Relatore | Trascrizione |
| Cristo Spagna | Buon pomeriggio. |
| Ciao come stai oggi. |
| Sto bene, come stai? |
| Cristo Spagna | Bene grazie. |
| Dove ti trovi Thor. |
| si Christy Spagna. |
| E Albuquerque New Mexico. |
| Cristo Spagna | è quello che stavo pensando. |
| avuto ragione. |
| Cristo Spagna | tre cifre là fuori. |
| Non adesso. |
| Ok, abbiamo un. |
| Uragano proveniente dal. |
| i maiali a palla faranno abbassare le temperature. |
| Cristo Spagna | Ok, qual è il nome di quello. |
| Non so che normalmente non succeda molto e non ho prestato molta attenzione. |
| bene. |
| Cristo Spagna | Sono stato un po' colto alla sprovvista, ma sai che ha colpito il golf, ieri sono stati piuttosto duri, quindi tutti qui stanno facendo il pieno di benzina, perché l'oleodotto è ora chiuso. |
| Quindi dove sei. |
| Cristo Spagna | Sono nel quartier generale di Cary North Carolina, sì, sì. |
| um, quindi vediamo cosa hai fatto, hai fatto qualche registrazione per noi l'anno scorso o. |
| L'ho fatto da me l'anno scorso. |
| Forse uno dei motivi per cui lo stiamo facendo. |
| Questa volta. |
| Oh. |
| Cristo Spagna | È divertente. |
| um fammi vedere, ho una piccola lista di controllo fammi aprire come se in realtà chiudessi troppe cose quando. |
| Stavo cercando di cancellare tutto, quindi non ho ricevuto alcun popup, hai chiuso tutte le tue app e. |
| Non l'ho ancora fatto e avevo anche una domanda. |
| Certo ehm. |
| Diceva che dovevo caricare le cose prima della mia registrazione, ma non posso perché non ho un collegamento. |
| Cristo Spagna | Sto caricando è e quali sono le cose. |
| E materiali di presentazione. |
| Cristo Spagna | Va bene, scoprirò qual è quel link per te. |
| E così sono tornato indietro e ho cercato tra le mie vecchie email non riuscivo a trovarlo, sto pensando bene. |
| Io sono. |
| Non è un grosso problema ma. |
| Cristo Spagna | Dovremmo sicuramente essere in grado di andare avanti e registrare, però. |
| Va bene sì. |
| Cristo Spagna | Fammi trovare una piccola lista di controllo, ma parte di quella lista di controllo si sta chiudendo nelle tue app. |
| andrò a farlo. |
| Non hai bisogno di team Microsoft. |
| Cristo Spagna | Non hai nessun logo sulla maglietta, quindi va bene. |
| Nessun logo. |
| Probabilmente non ce n'è nemmeno bisogno adesso. |
| Cristo Spagna | Non riuscivo a capire come non disturbare le squadre. |
| Bene le squadre. |
| Una delle cose del moderno. |
| La tecnologia è che le persone non ti danno istruzioni, è più che ti stanno dando questa cosa e dovresti capirlo. |
| Cristo Spagna | Bene, ho digitato e la sezione di aiuto D amp D e si è comportato come se stessi cercando messaggi o qualcosa del genere, e il mio OK, o andava bene, l'ho chiuso così. |
| Va bene, così. |
| Ho alcune applicazioni aperte ma. |
| Guarda quella piccola cosa delle squadre parassitarie. |
| Cristo Spagna | stiamo bene così. |
| Bene, l'hanno messo in questo piccolo menu nascosto in modo che sia ancora lì, insieme a Skype perché vogliono essere in grado di contattarti, qualunque cosa accada. |
| Cristo Spagna | E sai, penso che forse dovremmo averti preso uno degli sfondi. |
| Dice che non c'è violazione del copyright, ma tu conosci molti libri là dietro, quindi forse. |
| Oh beh, ho dei libri qui dietro, ho pensato che non fosse un grosso problema perché non puoi davvero leggerli, ma va bene. |
| Cristo Spagna | Non so che mi dispiacerebbe. |
| devo richiamarti e dirti che lascerò perdere. |
| sì, non voglio farlo due volte. |
| No. |
| Voglio dire, sono sicuro che sarà molto divertente, ma non voglio farlo di nuovo. |
| mi sbarazzi delle squadre. |
| sono tutte le squadre è andato. |
| Ok, quindi questi sfondi, ho una cosa su questo. |
| Devo tornare alla prospettiva. |
| Cristo Spagna | O potresti solo forse lo faremo noi. |
| Vedi, non li ho mai usati. |
| Un veramente mai usato li. |
| sì perché l'analisi è sfocata. |
| si. |
| Sai, ogni volta che fai delle cose per muoverti, vedo le persone che le usano e le cose si sfocano e vedono tutta la spazzatura che è nella loro stanza. |
| Vedi così da. |
| tania. |
| tanya così nuovo sintomo. |
| Eccoci così. |
| Quelle sono tessere social, sai quali tessere social. |
| Sfondi virtuali così grafico a dispersione blu. |
| lo farò e basta. |
| Avanti. |
| Ecco che ora la domanda sarebbe come faccio. |
| Usali. |
| vediamo. |
| Cristo Spagna | Pensavo fosse sotto i tre puntini ma non è così. |
| Ok, non sono chiaro dove siano le anatre. |
| Dove trovi i punti. |
| Cristo Spagna | Bene, sai in fondo, dove hai schermo condiviso e chat. |
| E tutto questo c'è come un po' di più. |
| Quello, ma è che non vedo alcuna opzione per cambiare in background, lì. |
| neanche. |
| Cristo Spagna | Andiamo avanti e indietro tra tanti diversi. |
| strumenti qui è difficile. |
| facciamo una rapida ricerca. |
| Sfondo virtuale sotto fotocamera slick. |
| Oh. |
| Così. |
| E poi devi sapere dove si trova lo sfondo virtuale perché non l'hanno detto. |
| Quale, dovresti usare o qualcosa del genere, no, no, no. |
| Cristo Spagna | Oh, sembra carino. |
| Oh bene perché non ero sicuro che sarei stato in grado di fare molto altro bene, quindi ora abbiamo il background e se mi muovo molto funziona abbastanza bene in realtà solo un po' di casino va bene. |
| Cristo Spagna | e |
| Hai avuto automaticamente la barra delle applicazioni. |
| vediamo come faccio. |
| Cristo Spagna | Vai alla barra delle applicazioni e fai clic con il pulsante destro del mouse. |
| Sì, in un posto dove non c'è niente. |
| No. |
| il problema è che la mia barra delle applicazioni è completamente iscritta. |
| Cristo Spagna | anche il mio non si nasconde non so perché. |
| È sì? |
| impostazioni della barra delle applicazioni qui andiamo. |
| è lunedì nascondi automaticamente la barra del test di prova in modalità desktop. |
| SU. |
| OK, quindi ora sembra essere nascosto automaticamente tranne che non è nascosto. |
| Cristo Spagna | Bene, se scorri verso l'alto scompare. |
| Quindi l'unico si presenta se. |
| Ho qualcosa che l'attività va via bene. |
| Cristo Spagna | E poi il tuo suono è fantastico. |
| e |
| Cristo Spagna | voglio che tu voglia esercitarti nella condivisione, così possiamo controllare la tua risoluzione e tutto il resto. |
| Bene vediamo. |
| Sicuramente una cosa specifica che sarà un problema. |
| Per condividere lo schermo mostrerò che aspetto hai. |
| Cristo Spagna | Bene, puoi andare avanti e condividere i tuoi contenuti. |
| sì, ma voglio scorrere avanti e indietro tra le diapositive e l'applicazione JMP, quindi voglio essere in grado di mostrare. |
| Il mio schermo. |
| Quindi in qualche modo sono finito. |
| Con lo schermo e ti ho in una piccola finestra qui. |
| Cristo Spagna | Nella parte superiore, puoi visualizzare e cambiarlo in affiancato o questo è quello che ho. |
| Spegnere la mia macchina fotografica perché nessuno vuole vedermi comunque. |
| è tutto su di te oggi. |
| Mostra il video in miniatura del piccolo altoparlante attivo. |
| Ok, questo ti mostra. |
| Mostra a entrambi noi che questo mostra una griglia. |
| E questo rende il tutto davvero piccolo. |
| E non riesco più a vedermi. |
| Ma posso spostare questa cosa. |
| Cristo Spagna | Bene, posso vederti triste il tuo PowerPoint. |
| Bene, quindi ecco una domanda che ho ricevuto dal mio PowerPoint nella modalità di scrittura normale. |
| Ma se vado in visualizzazione presentazione. |
| Diventa più grande, ma poi devo continuare a saltare avanti e indietro tra quello e l'altro punto di vista. |
| Quando fai il video. |
| Esaminerai le parti che sono rilevanti o mostrerai sullo schermo tutto ciò che sta accadendo. |
| Cristo Spagna | sì, mostreremo qualsiasi cosa. |
| Quindi, la maggior parte delle persone utilizza la modalità presentazione e quindi, se devi uscirne e visualizzare lo schermo JMP, puoi farlo. |
| e tornare indietro ha senso, e se finiamo per vederti conoscerai un po' del tuo. |
| si, sembra fantastico. |
| Ok, quindi questo credo sia quello che faremo e scapperò e andrò a JMP dove necessario. |
| Cristo Spagna | Vuoi provare così velocemente, così possiamo assicurarci che sia della taglia giusta. |
| si. |
| Cristo Spagna | sembra fantastico. |
| Bene. |
| Quindi è visibile. |
| Cristo Spagna | OK, quindi ora, ho bisogno di farlo. |
| conferma il tuo nome azienda e titolo astratto, per favore. |
| Il nome è Thor Osborn. L'azienda è Sandia National Laboratories. |
| Il titolo dell'abstract dovrebbe essere Employment Application Arrival Model for Talent Acquisition Simulation and Management. |
| Cristo Spagna | Perfetto. E poi capisci che questo viene registrato per l'uso in Discovery Summit. |
| conferenza JMP e sarà disponibile pubblicamente nella comunità degli utenti JMP. Date il permesso per quell'uso e la registrazione? |
| Grazie. |
| Cristo Spagna | E penso che siamo pronti, Thor, quindi mi zittirò e |
| Puoi andare quando sei pronto. L'obiettivo è quello di andare dritto. Non dirò niente né ti fermerò a meno che non accada qualcosa di catastrofico. Che ne dici di quello? |
| Ok, l'obiettivo è andare dritto e quanto tempo dovrei avere? |
| Cristo Spagna | 30 minuti. |
| Ok, ora penso che tu abbia un piccolo margine di manovra perché a loro piace lasciare il tempo alla fine della riproduzione per domande e risposte, quindi se va un po' oltre va bene. |
| Ok, ora, prima di andare c'è questa finestrella che dice parlare e chi sta parlando. |
| Perché rimpiccioliscono la piccola cosa del video. |
| Va bene, il mio schermo mostra la visualizzazione della presentazione o la mostra, con questo piccolo inserto in basso a destra. |
| Cristo Spagna | Tutto quello che vedo è la visualizzazione della presentazione. |
| Ok, quindi stanno in qualche modo fluttuando questo. |
| Cristo Spagna | Dev'essere fastidioso. |
| Va bene, fintanto che non si intromette voglio dire che non metto niente laggiù. |
| Cristo Spagna | va bene. |
| si. |
| Tutto bene. |
| Cristo Spagna | Va bene, vado in muto e poi sarai pronto. |
| Bene. |
| Quindi, il mio nome è Thor Osborn. Lavoro presso i Sandia National Laboratories come principale analista di ricerca sui sistemi. |
| Il mio intervento di oggi è il modello di arrivo delle domande di impiego per la simulazione e la gestione dell'acquisizione di talenti. |
| E spero che ti piaccia. |
| Ho tre obiettivi di base qui. Uno è quello di presentare il business case per il motivo per cui vorresti modellare i tempi di arrivo delle domande di lavoro. Un altro è mostrare un processo semplice per creare un modello conciso e ampiamente applicabile utilizzando questo tipo di dati. |
| E poi dimostrerò quel processo sui dati di una grande organizzazione di ricerca e mostrerò brevemente cosa puoi fare con quello. |
| Tecnicamente esaminerò la comprensione dei dati perché penso che questo tipo di dati sia un po' insolito per la maggior parte delle persone. |
| I modelli di origine, essenzialmente, questa è una modellazione di origine |
| analisi, quindi parlerò dei modelli di Poisson e Gamma-Poisson. |
| eseguirò alcune analisi e alcune trasformazioni per semplificare il lavoro e poi spiegherò brevemente come potresti creare modelli. |
| Quindi, per quanto riguarda le motivazioni, ci sono tre aree fondamentali della motivazione. Uno è quello di migliorare il processo di acquisizione dei talenti e la funzione aziendale. |
| Un altro è migliorare la comprensione dei dirigenti che guidano l'azienda, e poi il terzo è aiutare a inquadrare le aspettative per i responsabili delle assunzioni. |
| inizierò con l'acquisizione di talenti. Il tasso di assunzione e il ritardo dipendono dai flussi attraverso le fasi di controllo nella pipeline di acquisizione dei talenti. Ma la cosa fondamentale è che devi avere un numero sufficiente di domande di lavoro prima di poter andare ovunque con il processo. |
| E le tariffe e gli schemi variano un po' a seconda del campo, della specificità dei messaggi pubblicati, della concorrenza, di quanto hai pubblicizzato e così via. |
| Un quadro matematico comune per l'arrivo delle applicazioni potrebbe consentire una migliore comprensione dello spazio commerciale per migliorare i tassi di acquisizione delle applicazioni, |
| così come altre cose. Alcune applicazioni chiave per le relazioni catturano il tasso e la varianza rispetto al contesto lavorativo, al luogo di lavoro, al livello di carriera, al campo di pratica. |
| Cattura gli impatti sulla frequenza delle variabili regolabili, la specificità dell'annuncio di lavoro, la lingua di pubblicazione e con questo non intendo l'inglese rispetto allo spagnolo, ma piuttosto il modo in cui le cose sono inquadrate. |
| E sforzi di reclutamento mirati. E poi l'impatto del tasso di cattura di fattori esterni, come le condizioni economiche, la concorrenza nel campo della pratica, |
| quanto è grande la popolazione professionale che stai davvero raggiungendo nella tua area di reclutamento. |
| E penso sia importante riconoscere che l'acquisizione di talenti deve affrontare il tipico vincolo che si vede spesso nell'esecuzione di progetti o programmi: tempo, qualità e costi. |
| Ci vuole tempo per raccogliere le domande. Vuoi ottenere un'alta qualità di candidati. Questo costa denaro, e più velocemente provi ad andare, più costerà. |
| Quindi ci sono dei compromessi qui. |
| I dirigenti spesso vengono coinvolti nel processo attraverso la pianificazione della forza lavoro, che è un termine generico ma, in pratica, sai dire un piano annuale. |
| Ma in assenza di modelli rilevanti e feedback sul costo delle cose, la considerazione del tipico vincolo e dell'allocazione del budget o dei processi del personale potrebbe essere soggettiva o assente. |
| E con questo intendo dire a livello dirigenziale, le risorse umane sono spesso viste semplicemente come un costo necessario, ma non necessariamente come una leva per far avanzare l'azienda. In parte a causa della mancanza di informazioni, quindi fornire informazioni potrebbe essere un modo per migliorare la situazione. |
| Inoltre, le aspettative del responsabile delle assunzioni. |
| Fondamentalmente abbiamo a che fare con statistiche di piccoli numeri, piccoli numeri di applicazioni. |
| Gli esseri umani sono davvero soggetti a pregiudizi di modello e la maggior parte dei responsabili delle assunzioni non assume persone ogni settimana, quindi non sono abituati a considerare questo dalla prospettiva di molti casi diversi per un lungo periodo di tempo. |
| E questo può portare all'ancoraggio nell'ultima situazione che hanno affrontato, che può portare a pregiudizi di modello in cui guardano il numero di candidati che scende da una settimana all'altra e immaginano che deve significare che hanno avuto accesso a tutti coloro che sono interessati. |
| E il problema con queste risposte intuitive ai pregiudizi che possono portare a reazioni eccessive perché, come sempre con statistiche su piccoli numeri, ottieni disinformazione se non la prendi in quel contesto. |
| Quindi un po' sui dati. I dati di arrivo sono legati a specifiche richieste di lavoro. Quindi, hai una richiesta di lavoro, c'è un annuncio per quella richiesta e le domande che arrivano in conseguenza del distacco. |
| Sono caratterizzati in diversi modi per la posizione del sito; fase di carriera; |
| visibilità, quanto ampiamente è resa visibile; |
| campo di pratica, cosa stai facendo; |
| e requisiti specifici che possono essere molto ampi o molto ristretti all'interno di quei campi. |
| E le domande possono essere presentate durante la finestra temporale in cui un annuncio di lavoro è accessibile, quindi di solito c'è un lasso di tempo definito. |
| Sono tracciati per data. |
| Ora, in questo caso, utilizzando dati reali per l'analisi successiva, devo utilizzare la data dell'ultima domanda presentata come data di chiusura della pubblicazione, ma non è necessariamente vera. Ma, come spesso accade nei dati reali, non abbiamo tutti i dati che vorremmo avere. |
| E lo dirò finalmente |
| stai contando il numero di applicazioni al giorno. Quando vedi zero applicazioni per un giorno, conta zero. |
| Quindi pensando a un pool nazionale di potenziali candidati per un annuncio di lavoro, |
| il datore di lavoro diffonde informazioni nel mondo. |
| Alcune delle persone nel pool nazionale di potenziali candidati presentano domande. |
| si presume generalmente che saranno pochi rispetto al totale di chi potrebbe. |
| E quindi hai questo vasto pool di candidati. È una fonte e qualsiasi applicazione o perturbazione minore su quella fonte. |
| E, solo per essere molto espliciti, cosa che potrebbe essere molto noiosa per le persone che sono abituate a trattare con la matematica di Poisson, ma |
| se vedi l'arrivo di un'applicazione il primo giorno, è un'istanza di un conteggio di uno. Secondo giorno non c'è l'arrivo della domanda. Questa è un'istanza di un conteggio pari a zero. E così all'estrema destra, vedi tre istanze di zero, tre istanze di uno, un due e un tre. |
| E questo può essere adatto, anche se non sono molti dati, può essere adatto al modello di Poisson e vedi la linea blu lì in basso a destra. |
| Quindi un tasso medio di arrivo di un'applicazione al giorno, ma il conteggio effettivo al giorno varierà in base alla distribuzione. E questo è tutto. |
| Quindi, la distribuzione di Poisson può essere utilizzata per descrivere la probabilità di un conteggio prodotto in un'unità di tempo emettendo casualmente una fonte di elementi discreti che hanno un tasso medio di emissione Lambda costante per unità di tempo. |
| E ottieni questa equazione. E, quindi, nel caso di un conteggio di quattro, che mostrava una probabilità molto piccola nella diapositiva precedente, |
| essenzialmente ne hai uno al quarto. |
| volte e al meno Lambda, quindi praticamente il 37% |
| diviso per quattro fattoriale, o 24, e quindi qualcosa nell'intorno dell'uno e mezzo per cento, che oscilla con una probabilità piccola ma diversa da zero. |
| Quindi, come prima ipotesi |
| supponiamo che i membri del pool distribuito a livello nazionale di potenziali candidati per questo lavoro ampiamente pubblicizzato agiscano in modo scoordinato |
| per quanto riguarda le opportunità di lavoro, e quindi un modello di Poisson potrebbe avere un senso. |
| E quindi è un'ipotesi iniziale ragionevole. |
| Ora, cosa succede se interagiscono. |
| Quindi, ciò può essere concepito in termini di modello sorgente Gamma-Poisson, che è essenzialmente un componente di Poisson che utilizza una distribuzione Gamma come distribuzione di miscelazione. |
| Oppure puoi pensarlo come un Poisson sfocato perché il tasso, il tasso medio, non è un tasso medio costante, ma cambia da un momento all'altro. |
| E ciò può avvenire nell'ipotesi alternativa che i richiedenti si comportino in maniera coordinata, |
| cosa che potrebbe accadere se ci fossero reti di persone che parlano tra loro di opportunità di lavoro e così via. |
| Ora ecco qui |
| una diapositiva su come generare il Gamma-Poisson. Questa è roba di base, ma trovo che guardare queste distribuzioni possa essere utile. |
| Quindi ho intenzione di scoppiare e fare una piccola DEMO in JMP. |
| Ora quello che vedi qui, Gamma casuale quattro-uno, significa solo Gamma casuale con un parametro di quattro e un parametro di scala di uno, quindi la media è quattro. |
| Guardi la distribuzione. Ci sono 100.000 righe qui; ottieni una curva come hai visto sulla diapositiva. |
| La media è di circa quattro, cosa che accade quando fai qualcosa molte volte. |
| è quasi esattamente quello che dovrebbe essere. |
| Ora prendi quella distribuzione e usala |
| come feed per un Poisson casuale. |
| E ottieni questo. |
| Che non assomiglia al Poisson di prima perché è stato imbrattato. |
| Se guardi una vestibilità Poisson, troverai che la vestibilità migliore |
| per quattro in media, che è tutto ciò che può davvero fare, |
| ha una dispersione più stretta del Gamma-Poisson e giusto per verificare che sì, è un Gamma-Poisson, |
| guarda la linea rossa lì. |
| E si adatta davvero, davvero bene. |
| Quasi perfettamente. |
| E quindi, essenzialmente, questo è, questo è un caso in cui è passato |
| processo di comunicazione, se volete, il Poisson non è più il modello migliore. |
| Il case che ho appena mostrato è mostrato qui in alto a destra di questo pannello quad. |
| Sigma è uguale a due, il parametro di dispersione eccessiva di due. |
| Se hai un parametro di dispersione eccessiva di uno, Sigma è uguale a uno, in alto a sinistra, allora è essenzialmente lo stesso della distribuzione di Poisson da capo. |
| Ma all'aumentare del parametro di dispersione eccessiva, passa da una gobba seguita da una coda, invece a qualcosa che assomiglia più a un esponenziale in decomposizione. Lo vedrai in basso a destra in blu, |
| i colori sono cambiati qui in modo opposto a quello che erano prima, quindi se c'è confusione su questo, scusa. |
| Ora ecco con i dati reali. |
| Quindi il caso del distacco di ingegneria meccanica ampiamente accessibile e all'inizio della carriera. |
| 140 applicazioni per creare 131 conteggi, molti dei quali sono zero, quindi questo è distribuito nel tempo: centotrentuno giorni. |
| Il Gamma-Poisson si adatta meglio e lo vedi in alto a sinistra. |
| Sto usando il criterio di Akaike, l'AIC |
| metrico. |
| In basso a sinistra, vedrai |
| una posizione esperta. Ora i professionisti esperti non hanno le reti, per esempio, di tirocinanti universitari e così via. |
| O necessariamente la costante immersione con altre persone che vedresti in un ambiente universitario. Questa non è una prova di nulla, ma solo un modo per razionalizzare che forse è per questo che si vede un comportamento di Poisson più classico con risposte professionali esperte in genere. |
| E solo per mostrare qui, sembra essere correlato anche al numero di applicazioni. Altri fattori che contano sembrano essere i |
| fase di carriera. |
| Come ho appena menzionato, lo stato FLSA (non esente) significa, ad esempio, tecnologi anziché personale esentato. |
| Questi fattori sembrano avere importanza, ma c'è sicuramente una distorsione man mano che il conteggio delle applicazioni aumenta, diventa più probabile che siano distribuite Gamma-Poisson. |
| Ora, come vengono preparati questi dati per l'analisi. Date di candidatura per richiesta di lavoro |
| Zero di impostazione tabulati per |
| quando non c'è conteggio. |
| E poi adattare Poisson e Gamma-Poisson per ogni richiesta per scoprire quale ti dà il valore AIC migliore. |
| Parallelamente, è stata creata una tabella di riepilogo della richiesta con una riga, o una riga, per richiesta, quindi vengono fuse insieme per fornire i parametri per Poisson e Gamma-Poisson, nonché il parametro AIC che indica quale è più probabile una vestibilità migliore. |
| E ottieni un riassunto per Poisson e un riassunto per Gamma-Poisson dopo il sottoinsieme, perché sono difficili da gestire insieme. |
| Puoi usare Gamma-Poisson con un sigma di uno, ma poi finisci con un'inflazione zero e diventa complicato da gestire, quindi li sto trattando separatamente. |
| Qualunque sia il sottoinsieme utilizzato, il processo mostrerà il modello lineare di adattamento per il parametro rispetto ai driver. |
| Il parametro è normalizzato dal modello. |
| E poi guardo per vedere se una distribuzione comune è plausibile in tutte le condizioni del conducente, che in questo caso è essenzialmente il contesto della richiesta di ubicazione del sito, inizio o fine carriera e così via. |
| Se è possibile che rientrino nella stessa distribuzione, è possibile creare un set di parametri di distribuzione comune e utilizzarlo per l'intero set di dati. |
| Altrimenti, l'approccio fallisce e io, a questo punto, non ho alcun meccanismo per affrontarlo, così per caso non è successo, ma è qualcosa a cui pensare per il futuro. |
| Quindi ecco una distribuzione dei parametri di Poisson in base al contesto in cui il contesto ha a che fare con il sito, che si tratti di una carriera all'inizio o alla fine, o stabilito, potresti dire, |
| e se è, beh, quale campo di pratica. Ognuno di questi ha una "B" che significa ampio perché analizzare le richieste di lavoro solo interne è una cosa difficile, diversa con opportunità molto più limitate, e quindi mi attengo semplicemente al caso generale in questa presentazione. |
| Quello che puoi vedere è che la varianza media differisce in base ai contesti di richiesta abbastanza ovviamente, e no, non rientrano nella stessa distribuzione. Puoi dimostrarlo facilmente. |
| Osservando un sottoinsieme più piccolo, solo il pezzo iniziale, il primo set del Sito A, diventa più ovvio che le medie e le deviazioni standard sono su tutta la mappa. |
| Ora qui farò anche una piccola demo. |
| Quindi ho questi dati. |
| Ora, questo è un modello davvero semplice. Prenderò l'output del parametro Poisson e userò il contesto della richiesta, che è questo multilivello |
| variabile soggettiva. |
| E esegui quello, e vedi che c'è un RSquare di circa il punto quattro. Ciò significa che |
| non è insignificante. La vestibilità del modello è effettivamente abbastanza buona. |
| E l'adattamento per questo parametro è molto buono. Non copre tutta la varianza, ma va bene perché non ce lo aspettiamo; sta solo dicendo che questo è un modello abbastanza buono per quello che fa. |
| Potrebbe anche essere fatto esclusivamente come tabulazione, ma mi piace questo approccio perché semplifica il lavoro e mi dà un'idea di quanta variabilità viene affrontata in questo adattamento. |
| Può andare qui e guardare il |
| reale per previsto, e vedi, sì, non è un ottimo modello, ma serve a uno scopo. |
| E un'altra cosa che puoi fare è salvare la formula di previsione. |
| E così vedete qui. |
| Poiché l'ho già fatto, questo viene sottoscritto automaticamente. |
| Vedete che ciò a cui ciò equivale essenzialmente è giusto |
| una costante |
| più una compensazione per contesto di richiesta. |
| Non c'è nessun intervento chirurgico missilistico coinvolto. |
| Ma ora, se voglio fare una normalizzazione, |
| aggiungi una colonna. |
| Chiama questo |
| Norm Poisson Ancora una volta perché l'ho già fatto una volta allo scopo di farlo |
| tavolo in primis. |
| Trova Poisson. C'è il mio parametro Poisson. Dividilo per il |
| vestibilità del modello. |
| In realtà avrebbe dovuto funzionare. |
| Non sono sicuro di cosa stia succedendo qui. |
| Ok, non fare mai demo dal vivo questa è la regola, ma ha sempre funzionato in passato e non sono davvero sicuro di cosa stia succedendo. |
| C'è il mio parametro Poisson. |
| Ecco la mia formula di previsione. |
| Oh. Non dovresti mai provare a dividere qualcosa per |
| si. Ecco perché non ha funzionato. |
| Adesso è testardo. |
| Bene. |
| A volte le cose sottili contano. Quindi ecco il Poisson normalizzato. |
| E la cosa interessante è che |
| puoi adattarlo. |
| E dalle bottiglie disponibili vedi che la Johnson SL si adatta meglio e fa un ottimo lavoro. |
| E puoi anche |
| adatta Y per X. |
| Prendi questo output |
| e adatto al contesto della richiesta. |
| E prendi questa trama Oneway. |
| Sembra molto più regolare del precedente che ho mostrato. Molto più plausibile che questi abbiano la stessa distribuzione. Vedrai un intervallo più ampio quando su quelli che hanno più dati ma non lo è, |
| non è sorprendente, davvero. |
| E se guardi il test delle varianze disuguali, puoi vedere che non c'è alcuna indicazione che disuguali le varianze. |
| Questa non è una prova che non lo facciano, ma è un modo per dire che è ragionevole utilizzare un modello in cui si presume che abbiano la stessa distribuzione. |
| Così. |
| Torna a questo. |
| Oh, ho anche eseguito un test di Kolmogorov-Smirnov di ciascun contesto rispetto a tutti gli altri, e di così 78 casi, solo uno di questi ha mostrato un p-value inferiore a .05. |
| I valori P non provano nulla, ma ciò di cui danno un'indicazione è che è ragionevole trattare solo questi provenienti dalla stessa distribuzione. |
| Ed ecco solo la versione esplosa per quel sottoinsieme più piccolo appena prima, ma puoi vedere che questo è plausibile; non è una prova, ma è plausibile. |
| E con la bontà del fit test |
| ancora una volta, sembra ragionevole |
| Johnson SL è un modello ragionevole da utilizzare qui per descrivere la distribuzione dei parametri di Poisson, la distribuzione dei parametri di Poisson normalizzata, per questo set di dati. |
| La stessa cosa può essere fatta per Gamma-Poisson e quel sottoinsieme di dati e quel parametro Lambda, che è il parametro equivalente. |
| E ancora una volta funziona. |
| Per eseguire il parametro Sigma in realtà uso un Sigma meno uno perché Sigma si trova su una linea di base di uno. |
| E il modello qui è di qualità ancora inferiore, se vuoi, ma è necessario utilizzarlo |
| passaggio di modellazione separato perché Lambda è correlato a Sigma e quindi vuoi essere in grado di modellare quell'effetto al suo interno. |
| Ancora una volta, ottieni una vestibilità decente. |
| In questo caso è il Johnson Su. |
| E quindi ecco cosa sta succedendo. Generiamo parametri sintetici di distribuzione casuale. |
| Da un sottoinsieme di dati, genera un modello lineare basato sul contesto. |
| Normalizzare una distribuzione di parametri e adattarla a un modello continuo parametrico comune. |
| E quindi per generare il parametro sintetico ottenere un numero casuale dalla distribuzione dei parametri normalizzata e moltiplicarlo per il risultato del modello lineare appropriato, vale a dire, per "denormalizzarlo". |
| Ora valutando i parametri sintetici del modello casuale, ho usato di nuovo il test KS e puoi vedere che non c'è modo di distinguerli davvero, quindi almeno è un modo per dire che sembra credibile |
| rispetto ai casi reali. |
| E ho anche realizzato un modello in composito. |
| Trasformato in una funzione in modo che possa essere una funzione richiamabile che sarebbe quindi, e questo è in JSL, funzione richiamabile in JMP Scripting Language |
| per generare parametri per richieste di lavoro casuali con il contesto come input, tutte le diverse caratteristiche del contesto. |
| Ora, non entrerò in tutti quei dettagli, ma il punto è che puoi creare una visualizzazione usando coppie di parametri casuali sintetici che ti danno un'idea non solo di dove si trovano le cose in genere in questa mappa termica, ma anche |
| una specie di idea dei valori anomali, cos'è un valore anomalo plausibile e fino a che punto si spinge davvero. |
| E puoi anche vedere se fai una correlazione che la correlazione tra Lambda e Sigma |
| e tra Lambda sintetico e Sigma sintetico sono quasi gli stessi. |
| Sta modellando quella relazione ragionevolmente da vicino. |
| E poi, se guardi questo con i dati reali inseriti, |
| che sono piccoli punti neri nel grafico principale. |
| Il novantotto percento della densità sintetica si trova nella regione rossastra indicata dal tratteggio a croce, che è il riquadro centrale con un quadrato verde attorno. |
| Tutti i punti dati, di cui 43, |
| cadere lì. |
| E così. |
| Anche questo è il sintetico sta modellando ciò che accade davvero abbastanza bene. È credibile ma ti mostra cosa potrebbe accadere in quell'altra piccola percentuale di casi. |
| Quindi questo è quanto ho preso la modellazione, ma quello che puoi vedere è che puoi usare il contesto; puoi usare altre variabili come quanto |
| la specificità è messa nel linguaggio per l'annuncio di lavoro che renderà meno persone qualificate, forse spaventerà alcune persone. |
| Puoi guardare il modo in cui è realizzata la lingua. Al giorno d'oggi, le persone utilizzano gli strumenti delle risorse umane per creare un linguaggio più accettabile. Puoi vedere quanta differenza fa in termini di ciò che ottieni nel tempo e di molteplici richieste di lavoro. |
| Potresti trattarli come fattori per il modello e quindi ottimizzare il modo in cui applichi |
| queste funzionalità nella creazione di richieste a seconda di ciò di cui hai bisogno. |
| Ma ora passerò a, ok, che aspetto ha di nuovo. Di nuovo principio di base, quindi per un caso di Poisson con sette a settimana, il 30% delle volte, il conteggio sarà cinque o meno. |
| Quindi dovresti aspettarti che uno di questi sia che dovresti aspettarti che il numero di applicazioni richiesto |
| il tempo necessario per ottenere una selezione ragionevolmente competitiva per l'assunzione varierà, perché anche con una media di sette il numero che ottieni varierà un po'. |
| La varianza di Poisson è la stessa del parametro, quindi si ottiene un'ampia variazione. |
| E quindi, se sei abituato a pensare in termini di medie a lungo termine |
| o ancorato da un altro caso potresti essere respinto da qualsiasi istanza specifica. |
| E il problema è questo bias di riconoscimento del modello. |
| L'illusione del raggruppamento è questa tendenza a considerare che le inevitabili strisce o gruppi che arrivano in piccoli campioni significano che c'è un effetto non casuale in corso, c'è una sorta di intento. |
| Ed è chiaramente irrilevante per i dati distribuiti di Poisson come scoprì RD Clarke nel 1946 con la sua analisi della bomba a V tedesca. |
| siti che cadono nell'area di Londra. |
| Le persone avrebbero visto i raggruppamenti e avrebbero pensato che significasse qualcosa, ma è stato in grado di dimostrare che era abbastanza soddisfatto guardando il processo come Poisson |
| distribuito, il che significa che a volte otterrai comunque dei cluster, e sicuramente tutte le volte che hai visto. |
| Quindi questo significava che in realtà quello che stava succedendo non era che miravano a qualcosa in particolare, ma che miravano in generale a Londra e generalmente colpivano da qualche parte a Londra. |
| In questo caso qui, guardando i lavori, la probabilità di ottenere una sequenza in un arco di tre settimane, in cui si ottiene un conteggio decrescente o crescente è di circa il 12%. |
| In questo esempio, la probabilità di ottenere un conteggio di due settimane in calo, vale a dire che una è più grande dell'altra, è del 45%. |
| Questi sono modelli davvero brevi; non dovrebbero essere pensati come un significato, ma possono essere pensati in questo modo da persone che non sono consapevoli della natura delle statistiche. Questo è davvero il punto qui. E questo può portare a reazioni eccessive. |
| Ora la variabilità per campo di pratica è di circa un ordine di grandezza. |
| Alcuni campi sono più difficili da reperire rispetto ad altri, quindi le aspettative delle persone possono essere distorte se non capiscono queste differenze. |
| E se guardi alle richieste in generale, non solo per campo di pratica, puoi vedere circa un fattore 25 di differenza nel 95% |
| vanno dal 2,5 percento fino al 97,5 percento. È ancora un'enorme variabilità |
| nelle tariffe. |
| E poi se hai capito come questo è stato influenzato da come è stato creato il linguaggio del post, quanto restrittivo, quanto generalmente, |
| cosa attira la lingua, pubblicizzando tutti questi fattori, |
| allora potresti decidere tu quanto |
| vuoi impegnarti per aumentare quei tassi e portare a termine il processo più velocemente. |
| Quindi ecco un caso per un annuncio di lavoro specifico utilizzando quel modello di simulazione di cui ho parlato prima. |
| Professionista affermato presso il Sito A e campo disciplinare 9, ancora una volta questa è tutta roba di proprietà, quindi non verrà rivelato di cosa si tratta; questo è solo un particolare tipo di professionista. |
| Ottieni questa differenza molto ampia da |
| attraverso il 95% di confidenza, da qualche parte tra zero e nove con una mediana di due. |
| Questo può gettare le persone, queste statistiche sui piccoli numeri possono gettare le persone, perché si aspettano che le cose siano più regolari. |
| Ci sono limiti del modello e dell'approccio. |
| Sempre i dati, la qualità dei dati, conta. I campi assunti di rado con serie di competenze rare mancheranno essenzialmente dal set di dati con ogni probabilità se i dati vengono raccolti in un breve lasso di tempo. |
| Ma d'altra parte, molte delle variabili esterne su cui non hai il controllo |
| può essere |
| cambiare durante il periodo di raccolta dei dati se si utilizza un periodo di tempo lungo come base per queste analisi. |
| E l'approccio della modellazione non considera l'auto-cannibalizzazione. Se hai due richieste aperte all'interno di un campo e i candidati fanno domanda per entrambe o ne scelgono una. Forse nei casi scelgono quella che ritengono sia l'occasione migliore. |
| Questo modello non fa nulla al riguardo, ma rappresenterebbe il risultato del mondo reale semplicemente catturando ciò che accade. |
| Tuttavia, non rappresenta la portata dell'opportunità persa, perché se probabilmente vorresti che si applicassero a tutti, potrebbero essere qualificati solo per vedere dove potrebbero adattarsi. |
| Quindi conclusioni. Alcune risposte alla domanda di lavoro a un annuncio di lavoro tendono a essere distribuite come Poisson o Gamma-Poisson. |
| E questo è stato verificato su un ampio set di dati composto da circa 2.500 richieste totali. |
| I parametri di distribuzione per la risposta dell'applicazione variano notevolmente. |
| Se normalizzato |
| possono adattarsi a profili comuni. |
| E quei modelli concisi che risultano dai profili comuni facilitano la generazione di modelli sintetici di richiesta casuale. |
| Ciò consentirebbe a una persona di eseguire una sorta di scoping o analisi |
| probabilità |
| su diverse circostanze. |
| Penso che sia importante ricordare che i modelli di arrivo delle applicazioni possono colmare un'importante lacuna per la comprensione del ciclo di vita completo dei dipendenti perché forniranno una prospettiva per i responsabili delle assunzioni e i professionisti del personale in merito a tali pregiudizi di modello. |
| Possono essere utilizzati in modelli basati su eventi o agenti discreti come un modo per generare candidati se si desidera farlo in un modo realistico. |
| E |
| forse la cosa più importante, dal punto di vista economico, |
| è un modo per inquadrare il costo per candidato rispetto alle caratteristiche del lavoro e vari altri fattori esterni variabili e fuori controllo. |
| Ciò, quindi, darebbe una migliore comprensione di cosa aspettarsi in termini di quanto velocemente potrebbero essere riempite le cose, quanto velocemente potrebbero essere riempite le aperture e quanto costerebbe farlo |
| a seconda dei rapporti con la pubblicità e così via. |
| Questo conclude ciò che intendevo presentare oggi e |
| Dirò solo che se hai domande dovresti avere le informazioni di contatto da questo |
| video, o dove è posizionato, e sentiti libero di contattarci. |
| Cristo Spagna | Ok, è stato fantastico. |
| sì, tranne per la parte in cui la mia cosa non ha funzionato perché ho rovinato la DEMO. |
| Ma è stato un buon, sicuro, è stato un buon SALVATAGGIO. Alla fine ho capito cosa stavo facendo. |
| sì, JMP non farà cose stupide, non importa quanto tu lo voglia. |
