398673_ja-JP

liliconcom

人材獲得のシミュレーションと管理のための採用応募到着モデル (2021-US-30MP-816)

レベル: 中級

 

Thor Osborn 氏、主任システム研究アナリスト、サンディア国立研究所

 

タレントの獲得は、タレント マネジメント サイクルの重要な要素です。求人応募の到着は確率論的なプロセスであり、その後の審査、意思決定、および人材の採用とオンボーディングに必要な交渉ステップに制限と遅延をもたらします。このプロセスを分析的に理解することは、求人情報の内容や採用担当者の期待を導き出すのに役立つだけでなく、求人の発行からオンボーディングまでの流れとタイミングをシミュレートするのにも役立ちます。このプレゼンテーションでは、数回にわたって収集された大規模な研究組織からのアプリケーション データを使用して、作業現場、実践分野、およびキャリア ステージに相関する平均レートおよび過分散パラメータ分布を含むガンマ ポアソン分布のアンサンブルを使用して、アプリケーション到着動作を効果的にモデル化できることを示します。年。 

 

 

自動生成されたトランスクリプト...

 

スピーカー	成績証明書
Christy スペイン	こんにちは。
	こんにちは、今日はお元気ですか。
	私は大丈夫です、お元気ですか。
Christy スペイン	いいよ、ありがとう。
	トールはどこにいますか。
	そうクリスティスペイン。
	そしてニューメキシコ州アルバカーキ。
Christy スペイン	それが私が考えていたことです。
	権利を得た。
Christy スペイン	そこに三桁。
	今じゃない。今はだめなの。
	わかりました。
	から来るハリケーン。
	ボールホッグが気温を下げてくれる。
Christy スペイン	さて、その名前は何ですか。
	通常はあまり起こらないので、あまり注意を払っていません。
	良い。
Christy スペイン	私はちょっと不意を突かれましたが、昨日はかなり大変だったので、パイプラインが閉鎖されたため、ここにいる全員がガスを充填しています。
	それで、あなたはどこにいますか。
Christy スペイン	私はノースカロライナ州のキャリー本社にいます。
	ええと、あなたがやったことを見てみましょう、昨年、または私たちのために録音をしましたか.
	昨年自作しました。
	おそらく、私たちがこれを行っている理由の 1 つです。
	今回。
	おー。
Christy スペイン	それは面白い。
	ええと、ちょっとしたチェックリストがあります。
	私はすべてをクリアしようとしていたので、ポップアップが表示されませんでした。すべてのアプリを閉じて、.
	私はまだしていませんし、質問もありました。
	そうですね。
	レコーディングの前にアップロードするように言われましたが、リンクがないのでアップロードできません。
Christy スペイン	なになになになにをしにアップロードしてます。
	そしてプレゼン資料。
Christy スペイン	わかりました、私はそのリンクがあなたのために何であるかを見つけます.
	それで昔のメールを見返してみたのですが、よくわかりませんでした。
	私は。
	大したことではありませんが。
Christy スペイン	ただし、先に進んで録音できることは間違いありません。
	わかりました。
Christy スペイン	ちょっとしたチェックリストを見つけさせてください。そのチェックリストの一部があなたのアプリで閉じられています。
	私はそれをしに行きます。
	Microsoft チームは必要ありません。
Christy スペイン	あなたのシャツには何もロゴがないので、それは良いことです.
	ロゴはありません。
	no も今はおそらく必要ありません。
Christy スペイン	チームの邪魔にならないようにする方法がわかりませんでした。
	チームも。
	現代にまつわるもののひとつ。
	テクノロジーとは、人々があなたに指示を与えるのではなく、もはや彼らはあなたにこのことを与えているということです。
Christy スペイン	さて、ヘルプ セクション D amp D と入力すると、メッセージやそのようなものを探しているかのように振る舞われました。
	そして。
	私はいくつかのアプリケーションを開いていますが。
	その小さな寄生チームのことを見てください。
Christy スペイン	私たちは元気です。
	ええと、彼らはそれをこの小さな隠しメニューに入れて、Skypeと一緒にまだそこにあるようにしました。彼らは何があってもあなたに連絡できるようにしたいからです。
Christy スペイン	背景の 1 つを撮影してもらう必要があるかもしれません。
	著作権侵害はないと書かれていますが、あなたはそこにたくさんの本を知っているので、多分.
	まあ、私はここに本を持っています。あなたは本当にそれらを読むことができないので、それは大したことではないと思っていましたが、大丈夫です.
Christy スペイン	私は嫌いだとは思いません。
	折り返し電話して、手放すと言わなければなりません。
	うん、2度とやりたくない
	いいえ。
	これはとても楽しいものになると確信していますが、二度とやりたくありません。
	私はチームを取り除くだけです。
	彼らはすべてのチームがなくなっています。
	さて、これらの背景、私はそれについて何かを得ました。
	見通しに戻らなければなりません。
Christy スペイン	または、私たちがそうするかもしれません。
	ほら、私はそれらを使用したことがありません。
	本当に一度も使用したことがありません。
	ええ、分析がぼやけているからです。
	うん。
	動くために何かをしているときはいつでも、人々がそれらを使用し、物がぼやけ、部屋にあるすべてのがらくたを見るのを見ます。
	からそう見てください。
	ターニャ。
	ターニャ とても新しい症状です。
	では、そうです。
	これらはソーシャル タイルです。
	仮想背景なので青い散布図。
	私はそれをやります。
	来て。
	つまり、問題はどうすればよいかということです。
	それらを使用します。
	どれどれ。
Christy スペイン	私はそれが小さな3つの点の下にあると思ったが、そうではない.
	さて、アヒルがどこにいるのかはっきりしません。
	ドットはどこにありますか。
Christy スペイン	画面の共有とチャットが一番下にあります。
	そして、そのすべてがもう少しあります。
	しかし、背景を変更するオプションはありません。
	しないでください。
Christy スペイン	私たちは非常に多くの異なる間を行ったり来たりします。
	ここのツールは難しいです。
	早速検索してみましょう。
	滑らかなカメラの下の仮想背景。
	おー。
	そう。
	そして、彼らが言わなかったので、仮想背景がどこにあるかを知る必要があります.
	どちらを使用するか、またはそのようなもの、いいえ、いいえ、いいえ。
Christy スペイン	ああ、いいですね。
	他に多くのことができるかどうか確信が持てなかったので、よかったです。これで、背景がわかりました。かなりうまく機能している多くを動かしても、実際には少し失敗するだけです。
Christy スペイン	と
	タスクバーは自動でしたか。
	どうすればよいか見てみましょう。
Christy スペイン	タスクバーに移動して右クリックします。
	はい、何もないところに。
	いいえ。
	問題は、タスクバーが完全にサブスクライブされていることです。
Christy スペイン	私も隠していません。理由はわかりません。
	そうですか。
	タスクバーの設定はここまでです。
	it's Monday は、デスクトップ モードでテスト テスト バーを自動的に非表示にします。
	の上。
	OK、これで、非表示でないことを除いて、自動的に非表示になっているように見えます。
Christy スペイン	まあ、上にスクロールすると消えます。
	したがって、ifのみが表示されます。
	私は何か活動がうまくいくことがあります。
Christy スペイン	そして、あなたの音は素晴らしいです。
	と
Christy スペイン	共有の練習をしていただけませんか。そうすれば、解決策などすべてを確認できます。
	では、見てみましょう。
	確かに、問題になる特定のこと。
	画面を共有するために、あなたがどのように見えるかを示します。
Christy スペイン	さて、先に進んでコンテンツを共有できます。
	ええ、でもスライドと JMP アプリケーションの間を行ったり来たりしたいので、表示できるようにしたいと思っています。
	私の画面。
	それで何とか終わってしまいました。
	画面と一緒に、ここの小さなウィンドウにあなたを入れました。
Christy スペイン	上部で、ビューを実行して並べて変更するか、それが私が持っているものです。
	とにかく誰も私を見たくないので、カメラをオフにします。
	今日はあなた次第です。
	小さいアクティブ スピーカー ビデオのサムネイル ビデオを表示します。
	わかりました、それはあなたを示しています。
	これはグリッドを示しています。
	そして、それは全体を本当に小さくします。
	そして、私はもう自分自身を見ることができません。
	しかし、私はこれを動かすことができます。
Christy スペイン	ええと、PowerPoint を悲しんでいるのがわかります。
	さて、ここで私が得た質問は、私の PowerPoint が通常の書き込みモードになります。
	しかし、プレゼンテーションビューに入ると。
	大きくなりますが、そのビューと他のビューの間を行ったり来たりする必要があります。
	動画をやる時。
	関連する部分を詳しく調べますか、それとも、何が起こっているかを画面に表示するだけですか。
Christy スペイン	はい、何でもお見せします。
	そのため、ほとんどの人はプレゼンテーション モードを使用しており、それから抜け出して JMP 画面を表示する必要がある場合は、それを行うことができます。
	そして戻るのは理にかなっています。
	ええ、それはすばらしく見えます。
	よし、これが私たちがやることだと思います。私はただ逃げて、必要な場所でJMPに行きます.
Christy スペイン	すぐに試してみませんか。適切なサイズであることを確認できます。
	うん。
Christy スペイン	素晴らしく見える。
	わかった。
	だから見える。
Christy スペイン	わかりました、今、私はする必要があります。
	御社名とアブストラクトタイトルをご確認ください。
	本名はソー・オズボーン。 会社はサンディア国立研究所です。
	アブストラクトのタイトルは、人材獲得シミュレーションと管理のための雇用応募到着モデルである必要があります。
Christy スペイン	完全。 そして、これが Discovery Summit で使用するために記録されていることを理解します。
	JMP カンファレンスに参加し、JMP ユーザー コミュニティで公開されます。 その使用と録音を許可しますか？
	ありがとうございました。
Christy スペイン	トール、準備は整ったと思うので、自分の声をミュートにして、
	準備ができたらいつでも行けます。 目標は、まっすぐ進むことです。 何か壊滅的なことが起こらない限り、私は何も言わないし、あなたを止めるつもりもありません。 どのようにそのことについて？
	さて、目標はまっすぐ進むことですが、どのくらいの時間が必要ですか?
Christy スペイン	30分。
	では、再生の最後に質疑応答の時間を残したいので、少し余裕があると思います。少しオーバーしても大丈夫です。
	オーケー、さて、私たちが行く前に、話していることと話している人を示すこの小さなウィンドウがあります。
	彼らは小さなビデオを縮小するからです。
	私の画面にはプレゼンテーション ビューが表示されますか、それとも表示されますか?
Christy スペイン	表示されるのはプレゼンテーション ビューだけです。
	よし、彼らは何とかこれを浮かせている。
Christy スペイン	それは迷惑なことです。
	大丈夫、邪魔にならない限り、下には何も置かないということです。
Christy スペイン	大丈夫。
	うん。
	わかった。
Christy スペイン	さて、私はミュートに行きます、そしてあなたは準備ができています.
	わかった。
	私の名前はトール・オズボーンです。 私はサンディア国立研究所で主任システム研究アナリストとして働いています。
	今日の私の話は、人材獲得シミュレーションと管理のための採用応募到着モデルです。
	そして、楽しんでいただければ幸いです。
	ここでは 3 つの基本的な目的があります。 1 つは、なぜ求人応募者の到着時間をモデル化する必要があるかについてビジネス ケースを作成することです。 もう 1 つは、この種のデータを使用して、簡潔で広く適用可能なモデルを作成する簡単なプロセスを示すことです。
	次に、大規模な研究組織のデータを使用してそのプロセスを実演し、そのプロセスで何ができるかを簡単に示します。
	技術的には、この種のデータはほとんどの人にとって少し珍しいと思うので、データの理解について詳しく説明します。
	ソース モデルは、本質的に、これはソース モデリングです。
	分析なので、ポアソンモデルとガンマポアソンモデルについて話します。
	これを扱いやすくするために、いくつかの分析と変換を行ってから、モデルの作成方法について簡単に触れます。
	したがって、モチベーションに関する限り、モチベーションには 3 つの基本的な領域があります。 1 つは、人材獲得プロセスとビジネス機能を改善することです。
	1 つ目は、会社を率いる幹部の理解を深めることであり、3 つ目は、採用担当者が期待することを理解するのに役立つことです。
	人材獲得から始めます。 雇用率とラグは、人材獲得パイプラインの審査段階を通過するフローによって異なります。 しかし、重要なことは、プロセスをどこにでも進める前に、十分な数の雇用申請書を用意する必要があるということです。
	また、料金とパターンは、分野、掲載される投稿の具体性、競争、広告の量などによってかなり異なります。
	アプリケーションの到着に関する一般的な数学的フレームワークにより、アプリケーションのキャプチャ率を改善するための取引スペースをよりよく理解できるようになる可能性があります。
	他のものと同様に。 いくつかの重要な関係 アプリケーション キャプチャ率と分散対雇用の状況、職場、キャリア レベル、実践分野。
	調整可能な変数広告の求人掲載の特異性、掲載言語のキャプチャ率への影響 - これは、英語とスペイン語の違いを意味するのではなく、物事の組み立て方を意味します。
	そして、的を絞った採用活動。 そして、経済状況、実践分野での競争、
	募集エリア内で実際にリーチしている専門職人口はどれくらいですか。
	また、人材獲得は、プロジェクトやプログラムの実行でよく見られる典型的な制約 (時間、品質、コスト) に直面していることを認識することが重要だと思います。
	申請書の収集には時間がかかります。 質の高い応募者を獲得したい。 それにはお金がかかります。速く行こうとすればするほど、費用がかかります。
	したがって、ここにはトレードオフがあります。
	経営陣は、多くの場合、従業員計画を通じてプロセスに関与します。これは、すべての期間のキャッチフレーズですが、基本的には、年間計画と言えます。
	しかし、関連するモデルや物事のコストに関するフィードバックがなければ、人員配置予算やプロセスの典型的な制約や割り当てを考慮することは、主観的であったり、なかったりする可能性があります。
	つまり、経営陣レベルでは、人事は単に必要なコストと見なされることが多く、必ずしも会社を前進させるための手段ではありません。 情報不足も一因であり、情報提供はその状況を改善する方法となる可能性があります。
	また、採用担当者の期待。
	基本的に、少数の統計、少数のアプリケーションを扱っています。
	人間は本当にパターン バイアスの影響を受けやすく、ほとんどの採用担当者は毎週人を採用するわけではないため、長期にわたってさまざまなケースの観点からこれを見ることに慣れていません。
	そして、それは彼らが直面した最後の状況に固執することにつながる可能性があり、ある週から次の週に向かう応募者の数を見て、興味のあるすべての人にアクセスしたことを意味するパターンバイアスにつながる可能性があります.
	そして、これらの偏見に対する直感的な反応の問題は、過剰反応につながる可能性があります。なぜなら、少数の統計では常にそうであるように、その文脈で受け取らないと誤った情報が得られるからです。
	というわけで、データについて少し。 到着データは、特定の求人に関連付けられています。 つまり、求人があり、その求人の投稿があり、投稿の結果としてアプリケーションが届きます。
	それらはいくつかのウェイサイトの場所で特徴付けられます。キャリア段階;
	可視性、どの程度広く可視化されているか。
	実践の分野、あなたがしていること。
	それらの分野内で非常に広範または非常に狭い可能性がある特定の要件。
	また、求人情報にアクセスできる時間帯に申請書を提出できるため、通常は定義された時間枠があります。
	それらは日付別に追跡されます。
	さて、この場合、後で分析するために実際のデータを使用するため、最後に提出されたアプリケーションの日付を投稿の締め切り日として使用する必要がありますが、必ずしもそうではありません. しかし、実際のデータではよくあることですが、必要なデータがすべて揃っているわけではありません。
	そして最後に言います
	1 日あたりのアプリケーション数を数えています。 1 日の申し込みがゼロの場合、それはカウント 0 です。
	求人情報への潜在的な応募者の全国的なプールを考えてみると、
	雇用主は情報を世界に発信します。
	潜在的な応募者の全国プールの一部の人々は、応募を行います。
	一般に、それができた人全体に比べて少ないと想定されています。
	そして、この膨大な応募者プールがあります。 それはソースであり、そのソースに対するアプリケーションまたは小さな摂動です。
	そして、非常に明確にするために、これはポアソン数学を扱うことに慣れている人にとっては非常に退屈かもしれませんが、
	初日に 1 つのアプリケーションが到着した場合、それはカウント 1 の 1 つのインスタンスです。 2日目、申し込みが来ない。 これはゼロのカウントのインスタンスです。 右端には、0 のインスタンスが 3 つ、1 のインスタンスが 3 つ、2 と 3 のインスタンスが表示されます。
	これは適合する可能性があります データはあまり多くありませんが ポアソンモデルに適合する可能性があります 右下に青い線が見えます
	したがって、1 日あたり 1 つのアプリケーション到着の平均レートですが、1 日あたりの実際の数はディストリビューション全体で異なります。 以上です。
	したがって、ポアソン分布を使用して、単位時間あたり一定の平均放出率 Lambda を持つ離散アイテムのソースをランダムに放出することによって、単位時間内に生成されるカウントの確率を記述することができます。
	そして、この式が得られます。 そして、前のスライドで非常に低い確率を示した 4 カウントの場合、
	あなたは本質的に1から4番目を持っています。
	負のラムダに e を掛けるので、基本的に 37%
	を 4 階乗、つまり 24 で割ると、1.5% 付近の何かになり、小さいがゼロではない確率でジャイブします。
	そこで、最初の仮説として
	この広く宣伝されている仕事の潜在的な応募者の全国的に分散したプールのメンバーは、調整されていない方法で行動すると仮定します
	雇用機会に関して、そしてポアソンモデルは理にかなっている可能性があります。
	したがって、これは妥当な初期仮説です。
	さて、それらが相互作用するとどうなるでしょうか。
	次に、これは、混合分布としてガンマ分布を使用する本質的にポアソン成分であるガンマ-ポアソン ソース モデルの観点から考えることができます。
	または、レート、つまり平均レートは一定の平均レートではなく、瞬間ごとに変化するため、ぼやけたポアソンと考えることができます。
	そして、これは、申請者が協調的に行動するという対立仮説の下で発生する可能性があります。
	これは、仕事の機会などについて互いに話し合う人々のネットワークがあれば起こり得る.
	今ここにある
	ガンマポアソンの生成方法に関するスライド。 これは基本的なことですが、これらのディストリビューションを見ると役立つことがわかります。
	そこで、JMP で簡単なデモを行います。
	ここに表示されているランダム ガンマ フォー ワンは、パラメータが 4 でスケーリング パラメータが 1 のランダム ガンマを意味するため、平均は 4 です。
	分布を見ます。 ここには 100,000 行あります。スライドで見たような曲線が得られます。
	平均は約 4 回です。これは、何かを何度も行う場合に発生します。
	それは本来あるべき姿とほぼ同じです。
	今、そのディストリビューションを取得して使用します
	ランダムなポアソンのフィードとして。
	そして、あなたはこれを手に入れます。
	塗りつぶされているため、以前のポアソンのようには見えません。
	ポアソン フィットを見ると、最適なフィットが見つかります。
	平均して4つです。これが実際にできることのすべてです。
	ガンマポアソンよりも分散が狭く、はい、それがガンマポアソンであることを確認するためだけに、
	そこの赤い線を見てください。
	そして、それは本当に、本当によく合います。
	ほぼ完璧。
	つまり、本質的に、これは、これは、それを経験したケースです。
	コミュニケーション プロセスについて言えば、ポアソンはもはや最適なモデルではありません。
	先ほど示したケースは、このクワッド パネルの右上に示されています。
	シグマは 2 に等しく、過分散パラメータは 2 です。
	過分散パラメータが 1 の場合、左上のシグマは 1 に等しくなり、これは基本的にポアソン分布と同じです。
	しかし、過分散パラメータが増加するにつれて、こぶの後に尾が続き、減衰する指数関数のように見えるものになります。 右下の青い部分に
	ここでは以前とは反対の色に切り替えているため、混乱が生じた場合は申し訳ありません.
	ここに実際のデータがあります。
	したがって、広くアクセス可能な、初期のキャリアの機械工学の投稿の場合。
	131 のカウントを作成するのに 140 のアプリケーションがあり、その多くはゼロであるため、これは時間の経過とともに分散されます (131 日)。
	ガンマ-ポアソンが最適で、左上に表示されています。
	私は赤池の基準、AIC を使用しています
	メトリック。
	左下に、あなたが見るでしょう
	経験豊富なポジション。 現在、経験豊富な専門家は、大学進学先などのネットワークを持っていません。
	または、必然的に、大学の環境で見られる他の人々との絶え間ない没頭。 これは何の証明にもなりませんが、経験豊富な専門家の応答でより古典的なポアソン動作が通常見られるのはおそらくそのためであることを合理化する方法にすぎません.
	ここで示すだけでも、アプリケーションの数と相関しているようです。 重要な他の要因は、
	キャリアステージ。
	先ほど FLSA ステータス (非免除) とは、免除されたスタッフではなく、技術者を意味します。
	これらの要因は重要であるように見えますが、アプリケーション数が増加するにつれて偏りがあり、ガンマポアソン分布になる可能性が高くなります.
	次に、このデータを分析用に準備する方法について説明します。 職種別の応募日
	ゼロ設定の表
	カウントがないとき。
	次に、各要求にポアソンとガンマポアソンを当てはめ、どちらがより良い AIC 値を与えるかを調べます。
	並行して、要求ごとに 1 行または 1 行で要求要約テーブルが作成され、それらが融合されて、ポアソンとガンマ-ポアソンのパラメーター、およびどちらが可能性が高いかを示す AIC パラメーターが得られます。より良いフィット感。
	また、これらを一緒に処理するのは難しいため、サブセット化後に、ポアソンの要約とガンマ ポアソンの要約が得られます。
	シグマが 1 の Gamma-Poisson を使用できますが、最終的にインフレがゼロになり、対処が複雑になるため、代わりにそれらを個別に扱います。
	どちらのサブセットを使用しても、プロセスはパラメーターとドライバーの適合線形モデルを示します。
	パラメータはモデルによって正規化されます。
	次に、すべてのドライバー条件で共通の分布が妥当かどうかを調べます。この場合、基本的には、サイトの場所、キャリアの早いか遅いかなどの求人コンテキストです。
	それらが同じ分布に入る可能性がある場合は、共通の分布パラメーター セットを作成し、それをデータ セット全体に使用することができます。
	そうしないと、このアプローチは失敗し、現時点ではそれに対処するメカニズムがありません。幸運なことに、それは起こりませんでしたが、将来のために考えるべきことです。
	ここにコンテキスト別のポアソン パラメーター分布を示します。ここでは、コンテキストがサイトに関係している場合、それが初期のキャリアか後期のキャリアか、確立されているかに関係なく、次のように言えます。
	そして、それがどの分野の実践であるか。 社内のみの求人を分析することは困難であり、機会がはるかに限られている別のことであるため、これらのすべてに「B」という広い意味があります。
	あなたが見ることができるのは、要求のコンテキストによって平均分散が明らかに異なることです。いいえ、それらは同じ分布内にはありません。 それを簡単に証明できます。
	初期のチャンクであるサイト A の初期セットだけの小さなサブセットを見ると、平均値と標準偏差がマップ全体にあることがより明確になります。
	ここで、ちょっとしたデモも行います。
	だから私はこのデータを持っています。
	さて、これは非常に単純なモデルです。 ポアソン パラメーターの出力を取得し、このマルチレベルの要求コンテキストを使用します。
	主観変数。
	それを実行すると、約 4 の R2 乗があることがわかります。 つまり、
	それは取るに足らないことではありません。 モデルの適合性は実際にはかなり良好です。
	そして、このパラメータへの適合は非常に良好です。 すべての分散をカバーしているわけではありませんが、期待していないので問題ありません。これは、これが行うことのかなり良いモデルであると言っているだけです。
	純粋に集計として行うこともできますが、私はこのアプローチが気に入っています。なぜなら、このアプローチは作業が簡単で、このフィットでどれだけの変動性が処理されているかの感覚を与えてくれるからです.
	ここに移動して、
	予測された実際のモデルであり、おわかりのように、これは優れたモデルではありませんが、目的には役立ちます。
	また、予測式を保存することもできます。
	そして、あなたはここに見えます。
	私はすでにこれを行っているので、これは自動的に添字付けされます。
	これが何を意味するかは、本質的には
	定数
	さらに、要求コンテキストによるオフセット。
	ロケット手術は必要ありません。
	しかし今、正規化を行いたい場合は、
	列を追加します。
	これを呼び出す
	Norm Poisson もう一度、これを作る目的で一度やったことがあるので
	そもそもテーブル。
	ポアソンを見つけます。 私のポアソンパラメータがあります。 それを
	モデルフィット。
	それは実際に機能するはずでした。
	ここで何が起こっているのかわかりません。
	わかりました、デモをライブで行うことは絶対にしないのがルールですが、これは過去に常に機能していました。何が起こっているのか本当にわかりません。
	私のポアソンパラメータがあります。
	これが私の予測式です。
	おー。 何かを割ろうとしてはいけません
	自体。 それがうまくいかなかった理由です。
	今は頑固です。
	わかった。
	時には微妙なことが重要です。 これが正規化されたポアソンです。
	そして、それについて興味深いのは、
	これに合わせることができます。
	入手可能なボトルから、Johnson SL が最もフィットし、かなり良い仕事をしていることがわかります。
	また、次のこともできます。
	X で Y をフィットします。
	この出力を取得します
	要求のコンテキストに適合します。
	そして、この Oneway プロットを取得します。
	それは私が以前に示したものよりもはるかに規則的に見えます. これらの分布が同じである可能性がはるかに高くなります。 より多くのデータがあるものではより広い範囲が表示されますが、そうではありません。
	それは驚くべきことではありません。
	そして、不等分散検定を見ると、それらが不等分散であるという兆候がないことがわかります。
	それはそうではないという証拠ではありませんが、同じ分布を持つと仮定したモデルを使用することが合理的であることを示す方法です.
	そう。
	これに戻ります。
	ああ、私はまた、各コンテキストと残りのすべてのコンテキストのコルモゴロフ-スミルノフ検定を行いました.78のケースのうち、.05未満のp値を示したのはそのうちの1つだけでした.
	P 値は何も証明しませんが、同じ分布に由来するものを扱うのが合理的であることを示しています。
	そして、これは直前の 1 つの小さなサブセットの拡大バージョンですが、これがもっともらしいことがわかります。証明ではありませんが、もっともらしいです。
	そして適合テストの良さで
	繰り返しますが、それは合理的なようです
	Johnson SL は、このデータセットのポアソン パラメーター分布 (正規化されたポアソン パラメーター分布) を記述するためにここで使用する合理的なモデルです。
	これと同じことが、ガンマポアソンとそのデータのサブセット、および同等のパラメーターであるラムダパラメーターに対して実行できます。
	そしてもう一度それはうまくいきます。
	シグマ パラメータを実行するために、シグマは 1 のベースライン上にあるため、実際にはシグマ マイナス 1 を使用します。
	ここのモデルはさらに低品質ですが、使用する必要があります
	ラムダはシグマに相関するため、個別のモデリング ステップが必要であり、その中でその効果をモデル化できるようにする必要があります。
	繰り返しますが、適切なフィット感が得られます。
	この場合は、Johnson Su です。
	そして、これが何が起こっているかです。 合成ランダム分布パラメーターを生成します。
	データ サブセットから、コンテキストに基づいて線形モデルを生成します。
	パラメータ分布を正規化し、共通のパラメトリック連続モデルに適合させます。
	そして、合成パラメーターを生成するために、正規化されたパラメーター分布から乱数を取得し、それに適切な線形モデルの結果を掛けます。つまり、それを「非正規化」します。
	合成乱数モデルのパラメーターを評価して、再度 KS 検定を使用しましたが、それらを実際に区別する方法がないことがわかります。少なくとも、信頼できるように見えることを示す方法です。
	実際のケースと比較。
	また、複合モデルも作成しました。
	それを関数に変換して、呼び出し可能な関数にすることができます。これはJSLであり、JMPスクリプト言語の呼び出し可能な関数です
	コンテキストを入力としてランダムなジョブ求人のパラメーターを生成するため、すべての異なるコンテキスト機能。
	ここでは、その詳細については説明しませんが、要点は、合成ランダム パラメータ ペアを使用してビジュアライゼーションを作成できるということです。
	外れ値の一種の考え もっともらしい外れ値とは何か、そしてそれが実際にどこまで行くのか.
	また、ラムダとシグマの相関関係を調べてみるとわかります
	合成ラムダと合成シグマの間はほぼ同じです。
	その関係をかなり密接にモデル化しています。
	そして、実際のデータを投入してこれを見ると、
	これは、メイン グラフの小さな黒い点です。
	合成密度の 98% は、クロス ハッチで示される赤みがかった領域にあります。これは、周囲に緑色の四角形が配置された中央の挿入図です。
	43あるすべてのデータポイント、
	そこに落ちる。
	など。
	これもまた、合成が実際に合理的にうまくいくことをモデル化しているということです。 それは信じられますが、残りの数パーセントのケースで何が起こり得るかを示しています.
	モデリングを行ったのはここまでですが、コンテキストを使用できることがわかります。あなたはどのくらいのような他の変数を使用することができます
	求人広告の言語に具体性が盛り込まれていると、資格のある人が少なくなり、一部の人を怖がらせる可能性があります。
	言語がどのように作られているかを見ることができます。 今日、人々は人事のツールを使用して、より受け入れられる言語を作成しています。 時間の経過とともに得られるものと、複数の仕事の求人に関して、それがどれほどの違いをもたらすかを見ることができます.
	これらをモデルの要因として扱うことができ、それによって適用方法を調整できます
	必要に応じて、要求を作成する際のこれらの機能。
	しかし、ここで、これはどのように見えるかという問題に切り替えます。 繰り返しになりますが、基本原則として、1 週間に 7 回のポアソンの場合、30% の確率で 5 回以下になります。
	したがって、そのうちの 1 つは、必要なアプリケーションの数が
	合理的に競争力のある雇用を得るために必要な時間はさまざまです。なぜなら、平均が 7 人であっても、得られる数はかなり異なるからです。
	ポアソンの分散はパラメーターと同じであるため、幅広い変動が得られます。
	したがって、長期的な平均という観点から考えることに慣れている場合は、
	または、特定のインスタンスによって放り出される可能性のある別のケースに固定されています。
	問題は、このパターン認識バイアスです。
	クラスタリングの錯覚は、小さなサンプルで発生する避けられない縞またはクラスターが、非ランダムな効果が起こっていることを意味し、何らかの意図があると考える傾向です。
	また、1946 年に RD クラークがドイツの V 爆弾の分析で発見したように、ポアソン分布データには明らかに無関係です。
	ロンドンエリアに該当するサイト。
	人々はグループ化が起こったことを見て、それが何かを意味すると考えるでしょうが、彼はプロセスをポアソンとして見ることで、それがかなり満足していることを実証することができました.
	つまり、クラスターを取得することは時々ありますが、これまで見てきたのとほぼ同じ頻度です。
	つまり、実際に起こっていたことは、彼らが特定の何かを狙っていたということではなく、一般的にロンドンを狙っていて、ロンドンのどこかを狙っていたということです。
	この場合、ジョブを見ると、3 週間にわたってシーケンスを取得する可能性があり、カウントが減少または増加する場合は約 12% です。
	この例では、2 週間のカウントが減少する可能性、つまり一方が他方よりも大きくなる可能性は 45% です。
	これらは本当に短いパターンです。それらは何かを意味すると考えるべきではありませんが、統計の性質を認識していない人々はそのように考えることができます. それがまさにここのポイントです。 そして、それは過剰反応につながる可能性があります。
	現在、実践分野による変動性は約1桁です。
	一部の分野は他の分野よりも調達が難しいため、それらの違いを理解していないと、人々の期待が歪む可能性があります.
	また、実務分野だけでなく、一般的に求人を見ると、95% で約 25 倍の違いがあることがわかります。
	2.5 パーセントから 97.5 パーセントまでの範囲です。 相変わらずばらつきがすごい
	料金で。
	そして、投稿の文言がどのように作成されたか、どれだけ狭く、どれだけ一般的に、これがどのように影響を受けているかを理解していれば、
	言語が何を引き付けているか、これらすべての要因を宣伝し、
	その後、あなたはどれだけ決めることができます
	これらのレートを高くして、プロセスをより速く完了させたいと考えています。
	先ほどお話ししたシミュレーション モデルを使用した特定の求人広告のケースを次に示します。
	サイト A の確立された専門家と実践分野 9 についても、これはすべて独自のものであるため、それが何であるかについては開示されません。それはまさに特定の種類の専門家です。
	あなたはこの非常に広い違いを得る
	95% の信頼度で、中央値が 2 で 0 から 9 の間のどこかです。
	これは人を投げかける可能性があり、この少数の統計は人を投げかける可能性があります。
	モデルとアプローチには制限があります。
	常にデータ、データの品質が重要です。 短期間でデータが収集された場合、まれなスキルセットを持つまれに雇用されるフィールドは、データセットから本質的に欠落する可能性があります.
	しかしその一方で、制御できない外部変数の多くは
	多分
	これらの分析の基礎として長い時間枠を使用する場合、データ収集の時間枠の間に変化します。
	また、モデリング アプローチでは、自己共食いは考慮されていません。 1 つの分野で 2 つの求人が開かれている場合、応募者は両方に応募しますか、それとも 1 つを選択しますか。 場合によっては、彼らが最高のチャンスだと思うものを選ぶかもしれません。
	このモデルはそれについて何もしませんが、何が起こるかをキャプチャするだけで現実世界の結果を表します。
	ただし、逃した機会の範囲を表すものではありません。おそらく、それらすべてに適用してもらいたい場合は、それらがどこに適合するかを確認するためだけに資格を得ることができるからです.
	というわけで結論。 求人情報に対する求人応募の回答は、ポアソンまたはガンマポアソンとして分布する傾向があります。
	そして、これは合計約 2,500 の要求からなる大規模なデータ セットに対してチェックされました。
	アプリケーション応答の分布パラメータは大幅に異なります。
	正規化すれば
	それらは共通のプロファイルに適合できます。
	また、共通プロファイルから得られる簡潔なモデルは、合成ランダム要求モデルの生成を容易にします。
	これにより、人は何らかの種類のスコーピングまたは分析を行うことができます
	可能性
	さまざまな状況で。
	アプリケーション到着モデルは、従業員のライフサイクル全体を理解するための重要なギャップを埋めることができるということを言及することは重要だと思います。なぜなら、それらのパターン バイアスに関して、採用マネージャーや人事担当者に展望を提供するからです。
	現実的な方法で申請者を生成する方法として、離散イベントまたはエージェント ベースのモデルで使用できます。
	と
	おそらく最も重要なのは、経済的な観点から、
	これは、応募者 1 人あたりのコストと仕事の特性、およびその他のさまざまな調整可能で制御不能な外的要因との関係を組み立てる方法です。
	そうすることで、物事がどれくらい早く埋まるか、空いた穴がどれだけ早く埋まるか、そしてそれを行うのにどれくらいの費用がかかるかという観点から、何を期待すべきかをよりよく理解できるようになります。
	広告等との関係によります。
	以上で、今日紹介したいことを終わります。
	ご不明な点がございましたら、こちらから連絡先情報をお知らせください。
	ビデオ、またはそれが配置されている場所、お気軽にお問い合わせください。
Christy スペイン	わかりました、それは素晴らしかったです。
	ええ、DEMO を台無しにしてしまったために動作しなかった部分を除いては。
	しかし、それは良い、安全な、良い SAVE でした。
	はい、JMP はあなたがどんなに望んでも、愚かなことはしません。

 

起こるデータの可視化統計とモデリング