Применение математических принципов в HR-аналитике. Часть 2

На прошлой неделе вышла вторая часть подкаста с Китом МакНалти

Основные моменты этой беседы:

🟡Научные статьи задают направление движения, но, по мнению Кита, самый ценный вид статей — это мета-анализ, который обобщает исследуемый феномен по разным организациям, отраслям, периодам и т.д., и может быть использован практиками.

🟡Особенность HR-аналитики состоит в ограниченности данных. Например, в нашей отрасли нет таких объёмов данных, как в генетике. Поэтому такие классические методы, как регрессия, дают гораздо больше пользы, чем продвинутые ML-техники, требующие большего объёма данных.

🟡Кроме того, продвинутые ML-модели обеспечивают высокую точность прогнозирования, однако они не позволяют объяснить факторы, влияющие на этот прогноз. Кит рекомендует начинать с более простых и понятных для менеджеров подходов, которые дают прозрачную интерпретацию, что очень важно при работе с людьми. Он вновь подчеркивает, что, в целом, ML-модели работают в HR неэффективно.

🟡Одна из ловушек применения научного подхода в организациях — это медленная скорость и нетерпеливость заказчиков. Менеджеры скорее примут ненаучное и неправильное решение, чем будут дожидаться результатов длительного исследования. Именно поэтому важны коммуникация и предоставление промежуточных результатов стейкхолдерам.

🟡Важно правильно понимать, о чём на самом деле вас спрашивают и что вы на это отвечаете. Кит приводит будничный для многих аналитиков пример, когда их просят найти разницу между какими-либо двумя группами персонала. В этом случае аналитики применяют статистические тесты и доказывают наличие или отсутствие отличий. Однако менеджеры могут ошибочно предположить, что различия вызваны определёнными факторами или действиями, хотя это не было сказано. Следовательно, правильная коммуникация и проверка понимания результатов исследования очень важны в работе практика.

#подкаст #математика

Применение математических принципов в HR-аналитике. Часть 1

Вышла первая часть подкаста с моим самым любимым HR-аналитиком - Китом МакНалти

Основные моменты этой беседы:

🟡 Полагаясь на математику и научный подход, мы решаем задачи или находим ответы на вопросы наиболее эффективным и оптимальным способом.

🟡 Недостаточно просто знать набор математических правил, нужно понимать сами идеи. Так, Кит критикует статистические курсы для психологов, которые основаны не на изучении принципов, а на запоминании набора правил, когда и какой тест применять. Чистая правда!

🟡 Однако одной математики в HR-аналитике недостаточно: для поиска правильных ответов обязательно требуется привлечение стейкхолдеров, владельцев и знатоков процессов. Мне очень понравился термин "аналитический перевод", когда команда аналитиков и стейкхолдеры вместе обсуждают полученные результаты и выравнивают общую картину. Отсюда вытекает, что большая часть времени должна уходить на подробное объяснение результатов: что в них присутствует и может быть взято на вооружение, а что нет.

🟡Ещё мне понравилась критика подхода, основанного исключительно на поиске и проверке гипотез. Кит верно замечает, что при таком подходе люди отбрасывают всё, что противоречит их гипотезам, и основываются только на том, что вписывается.

🟡 Был хороший вопрос, который актуален и для меня: построение качественного аналитического продукта требует времени, порой большого, когда существенная часть может уйти на инфраструктуру данных или что-то подобное. Кит рассказывает, что в первую очередь команды должны заработать репутацию в организации, что позволяет вести переговоры о сроках решения проблем, и приводит пример того, как стоит давать статусы по движению и рассказывать, как и почему каждый шаг приближает к решению задачи.

С нетерпением жду вторую часть, которая посвящена практическим вопросам и должна выйти на этой неделе!

#подкаст #математика

"Никому не давайте своих книг, иначе вы их уже не увидите. В моей библиотеке остались лишь те книги, которые я взял почитать у других" - Анатоль Франс.
На минувшей неделе у меня было несколько интересных дискуссий про книги с разными коллегами, что вдохновило меня на этот пост. Своей профессиональной экспертизе я во многом, а может в основном, обязан книгам, точнее тем знаниям, что они хранят в себе. Поэтому я решил чаще делиться мои впечатлениями про книжки. Сегодня я расскажу про шесть книг, некоторые из которых я уже упоминал ранее.

*1️⃣ *Richard McElreath. Statistical Rethinking (Статистическое переосмысление) – книга с говорящим названием, автор предлагает переосмыслить все традиции и научиться использовать байесовские модели. А также Ричард подводит к тому, как использовать модели не только для анализа ассоциаций, но и для анализа причинно-следственных связей. Да-да – это можно! Мой подробный обзор на книжку. Я атеист, но это моя библия.

*2️⃣ *Keith McNulty. Handbook of Regression Modeling in People Analytics (Справочник по регрессионному моделированию в HR-аналитике) – эталон того, как должна выглядеть практическая книга по HR-аналитике: не метрики, а регрессии. Спросите зачем? Да вот буквально на прошлой неделе, у меня на работе метрика X говорила: что группа A, лучше, чем группа B. А после построения регрессии, и учёта прочих факторов и конфраундеров, оказалось, что все полностью наоборот. Метрики могу лгать, если вы не знали.

*3️⃣ *Дэвид Шпигельхалтер. Искусство статистики – если вам ещё рано погружаться в байесовский подход и регрессии, а вы просто хотите понять про статистику, в общем и целом, то не читайте «Статистику и котики», а читайте лучше эту книжку. Практически все мои выступления на общую тему, банально основаны на этой книги, так она изобилует кейсами и не пугает формулами.

*4️⃣ *Patrick Mair. Modern Psychometrics with R(Современная психометрика в R) – чтобы понимать, что оценка каких-либо качеств человека – это не просто придумать за 5 минут опросник в Яндекс.Формах, а разработка инструмента, которая невозможна без понимания базы. А база, в данном случае, это психометрика – наука, соединяющая психологию и ~~астрологию~~ математику. Психометрика сегодня – это уже ONA и ML, к слову. Но прежде, чем дойти до ONA и ML, точно нужно прочитать этот шедевр по теме.

*5️⃣ *Alberto Cairo. The Functional Art (Функциональное искусство) – вы же помните мою концепцию о том, кто такой HR аналитик? И что-то там у меня про художника какого-то. Так вот результаты анализа, как правило пользователи воспринимают зрительно, а как работает наше зрение, мозг и восприятие нужно учитывать при подготовке этого результата. Каиро мой любимый, пожалуй, хоть и не единственный автор про визуализацию, он говорит о том, что визуализация = коммуникация.

*6️⃣ Jonathan Ferrar, David Green. Excellence in People Analytics (*Совершенство в HR аналитике) – я точно не апологет того, что HR аналитику решили подменить на HR tech. На одной технике, друзья, не выйдешь, для HR-аналитики техника – это инструмент, а не самоцель. Но сдвиг мотива на цель виден довольно хорошо. Так вот, чтобы не сдвинуться не туда, надо в целом понимать зачем все это нужно и такую нетехническую литературу обязательно требуется изучать наравне с технической. Писал подробный обзор.