스피커 | 성적 증명서 |
| 크리스티 스페인 | 안녕하세요. |
| 안녕, 오늘 어때? |
| 난 괜찮아, 어때? |
| 크리스티 스페인 | 고마워요. |
| 당신은 어디에 있습니까 토르. |
| 네, 크리스티 스페인입니다. |
| 그리고 앨버커키 뉴멕시코. |
| 크리스티 스페인 | 그게 내가 생각했던 것입니다. |
| 권리를 얻었다. |
| 크리스티 스페인 | 거기에 세 자리 숫자. |
| 지금 말고. |
| 좋아요. |
| 에서 오는 허리케인. |
| 볼 호그가 온도를 떨어뜨릴 것입니다. |
| 크리스티 스페인 | 알겠습니다. 이름이 무엇인가요? |
| 평소에는 잘 모르겠고 관심도 별로 없었어요. |
| 잘. |
| 크리스티 스페인 | 나는 내가 방심해서 붙잡았지만 어제 골프를 치면서 꽤 힘들어서 여기 있는 모든 사람들이 기름을 채우고 있다는 것을 알고 있습니다. 왜냐하면 파이프라인이 지금 폐쇄되어 있기 때문입니다. |
| 당신은 어디에 있습니까? |
| 크리스티 스페인 | 나는 캐리 노스 캐롤라이나 본부에 있습니다. 그렇습니다. |
| 음, 그럼 한 번 해 봅시다. 작년에 우리를 위해 녹음을 한 적이 있습니까? |
| 작년에 직접 만들었습니다. |
| 아마도 우리가 이것을 하는 이유 중 하나일 것입니다. |
| 이 시간. |
| 오. |
| 크리스티 스페인 | 재미있네요. |
| 음, 잠깐 보겠습니다. 실제로 너무 많은 것을 닫을 때와 같이 열어볼 수 있는 작은 체크리스트가 있습니다. |
| 나는 모든 것을 지우려고 노력하고 있었기 때문에 어떤 팝업도 얻지 못했습니다. 당신은 당신의 모든 앱을 닫았습니까? |
| 저는 아직 안했고 질문도 받았습니다. |
| 물론이죠. |
| 녹화 전에 업로드해야 한다고 하는데 링크가 없어서 못 올립니다. |
| 크리스티 스페인 | 나는 무엇을 업로드하고 있습니다. |
| 그리고 발표자료. |
| 크리스티 스페인 | 알겠습니다. 그 링크가 당신을 위한 것인지 알아내겠습니다. |
| 그래서 다시 돌아가서 예전 이메일을 찾아보니 제 생각이 맞는지 찾을 수 없었습니다. |
| 나는. |
| 별거 아니지만. |
| 크리스티 스페인 | 그래도 우리는 계속해서 기록할 수 있어야 합니다. |
| 알았어. |
| 크리스티 스페인 | 약간의 체크리스트를 찾아보겠습니다. 하지만 해당 체크리스트의 일부가 귀하의 앱에서 종료됩니다. |
| 나는 그것을 하러 갈 것이다. |
| Microsoft 팀이 필요하지 않습니다. |
| 크리스티 스페인 | 셔츠에 로고가 하나도 없어서 좋네요. |
| 로고가 없습니다. |
| 아마 지금 당장도 필요하지 않을 것입니다. |
| 크리스티 스페인 | 팀을 방해하지 않는 방법을 알 수 없었습니다. |
| 팀 잘. |
| 현대에 관한 것 중 하나. |
| 기술은 사람들이 당신에게 더 이상 지시를 하지 않고 당신에게 이것을 주고 당신이 그것을 알아내야 한다는 것입니다. |
| 크리스티 스페인 | 글쎄, 나는 도움말 섹션 D amp D를 입력했고 그것은 마치 내가 어떤 메시지나 그런 종류의 것을 찾고 있는 것처럼 행동했고, 나의 OK, 또는 괜찮아 나는 그래서 그것을 닫았습니다. |
| 알겠습니다. |
| 몇 가지 응용 프로그램이 열려 있지만. |
| 저 작은 기생 팀을 보세요. |
| 크리스티 스페인 | 우리는 그래서 좋다. |
| 글쎄, 그들은 이것을 이 작은 숨겨진 메뉴에 넣어두고 Skype와 함께 여전히 거기에 있습니다. 왜냐하면 그들은 무슨 일이 있어도 당신에게 연락할 수 있기를 원하기 때문입니다. |
| 크리스티 스페인 | 그리고 아마도 우리는 당신이 배경 중 하나를 가져갔어야 한다고 생각합니다. |
| 그것은 저작권 침해가 없다고 말하지만 당신은 거기에 많은 책을 알고 있을 것입니다. |
| 아, 여기 책이 있습니다. 당신이 책을 읽을 수 없기 때문에 별 문제가 되지 않을 거라고 생각했지만 괜찮습니다. |
| 크리스티 스페인 | 내가 싫어할지도 모르겠어. |
| 다시 전화를 해서 놓아주겠다고 말해야 합니다. |
| 네 두 번 하고 싶지 않습니다. |
| 아니. |
| 정말 재미있을 거라고 확신하지만 다시는 하고 싶지 않습니다. |
| 난 그냥 팀을 제거합니다. |
| 그들은 모든 팀이 사라졌습니다. |
| 좋아, 그래서 이 배경들, 나는 그것에 대해 뭔가를 가지고 있다. |
| 다시 전망으로 돌아가야 합니다. |
| 크리스티 스페인 | 아니면 우리가 할 수도 있습니다. |
| 봐, 나는 그것들을 사용한 적이 없다. |
| A는 정말 한 번도 사용하지 않았습니다. |
| 흐릿하게 분석하기 때문입니다. |
| 응. |
| 알다시피, 이사를 할 때마다 사람들이 그것을 사용하고 물건이 흐려지고 방에 있는 모든 쓰레기를 봅니다. |
| 에서 그렇게 참조하십시오. |
| 타냐. |
| tanya so 새로운 증상. |
| 여기 우리는 그렇게 간다. |
| 소셜 타일이 무엇인지 알고 있는 소셜 타일입니다. |
| 가상 배경이 파란색 산점도입니다. |
| 그냥 할게요. |
| 어서 해봐요. |
| 그렇다면 이제 어떻게 해야 하는지에 대한 질문입니다. |
| 그것을 써. |
| 보자. |
| 크리스티 스페인 | 나는 그것이 작은 점 세 개 아래에있을 것이라고 생각했지만 그렇지 않습니다. |
| 알겠습니다. 오리가 어디에 있는지 잘 모르겠습니다. |
| 점은 어디에서 찾을 수 있습니까? |
| 크리스티 스페인 | 글쎄, 당신은 화면 공유와 채팅이있는 하단에 알고 있습니다. |
| 그리고 그 모든 것이 조금 더 있습니다. |
| 하지만 백그라운드에서 변경할 수 있는 옵션이 보이지 않습니다. |
| 하지마. |
| 크리스티 스페인 | 우리는 서로 다른 많은 것들 사이를 왔다갔다 합니다. |
| 여기 도구는 어렵습니다. |
| 빠른 검색을 해보자. |
| 매끄러운 카메라 아래 가상 배경. |
| 오. |
| 그래서. |
| 그리고 나서 그들이 말하지 않았기 때문에 가상 배경이 어디에 있는지 알아야 합니다. |
| 어느 것을 사용해야 하나, 아니, 아니, 아니. |
| 크리스티 스페인 | 오, 멋지네요. |
| 오 좋습니다. 다른 많은 일을 할 수 있을지 확신이 없었기 때문에 좋습니다. 이제 배경이 생겼고 많이 움직이면 꽤 잘 작동하고 있습니다. |
| 크리스티 스페인 | 그리고 |
| 자동으로 작업 표시줄이 있었나요? |
| 어떻게 하는지 봅시다. |
| 크리스티 스페인 | 작업 표시줄로 이동하여 마우스 오른쪽 버튼을 클릭합니다. |
| 네, 아무것도 없는 곳에서요. |
| 아니. |
| 문제는 내 작업 표시줄이 완전히 구독되었다는 것입니다. |
| 크리스티 스페인 | 내 것도 숨기지 않아 왜 그런지 모르겠어. |
| 그래? |
| 여기에서 작업 표시줄 설정을 시작합니다. |
| 월요일입니다. 데스크톱 모드에서 테스트 테스트 표시줄을 자동으로 숨깁니다. |
| 에. |
| 자, 이제 숨겨지지 않은 것을 제외하고는 자동으로 숨겨지는 것처럼 보입니다. |
| 크리스티 스페인 | 글쎄요, 위로 스크롤하면 사라집니다. |
| 따라서 경우에만 나타납니다. |
| 뭔가 활동이 잘 나가고 있습니다. |
| 크리스티 스페인 | 그리고 당신의 소리는 훌륭합니다. |
| 그리고 |
| 크리스티 스페인 | 공유를 연습해 보겠습니다. 그러면 해상도 등 모든 것을 확인할 수 있습니다. |
| 어디 한번 보자. |
| 확실히 문제가 될 특정 사항입니다. |
| 화면 공유를 위해 나는 당신이 어떻게 생겼는지 보여줄 것입니다. |
| 크리스티 스페인 | 글쎄, 당신은 당신의 콘텐츠를 공유할 수 있습니다. |
| 네, 하지만 슬라이드와 JMP 응용 프로그램 사이를 왔다 갔다 하고 싶기 때문에 보여주고 싶습니다. |
| 내 화면. |
| 그래서 어떻게 든 나는 끝났습니다. |
| 화면과 함께 여기 작은 창에 당신이 있습니다. |
| 크리스티 스페인 | 상단에서 보기를 수행하고 나란히 변경할 수 있습니다. 아니면 제가 가지고 있는 것입니다. |
| 어쨌든 아무도 나를보고 싶어하지 않기 때문에 내 카메라를 끄십시오. |
| 오늘 당신에 관한 모든 것입니다. |
| 작은 활성 발언자 비디오 축소판 비디오를 표시합니다. |
| 알겠습니다. |
| 이것은 그리드를 보여줍니다. |
| 그리고 그것은 전체를 정말 작게 만듭니다. |
| 그리고 더 이상 내 자신을 볼 수 없습니다. |
| 하지만 나는 이것을 움직일 수 있다. |
| 크리스티 스페인 | 글쎄, 나는 당신이 당신의 PowerPoint를 슬프게 볼 수 있습니다. |
| 자, 여기 내 PowerPoint가 일반 쓰기 모드로 전환되는 문제가 있습니다. |
| 그러나 프리젠 테이션보기로 들어가면. |
| 그것은 더 커지지 만, 나는 그 뷰와 다른 뷰 사이에서 계속 앞뒤로 튀어 나와야합니다. |
| 동영상을 할 때. |
| 관련 부분에 대해 범위를 좁힐 것인가 아니면 그냥 화면에 나오는 모든 것을 보여줄 것인가? |
| 크리스티 스페인 | 예, 우리는 무엇이든 보여줄 것입니다. |
| 그래서 대부분의 사람들은 프리젠테이션 모드를 하고 나서 그 모드에서 빠져나와 JMP 화면을 띄워야 한다면 그렇게 할 수 있습니다. |
| 돌아가서 그게 말이 되는지, 그리고 우리가 당신을 보게 된다면 당신의 일부를 알게 될 것입니다. |
| 예, 좋아 보입니다. |
| 자, 이것이 우리가 할 일이며 필요한 경우 JMP로 가겠습니다. |
| 크리스티 스페인 | 정말 빨리 시도하고 싶습니까? 그래서 우리가 그것이 올바른 크기인지 확인할 수 있습니다. |
| 응. |
| 크리스티 스페인 | 좋아 보인다. |
| 괜찮아. |
| 그래서 눈에 보입니다. |
| 크리스티 스페인 | 자, 이제 해야 합니다. |
| 이름 회사와 초록 제목을 확인하십시오. |
| 이름은 토르 오스본. 회사는 Sandia National Laboratories입니다. |
| 초록 제목은 인재 확보 시뮬레이션 및 관리를 위한 고용 지원 도착 모델이어야 합니다. |
| 크리스티 스페인 | 완벽한. 그리고 나서 이것이 Discovery Summit에서 사용하기 위해 녹음되고 있음을 이해합니다. |
| JMP 회의이며 JMP 사용자 커뮤니티에서 공개적으로 사용할 수 있습니다. 해당 사용 및 녹음을 허용합니까? |
| 고맙습니다. |
| 크리스티 스페인 | 그리고 우리는 준비가 된 것 같아요, Thor, 그래서 저는 제 자신을 음소거하고 |
| 준비가 되면 언제든지 갈 수 있습니다. 목표는 바로 통과하는 것입니다. 나는 재앙적인 일이 일어나지 않는 한 아무 말도 하지 않거나 당신을 막지 않을 것입니다. 어떻게에 대한? |
| 좋아요, 목표는 바로 진행하는 것입니다. 얼마나 오래 기다려야 하나요? |
| 크리스티 스페인 | 30 분. |
| 자, 이제 재생이 끝날 때 질문과 답변을 위한 시간을 남겨두는 것을 좋아하기 때문에 조금 여유가 있다고 생각합니다. 조금 지나치더라도 괜찮습니다. |
| 자, 이제 우리가 가기 전에 말하는 사람과 말하는 사람이 표시된 작은 창이 있습니다. |
| 작은 비디오를 축소하기 때문입니다. |
| 내 화면에 프레젠테이션 보기가 표시됩니까, 아니면 오른쪽 아래에 작은 삽입물이 있는 것으로 표시됩니까? |
| 크리스티 스페인 | 내가 보는 것은 프레젠테이션 보기뿐입니다. |
| 좋아, 그래서 그들은 이것을 어떻게든 떠다니고 있다. |
| 크리스티 스페인 | 짜증나겠죠. |
| 괜찮습니다. 방해가 되지 않는 한 거기에 아무것도 두지 않습니다. |
| 크리스티 스페인 | 괜찮아요. |
| 응. |
| 괜찮은. |
| 크리스티 스페인 | 알겠습니다. 음소거 상태로 전환하면 준비가 완료됩니다. |
| 괜찮아. |
| 그래서 제 이름은 토르 오스본입니다. 저는 Sandia National Laboratories에서 주요 시스템 연구 분석가로 일하고 있습니다. |
| 오늘 제 이야기는 인재 확보 시뮬레이션 및 관리를 위한 취업 지원 도착 모델입니다. |
| 그리고 즐기시기 바랍니다. |
| 여기에 세 가지 기본 목표가 있습니다. 하나는 취업 지원 도착 시간을 모델링하려는 이유에 대한 비즈니스 사례를 만드는 것입니다. 다른 하나는 이러한 종류의 데이터를 사용하여 간결하고 광범위하게 적용할 수 있는 모델을 만드는 간단한 프로세스를 보여주는 것입니다. |
| 그런 다음 대규모 연구 조직의 데이터에 대한 프로세스를 보여주고 이를 통해 할 수 있는 작업을 간략하게 보여드리겠습니다. |
| 기술적으로 저는 이러한 종류의 데이터가 대부분의 사람들에게 다소 생소하다고 생각하기 때문에 데이터를 이해하는 방법을 살펴보겠습니다. |
| 소스 모델, 본질적으로 이것은 소스 모델링입니다. |
| Poisson 및 Gamma-Poisson 모델에 대해 이야기하겠습니다. |
| 이 작업을 보다 쉽게 수행할 수 있도록 몇 가지 분석과 변환을 수행한 다음 모델을 만드는 방법에 대해 간략하게 설명하겠습니다. |
| 따라서 동기 부여에 관한 한 동기 부여의 세 가지 기본 영역이 있습니다. 하나는 인재 확보 프로세스 및 비즈니스 기능을 개선하는 것입니다. |
| 두 번째는 회사를 이끄는 임원에 대한 이해를 높이는 것이고, 세 번째는 채용담당자의 기대치를 설정하는 데 도움이 됩니다. |
| 인재 확보부터 시작하겠습니다. 채용률과 지연은 인재 확보 파이프라인의 심사 단계를 통한 흐름에 따라 다릅니다. 그러나 중요한 것은 프로세스를 통해 어디로든 갈 수 있으려면 충분한 고용 지원서가 있어야 한다는 것입니다. |
| 그리고 요율과 패턴은 분야, 게시되는 게시물의 특수성, 경쟁, 얼마나 많은 광고를 했는지 등에 따라 상당히 다릅니다. |
| 애플리케이션 도착을 위한 일반적인 수학적 프레임워크는 애플리케이션 캡처 속도를 개선하기 위한 거래 공간에 대한 더 나은 이해를 가능하게 할 수 있습니다. |
| 뿐만 아니라 다른 것들. 몇 가지 주요 관계 응용 프로그램 캡처 비율 및 고용 상황, 작업 현장, 경력 수준, 실무 분야에 대한 차이. |
| 조정 가능한 변수 광고 구인 공고 특이성, 공고 언어의 영향을 포착하십시오. 즉, 영어 대 스페인어를 의미하는 것이 아니라 사물이 구성되는 방식을 의미합니다. |
| 그리고 표적 모집 노력. 그리고 경제 상황, 실무 분야의 경쟁, |
| 모집 영역 내에서 실제로 도달하는 전문 인력은 얼마나 됩니까? |
| 그리고 인재 확보가 프로젝트나 프로그램 실행에서 흔히 볼 수 있는 시간, 품질 및 비용과 같은 일반적인 제약 조건에 직면한다는 사실을 인식하는 것이 중요하다고 생각합니다. |
| 신청서를 수집하는 데 시간이 걸립니다. 높은 수준의 지원자를 원합니다. 비용이 많이 들고 빨리 가려고 하면 더 많은 비용이 들게 됩니다. |
| 그래서 여기에 트레이드 오프가 있습니다. |
| 경영진은 종종 인력 계획을 통해 프로세스에 참여합니다. 이는 전체 기간에 걸쳐 이루어지지만 기본적으로는 연간 계획이라고 합니다. |
| 그러나 관련 모델 및 비용에 대한 피드백이 없으면 인력 예산 또는 프로세스의 일반적인 제약 및 할당에 대한 고려가 주관적이거나 부재할 수 있습니다. |
| 즉, 경영진 수준에서 HR은 종종 단순히 필요한 비용으로 간주되지만 반드시 회사를 발전시키는 데 필요한 수단은 아닙니다. 부분적으로는 정보가 부족하기 때문에 정보를 제공하는 것이 이러한 상황을 개선하는 방법이 될 수 있습니다. |
| 또한 고용 관리자의 기대치. |
| 기본적으로 우리는 적은 수의 통계, 적은 수의 응용 프로그램을 다루고 있습니다. |
| 인간은 실제로 패턴 편향의 영향을 받기 쉽고 대부분의 고용 관리자는 매주 사람을 고용하지 않기 때문에 오랜 기간 동안 다양한 사례의 관점에서 이것을 보는 데 익숙하지 않습니다. |
| 그리고 그것은 그들이 직면한 마지막 상황에 고정으로 이어질 수 있으며, 한 주에서 다음 주까지 지원자 수를 살펴보고 관심 있는 모든 사람에게 접근했음을 의미해야 하는 패턴 편향으로 이어질 수 있습니다. |
| 그리고 과잉 반응으로 이어질 수 있는 편향에 대한 이러한 직관적인 반응의 문제는 항상 소수의 통계에서와 같이 해당 맥락에서 받아들이지 않으면 잘못된 정보를 얻기 때문입니다. |
| 그래서 데이터에 대해 조금. 도착 데이터는 특정 구직 요청에 연결됩니다. 따라서 구직 요청이 있고 해당 요청에 대한 게시가 있으며 게시 결과로 지원이 도착합니다. |
| 그들은 여러 면에서 특징지어집니다.사이트 위치; 경력 단계; |
| 가시성, 얼마나 광범위하게 가시화되는지; |
| 당신이하는 일의 분야; |
| 그리고 해당 분야 내에서 매우 광범위하거나 매우 좁을 수 있는 특정 요구 사항. |
| 그리고 채용 공고에 액세스할 수 있는 기간 동안 지원서를 제출할 수 있으므로 일반적으로 정해진 기간이 있습니다. |
| 날짜별로 추적됩니다. |
| 이제 이 경우 나중에 분석을 위해 실제 데이터를 사용하여 마지막으로 제출된 지원 날짜를 게시 마감 날짜로 사용해야 하지만 반드시 사실은 아닙니다. 그러나 실제 데이터에서 자주 발생하는 것처럼 원하는 모든 데이터가 있는 것은 아닙니다. |
| 그리고 마지막으로 말할게 |
| 당신은 하루에 신청의 수를 세고 있습니다. 하루에 0건의 신청이 있으면 0으로 계산합니다. |
| 따라서 채용 공고에 대한 잠재적인 지원자의 전국 풀을 생각하면, |
| 고용주는 정보를 세상에 내보냅니다. |
| 잠재적인 지원자의 전국 풀에 있는 사람들 중 일부가 지원합니다. |
| 그것은 일반적으로 누가 할 수 있었던 전체에 비해 소수일 것이라고 가정합니다. |
| 이렇게 방대한 지원자 풀이 있습니다. 소스 및 해당 소스에 대한 모든 응용 프로그램 또는 사소한 섭동입니다. |
| 그리고, 이것은 푸아송 수학을 다루는 데 익숙한 사람들에게는 매우 지루할 수 있지만 매우 명시적입니다. |
| 첫날에 하나의 응용 프로그램이 도착하는 것을 본다면 이는 하나를 계산하는 하나의 인스턴스입니다. 둘째 날에는 신청서가 도착하지 않습니다. 그것은 0의 카운트의 인스턴스입니다. 그리고 맨 오른쪽에 0의 경우 3개, 1의 경우 3개, 2, 3인 경우가 있습니다. |
| 그리고 그것은 맞을 수 있습니다. 비록 데이터가 많지는 않지만 푸아송 모델에 맞을 수 있습니다. 오른쪽 하단에 파란색 선이 보입니다. |
| 따라서 하루에 하나의 응용 프로그램이 도착하는 평균 비율이지만 실제 하루 수는 배포판에 따라 다를 수 있습니다. 그리고 그게 다야. |
| 따라서 푸아송 분포는 단위 시간당 일정한 평균 방출 람다 비율을 갖는 개별 항목의 소스를 무작위로 방출하여 단위 시간에 생성된 개수의 확률을 설명하는 데 사용할 수 있습니다. |
| 그리고 당신은 이 방정식을 얻습니다. 그래서 이전 슬라이드에서 아주 작은 확률을 보였던 4의 경우, |
| 당신은 본질적으로 1에서 4를 가지고 있습니다. |
| 곱하기 e에 마이너스 람다, 그래서 기본적으로 37% |
| 4개의 계승, 즉 24로 나눈 값은 1.5퍼센트 정도입니다. 이것은 작지만 0이 아닌 확률을 가지고 있습니다. |
| 그래서 첫 번째 가설로 |
| 우리는 광범위하게 광고된 이 직업에 대해 전국적으로 분포된 잠재적 지원자 풀의 구성원이 조화되지 않은 방식으로 행동한다고 가정합니다. |
| 고용 기회와 관련하여 푸아송 모델이 의미가 있을 수 있습니다. |
| 그래서 그것은 합리적인 초기 가설입니다. |
| 이제 그들이 상호 작용하면 어떻게 될까요? |
| 그런 다음, 이는 기본적으로 혼합 분포로 감마 분포를 사용하는 푸아송 성분인 감마-푸아송 소스 모델의 관점에서 생각할 수 있습니다. |
| 또는 비율, 평균 비율이 일정한 평균 비율이 아니라 시시각각 변하기 때문에 흐릿한 푸아송으로 생각할 수 있습니다. |
| 그리고 이것은 지원자가 조정된 방식으로 행동한다는 대립 가설에서 발생할 수 있습니다. |
| 직업 기회 등에 대해 서로 이야기하는 사람들의 네트워크가 있다면 일어날 수 있는 일입니다. |
| 이제 여기 |
| 감마 포아송을 생성하는 방법에 대한 슬라이드. 이것은 기본적인 사항이지만 이러한 분포를 살펴보면 도움이 될 수 있습니다. |
| 그래서 JMP에서 약간의 데모를 하려고 합니다. |
| 이제 여기에서 볼 수 있는 임의의 감마 4-1은 매개변수가 4이고 스케일링 매개변수가 1인 임의의 감마를 의미하므로 평균은 4입니다. |
| 분포를 보시면 됩니다. 여기에는 100,000개의 행이 있습니다. 슬라이드에서 본 것과 같은 곡선을 얻습니다. |
| 평균은 약 4이며, 이는 여러 번 수행할 때 발생합니다. |
| 그것은 그것이 있어야 할 거의 정확히입니다. |
| 이제 해당 배포판을 가져 와서 사용하십시오. |
| 임의의 포아송에 대한 피드로 사용됩니다. |
| 그리고 당신은 이것을 얻습니다. |
| 그것은 번져 버렸기 때문에 이전의 푸아송처럼 보이지 않습니다. |
| 푸아송 핏을 보면 가장 잘 맞는 핏을 찾을 수 있습니다. |
| 평균적으로 4명이 할 수 있는 모든 일입니다. |
| Gamma-Poisson보다 분산이 더 좁고 예를 확인하기 위해 Gamma-Poisson입니다. |
| 저기 빨간선을 보세요. |
| 그리고 정말, 정말 잘 어울립니다. |
| 거의 완벽합니다. |
| 그래서, 본질적으로 이것은, 이것이 그 과정을 거친 경우입니다 |
| 의사 소통 과정에서 포아송은 더 이상 최고의 모델이 아닙니다. |
| 방금 보여드린 케이스는 이 쿼드 패널의 오른쪽 상단에 표시됩니다. |
| 시그마는 2이고 과분산 매개변수는 2입니다. |
| 과분산 매개변수가 1인 경우 왼쪽 상단에서 시그마는 1과 같으며 이는 본질적으로 다시 푸아송 분포와 동일합니다. |
| 그러나 과분산 매개변수가 증가함에 따라 험프 다음에 꼬리가 오는 대신 붕괴하는 지수처럼 보이는 것으로 바뀝니다. 파란색으로 오른쪽 하단에 있는 것을 볼 수 있습니다. |
| 여기에서 색상이 이전과 반대로 전환되었으므로 혼동이 있는 경우 죄송합니다. |
| 이제 실제 데이터가 있습니다. |
| 따라서 광범위하게 접근할 수 있는 초기 경력 기계 공학 게시의 경우입니다. |
| 140개의 애플리케이션이 131개의 카운트를 생성하는데, 그 중 많은 수가 0이므로 이것은 시간이 지남에 따라 131일에 걸쳐 분산됩니다. |
| Gamma-Poisson이 가장 잘 맞고 왼쪽 상단에서 볼 수 있습니다. |
| Akaike의 기준 AIC를 사용하고 있습니다. |
| 메트릭. |
| 왼쪽 하단에 보시면 |
| 경험 많은 위치. 이제 경험이 풍부한 전문가들은 예를 들어 대학 진학 등의 네트워크를 갖고 있지 않습니다. |
| 또는 대학 환경에서 볼 수 있는 다른 사람들과 지속적으로 몰입해야 합니다. 이것은 어떤 증거도 아니며 아마도 이것이 경험이 풍부한 전문적인 응답과 함께 보다 고전적인 푸아송 행동을 보는 이유일 수 있다는 것을 합리화하는 방법일 뿐입니다. |
| 그리고 여기에서 보여주기 위해 애플리케이션 수와도 상관관계가 있는 것 같습니다. 중요한 다른 요소는 다음과 같습니다. |
| 경력 단계. |
| 방금 언급했듯이 FLSA 상태(비면제)는 면제 직원이 아닌 기술자를 의미합니다. |
| 이러한 요소가 중요해 보이지만 응용 프로그램 수가 증가함에 따라 감마-푸아송 분포가 될 가능성이 높아짐에 따라 확실히 편향이 있습니다. |
| 이제 이 데이터가 분석을 위해 준비되는 방법입니다. 직무별 지원일자 |
| 에 대한 표 설정 0 |
| 카운트가 없을 때. |
| 그런 다음 각 요구 사항에 대해 Poisson 및 Gamma-Poisson을 피팅하여 어느 것이 더 나은 AIC 값을 제공하는지 알아내십시오. |
| 동시에, 요청 요약 테이블은 요청당 하나의 행 또는 하나의 행으로 만든 다음 함께 융합되어 Poisson 및 Gamma-Poisson에 대한 매개변수와 어느 것이 더 가능성이 높은지 알려주는 AIC 매개변수를 제공합니다. 더 잘 맞습니다. |
| 그리고 포아송에 대한 요약과 부분 집합 후에 감마-포아송에 대한 요약을 얻습니다. 함께 처리하기 어렵기 때문입니다. |
| 시그마가 1인 감마-푸아송을 사용할 수 있지만 인플레이션이 0이 되고 다루기가 복잡해집니다. |
| 어떤 하위 집합이 사용되든 프로세스는 매개변수 대 동인에 대한 선형 모델 적합성을 보여줍니다. |
| 매개변수는 모델에 의해 정규화됩니다. |
| 그런 다음 모든 운전자 조건에서 공통 분포가 타당한지 확인합니다. 이 경우 기본적으로 현장 위치, 초기 또는 후기 경력 등의 요청 컨텍스트입니다. |
| 동일한 분포에 속할 수 있는 경우 공통 분포 매개변수 집합을 만들고 전체 데이터 집합에 사용할 수 있습니다. |
| 그렇지 않으면 접근 방식이 실패하고 이 시점에서 이를 처리할 메커니즘이 없습니다. 다행히도 그런 일은 일어나지 않았지만 미래를 위해 생각해야 할 문제입니다. |
| 그래서 여기 컨텍스트가 사이트와 관련이 있는 컨텍스트에 따른 일부 Poisson 매개변수 분포가 있습니다. 초기 경력이든 후반 경력이든, 아니면 다음과 같이 말할 수 있습니다. |
| 그리고 그것이 어떤 연습 분야인지 여부. 내부 전용 구인 요청을 분석하는 것은 어렵고 기회가 훨씬 더 제한적이기 때문에 이들 모두는 "B"를 의미합니다. 그래서 저는 이 프레젠테이션에서 단순히 넓은 경우를 고수하고 있습니다. |
| 당신이 볼 수 있는 것은 평균 편차가 요청 컨텍스트에 따라 매우 분명하게 다르며, 아니요, 동일한 분포에 속하지 않는다는 것입니다. 당신은 그것을 쉽게 증명할 수 있습니다. |
| 초기 덩어리인 사이트 A 초기 세트인 더 작은 하위 집합을 보면 평균과 표준 편차가 맵 전체에 있다는 것이 더 분명해집니다. |
| 이제 여기에서 약간의 데모도 할 것입니다. |
| 그래서 저는 이 데이터를 가지고 있습니다. |
| 자, 이것은 정말 간단한 모델입니다. 저는 Poisson 매개변수 출력을 사용하고 요청 컨텍스트를 사용할 것입니다. |
| 주관적인 변수. |
| 그리고 그것을 실행하면 약 포인트 4의 RSquare가 있음을 알 수 있습니다. 즉, |
| 중요하지 않습니다. 모델 핏은 사실 꽤 괜찮습니다. |
| 그리고 이 매개변수에 대한 적합도가 매우 좋습니다. 모든 변화를 다루지는 않지만 우리가 기대하지 않기 때문에 괜찮습니다. 이것은 단지 그것이 하는 일에 대해 꽤 좋은 모델이라고 말하는 것뿐입니다. |
| 순전히 표로 작성될 수도 있지만 이 접근법이 마음에 듭니다. 작업하기 쉽고 이 적합성에서 얼마나 많은 가변성이 처리되고 있는지에 대한 감각을 제공하기 때문입니다. |
| 여기로 이동하여 볼 수 있습니다. |
| 예측에 의해 실제가 됩니다. 예, 훌륭한 모델은 아니지만 목적에 부합합니다. |
| 그리고 당신이 할 수 있는 또 다른 일은 예측 공식을 저장하는 것입니다. |
| 그래서 당신은 여기를 참조하십시오. |
| 나는 이미 이것을 했기 때문에 이것은 자동으로 첨자됩니다. |
| 이 금액이 본질적으로 |
| 상수 |
| 플러스 요청 컨텍스트에 의한 오프셋. |
| 로켓 수술은 없습니다. |
| 하지만 이제 정규화를 하려면 |
| 열을 추가하십시오. |
| 전화주세요 |
| Norm Poisson Again 왜냐하면 이것을 만들기 위해 이미 한 번 했기 때문입니다. |
| 먼저 테이블. |
| 포아송을 찾습니다. 내 Poisson 매개 변수가 있습니다. 로 나눕니다. |
| 모델핏. |
| 그것은 실제로 작동해야했습니다. |
| 무슨 일이 일어나고 있는지 확실하지 않습니다. |
| 네, 절대로 라이브로 데모를 하지 않는 것이 원칙입니다. 하지만 이것은 항상 과거에 효과가 있었고, 무슨 일이 일어나고 있는지 잘 모르겠습니다. |
| 내 Poisson 매개 변수가 있습니다. |
| 내 예측 공식이 있습니다. |
| 오. 무언가를 나누려고 해서는 안 됩니다. |
| 그 자체. 그것이 작동하지 않은 이유입니다. |
| 지금은 고집이 세고 있습니다. |
| 괜찮아. |
| 때로는 미묘한 것이 중요합니다. 여기 정규화된 포아송이 있습니다. |
| 그리고 흥미로운 점은 |
| 당신은 이것을 맞출 수 있습니다. |
| 그리고 사용 가능한 병에서 Johnson SL이 가장 적합하고 꽤 잘 작동한다는 것을 알 수 있습니다. |
| 그리고 당신은 또한 할 수 있습니다 |
| Y를 X로 맞추십시오. |
| 이 출력을 가져 가라 |
| 요청 컨텍스트에 따라 적합합니다. |
| 그리고 이 단방향 플롯을 얻으십시오. |
| 이전에 보여드린 것보다 훨씬 더 규칙적으로 보입니다. 이들이 동일한 분포를 갖는다는 것이 훨씬 더 그럴듯합니다. 더 많은 데이터가 있지만 그렇지 않은 경우 더 넓은 범위를 볼 수 있습니다. |
| 놀라운 일이 아닙니다. |
| 그리고 만약 당신이 이분산 테스트를 보면, 그들이 동일하지 않은 분산이라는 표시가 없다는 것을 알 수 있습니다. |
| 그렇지 않다는 증거는 아니지만 동일한 분포를 가지고 있다고 가정하는 모델을 사용하는 것이 합리적이라고 말하는 방식입니다. |
| 그래서. |
| 이것으로 돌아갑니다. |
| 오, 나는 또한 나머지 모든 상황에 대해 각 상황에 대해 Kolmogorov-Smirnov 테스트를 수행했으며 78개의 경우 중 하나만 .05 미만의 p-값을 보였습니다. |
| P 값은 아무 것도 증명하지 않지만, P 값이 나타내는 것은 동일한 분포에서 나온 값을 처리하는 것이 합리적이라는 것입니다. |
| 그리고 여기에 방금 전에 하나의 더 작은 하위 집합에 대한 확대 버전이 있습니다. 하지만 이것이 그럴듯하다는 것을 알 수 있습니다. 증거는 아니지만 그럴듯합니다. |
| 그리고 적합성 테스트의 장점으로 |
| 다시 말하지만 합리적으로 보인다. |
| Johnson SL은 여기에서 이 데이터세트에 대한 정규화된 포아송 매개변수 분포인 포아송 매개변수 분포를 설명하는 데 사용할 수 있는 합리적인 모델입니다. |
| Gamma-Poisson과 해당 데이터 하위 집합, 그리고 동등한 매개 변수인 Lambda 매개 변수에 대해서도 동일한 작업을 수행할 수 있습니다. |
| 그리고 다시 한 번 작동합니다. |
| 시그마 매개변수를 수행하기 위해 시그마가 1의 기준선에 있기 때문에 실제로 시그마 빼기 1을 사용합니다. |
| 그리고 여기 모델은 품질이 훨씬 낮습니다. |
| Lambda는 Sigma와 상관 관계가 있으므로 별도의 모델링 단계가 필요하므로 해당 효과를 그 안에서 모델링할 수 있기를 원합니다. |
| 다시, 당신은 적당한 핏을 얻습니다. |
| 이 경우에는 Johnson Su입니다. |
| 그리고 여기에 무슨 일이 일어나고 있는지입니다. 합성 랜덤 분포 매개변수를 생성합니다. |
| 데이터 하위 집합에서 컨텍스트를 기반으로 선형 모델을 생성합니다. |
| 모수 분포를 정규화하고 공통 모수 연속 모델에 맞춥니다. |
| 그런 다음 합성 매개변수를 생성하려면 정규화된 매개변수 분포에서 난수를 얻고 여기에 적절한 선형 모델 결과를 곱하여 "비정규화"합니다. |
| 이제 합성 랜덤 모델 매개변수를 평가하고 KS 테스트를 다시 사용했으며 실제로 구분할 수 있는 방법이 없음을 알 수 있으므로 적어도 믿을만해 보인다는 표현입니다. |
| 실제 사례와 비교. |
| 그리고 합성 모델도 만들었습니다. |
| 이를 함수로 변환하여 호출 가능한 함수가 될 수 있도록 했습니다. 이것은 JSL에 있는 JMP 스크립팅 언어의 호출 가능한 함수입니다. |
| 컨텍스트를 입력으로 사용하여 임의의 작업 요청을 위한 매개변수를 생성하기 위한 모든 다른 컨텍스트 기능. |
| 이제 모든 세부 사항에 대해 설명하지 않겠지만 요점은 이 히트 맵에서 일반적으로 사물이 어디에 있는지뿐만 아니라 |
| 그럴듯한 이상치가 무엇이고 그것이 실제로 얼마나 멀리 가는지에 대한 이상치에 대한 일종의 아이디어입니다. |
| 또한 Lambda와 Sigma 간의 상관 관계가 |
| 합성 람다와 합성 시그마 사이는 거의 동일합니다. |
| 그 관계를 합리적으로 밀접하게 모델링하고 있습니다. |
| 그리고 실제 데이터를 투입하여 이것을 보면, |
| 메인 그래프의 작은 검은 점입니다. |
| 합성 밀도의 98%는 십자형 해치로 표시된 붉은색 영역에 있으며, 중앙에 삽입된 녹색 사각형 주위에 녹색 사각형이 있습니다. |
| 43개가 있는 모든 데이터 포인트, |
| 거기에 떨어지다. |
| 그리고 그래서. |
| 이것은 다시 합성이 실제로 합리적으로 잘 일어나는 것을 모델링한다는 것입니다. 믿을 수 있지만 다른 몇 퍼센트의 경우에 무슨 일이 일어날 수 있는지 보여줍니다. |
| 여기까지가 제가 모델링을 수행한 것입니다. 그러나 여러분이 볼 수 있는 것은 컨텍스트를 사용할 수 있다는 것입니다. 얼마나 많은 다른 변수를 사용할 수 있습니다 |
| 채용 공고의 언어에 특정성이 부여되어 자격을 갖춘 사람이 줄어들고 일부 사람들은 겁을 줄 수도 있습니다. |
| 언어가 만들어지는 방식을 볼 수 있습니다. 요즘 사람들은 HR의 도구를 사용하여 더 수용 가능한 언어를 만들고 있습니다. 시간이 지남에 따라 얻는 것과 여러 구직 요청에 따라 얼마나 차이가 나는지 알 수 있습니다. |
| 이를 모델에 대한 요인으로 취급할 수 있으며 이를 통해 적용 방법을 조정할 수 있습니다. |
| 필요한 사항에 따라 구매요청을 생성할 때 이러한 기능을 제공합니다. |
| 하지만 이제 저는 다음으로 전환할 것입니다. 좋아, 이것은 다시 어떻게 생겼을까. 다시 기본 원칙이므로 주당 7회가 있는 푸아송의 경우 시간의 30%는 5회 이하가 됩니다. |
| 따라서 그 중 하나를 예상해야 합니다. |
| 합리적으로 경쟁력 있는 고용을 선택하는 데 필요한 시간은 다양할 것입니다. 평균 7명이라고 해도 얻을 수 있는 숫자가 상당히 다를 것이기 때문입니다. |
| 포아송의 분산은 모수와 동일하므로 광범위한 변동을 얻을 수 있습니다. |
| 따라서 장기 평균의 관점에서 생각하는 데 익숙하다면 |
| 또는 다른 경우에 의해 고정되면 특정 인스턴스에 의해 제외될 수 있습니다. |
| 그리고 문제는 이 패턴 인식 편향입니다. |
| 군집 환상은 불가피한 줄무늬나 군집이 작은 샘플에 도착한다는 것은 비임의 효과가 진행 중이고 일종의 의도가 있음을 의미한다고 생각하는 경향입니다. |
| 그리고 RD Clarke가 1946년 독일 V-폭탄 분석과 함께 발견한 푸아송 분포 데이터와 분명히 관련이 없습니다. |
| 런던 지역에 떨어지는 사이트. |
| 사람들은 그룹화가 발생하는 것을 보고 그것이 의미가 있다고 생각할 것입니다. 그러나 그는 Poisson으로 프로세스를 살펴봄으로써 그것이 꽤 만족스럽다는 것을 증명할 수 있었습니다. |
| 분산되어 있습니다. 즉, 어쨌든 때때로, 그리고 확실히 본 것만큼 자주 클러스터를 얻게 됩니다. |
| 즉, 실제로 일어나고 있는 일은 그들이 특정한 것을 목표로 하는 것이 아니라 일반적으로 런던을 목표로 하고 있었고 일반적으로 런던 어딘가에 타격을 가했다는 의미입니다. |
| 여기에서 작업을 살펴보면 3주에 걸쳐 시퀀스를 얻을 가능성이 감소하거나 증가하는 횟수가 약 12%입니다. |
| 이 예에서 감소하는 2주 카운트, 즉 하나가 다른 것보다 클 가능성은 45%입니다. |
| 이것들은 정말 짧은 패턴입니다. 아무 의미가 없다고 생각하면 안 되지만, 통계의 본질을 모르는 사람들도 그렇게 생각할 수 있습니다. 이것이 바로 여기의 요점입니다. 그리고 그것은 과잉 반응으로 이어질 수 있습니다. |
| 이제 실천 분야에 따른 변동성은 대략 10배 정도입니다. |
| 일부 필드는 다른 필드보다 소싱이 더 어렵기 때문에 사람들이 이러한 차이점을 이해하지 못하면 기대치가 왜곡될 수 있습니다. |
| 그리고 업무분야 뿐만 아니라 일반적으로 모집요강을 보면 95%에서 25배 정도 차이가 나는 것을 알 수 있습니다. |
| 범위는 2.5%에서 최대 97.5%입니다. 여전히 큰 변동성입니다 |
| 요금에. |
| 그리고 이것이 게시물의 언어가 어떻게 만들어졌는지, 얼마나 좁게, 얼마나 일반적으로 영향을 미쳤는지 이해했다면 |
| 언어가 무엇을 끌어들이는지, 이러한 모든 요소를 광고하고, |
| 당신은 얼마를 결정할 수 있습니다 |
| 당신은 그 비율을 더 높게 만들고 프로세스를 더 빨리 끝내기 위해 투입하기를 원합니다. |
| 그래서 여기에 앞서 이야기한 시뮬레이션 모델을 사용하는 특정 채용 공고에 대한 사례가 있습니다. |
| 사이트 A와 9번의 훈련 분야에서 설립된 전문가, 다시 말하지만 이것은 모두 독점적인 것이므로 그것이 무엇인지에 대해서는 공개하지 않을 것입니다. 그것은 단지 특정한 종류의 전문가일 뿐입니다. |
| 당신은 다음과 매우 넓은 차이를 얻습니다. |
| 95% 신뢰에서 0과 9 사이의 중간값이 2입니다. |
| 이것은 사람들을 던질 수 있고 이 작은 숫자의 통계는 사람들을 던질 수 있습니다. 왜냐하면 그들은 일이 더 규칙적일 것으로 기대하기 때문입니다. |
| 모델과 접근 방식의 한계가 있습니다. |
| 항상 데이터, 데이터의 품질이 중요합니다. 희귀 기술 세트를 가진 드물게 고용된 필드는 짧은 시간 프레임에 걸쳐 데이터가 수집되는 경우 모든 가능성에서 데이터 세트에서 본질적으로 누락될 것입니다. |
| 하지만 반면에 제어할 수 없는 많은 외부 변수가 |
| 아마도 |
| 이러한 분석의 기초로 긴 기간을 사용하는 경우 데이터 수집 기간 동안 변경됩니다. |
| 그리고 모델링 접근 방식은 자기 자기 잠식을 고려하지 않습니다. 필드 내에서 두 개의 요청요청이 열려 있고 지원자가 둘 다에 지원하거나 하나를 선택하는 경우. 아마도 그들이 가장 좋은 기회라고 생각하는 것을 선택하는 경우일 것입니다. |
| 이 모델은 그것에 대해 아무 것도 하지 않지만 일어나는 일을 캡처하여 실제 결과를 나타냅니다. |
| 그러나 놓친 기회의 범위를 나타내지는 않습니다. 왜냐하면 당신이 그들이 어디에 적합한지 보기 위해 자격이 될 수 있는 모든 기회에 적용하기를 원할 것이기 때문입니다. |
| 그래서 결론. 채용 공고에 대한 일부 채용 지원 응답은 Poisson 또는 Gamma-Poisson으로 배포되는 경향이 있습니다. |
| 그리고 이것은 약 2,500개의 총 요청으로 구성된 대규모 데이터 세트를 통해 확인되었습니다. |
| 애플리케이션 응답에 대한 분포 매개변수는 상당히 다양합니다. |
| 정규화되면 |
| 공통 프로파일에 적합할 수 있습니다. |
| 그리고 공통 프로파일에서 나온 간결한 모델은 합성 무작위 요청 모델의 생성을 용이하게 합니다. |
| 이것은 사람이 어떤 종류의 범위 지정 또는 분석을 수행할 수 있도록 합니다. |
| 가능성 |
| 다른 상황에. |
| 응용 프로그램 도착 모델이 전체 직원 수명 주기를 이해하는 데 중요한 격차를 채울 수 있다는 점을 언급하는 것이 중요하다고 생각합니다. 왜냐하면 이러한 패턴 편향에 관해 고용 관리자와 직원 채용 전문가에게 관점을 제공할 것이기 때문입니다. |
| 현실적인 방식으로 수행하려는 경우 지원자를 생성하는 방법으로 개별 이벤트 또는 에이전트 기반 모델에서 사용할 수 있습니다. |
| 그리고 |
| 아마도 가장 중요한 것은 경제적인 관점에서 |
| 그것은 지원자 당 비용 대 직무의 특성 및 다양한 기타 조정 가능하고 통제할 수 없는 외부 요인을 구성하는 방법입니다. |
| 그러면 얼마나 빨리 물건을 채울 수 있는지, 얼마나 빨리 빈 자리를 채울 수 있으며, 그렇게 하는 데 드는 비용과 관련하여 무엇을 기대해야 하는지 더 잘 이해할 수 있습니다. |
| 광고 등과의 관계에 따라 다릅니다. |
| 이상으로 오늘 소개하고자 하는 내용과 |
| 질문이 있는 경우 여기에서 연락처 정보를 얻어야 합니다. |
| 비디오 또는 위치를 확인하고 언제든지 문의하세요. |
| 크리스티 스페인 | 좋아, 잘했어. |
| 예, 데모를 망쳐서 내 일이 작동하지 않는 부분을 제외하고. |
| 그러나 그것은 훌륭하고 안전했으며 좋은 SAVE였습니다. 마침내 내가 무엇을 하고 있는지 깨달았습니다. |
| 네, JMP는 당신이 아무리 원하더라도 어리석은 일을 하지 않을 것입니다. |
