398673_zh-TW

liliconcom

人才獲取模擬與管理的就業申請到達模型 (2021-US-30MP-816)

級別：中級

 

Thor Osborn，桑迪亞國家實驗室首席系統研究分析師

 

人才獲取是人才管理週期的關鍵要素。就業申請到達是一個隨機過程，它對隨後的審查、決策和談判步驟造成了限制和延遲，這些步驟是僱用和入職人才所必需的。對此過程的分析理解可能有助於指導職位發布的內容和招聘經理的期望，以及模擬從發布工作申請到入職的流程和時間安排。本演示文稿表明，應用程序到達行為可以使用一組 Gamma-Poisson 分佈進行有效建模，這些分佈具有與工作地點、實踐領域和職業階段相關的平均速率和過度分散參數分佈，使用來自大型研究組織的應用程序數據收集了幾個年。 

 

 

自動生成的成績單...

 

揚聲器	成績單
克里斯蒂西班牙	下午好。
	你好，你今天好嗎。
	我很好，你好嗎。
克里斯蒂西班牙	好的謝謝。
	你在哪裡雷神。
	是的克里斯蒂西班牙。
	和新墨西哥州的阿爾伯克基。
克里斯蒂西班牙	這就是我的想法。
	得到了權利。
克里斯蒂西班牙	三位數在那裡。
	不是現在。
	好的，我們有一個。
	颶風從天而降。
	球豬會把溫度降下來。
克里斯蒂西班牙	好的，那個叫什麼名字。
	我不知道通常不會發生很多事情，而且我也不太注意。
	出色地。
克里斯蒂西班牙	我是我有點讓我措手不及，但你知道那是打高爾夫球的，他們昨天非常艱難，所以這裡的每個人都在加油，因為管道現在已經關閉。
	所以你在哪裡。
克里斯蒂西班牙	我在卡里北卡羅來納州總部，是的。
	嗯，讓我們看看你做了嗎，你去年為我們做了什麼錄音嗎？
	我去年自己做的。
	可能是我們這樣做的原因之一。
	這次。
	哦。
克里斯蒂西班牙	那很好笑。
	嗯，讓我看看，我有一個小清單讓我打開它，就像實際上關閉太多東西時一樣。
	我試圖清除所有內容，所以我沒有收到任何彈出窗口，您是否關閉了所有應用程序和。
	我還沒有，我也有一個問題。
	當然嗯。
	它說我應該在錄製之前上傳東西，但我不能，因為我沒有鏈接。
克里斯蒂西班牙	我上傳的是什麼什麼東西。
	和演示材料。
克里斯蒂西班牙	好的，我會找出那個鏈接是給你的。
	所以我回去翻閱我的舊電子郵件我找不到它我想很好。
	我是。
	沒什麼大不了的，但是。
克里斯蒂西班牙	不過，我們絕對應該能夠繼續錄製。
	好的是的。
克里斯蒂西班牙	讓我找到一個小清單，但該清單的一部分正在您的應用程序中關閉。
	我會去做的。
	您不需要 Microsoft 團隊。
克里斯蒂西班牙	你的襯衫上沒有任何標誌，所以這很好。
	沒有標誌。
	可能現在也不需要。
克里斯蒂西班牙	我不知道如何不打擾團隊。
	球隊很好。
	關於現代的事情之一。
	技術是人們不再給你指示，他們給你這個東西，你應該弄清楚。
克里斯蒂西班牙	好吧，我輸入了幫助部分 D 和 D，它的行為就像我在尋找任何消息或類似的東西，我的好吧，或者我把它關閉了也沒關係。
	可以，然後呢。
	我打開了一些應用程序，但是。
	看看那個寄生小隊的事。
克里斯蒂西班牙	我們很好。
	好吧，他們把它放在這個隱藏的小菜單中，這樣它就和 Skype 一樣仍然存在，因為無論如何他們都希望能夠與您聯繫。
克里斯蒂西班牙	你知道我認為也許我們應該讓你接受其中的一個背景。
	它說沒有侵犯版權，但是您知道那裡有很多書，所以也許。
	哦，好吧，我這裡確實有書，我認為這沒什麼大不了的，因為你不能真正閱讀它們，但沒關係。
克里斯蒂西班牙	我不知道我會討厭。
	必須給你回電話，說我會放手的。
	是的，我不想做兩次。
	不。
	我的意思是我確信這會很有趣，但我不想再這樣做了。
	我只是擺脫團隊。
	他們是所有的球隊都走了。
	好的，所以這些背景，我對此有所了解。
	我必須回到前景。
克里斯蒂西班牙	或者你可以，也許我們會。
	看，我從來沒有用過它們。
	A 真正從未使用過它們。
	是的，因為他們分析模糊。
	是的。
	你知道，每當你做東西移動時，我看到人們使用它們並且東西模糊，他們看到他們房間裡的所有垃圾。
	從此見。
	坦尼亞。
	tanya 這麼新的症狀。
	我們就這樣吧。
	這些是社交圖塊，您知道什麼是社交圖塊。
	虛擬背景如此藍色散點圖。
	我就這麼做。
	來吧。
	所以現在的問題是我該怎麼做。
	使用它們。
	讓我們來看看。
克里斯蒂西班牙	我以為它會在小三個點下，但事實並非如此。
	好吧，我不清楚鴨子在哪裡。
	你在哪裡找到點。
克里斯蒂西班牙	好吧，您知道在底部，您可以共享屏幕和聊天。
	而所有這些還有更多。
	那是我在後台看不到任何改變的選項，那裡。
	也不行。
克里斯蒂西班牙	我們在這麼多不同的地方來回走動。
	這裡的工具很難。
	讓我們快速搜索一下。
	光滑的相機下的虛擬背景。
	哦。
	所以。
	然後你必須知道虛擬背景在哪裡，因為他們沒有說。
	您應該使用哪一個或類似的東西，不，不，不。
克里斯蒂西班牙	哦，看起來不錯。
	哦，太好了，因為我不確定我是否還能做很多其他事情，所以現在我們有了背景，如果我移動很多，那效果很好，實際上只是有點搞砸了。
克里斯蒂西班牙	和
	你自動有你的任務欄。
	讓我們看看我該怎麼做。
克里斯蒂西班牙	您轉到任務欄並右鍵單擊。
	是的，在一個什麼都沒有的地方。
	不。
	問題是我的任務欄已完全訂閱。
克里斯蒂西班牙	我的也沒有隱藏，我也不知道為什麼。
	是嗎。
	任務欄設置我們去。
	這是星期一自動隱藏桌面模式下的測試測試欄。
	上。
	好的，所以現在它似乎是自動隱藏的，除了它沒有隱藏。
克里斯蒂西班牙	好吧，如果你向上滾動它就會消失。
	所以只有出現了if。
	我有一些活動很好。
克里斯蒂西班牙	然後你的聲音很棒。
	和
克里斯蒂西班牙	我會你想練習分享，所以我們可以檢查你的分辨率，以及所有這些。
	好吧，走著瞧。
	肯定會出現問題的特定事物。
	為了分享屏幕，我將展示你的樣子。
克里斯蒂西班牙	好吧，您可以繼續分享您的內容。
	是的，但我想在幻燈片和 JMP 應用程序之間來回切換，所以我希望能夠顯示。
	我的屏幕。
	所以不知何故我結束了。
	有了屏幕，我把你帶到了這裡的一個小窗口中。
克里斯蒂西班牙	在頂部，您可以查看並將其更改為並排，或者這就是我所擁有的。
	關掉我的相機，因為無論如何沒人想看到我。
	今天都是關於你的。
	顯示小型活動演講者視頻縮略圖視頻。
	好的，這表明你。
	它向我們倆展示了這顯示了一個網格。
	這使得整個事情變得非常小。
	而我再也看不到自己了。
	但我可以移動這個東西。
克里斯蒂西班牙	好吧，我可以看到你對你的 PowerPoint 感到難過。
	好吧，這是我讓我的 PowerPoint 進入常規寫作模式的一個問題。
	但是，如果我進入演示視圖。
	它變大了，但我必須在那個和另一個視圖之間來回切換。
	做視頻的時候。
	您是要研究相關的部分，還是要在屏幕上顯示正在發生的任何事情。
克里斯蒂西班牙	是的，我們只是要展示任何東西。
	因此，大多數人都會使用演示模式，然後，如果您需要擺脫這種模式並拉起您的 JMP 屏幕，您可以這樣做。
	回去是否有意義，如果我們最終看到你知道你的一些。
	是的，看起來很棒。
	好的，我想這就是我們要做的，我會逃出去，必要時去 JMP。
克里斯蒂西班牙	您想快速嘗試一下嗎，這樣我們可以確保它的尺寸合適。
	是的。
克里斯蒂西班牙	看起來很棒。
	好的。
	所以是可見的。
克里斯蒂西班牙	好的，所以現在，我需要。
	請確認您的姓名公司和摘要標題。
	名字是雷神奧斯本。 公司是桑迪亞國家實驗室。
	摘要標題應為人才獲取模擬與管理的就業申請到達模型。
克里斯蒂西班牙	完美的。 然後你就會明白這是為了在探索峰會上使用而被記錄下來的。
	JMP 會議，並將在 JMP 用戶社區中公開發布。 您是否允許使用和錄製？
	謝謝你。
克里斯蒂西班牙	我想我們已經準備好了，托爾，所以我要讓自己靜音
	只要你準備好了，你就可以去。 目標是直接通過。 除非發生災難性的事情，否則我不會說什麼或阻止你。 那個怎麼樣？
	好的，目標是直接通過，我應該有多久？
克里斯蒂西班牙	30分鐘。
	好的，現在我認為你有一點迴旋餘地，因為他們喜歡在播放結束時留出時間進行問答，所以如果稍微超出一點也沒關係。
	好的，現在，在我們去之前有一個小窗口，上面寫著說話和誰在說話。
	因為他們把小視頻縮小了。
	好的，我的屏幕是否顯示演示視圖，或者它是否顯示，右下角有這個小插頁。
克里斯蒂西班牙	我看到的只是演示視圖。
	好的，所以他們以某種方式浮動這個。
克里斯蒂西班牙	這一定很煩人。
	沒關係，只要它不妨礙我的意思是我不會在下面放任何東西。
克里斯蒂西班牙	沒關係。
	是的。
	好的。
克里斯蒂西班牙	好的，我要靜音，然後你就準備好了。
	好的。
	所以，我的名字是托爾奧斯本。 我在桑迪亞國家實驗室擔任首席系統研究分析師。
	我今天的演講是人才獲取模擬和管理的就業申請到達模型。
	我希望你喜歡它。
	我在這裡有三個基本目標。 一種是為您為什麼要為就業申請到達時間建模的商業案例。 另一個是展示使用此類數據創建簡潔、廣泛適用的模型的簡單過程。
	然後，我將根據來自大型研究機構的數據演示該過程，並簡要說明您可以用它做什麼。
	從技術上講，我會重新理解數據，因為我認為這種數據對大多數人來說有點不尋常。
	源模型，本質上，這是一個源模型
	分析，所以我將討論 Poisson 和 Gamma-Poisson 模型。
	我將進行一些分析和一些轉換，以使其更易於使用，然後簡要介紹如何製作模型。
	因此，就動機而言，存在三個基本的動機領域。 一是完善人才獲取流程和業務功能。
	另一個是提高對領導公司的高管的理解，第三個是幫助建立對招聘經理的期望。
	我將從人才獲取開始。 僱用率和滯後取決於人才招聘管道中通過審查階段的流程。 但關鍵是，你必須有足夠的就業申請，然後你才能去任何地方。
	費率和模式因領域、發布的帖子的特殊性、競爭、您的廣告數量等而有很大差異。
	應用程序到達的通用數學框架可以更好地理解交易空間以提高應用程序捕獲率，
	以及其他事情。 一些關鍵關係應用程序捕獲率和方差與就業環境、工作地點、職業水平、實踐領域。
	捕獲率對可調整變量廣告職位發布特異性、發布語言的影響——我並不是指英語與西班牙語，而是指事物的框架方式。
	並有針對性的招聘工作。 然後是外部因素的捕獲率影響，例如經濟狀況，實踐領域的競爭，
	您在招聘領域內真正接觸到的專業人群有多大。
	我認為重要的是要認識到人才獲取面臨著您在項目或計劃執行中經常看到的典型限制——時間、質量和成本。
	收集申請需要時間。 你想獲得高質量的申請者。 這需要花錢，而且你嘗試的速度越快，成本就越高。
	所以這裡有取捨。
	高管們經常通過勞動力計劃參與這個過程，這是一個包羅萬象的術語，但基本上，你知道說的是年度計劃。
	但在缺乏相關模型和對事物成本的反饋的情況下，對典型約束和人員配置預算或流程分配的考慮可能是主觀的或缺失的。
	我的意思是在高管層面，人力資源通常被視為簡單的必要成本，但不一定是推動公司前進的槓桿。 部分原因是缺乏信息，因此提供信息可能是改善這種情況的一種方式。
	此外，招聘經理的期望。
	基本上我們正在處理少量的統計數據，少量的應用程序。
	人類真的很容易受到模式偏見的影響，而且大多數招聘經理並不是每週都招聘人，所以他們不習慣在很長一段時間內從很多不同的案例的角度來看待這個問題。
	這可能會導致他們陷入他們所面臨的最後一種情況，這可能會導致模式偏差，他們會查看從一周到下一周的申請人數量，並認為這必須意味著他們已經接觸到了所有感興趣的人。
	這些對偏見的直觀反應可能導致過度反應的問題，因為與少量統計數據一樣，如果您不在這種情況下接受錯誤信息，就會得到錯誤信息。
	所以有點關於數據。 到達數據與特定的工作申請相關聯。 因此，您有一份工作申請，有一個針對該申請的發布，以及由於發布而到達的應用程序。
	它們以多種方式表徵站點位置；職業階段；
	可見性，它的可見範圍有多廣；
	實踐領域，你在做什麼；
	以及在這些領域內可能非常廣泛或非常狹窄的具體要求。
	並且可以在可以訪問職位發布的時間窗口內提交申請，因此通常有一個定義的時間範圍。
	他們按日期跟踪。
	現在，在這種情況下，稍後使用真實數據進行分析，我必須使用上次提交申請的日期作為發布截止日期，但這不一定是真的。 但是，正如真實數據中經常發生的那樣，我們並沒有我們想要的所有數據。
	最後我會說
	您正在計算每天的申請數量。 當您在一天內看到零個應用程序時，那就是零計數。
	因此，考慮到全國范圍內的潛在求職者群體，
	雇主向世界發布信息。
	國家潛在申請人庫中的一些人提出申請。
	一般認為，相對於能夠做到的人總數而言，這將是少數。
	所以你有這個龐大的申請人池。 它是一個源和對該源的任何應用程序或輕微擾動。
	而且，為了非常明確，這對於習慣於處理泊松數學的人來說可能很無聊，但是
	如果您在第一天看到一個應用程序到達，那就是計數為 1 的一個實例。 第二天沒有申請到達。 這是一個計數為零的實例。 以此類推，在最右邊，您會看到三個零實例、三個一實例、一個二和一個三。
	這可以擬合，雖然它不是很多數據，但它可以與泊松模型擬合，你可以看到右下角的藍線。
	因此，平均每天一個應用程序的到達率，但每天的實際數量會因分佈而異。 就是這樣。
	因此，泊松分佈可用於描述通過隨機發射離散項目源在單位時間內產生的計數的概率，這些離散項目在單位時間內具有一定的平均發射率 Lambda。
	你得到這個等式。 並且，在計數為四的情況下，在上一張幻燈片中顯示的概率非常小，
	你基本上有一個到第四個。
	乘以 e 到負 Lambda，所以基本上是 37%
	除以 4 階乘，即 24，因此大約為 1.5%，它的概率很小但非零。
	所以，作為第一個假設
	我們假設全國分佈的潛在申請人池的成員以不協調的方式行事
	關於就業機會，因此泊松模型是有意義的。
	所以這是一個合理的初始假設。
	現在，如果他們確實互動怎麼辦。
	然後，可以根據 Gamma-Poisson 源模型來設想，該模型本質上是使用 Gamma 分佈作為混合分佈的 Poisson 分量。
	或者你可以把它想像成一個模糊的泊松，因為速率，平均速率，不是一個恆定的平均速率，而是從一個時刻到下一個時刻發生變化。
	這可能發生在另一種假設下，即申請人以協調的方式行事，
	如果人們在網絡上互相談論工作機會等等，就會發生這種情況。
	現在這裡是
	關於如何生成 Gamma-Poisson 的幻燈片。 這是基本的東西，但我發現查看這些分佈可能會有所幫助。
	所以我要突破並在JMP中做一個小DEMO。
	現在你在這裡看到的，隨機 Gamma 四一，只是意味著隨機 Gamma 參數為 4，縮放參數為 1，所以平均值為 4。
	你看分佈。 這裡有 100,000 行；你會得到一條曲線，就像你在幻燈片上看到的那樣。
	平均大約是四，當你做很多次的事情時會發生這種情況。
	這幾乎正是它應該是的。
	現在，採用該發行版並使用它
	作為隨機泊鬆的飼料。
	你明白了。
	這看起來不像以前的泊松，因為它已經被抹掉了。
	如果您查看泊松擬合，您會發現最佳擬合
	平均四個，這是它真正能做的，
	具有比 Gamma-Poisson 更窄的色散，只是為了驗證是的，它是 Gamma-Poisson，
	看看那裡的紅線。
	它非常非常適合。
	幾乎完美。
	所以，基本上，這是，這是一個經歷過的案例
	溝通過程中，如果你願意的話，泊松不再是最好的模型了。
	我剛剛展示的案例顯示在此四邊形面板的右上角。
	Sigma 等於 2，即 2 的過度色散參數。
	如果您的過度分散參數為 1，則 Sigma 等於 1，在左上角，那麼這與泊松分佈基本上相同。
	但是隨著過度色散參數的增加，從一個駝峰後面跟著一個尾巴，而不是看起來更像一個衰減指數的東西。 你會在右下角看到藍色的，
	這裡的顏色與之前的顏色相反，所以如果對此有混淆，對不起。
	現在這裡有真實數據。
	因此，廣泛使用的早期職業機械工程職位的情況。
	140 個應用程序創建了 131 個計數，其中許多計數為零，因此這會隨著時間的推移而展開 - 一百三十一天。
	Gamma-Poisson 最適合，您可以在左上角看到。
	我正在使用 Akaike 的標準，AIC
	公制。
	在左下角，你會看到
	有經驗的職位。 現在，有經驗的專業人士沒有大學安置人員等人脈網絡。
	或者一定是你在大學環境中看到的與其他人的持續沉浸。 這並不能證明任何事情，而只是一種合理化的方式，也許這就是為什麼您會看到更經典的泊松行為通常具有經驗豐富的專業反應。
	只是在這裡展示，它似乎也與應用程序的數量相關。 其他重要的因素似乎是
	職業階段。
	正如我剛剛提到的 FLSA 狀態（非豁免）意味著技術專家而不是豁免員工。
	這些因素似乎很重要，但隨著應用程序數量的增加，肯定存在偏差，更有可能是 Gamma-Poisson 分佈的。
	現在，如何準備這些數據以供分析。 按工作要求的申請日期。
	列表設置零
	當沒有計數。
	然後為每個 req 擬合 Poisson 和 Gamma-Poisson 以找出哪個給你更好的 AIC 值。
	同時，每個申請單用一行或一行製作申請匯總表，然後將它們融合在一起，給出泊松和伽馬-泊松參數，以及告訴你哪一個更有可能的 AIC 參數更合適。
	在子集化之後你會得到 Poisson 的摘要和 Gamma-Poisson 的摘要，因為它們很難一起處理。
	您可以使用 sigma 為 1 的 Gamma-Poisson，但最終會得到零通貨膨脹，並且處理起來變得複雜，因此我只是將它們分開處理。
	無論使用哪個子集，該過程都將顯示參數與驅動因素的擬合線性模型。
	該參數由模型標準化。
	然後我會查看在所有驅動條件下是否有一個共同的分佈是合理的，在這種情況下，基本上是站點位置、職業生涯早期或晚期等的徵用環境。
	如果它們可能屬於同一分佈，則可以創建一個公共分佈參數集並將其用於整個數據集。
	否則，該方法將失敗，此時我還沒有處理它的機制，所以很幸運這沒有發生，但這是未來需要考慮的事情。
	所以這裡有一些按上下文的泊松參數分佈，上下文與站點有關，無論是早期還是晚期職業，或者你可以說，
	以及是否是，好吧，哪個實踐領域。 其中每一個都有一個“B”，意思是廣泛的，因為分析內部唯一的工作申請是一件困難的、不同的事情，機會更加有限，所以我在這個演示文稿中只堅持廣泛的案例。
	您可以看到平均方差因申請上下文而明顯不同，不，它們不屬於同一分佈。 你可以很容易地證明這一點。
	查看一個較小的子集，僅是初始塊，即站點 A 早期集，更明顯的是均值和標準差遍布整個地圖。
	現在在這裡我也要做一個小演示。
	所以我有這個數據。
	現在，這是一個非常簡單的模型。 我要取泊松參數輸出，我要使用requisition context，也就是這個多級
	主觀變量。
	運行它，你會看到 R 方大約是第四點。 這意味著
	這不是微不足道的。 模型擬合實際上非常好。
	並且對這個參數的擬合非常好。 它並沒有涵蓋所有的差異，但這沒關係，因為我們不期望它；它只是說這是一個很好的模型。
	它也可以純粹作為一個表格來完成，但我喜歡這種方法，因為它易於使用，它讓我了解在這種擬合中處理了多少可變性。
	可以到這裡，看看
	實際預測，你看，是的，它不是一個很好的模型，但它確實有一個目的。
	您可以做的另一件事是保存預測公式。
	所以你在這裡看到。
	因為我已經這樣做了，所以它會自動下標。
	你看，這相當於本質上只是
	一個常數
	加上申請上下文的偏移量。
	不涉及火箭手術。
	但是現在，如果我想做一個標準化，
	添加一列。
	調用這個
	Norm Poisson Again 因為我已經做過一次了
	首先是表。
	找到泊松。 這是我的泊松參數。 除以
	模型擬合。
	這實際上應該起作用。
	不知道這裡發生了什麼。
	好的，永遠不要進行演示，這是規則，但這在過去一直有效，我真的不確定發生了什麼。
	這是我的泊松參數。
	這是我的預測公式。
	哦。 你永遠不應該嘗試將某些東西除以
	本身。 這就是為什麼它不起作用。
	現在很固執。
	好的。
	有時微妙的事情很重要。 所以這是歸一化的泊松。
	有趣的是
	你可以適合這個。
	從現有的瓶子中，您可以看到 Johnson SL 最適合併且做得非常好。
	你也可以
	用 X 擬合 Y。
	獲取此輸出
	並適合申請上下文。
	並得到這個 Oneway 情節。
	這看起來比我之前展示的更規則。 更合理的是它們具有相同的分佈。 在那些有更多數據但不是的數據上，您會看到更大的範圍，
	這並不奇怪，真的。
	如果您查看不等方差檢驗，您會發現沒有跡象表明它們的方差不等。
	這並不能證明他們沒有，但這是一種說法，即使用假設它們具有相同分佈的模型是合理的。
	所以。
	回到這個。
	哦，我還對每個上下文與其他所有上下文進行了 Kolmogorov-Smirnov 檢驗，在 78 個案例中，只有一個案例的 p 值小於 0.05。
	P 值並不能證明任何事情，但它確實表明，將這些僅來自同一分佈進行處理是合理的。
	這只是之前那個較小子集的放大版本，但您可以看到這是合理的；這不是證據，但它是合理的。
	並通過擬合優度測試
	再次，這似乎是合理的
	Johnson SL 是一個合理的模型，用於描述該數據集的泊松參數分佈，即歸一化的泊松參數分佈。
	可以對 Gamma-Poisson 和該數據子集以及作為等效參數的 Lambda 參數執行相同的操作。
	再一次成功了。
	對於 Sigma 參數，我實際上使用 Sigma 減一，因為 Sigma 的基線為 1。
	如果您願意，這裡的模型質量甚至更低，但有必要使用
	單獨的建模步驟，因為 Lambda 與 Sigma 相關，因此您希望能夠在其中建模該效果。
	再次，你得到一個體面的適合。
	在這種情況下，它是約翰遜蘇。
	這就是正在發生的事情。 我們生成合成隨機分佈參數。
	從數據子集中，根據上下文生成線性模型。
	規範化參數分佈並將其擬合到常見的參數連續模型。
	然後生成合成參數，從歸一化的參數分佈中獲取一個隨機數，並將其乘以適當的線性模型結果，也就是說，對它進行“去歸一化”。
	現在評估合成隨機模型參數，我再次使用了KS測試，您可以看到沒有辦法真正區分它們，所以至少它是一種說它看起來可信的方式
	與真實案例相比。
	我還做了一個複合模型。
	把它變成一個函數，這樣它就可以是一個可調用的函數，然後，這是在 JSL 中，JMP 腳本語言中的可調用函數
	用於生成以上下文為輸入的隨機工作申請的參數，所有不同的上下文特徵。
	現在，不打算詳細介紹所有細節，但重點是您可以使用合成隨機參數對創建可視化，這不僅讓您了解事物通常在此熱圖中的位置，而且
	一種關於異常值的想法 什麼是合理的異常值以及它真正走多遠。
	你還可以看看你是否做了一個相關性，即 Lambda 和 Sigma 之間的相關性
	並且在合成 Lambda 和合成 Sigma 之間幾乎是一樣的。
	它合理地密切地模擬了這種關係。
	然後，如果你用投入的真實數據來看這個，
	這是主圖中的小黑點。
	98% 的合成密度位於交叉影線所示的紅色區域，該區域是中間插圖，周圍有一個綠色方塊。
	所有的數據點，其中有 43 個，
	落在那兒。
	所以。
	這又是合成模型正在合理地很好地模擬真正發生的事情。 這是可信的，但它向您展示了在其他百分之幾的情況下會發生什麼。
	這就是我所做的建模，但你可以看到你可以使用上下文；您可以使用其他變量，例如多少
	職位發布的語言具有特殊性，這將使更少的人有資格，可能會嚇跑一些人。
	您可以查看語言的製作方式。 如今，人們正在使用人力資源中的工具來製作更容易接受的語言。 您可以看到隨著時間的推移和多份工作申請，您得到的東西有多大的不同。
	您可以將這些視為模型的因素，然後您可以調整您的應用方式
	根據您的需要創建申請時的這些功能。
	但現在我要切換到，好吧，這又是什麼樣子的。 同樣是基本原則，因此對於每周有 7 個泊鬆的情況，30% 的時間，計數將是 5 個或更少。
	因此，您應該期望其中之一是您應該期望應用程序的數量需要
	獲得合理競爭的聘用選擇所需的時間會有所不同，因為即使平均為 7 人，您獲得的人數也會有很大差異。
	Poisson 的方差與參數相同，因此您會得到廣泛的變化。
	所以，如果你習慣於考慮長期平均值
	或被另一個案例錨定，您可能會被任何特定實例甩掉。
	問題在於這種模式識別偏差。
	聚類錯覺是這樣一種趨勢，即認為不可避免的條紋或聚類會出現在小樣本中，這意味著存在非隨機效應，有某種意圖。
	正如 RD Clarke 在 1946 年通過對德國 V 型炸彈的分析發現的那樣，這顯然與泊松分佈數據無關。
	落在倫敦地區的網站。
	人們會看到分組發生，他們會認為這意味著什麼，但他能夠通過將過程視為泊松來證明它非常滿意
	分佈式，這意味著你有時會得到集群，而且肯定和你看到的一樣頻繁。
	所以這意味著真正發生的事情並不是他們的目標是什麼特別的，而是他們的總體目標是倫敦，而且他們一般都在倫敦的某個地方。
	在這種情況下，查看工作，在三週內獲得序列的可能性大約為 12%，在這種情況下，您得到的計數減少或增加。
	在此示例中，兩週計數下降的可能性是 45%，也就是說一個大於另一個。
	這些是非常短的模式；它們不應該被認為具有任何意義，但是不了解統計數據性質的人可以這樣認為。 這才是真正的重點。 這可能導致反應過度。
	現在，實踐領域的可變性大約是一個數量級。
	有些領域比其他領域更難獲取，因此如果人們不了解這些差異，他們的期望可能會出現偏差。
	如果你看一下一般的申請，而不僅僅是從實踐領域來看，你可以看到 95% 的差異大約是 25 倍
	範圍從 2.5% 到 97.5%。 它仍然是一個巨大的可變性
	在費率。
	然後，如果您了解發布語言的製作方式如何影響這一點，範圍有多大，範圍有多大，
	語言吸引什麼，宣傳所有這些因素，
	然後你可以決定多少錢
	您想提高這些費率並更快地完成流程。
	因此，這裡有一個使用我之前談到的模擬模型的特定職位發布的案例。
	在站點 A 和實踐學科領域 9 建立了專業人員，這又是所有專有的東西，所以不會透露那是什麼；那隻是一種特殊的專業。
	你得到這個非常廣泛的區別
	在 95% 的置信度範圍內，介於 0 到 9 之間，中位數為 2。
	這可能會讓人失望，這個小數字會讓人失望，因為他們期望事情會更規律。
	模型和方法都有局限性。
	數據，數據的質量始終很重要。 如果在短時間內收集數據，則很可能會從數據集中基本缺失具有稀有技能的不經常僱用的領域。
	但另一方面，很多你無法控制的外部變量
	或許
	如果您使用較長的時間範圍作為這些分析的基礎，則在數據收集的時間範圍內發生變化。
	並且建模方法不考慮自我蠶食。 如果您在一個領域內有兩個申請，申請人是同時申請還是選擇一個。 也許在某些情況下，他們會選擇他們認為最好的機會。
	該模型對此沒有任何作用，但僅通過捕獲發生的事情來代表現實世界的結果。
	但是，這並不代表錯過的機會範圍，因為如果您可能希望他們適用於所有這些，那麼他們可能有資格只是為了看看他們可能適合的地方。
	所以得出結論。 一些對職位發布的就業申請響應往往以泊鬆或伽瑪泊鬆的形式分佈。
	這是通過一個包含大約 2,500 個總申請的大型數據集進行檢查的。
	應用程序響應的分佈參數變化很大。
	如果歸一化
	它們可以適合常見的配置文件。
	由通用配置文件產生的那些簡潔模型有助於生成合成隨機徵用模型。
	這將允許一個人進行某種範圍界定或分析
	可能性
	在不同的情況下。
	我認為重要的是要提到應用程序到達模型可以填補理解整個員工生命週期的重要空白，因為它們將為招聘經理和人員配備專業人員提供關於這些模式偏見的觀點。
	如果您想以一種現實的方式這樣做，它們可以在基於離散事件或代理的模型中用作生成申請人的一種方式。
	和
	也許最重要的是，從經濟角度來看，
	這是一種將每位申請人的成本與工作特徵以及各種其他可調整和不受控制的外部因素進行比較的方式。
	那麼，這將更好地了解在填充物品的速度、填充開口的速度以及這樣做的成本方面會發生什麼
	取決於與廣告等的關係。
	我今天要介紹的內容到此結束
	我只想說，如果您有任何問題，您應該從這裡獲得聯繫信息
	視頻，或它的放置位置，請隨時與我們聯繫。
克里斯蒂西班牙	好吧，那太好了。
	是的，除了我的東西不起作用的部分，因為我搞砸了演示。
	但這很好，很安全，很好的保存我終於意識到我在做什麼。
	是的，JMP 不會做傻事，不管你多麼想要它。

 

爆發數據可視化統計和建模