированного аналитика. А также понять на каком уровне развития вы сейчас находитесь или кто конкретно нужен в вашей компании на данном этапе. Кроме того, в последнее время мы наблюдаем тренд на "отехничивание" профессии, когда делается ставка на специалистов с ролью Техника. Благодаря схеме видно, что это явно не панацея, потому как роль Техника (бесспорна важная) занимает только четверть от всего профиля аналитика. Я бы хотел выразить благодарность всем HR-аналитикам, которые подключились и дали обратную связь по профилю. Особая благодарность Галине Дейнекиной за самые объемные предложения по улучшению и конструктивные замечания. #методология

Ещё один глоток свежего воздуха. В этот раз от Кейта МакНалти "На основе многочисленных разговоров, которые у меня были недавно, становится ясно, что на бизнес-функции оказывается огромное давление с целью внедрения #generativeai и создания успешных примеров использования этой технологии. Несколько мыслей по этому поводу: Ни одна технология не может быть успешной по требованию. Все успешные внедрения технологий, которые я вел в прошлом, происходили благодаря умным людям, самостоятельно выявляющим возможности технологии, а не благодаря указаниям найти способ использования технологии. Давление с целью быстрого внедрения технологии, которая может быть не полностью контролируемой, может привести к серьезным проблемам в различных секторах, например, в юридическом и HR. Возможно, у меня есть еще много чего сказать по этому поводу, но я оставлю это для ваших комментариев, чтобы поддержать или оспорить ваши наблюдения."

Лабиринты будущего. Как увидеть завтра уже сегодня Мой хороший товарищ, с которым мы когда-то совместно работали над проектами в Сибирской Генерирующей Компании (СГК) - Евгений Махина, сегодня известен миру не только как предприниматель, автор телеграм-канала Deus ex Machina, но и как талантливый писатель! На днях я закончил читать одну из его книг: "Лабиринты будущего. Как увидеть завтра уже сегодня" и хочу поделиться мнением со своей аудиторией. Заглавная тема книги - это мышление о будущем и прогнозирование. Я не знаю насколько автор подразумевал, что книга написана для аналитиков, но, на мой взгляд, это именно так. Да-да! Текст не содержит и строчки кода или мат. статистики, но всякая аналитика начинается с критического мышления и умения строить прогнозы, а именно этому посвящена книга. Книга учит отличать зерна от плевел, хайп от реального положения дел. Рассказывает о том, как устоявшиеся парадигмы и нарративы влияют на наше представление о будущем. Таким образом заставляет читателя мыслить критически, в частности подвергать критике дискурс о том, что AI всех нас истребит. Словно глоток свежего воздуха! А также эта книга подводит нас к тому, что беспечно относиться к технологиям и будущему выходит дорого для нас самих, поэтому может ChatGPT и не заберет вашу работу, если вы внедрите его в свою работу. Ещё один интересный для меня момент: не так давно один мой коллега аналитик задавал мне уточняющей вопросы про контрфактическое мышление, пример которого мы разбирали в четвертой серии о регрессиях. Так вот, книга изобилует не только примерами такого мышления, но даже содержит упражнение для тренировки. И в завершении я бы отметил ту легкость, с которой эта книга читается и то количество живых примеров, которыми она полна. ✏️Ссылка на канал Deus ex Machina 📚Ссылка на книгу #книги

Дело, которое я откладывал несколько лет в долгий ящик, наконец-то, реализовано! Речь идет о моей серии статей про регрессии в HR-аналитике, которую я задумал ещё в момент открытия телеграм-канала почти два с половиной года назад. Приглашаю аудиторию моего канала к прочтению этой серии и дискуссии: 🟠Часть 1. Первое знакомство - здесь мы знакомимся с регрессиями, как методом и проверяем нашу первую HR-гипотезу. 🟠Часть 2. Метрики лгут - выясняем, как графики с HR-метриками могут нас обмануть, но более продвинутые методы позволяют избежать этой ловушки. 🟠Часть 3. Мир полон неопределенности - разбираем, что можно сделать в ситуации, когда данных совсем мало, а вывод должен быть обоснованным. 🟠Часть 4. За пределами корреляции - открываем для себя мир причинно-следственного анализа. Мне было бы интересно услышать мнение аудитории об этой серии, поделитесь в комментариях: насколько интересным вы для себя находите применение научных методов в работе? Что на ваш взгляд получилось в серии, а что нет? Планируете ли вы использовать регрессии в своей работе, а если нет, то почему? #reminder

Регрессиада. Часть 4. За пределами корреляции Мы все привыкли к выражению, что корреляция не равна каузации, и это действительно так. Но что, если я скажу, что с помощью регрессий, байесовской статистики и DAG мы можем попытаться установить причинно-следственные связи? Даже в неэкспериментальном исследовании, так как в бизнес-практике мы чаще сталкиваемся именно с ними. DAG (directed acyclic graph) – это направленный ациклический граф, центральный инструмент в причинно-следственном анализе, предложенный и разработанный Иудеем Перлом. К первоисточнику отсылаю самых смелых, так как там много сложной математики и философии. Мы же будем полагаться на переработку этой темы Ричардом МакЭлритом. Давайте разберемся с этим на HR примере, в последней статье моей серии про регрессии. 🔠 Читать статью #регрессии #статистика #R #практика

Регрессиада. Часть 3. Мир полон неопределенности В двух прошлых статьях, опираясь на классическую статистику, мы рассмотрели простую и множественную линейные регрессии. В этой и следующей статье мы рассмотрим не только другие виды регрессий, но и перейдем от классической статистики к байесовской. Байесовская статистика уже была предметом обсуждения в серии моих статей. Главные преимущества байесовского подхода: 🟡Мы можем учесть ранее полученные знания или убеждения при построении модели. 🟡Результаты модели представляют собой вероятностное распределение, а не бинарную оценку «значимо/незначимо», больше никакого p-value! 🟡Позволяет делать причинно-следственные выводы, на основе результатов моделей, о чем мы будем говорить в следующей статье. 🟡Способен обнаружить эффект на небольших по размеру выборках. 🔠 Читать статью #регрессии #статистика #R #практика

Регрессиада. Часть 3. Мир полон неопределенности В двух прошлых статьях, опираясь на классическую статистику, мы рассмотрели простую и множественную линейные регрессии. В этой и следующей статье мы рассмотрим не только другие виды регрессий, но и перейдем от классической статистики к байесовской. Байесовская статистика уже была предметом обсуждения в серии моих статей. Главные преимущества байесовского подхода: 🟡Мы можем учесть ранее полученные знания или убеждения при построении модели. 🟡Результаты модели представляют собой вероятностное распределение, а не бинарную оценку «значимо/незначимо», больше никакого p-value! 🟡Позволяет делать причинно-следственные выводы, на основе результатов моделей, о чем мы будем говорить в следующей статье; 🟡Способен обнаружить эффект на небольших по размеру выборках. 🔠 Читать статью #регрессии #статистика #R #практика