Altavoz | Transcripción |
| Cristina España | Buenas tardes. |
| Hola, cómo estás hoy. |
| Estoy bien, Como estás tu. |
| Cristina España | Bien gracias. |
| donde estas ubicado thor |
| Sí, Christy España. |
| Y Albuquerque Nuevo México. |
| Cristina España | eso es lo que estaba pensando. |
| tengo el derecho |
| Cristina España | tres dígitos por ahí. |
| No ahora. |
| Está bien, tenemos un. |
| Huracán que viene del. |
| los cerdos de bolas van a bajar las temperaturas. |
| Cristina España | Bien, ¿cómo se llama ese? |
| No sé, normalmente no sucede mucho y no he estado prestando mucha atención. |
| bien. |
| Cristina España | Estoy como que me agarró con la guardia baja, pero sabes que eso es un golpe de golf, ayer estuvieron bastante duros, así que todos aquí están llenando de gasolina, porque la tubería ahora está cerrada. |
| Así que dónde estás. |
| Cristina España | Estoy en la sede de Cary en Carolina del Norte, sí. |
| um, así que veamos, ¿has hecho, hiciste alguna grabación para nosotros el año pasado o. |
| Hice el mío el año pasado. |
| Posiblemente una de las razones por las que estamos haciendo esto. |
| Esta vez. |
| Vaya. |
| Cristina España | Es gracioso. |
| um, déjame ver, tengo una pequeña lista de verificación, déjame abrir eso como cerrar demasiadas cosas cuando. |
| Estaba tratando de borrar todo, así que no obtuve ninguna ventana emergente, ¿cerraste todas tus aplicaciones y. |
| Todavía no lo he hecho, y también tenía una pregunta. |
| Claro, eh. |
| Dijo que se supone que debo subir cosas antes de mi grabación, pero no puedo porque no tengo un enlace. |
| Cristina España | Estoy subiendo es y qué cosas. |
| Y materiales de presentación. |
| Cristina España | Está bien, averiguaré cuál es ese enlace para ti. |
| Así que volví y revisé mis viejos correos electrónicos. No pude encontrarlo. Estoy pensando bien. |
| Estoy. |
| No es gran cosa pero. |
| Cristina España | Sin embargo, definitivamente deberíamos poder seguir adelante y grabar. |
| Bien, sí. |
| Cristina España | Permítanme encontrar una pequeña lista de verificación, pero parte de esa lista de verificación se está cerrando en sus aplicaciones. |
| iré a hacer eso. |
| No necesitas equipos de Microsoft. |
| Cristina España | No tienes nada, ningún logotipo en tu camiseta, así que eso es bueno. |
| Sin logotipos. |
| Probablemente tampoco lo necesite ahora mismo. |
| Cristina España | No pude averiguar cómo no molestar a los equipos. |
| Los equipos bien. |
| Una de las cosas de lo moderno. |
| La tecnología es que la gente no te está dando instrucciones, es más, te están dando esta cosa y se supone que debes resolverlo. |
| Cristina España | Bueno, escribí y la sección de ayuda D amp D y actuó como si estuviera buscando algún mensaje o algo por el estilo, y mi Ok, o estaba bien, lo cerré así. |
| Bueno entonces. |
| Tengo algunas aplicaciones abiertas pero. |
| Mira esa pequeña cosa de los equipos parásitos. |
| Cristina España | estamos bien entonces. |
| Bueno, lo pusieron en este pequeño menú oculto para que todavía esté allí, junto con Skype porque quieren poder contactarte, pase lo que pase. |
| Cristina España | Y sabes, creo que tal vez deberíamos hacer que tomaras uno del fondo. |
| Dice que no hay infracción de derechos de autor, pero sabes muchos libros allí, así que tal vez. |
| Oh, bueno, tengo libros aquí atrás, pensé que no era gran cosa porque realmente no puedes leerlos, pero está bien. |
| Cristina España | No sé, odiaría hacerlo. |
| Tengo que devolverte la llamada y decirte que lo voy a dejar pasar. |
| Sí, no quiero hacerlo dos veces. |
| No. |
| Quiero decir que estoy seguro de que será muy divertido, pero no quiero volver a hacerlo. |
| solo me deshago de los equipos. |
| son todos los equipos se ha ido. |
| Bien, entonces estos fondos, tengo algo en eso. |
| Tengo que volver a Outlook. |
| Cristina España | O podrías simplemente quizás lo hagamos. |
| Mira, nunca los usé. |
| Realmente nunca los usé. |
| sí, porque analizan para desdibujar. |
| sí. |
| Ya sabes, cada vez que haces cosas para moverte, veo que la gente los usa y las cosas se desdibujan y ven toda la basura que hay en su habitación. |
| Ver así desde. |
| tania |
| tanya tan nuevo síntoma. |
| Aquí vamos así. |
| Esos son mosaicos sociales, ya sabes qué mosaicos sociales. |
| Fondos virtuales así que diagrama de dispersión azul. |
| solo haré eso |
| Vamos. |
| Así que es que ahora la pregunta sería cómo hago. |
| Usalos, usalos a ellos. |
| vamos a ver. |
| Cristina España | Pensé que estaría debajo de los tres puntos pequeños, pero no es así. |
| Vale, no tengo claro dónde están los patos. |
| ¿Dónde encuentras los puntos? |
| Cristina España | Pues ya sabes en la parte inferior, donde tienes compartir pantalla y chatear. |
| Y todo eso hay como un poco más. |
| Eso pero es que no veo ninguna opción de cambio en el fondo, ahí. |
| tampoco |
| Cristina España | Vamos de ida y vuelta entre tantos diferentes. |
| herramientas aquí es difícil. |
| es vamos a hacer una búsqueda rápida. |
| Fondo virtual bajo cámara pulida. |
| Vaya. |
| Asi que. |
| Y luego tienes que saber dónde está el fondo virtual porque no lo dijeron. |
| Cuál, deberías usar o algo así, no, no, no. |
| Cristina España | Oh, eso se ve bien. |
| Ah, bien, porque no estaba seguro de poder hacer mucho más, está bien, así que ahora tenemos el fondo y si me muevo mucho, funciona bastante bien, en realidad, solo me equivoco un poco, está bien. |
| Cristina España | y |
| ¿Tuviste automáticamente tu barra de tareas? |
| vamos a ver cómo hago eso. |
| Cristina España | Bajas a tu barra de tareas y haces clic derecho. |
| Sí, en un lugar que no tiene nada en él. |
| No. |
| el problema es que mi barra de tareas está totalmente suscrita. |
| Cristina España | el mio tampoco se esconde no se porque. |
| ¿Es sí? |
| configuración de la barra de tareas aquí vamos. |
| es lunes oculta automáticamente la barra de prueba de prueba en el modo de escritorio. |
| En. |
| Bien, ahora parece estar oculto automáticamente, excepto que no está oculto. |
| Cristina España | Bueno, si te desplazas hacia arriba, desaparece. |
| Así que el único aparece si. |
| Tengo algo de actividad que sale bien. |
| Cristina España | Y luego tu sonido es genial. |
| y |
| Cristina España | Quiero que practiques compartir, para que podamos verificar tu resolución y todo eso. |
| Bien, veamos. |
| Seguro que algo específico va a ser un problema. |
| Para compartir la pantalla, voy a mostrar cómo te ves. |
| Cristina España | Bueno, puedes continuar y compartir tu contenido. |
| sí, pero quiero alternar entre las diapositivas y la aplicación JMP, así que quiero poder mostrar. |
| mi pantalla |
| Así que de alguna manera terminé. |
| Con la pantalla ya te tengo en una pequeña ventana aquí. |
| Cristina España | En la parte superior, puede ver y cambiarlo a lado a lado o eso es lo que tengo. |
| Apagar mi cámara porque nadie quiere verme de todos modos. |
| todo se trata de ti hoy. |
| Mostrar video en miniatura de video de altavoz activo pequeño. |
| Bien, eso te muestra. |
| Nos muestra a ambos esto muestra una cuadrícula. |
| Y eso hace que todo sea realmente pequeño. |
| Y ya no puedo verme. |
| Pero puedo mover esta cosa. |
| Cristina España | Bueno, puedo verte triste con tu PowerPoint. |
| Bueno, aquí hay una pregunta que me hizo mi PowerPoint en el modo de escritura normal. |
| Pero si voy a la vista de presentación. |
| Se hace más grande, pero luego tengo que seguir yendo y viniendo entre esa y la otra vista. |
| Cuando haces el video. |
| ¿Va a enfocarse en las partes que son relevantes o simplemente va a mostrar en la pantalla lo que esté pasando? |
| Cristina España | sí, solo vamos a mostrar lo que sea. |
| Entonces, la mayoría de la gente usa el modo de presentación y luego, si necesita salir de eso y abrir su pantalla JMP, puede hacerlo. |
| y volver si eso tiene sentido, y si terminamos de verte sabes algo de tu. |
| sí, eso se ve genial. |
| Bien, supongo que esto es lo que haremos y simplemente escaparé e iré a JMP cuando sea necesario. |
| Cristina España | ¿Quieres probar eso realmente rápido, para que podamos asegurarnos de que sea del tamaño correcto? |
| sí. |
| Cristina España | se ve muy bien. |
| Bueno. |
| Entonces es visible. |
| Cristina España | Bien, entonces ahora, necesito hacerlo. |
| confirme el nombre de su empresa y el título del resumen, por favor. |
| El nombre es Thor Osborn. La empresa es Sandia National Laboratories. |
| El título del resumen debe ser Modelo de llegada de solicitudes de empleo para la simulación y gestión de la adquisición de talentos. |
| Cristina España | Perfecto. Y luego entiende que esto se está grabando para su uso en Discovery Summit. |
| conferencia de JMP y estará disponible públicamente en la comunidad de usuarios de JMP. ¿Usted da permiso para ese uso y grabación? |
| Gracias. |
| Cristina España | Y creo que estamos listos, Thor, así que voy a silenciarme y |
| Puedes irte cuando estés listo. El objetivo es llegar directamente. No voy a decir nada ni a detenerte a menos que suceda algo catastrófico. ¿Qué hay sobre eso? |
| De acuerdo, el objetivo es ir directamente y ¿cuánto tiempo se supone que debo tener? |
| Cristina España | 30 minutos. |
| Bien, ahora creo que tienes un poco de margen porque les gusta dejar tiempo al final de la reproducción para preguntas y respuestas, así que si se pasa un poco, está bien. |
| Bien, ahora, antes de irnos, hay una pequeña ventana que dice hablando y quién está hablando. |
| Porque encogen la pequeña cosa del video. |
| Bien, mi pantalla muestra la vista de presentación, o muestra eso, con este pequeño inserto en la parte inferior derecha. |
| Cristina España | Todo lo que veo es la vista de presentación. |
| Bien, entonces de alguna manera están flotando esto. |
| Cristina España | Eso tiene que ser molesto. |
| Está bien, siempre y cuando no estorbe, quiero decir que no pongo nada allí. |
| Cristina España | esta bien. |
| sí. |
| Está bien. |
| Cristina España | Está bien, voy a ponerme en silencio y luego estarás listo. |
| Bueno. |
| Entonces, mi nombre es Thor Osborn. Trabajo en Sandia National Laboratories como analista principal de investigación de sistemas. |
| Mi charla de hoy es Modelo de llegada de solicitud de empleo para simulación y gestión de adquisición de talento. |
| Y espero que lo disfrutes. |
| Tengo tres objetivos básicos aquí. Una es presentar el caso comercial de por qué querría modelar los tiempos de llegada de las solicitudes de empleo. Otra es mostrar un proceso sencillo para crear un modelo conciso y ampliamente aplicable utilizando este tipo de datos. |
| Y luego demostraré ese proceso en datos de una gran organización de investigación y mostraré brevemente lo que puede hacer con eso. |
| Técnicamente, repasaré la comprensión de los datos porque creo que este tipo de datos es un poco inusual para la mayoría de las personas. |
| Los modelos fuente, esencialmente, este es un modelo fuente |
| análisis, así que hablaré de los modelos de Poisson y Gamma-Poisson. |
| Haré algunos análisis y algunas transformaciones para que sea más fácil trabajar con esto y luego mencionaré brevemente cómo podría hacer los modelos. |
| Entonces, en lo que respecta a las motivaciones, hay tres áreas básicas de motivación. Una es mejorar el proceso de adquisición de talento y la función empresarial. |
| Otro es mejorar la comprensión de los ejecutivos que lideran la empresa, y luego el tercero es ayudar a enmarcar las expectativas para los gerentes de contratación. |
| Comenzaré con la adquisición de talento. La tasa de contratación y el retraso dependen de los flujos a través de las etapas de investigación en la canalización de adquisición de talento. Pero lo más importante es que debe tener suficientes solicitudes de empleo antes de poder ir a cualquier parte con el proceso. |
| Y las tarifas y los patrones varían bastante según el campo, la especificidad de las publicaciones que se publican, la competencia, cuánto anunciaste, etc. |
| Un marco matemático común para la llegada de aplicaciones podría permitir una mejor comprensión del espacio comercial para mejorar las tasas de captura de aplicaciones, |
| así como otras cosas. Algunas aplicaciones de relaciones clave capturan la tasa y la variación frente al contexto laboral, lugar de trabajo, nivel de carrera, campo de práctica. |
| Capture los impactos de las tasas de las variables ajustables, la especificidad de la publicación de trabajos, el idioma de la publicación, y con eso no me refiero al inglés versus al español, sino a la forma en que se enmarcan las cosas. |
| Y esfuerzos de reclutamiento dirigidos. Y luego, los impactos de la tasa de captura de factores externos, como las condiciones económicas, la competencia en el campo de la práctica, |
| qué tan grande es la población profesional a la que realmente está llegando dentro de su área de reclutamiento. |
| Y creo que es importante reconocer que la adquisición de talento enfrenta la restricción típica que a menudo se ve con la ejecución de un proyecto o programa: tiempo, calidad y costo. |
| Se necesita tiempo para recoger las solicitudes. Desea obtener una alta calidad de los solicitantes. Eso cuesta dinero, y cuanto más rápido intentes ir, más te costará. |
| Así que hay compensaciones aquí. |
| Los ejecutivos a menudo se involucran en el proceso a través de la planificación de la fuerza laboral, que es un término general pero, básicamente, se trata de un plan anual. |
| Pero en ausencia de modelos relevantes y retroalimentación sobre el costo de las cosas, la consideración de la restricción típica y la asignación de presupuesto o procesos de personal podría ser subjetiva o estar ausente. |
| Y con eso me refiero a que a nivel ejecutivo, los recursos humanos a menudo se ven simplemente como un costo necesario, pero no necesariamente como una palanca para hacer avanzar a la empresa. En parte por falta de información, por lo que brindar información podría ser una forma de mejorar esa situación. |
| Además, las expectativas del gerente de contratación. |
| Básicamente, estamos tratando con estadísticas de números pequeños, números pequeños de aplicaciones. |
| Los seres humanos están realmente sujetos al sesgo de patrones, y la mayoría de los gerentes de contratación no contratan personas todas las semanas, por lo que no están acostumbrados a ver esto desde la perspectiva de muchos casos diferentes durante un largo período de tiempo. |
| Y eso puede conducir a anclarse en la última situación a la que se enfrentaron, lo que puede conducir a un sesgo de patrón en el que observan la cantidad de solicitantes que bajan de una semana a la siguiente y calculan que eso debe significar que han accedido a todos los interesados. |
| Y el problema con estas respuestas intuitivas a los sesgos que pueden conducir a reacciones exageradas porque, como siempre con las estadísticas de números pequeños, obtienes información errónea si no la tomas en ese contexto. |
| Así que un poco sobre los datos. Los datos de llegada están vinculados a solicitudes de trabajo específicas. Entonces, tiene una solicitud de trabajo, hay una publicación para esa solicitud y las solicitudes llegan como consecuencia de la publicación. |
| Se caracterizan de varias maneras por la ubicación del sitio; fase de carrera; |
| visibilidad, qué tan ampliamente se hace visible; |
| campo de práctica, lo que estás haciendo; |
| y requisitos específicos que pueden ser muy amplios o muy limitados dentro de esos campos. |
| Y las solicitudes se pueden enviar durante el período de tiempo en que se puede acceder a una publicación de trabajo, por lo que generalmente hay un marco de tiempo definido. |
| Se rastrean por fecha. |
| Ahora, en este caso, usando datos reales para el análisis posterior, tengo que usar la fecha de la última solicitud enviada como la fecha de cierre de la publicación, pero no es necesariamente cierto. Pero, como suele suceder con los datos reales, no tenemos todos los datos que nos gustaría tener. |
| Y diré finalmente que |
| estás contando el número de aplicaciones por día. Cuando ve cero aplicaciones para un día, eso es un conteo de cero. |
| Entonces, al pensar en un grupo nacional de posibles solicitantes para un puesto de trabajo, |
| empleador pone información en el mundo. |
| Algunas de las personas en el grupo nacional de posibles solicitantes presentan solicitudes. |
| generalmente se supone que serán pocos en relación con el total que podría. |
| Y entonces tienes este vasto grupo de solicitantes. Es una fuente y cualquier aplicación o perturbación menor en esa fuente. |
| Y, para ser muy explícito, esto podría ser muy aburrido para las personas que están acostumbradas a lidiar con las matemáticas de Poisson, pero |
| si ve la llegada de una aplicación el primer día, esa es una instancia de una cuenta de uno. Día dos no hay llegada de aplicaciones. Esa es una instancia de una cuenta de cero. Y así, en el extremo derecho, ven tres instancias de cero, tres instancias de uno, un dos y un tres. |
| Y eso puede encajar, aunque no son muchos datos, puede encajar con el modelo de Poisson, y ven la línea azul ahí abajo a la derecha. |
| Entonces, una tasa promedio de llegada de una aplicación por día, pero el recuento real por día variará a lo largo de la distribución. Y eso es. |
| Por lo tanto, la distribución de Poisson se puede utilizar para describir la probabilidad de un conteo producido en una unidad de tiempo al emitir aleatoriamente una fuente de elementos discretos que tienen una tasa de emisión media constante Lambda por unidad de tiempo. |
| Y obtienes esta ecuación. Y, entonces, en el caso de contar hasta cuatro, que mostró una probabilidad muy pequeña en la diapositiva anterior, |
| esencialmente tienes uno a la cuarta. |
| veces e elevado a menos Lambda, así que básicamente 37% |
| dividido por cuatro factoriales, o 24, y por lo tanto algo en la vecindad de uno y medio por ciento, lo que da una probabilidad pequeña pero distinta de cero. |
| Entonces, como primera hipótesis |
| asumiríamos que los miembros del grupo de posibles solicitantes distribuidos a nivel nacional para este trabajo ampliamente publicitado actúan de manera descoordinada |
| con respecto a las oportunidades de empleo, por lo que un modelo de Poisson podría tener sentido. |
| Así que es una hipótesis inicial razonable. |
| Ahora, ¿qué pasa si interactúan? |
| Entonces, eso se puede concebir en términos del modelo de fuente Gamma-Poisson, que es esencialmente un componente de Poisson que utiliza una distribución Gamma como distribución de mezcla. |
| O puede pensar en ello como un Poisson borroso porque la tasa, la tasa promedio, no es una tasa promedio constante, sino que cambia de un momento a otro. |
| Y esto puede suceder bajo una hipótesis alternativa de que los solicitantes se comporten de manera coordinada, |
| lo que podría suceder si hubiera redes de personas hablando entre sí sobre oportunidades de trabajo, etc. |
| Ahora aquí está |
| una diapositiva sobre cómo generar el Gamma-Poisson. Esto es algo básico, pero creo que mirar estas distribuciones puede ser útil. |
| Así que voy a salir y hacer una pequeña DEMO en JMP. |
| Ahora, lo que ven aquí, Gamma aleatorio cuatro-uno, solo significa Gamma aleatorio con un parámetro de cuatro y un parámetro de escala de uno, por lo que el promedio es cuatro. |
| Miras la distribución. Hay 100.000 filas aquí; obtienes una curva como la que viste en la diapositiva. |
| El promedio es de cuatro, lo que sucede cuando haces algo muchas veces. |
| es casi exactamente lo que se supone que es. |
| Ahora, toma esa distribución y úsala. |
| como alimento para un Poisson aleatorio. |
| Y obtienes esto. |
| Que no se parece al Poisson de antes porque se ha borrado. |
| Si observa un ajuste de Poisson, encontrará que el mejor ajuste |
| para cuatro como promedio, que es todo lo que realmente puede hacer, |
| tiene una dispersión más estrecha que el Gamma-Poisson y solo para comprobar que sí, es un Gamma-Poisson, |
| Mira la línea roja allí. |
| Y encaja muy, muy bien. |
| Casi perfectamente. |
| Entonces, esencialmente, este es, este es un caso en el que haber pasado por eso |
| proceso de comunicación, por así decirlo, el Poisson ya no es el mejor modelo. |
| El caso que acabo de mostrar se muestra aquí en la parte superior derecha de este panel cuádruple. |
| Sigma es igual a dos, el parámetro de sobredispersión de dos. |
| Si tiene un parámetro de sobredispersión de uno, Sigma es igual a uno, en la parte superior izquierda, entonces eso es esencialmente lo mismo que la distribución de Poisson nuevamente. |
| Pero a medida que aumenta el parámetro de sobredispersión, pasa de una joroba seguida de una cola, a algo que se parece más a una exponencial en descomposición. Verás que en la parte inferior derecha en el azul, |
| los colores se cambian aquí frente a lo que eran antes, por lo que si hay una confusión al respecto, lo siento. |
| Ahora aquí está con datos reales. |
| Así es el caso de la publicación de ingeniería mecánica de carrera temprana ampliamente accesible. |
| 140 aplicaciones para crear 131 conteos, muchos de los cuales son cero, por lo que esto se extiende a lo largo del tiempo: ciento treinta y un días. |
| El Gamma-Poisson encaja mejor, y lo ves en la parte superior izquierda. |
| Estoy usando el criterio de Akaike, el AIC |
| métrico. |
| En la parte inferior izquierda, verás |
| un puesto experimentado. Ahora los profesionales experimentados no tienen las redes de, digamos, gente de colocación universitaria y demás. |
| O necesariamente la inmersión constante con otras personas que verías en un entorno universitario. Esto no es prueba de nada, sino solo una forma de racionalizar que tal vez es por eso que ve un comportamiento de Poisson más clásico con respuestas típicamente profesionales experimentadas. |
| Y solo para mostrar aquí, parece que también se correlaciona con la cantidad de aplicaciones. Otros factores que importarían parecen ser la |
| etapa de la carrera. |
| Como acabo de mencionar, el estado FLSA (no exento) significa, digamos, tecnólogos en lugar de personal exento. |
| Esos factores parecen importar, pero definitivamente hay un sesgo a medida que aumenta el recuento de aplicaciones, es más probable que se distribuya por Gamma-Poisson. |
| Ahora, cómo se preparan estos datos para el análisis. Fechas de aplicación por requisito de trabajo. |
| Ceros de ajuste tabulados para |
| cuando no hay cuenta. |
| Y luego ajuste el Poisson y el Gamma-Poisson para cada requerimiento para averiguar cuál le da el mejor valor de AIC. |
| Paralelamente, la tabla de resumen de solicitud se creó con una línea o una fila por solicitud y luego se fusionaron para proporcionar parámetros para Poisson y Gamma-Poisson, así como el parámetro AIC que indica cuál es más probable. un mejor ajuste. |
| Y obtienes un resumen de Poisson y un resumen de Gamma-Poisson después del subconjunto, porque estos son difíciles de manejar juntos. |
| Puede usar el Gamma-Poisson con un sigma de uno, pero luego termina con una inflación cero y se vuelve complicado de manejar, así que en su lugar los estoy tratando por separado. |
| Cualquiera que sea el subconjunto que se utilice, el proceso mostrará el modelo lineal de ajustes para el parámetro frente a los controladores. |
| El parámetro es normalizado por el modelo. |
| Y luego miro para ver si una distribución común es plausible en todas las condiciones del controlador, que en este caso es esencialmente el contexto de solicitud de ubicación del sitio, carrera temprana o tardía, etc. |
| Si es posible que caigan en la misma distribución, entonces es posible crear un conjunto de parámetros de distribución común y usarlo para todo el conjunto de datos. |
| De lo contrario, el enfoque falla y, en este momento, no tengo ningún mecanismo para enfrentarlo, por lo que fortuitamente eso no sucedió, pero es algo en lo que pensar para el futuro. |
| Así que aquí hay una distribución de parámetros de Poisson por contexto donde el contexto tiene que ver con el sitio, ya sea una carrera temprana o tardía, o establecida, podría decir, |
| y si es, bueno, qué campo de práctica. Cada uno de estos tiene una "B" que significa amplio porque analizar solicitudes de trabajo solo internas es algo difícil y diferente con una oportunidad mucho más restringida, por lo que me quedo con el caso amplio en esta presentación. |
| Lo que puede ver es que la varianza media difiere de los contextos de solicitud de manera bastante obvia, y no, no se encuentran dentro de la misma distribución. Puedes demostrarlo fácilmente. |
| Mirando un subconjunto más pequeño, solo el fragmento inicial, el conjunto temprano del Sitio A, se vuelve más obvio que las medias y las desviaciones estándar están en todo el mapa. |
| Ahora aquí también voy a hacer una pequeña demostración. |
| Entonces tengo estos datos. |
| Ahora, este es un modelo realmente simple. Voy a tomar la salida del parámetro de Poisson y voy a usar el contexto de la solicitud, que es este multinivel |
| variable subjetiva. |
| Y ejecute eso, y verá que hay un RScuadrado de alrededor del punto cuatro. Eso significa que |
| no es insignificante. El ajuste del modelo es bastante bueno. |
| Y el ajuste para este parámetro es muy bueno. No cubre toda la varianza, pero está bien porque no esperamos que lo haga; solo dice que este es un modelo bastante bueno para lo que hace. |
| También podría hacerse puramente como una tabulación, pero me gusta este enfoque porque facilita el trabajo y me da una idea de cuánta variabilidad se está tratando en este ajuste. |
| Puede ir aquí, y mirar el |
| real por predicho, y verás, sí, no es un gran modelo, pero tiene un propósito. |
| Y otra cosa que puedes hacer es guardar la fórmula de predicción. |
| Y así lo ves aquí. |
| Debido a que ya hice esto, esto se suscribe a automáticamente. |
| Ves que lo que esto significa es esencialmente solo |
| una constante |
| más una compensación por contexto de solicitud. |
| No hay cirugía de cohetes involucrada. |
| Pero ahora, si quiero hacer una normalización, |
| agregar una columna. |
| Llama esto |
| Norm Poisson De nuevo porque ya lo hice una vez con el propósito de hacer esto |
| mesa en primer lugar. |
| Encuentra a Poisson. Ahí está mi parámetro de Poisson. Dividir eso por el |
| ajuste del modelo. |
| Eso en realidad se suponía que funcionaría. |
| No estoy seguro de lo que está pasando aquí. |
| Está bien, nunca hacer demos en vivo, esa es la regla, pero esto siempre ha funcionado en el pasado, y realmente no estoy seguro de lo que está pasando. |
| Ahí está mi parámetro de Poisson. |
| Ahí está mi fórmula de predicción. |
| Vaya. Nunca debes tratar de dividir algo por |
| sí mismo. Por eso no funcionó. |
| Está siendo obstinado ahora. |
| Bueno. |
| A veces las cosas sutiles importan. Así que aquí está el Poisson normalizado. |
| Y lo interesante de eso es que |
| puedes encajar esto. |
| Y a partir de las botellas disponibles, verá que Johnson SL se adapta mejor y hace un trabajo bastante bueno. |
| Y también puedes |
| ajuste Y por X. |
| Toma esta salida |
| y ajuste por contexto de solicitud. |
| Y obtén esta parcela Oneway. |
| Eso se ve mucho más regular que el anterior que mostré. Mucho más plausible que estos tengan la misma distribución. Verá un rango más grande cuando esté en los que tienen más datos pero eso no es así, |
| eso no es sorprendente, de verdad. |
| Y si observa la prueba de varianzas desiguales, puede ver que no hay indicación de que sean varianzas desiguales. |
| Eso no es prueba de que no lo hagan, pero es una forma de decir que es razonable usar un modelo en el que se ha asumido que tienen la misma distribución. |
| Asi que. |
| De vuelta a esto. |
| Oh, también hice una prueba de Kolmogorov-Smirnov de cada contexto frente al resto de ellos, y de los 78 casos, solo uno de ellos mostró un valor p de menos de .05. |
| Los valores P no prueban nada, pero lo que sí da una indicación es que es razonable tratar estos valores que provienen de la misma distribución. |
| Y aquí está solo la versión ampliada de ese subconjunto más pequeño justo antes, pero pueden ver que esto es plausible; no es una prueba, pero es plausible. |
| Y con la prueba de bondad de ajuste |
| De nuevo, parece razonable que |
| Johnson SL es un modelo razonable para usar aquí para describir la distribución de parámetros de Poisson, la distribución de parámetros de Poisson normalizada, para este conjunto de datos. |
| Esto mismo se puede hacer para Gamma-Poisson y ese subconjunto de datos, y ese parámetro Lambda, que es el parámetro equivalente. |
| Y una vez más eso funciona. |
| Para hacer el parámetro Sigma, en realidad uso un Sigma menos uno porque Sigma está en una línea de base de uno. |
| Y el modelo aquí es aún de menor calidad, por así decirlo, pero es necesario usar |
| paso de modelado separado porque Lambda se correlaciona con Sigma, por lo que desea poder modelar ese efecto dentro de él. |
| Nuevamente, obtienes un ajuste decente. |
| En este caso es el Johnson Su. |
| Y aquí está lo que está pasando. Generamos parámetros de distribución aleatorios sintéticos. |
| A partir de un subconjunto de datos, genere un modelo lineal basado en el contexto. |
| Normalice una distribución de parámetros y ajústela a un modelo continuo paramétrico común. |
| Y luego, para generar el parámetro sintético, obtenga un número aleatorio de la distribución de parámetros normalizada y multiplíquelo por el resultado del modelo lineal apropiado, es decir, para "desnormalizarlo". |
| Ahora, al evaluar los parámetros del modelo aleatorio sintético, utilicé nuevamente la prueba KS, y puede ver que no hay forma de diferenciarlos, por lo que al menos es una forma de decir que parece creíble. |
| en comparación con los casos reales. |
| Y también hice un modelo compuesto. |
| Convirtió eso en una función para que pueda ser una función invocable que luego, y esto está en JSL, función invocable en JMP Scripting Language |
| para generar parámetros para la solicitud de trabajo aleatoria con el contexto como entrada, todas las diferentes características del contexto. |
| Ahora, no voy a entrar en todos esos detalles, pero el punto es que puede crear una visualización utilizando pares de parámetros aleatorios sintéticos que le dan una idea no solo de dónde están las cosas típicamente en este mapa de calor, sino también |
| una especie de idea de los valores atípicos, qué es un valor atípico plausible y hasta dónde llega realmente. |
| Y también puede ver si hace una correlación que la correlación entre Lambda y Sigma |
| y entre Lambda sintético y Sigma sintético son casi lo mismo. |
| Está modelando esa relación razonablemente de cerca. |
| Y luego, si miras esto con los datos reales agregados, |
| que son pequeños puntos negros en el gráfico principal. |
| El noventa y ocho por ciento de la densidad sintética se encuentra en la región rojiza indicada por la línea cruzada, que es el recuadro central con un cuadrado verde a su alrededor. |
| Todos los puntos de datos, de los cuales hay 43, |
| caer allí |
| Y entonces. |
| Esto nuevamente es lo sintético que está modelando lo que realmente sucede razonablemente bien. Es creíble pero te muestra lo que podría pasar en ese otro pequeño porcentaje de casos. |
| Así que eso es lo más lejos que he tomado el modelado, pero lo que pueden ver es que pueden usar el contexto; puedes usar otras variables como cuánto |
| la especificidad se pone en el lenguaje para la oferta de trabajo que va a hacer que menos personas estén calificadas, tal vez va a asustar a algunas personas. |
| Puedes ver la forma en que se elabora el lenguaje. Hoy en día, las personas están utilizando herramientas de recursos humanos para elaborar un lenguaje que sea más aceptable. Puede ver la gran diferencia que hace en términos de lo que obtiene con el tiempo y las múltiples solicitudes de trabajo. |
| Podría tratarlos como factores para el modelo, y luego podría ajustar la forma en que aplica |
| estas características en la creación de solicitudes dependiendo de lo que necesite. |
| Pero ahora voy a cambiar a, está bien, ¿cómo se ve esto de nuevo? Nuevamente, el principio básico, por lo que para un caso de Poisson con siete por semana, el 30% del tiempo, la cuenta será cinco o menos. |
| Entonces, debe esperar que uno de esos es que debe esperar que la cantidad de aplicaciones requiera |
| el tiempo requerido para obtener una selección razonablemente competitiva para contratar variará, porque incluso con un promedio de siete, el número que obtendrá variará bastante. |
| La varianza de Poisson es la misma que la del parámetro, por lo que se obtiene una amplia variación. |
| Entonces, si está acostumbrado a pensar en términos de promedios a largo plazo |
| o anclado por otro caso, cualquier instancia específica podría despistarlo. |
| Y el problema es este sesgo de reconocimiento de patrones. |
| La ilusión de agrupamiento es esta tendencia a considerar que las inevitables rayas o agrupamientos que llegan en pequeñas muestras significan que está ocurriendo un efecto no aleatorio, que hay algún tipo de intención en ello. |
| Y es claramente irrelevante para los datos distribuidos de Poisson como descubrió RD Clarke en 1946 con su análisis de la bomba V alemana. |
| sitios que caen en el área de Londres. |
| La gente vería que ocurrían las agrupaciones y pensaría que eso significaba algo, pero pudo demostrar que estaba bastante satisfecho al ver el proceso como Poisson. |
| distribuido, lo que significa que de todos modos obtendrá clústeres a veces, y ciertamente con tanta frecuencia como vio. |
| Así que eso significaba que lo que realmente estaba sucediendo no era que estuvieran apuntando a algo en particular, sino que estaban apuntando en general a Londres y generalmente dieron en algún lugar de Londres. |
| En este caso aquí, mirando los trabajos, la probabilidad de obtener una secuencia en un lapso de tres semanas, donde obtiene un conteo decreciente o creciente es de aproximadamente 12%. |
| En este ejemplo, la probabilidad de obtener un recuento decreciente de dos semanas, es decir, una más grande que la otra, es del 45 %. |
| Estos son patrones realmente cortos; no debería pensarse que significan nada, pero las personas que no son conscientes de la naturaleza de las estadísticas pueden pensar de esa manera. Ese es realmente el punto aquí. Y eso puede conducir a reacciones exageradas. |
| Ahora, la variabilidad por campo de práctica es de un orden de magnitud. |
| Algunos campos son más difíciles de obtener que otros, por lo que las expectativas de las personas pueden verse sesgadas si no entienden esas diferencias. |
| Y si observa las solicitudes en general, no solo por campo de práctica, puede ver una diferencia de un factor de 25 en el 95% |
| van desde el 2,5 por ciento hasta el 97,5 por ciento. Sigue siendo una gran variabilidad. |
| en las tarifas. |
| Y luego, si entendió cómo esto se vio afectado por la forma en que se elaboró el lenguaje de la publicación, cuán limitado, cuán general, |
| lo que el idioma está atrayendo, publicitando todos estos factores, |
| entonces podrías decidir cuánto |
| usted quiere hacer que esas tarifas sean más altas y que el proceso se haga más rápido. |
| Entonces, aquí hay un caso para una publicación de trabajo específica que usa ese modelo de simulación del que hablé anteriormente. |
| Profesional establecido en el Sitio A y campo de disciplina de práctica 9, nuevamente, todo esto es material patentado, por lo que no se revelará en qué consiste; eso es solo un tipo particular de profesional. |
| Obtienes esta diferencia muy amplia de |
| a través del 95% de confianza, en algún lugar entre cero y nueve con una mediana de dos. |
| Esto puede arrojar a la gente, estas estadísticas de números pequeños pueden arrojar a la gente, porque esperan que las cosas sean más regulares que eso. |
| Hay limitaciones del modelo y del enfoque. |
| Siempre los datos, la calidad de los datos, importa. Los campos contratados con poca frecuencia con conjuntos de habilidades poco comunes esencialmente no estarán presentes en el conjunto de datos con toda probabilidad si los datos se recopilan en un período de tiempo corto. |
| Pero, por otro lado, muchas de las variables externas sobre las que no tienes control |
| quizás |
| cambiando durante el período de tiempo de recopilación de datos si utiliza un período de tiempo largo como base para estos análisis. |
| Y el enfoque de modelado no considera la autocanibalización. Si tiene dos solicitudes abiertas dentro de un campo, y los solicitantes solicitan ambas o eligen una. Tal vez, en los casos, elijan la que crean que es la mejor oportunidad. |
| Este modelo no hace nada al respecto, pero representaría el resultado del mundo real simplemente capturando lo que sucede. |
| Sin embargo, no representa el alcance de la oportunidad perdida, porque si probablemente quisiera que se aplicaran a todos ellos, podrían estar calificados solo para ver dónde podrían encajar. |
| Así que conclusiones. Algunas respuestas de solicitud de empleo a una publicación de trabajo tienden a distribuirse como Poisson o Gamma-Poisson. |
| Y esto se comprobó en un gran conjunto de datos que constaba de unas 2500 solicitudes en total. |
| Los parámetros de distribución para la respuesta de la aplicación varían sustancialmente. |
| Si se normaliza |
| pueden adaptarse a perfiles comunes. |
| Y esos modelos concisos que resultan de los perfiles comunes facilitan la generación de modelos sintéticos de requisición aleatoria. |
| Esto permitiría a una persona hacer algún tipo de alcance o análisis en |
| probabilidades |
| sobre diferentes circunstancias. |
| Creo que es importante mencionar que los modelos de llegada de aplicaciones pueden llenar un vacío importante para comprender el ciclo de vida completo de los empleados porque brindarán una perspectiva para los gerentes de contratación y los profesionales de personal con respecto a esos sesgos de patrones. |
| Se pueden usar en modelos basados en agentes o eventos discretos como una forma de generar candidatos si desea hacerlo de una manera que sea realista. |
| Y |
| quizás lo más importante, desde una perspectiva económica, |
| es una forma de enmarcar el costo por solicitante frente a las características del trabajo y varios otros factores externos ajustables y fuera de nuestro control. |
| Eso, entonces, daría una mejor comprensión de qué esperar en términos de qué tan rápido se pueden llenar las cosas, qué tan rápido se pueden llenar las vacantes y cuánto costaría hacerlo. |
| dependiendo de las relaciones con la publicidad, etc. |
| Con esto concluye lo que quise presentar hoy y |
| solo diré que si tiene alguna pregunta, debe tener la información de contacto de este |
| video, o dónde está colocado, y no dude en comunicarse. |
| Cristina España | Bien, eso fue genial. |
| sí, excepto por la parte en la que mi cosa no funcionó porque arruiné la DEMO. |
| Pero eso fue bueno, seguro, fue un buen SALVADO Finalmente me di cuenta de lo que estaba haciendo. |
| sí, JMP no hará cosas estúpidas, sin importar cuánto lo desees. |
