Vocero | Transcripción |
| cristina españa | Buenas tardes. |
| Hola, cómo estás hoy. |
| Estoy bien, Como estás tu. |
| cristina españa | Bien gracias. |
| ¿Dónde estás ubicado Thor? |
| Sí Christy España. |
| Y albuquerque nuevo México. |
| cristina españa | eso es lo que estaba pensando. |
| consiguió el derecho. |
| cristina españa | tres dígitos por ahí. |
| No ahora. |
| Bien, tenemos un. |
| Huracán que viene del. |
| Los cerdos de pelotas van a bajar las temperaturas. |
| cristina españa | Bueno, ¿cómo se llama ese? |
| No sé, normalmente no sucede mucho y no he prestado mucha atención. |
| Bueno. |
| cristina españa | Me tomó un poco desprevenido, pero ya saben, ayer fueron bastante duros en el golf, así que todos aquí están llenando gasolina, porque el gasoducto ahora está cerrado. |
| Así que dónde estás. |
| cristina españa | Estoy en la sede de Cary en Carolina del Norte, sí. |
| Bueno, veamos si lo hiciste, hiciste alguna grabación para nosotros el año pasado o. |
| Hice el mío propio el año pasado. |
| Posiblemente una de las razones por las que estamos haciendo esto. |
| Esta vez. |
| Oh. |
| cristina españa | Es gracioso. |
| um, déjame ver, tengo una pequeña lista de verificación, déjame abrirla como si cerrara demasiadas cosas cuando. |
| Estaba tratando de borrar todo, así que no apareció ninguna ventana emergente. ¿Cerraste todas tus aplicaciones? |
| Aún no lo he hecho y también tenía una pregunta. |
| Claro um. |
| Dice 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, descubriré cuál es ese enlace para ti. |
| Entonces volví y revisé mis correos electrónicos antiguos. No pude encontrarlo. Estoy pensando bien. |
| Soy. |
| No es gran cosa pero. |
| cristina españa | Sin embargo, definitivamente deberíamos poder seguir adelante y grabar. |
| Está bien, sí. |
| cristina españa | Déjame encontrar una pequeña lista de verificación, pero parte de esa lista de verificación se está cerrando en tus aplicaciones. |
| voy a hacer eso. |
| No necesitas equipos de Microsoft. |
| cristina españa | No tienes ningún logotipo en tu camiseta, así que eso es bueno. |
| Sin logotipos. |
| Probablemente tampoco necesites un no ahora. |
| cristina españa | No sabía cómo no molestar a los equipos. |
| Los equipos bien. |
| Una de las cosas de lo moderno. |
| La tecnología es que la gente ya no te da instrucciones, sino que te da esto y se supone que debes resolverlo. |
| cristina españa | Bueno, escribí la sección de ayuda D y D y actuó como si estuviera buscando algún mensaje o algo por el estilo, y mi Ok, o estuvo bien, lo cerré. |
| Bueno entonces. |
| Tengo algunas aplicaciones abiertas pero. |
| Mira esa cosa de los pequeños equipos parásitos. |
| cristina españa | estamos bien así. |
| Bueno, lo ponen en este pequeño menú oculto para que siga ahí, junto con Skype, porque quieren poder contactarte, pase lo que pase. |
| cristina españa | Y sabes, creo que tal vez deberíamos haber tomado uno de los antecedentes. |
| Dice que no hay infracción de derechos de autor, pero conoces 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 volver a llamarte y decirte que lo dejaré pasar. |
| Sí, no quiero hacerlo dos veces. |
| No. |
| Quiero decir, estoy seguro de que será muy divertido, pero no quiero volver a hacerlo. |
| Yo simplemente me deshago de los equipos. |
| Son todos los equipos que se han ido. |
| Bien, entonces estos antecedentes, tengo algo al respecto. |
| Tengo que volver a la perspectiva. |
| cristina españa | O podrías simplemente tal vez lo hagamos. |
| Mira, nunca los usé. |
| Realmente nunca los usé. |
| Sí, porque analizan para difuminarse. |
| sí. |
| Ya sabes, cada vez que haces cosas para moverte veo que la gente las usa y las cosas se vuelven borrosas y ven toda la basura que hay en su habitación. |
| Verlo desde. |
| tania. |
| Tanya, un síntoma tan nuevo. |
| Allá vamos así. |
| Esos son mosaicos sociales, ya sabes qué mosaicos sociales. |
| Fondos virtuales con diagrama de dispersión tan azul. |
| Sólo haré eso. |
| Vamos. |
| Así que ahora la pregunta sería ¿cómo lo hago? |
| Usalos, usalos a ellos. |
| vamos a ver. |
| cristina españa | Pensé que estaría debajo de los tres puntitos pero no es así. |
| Vale, no tengo claro dónde están los patos. |
| ¿Dónde encuentras los puntos? |
| cristina españa | Bueno, ya sabes en la parte inferior, donde puedes compartir pantalla y chatear. |
| Y todo eso hay como un poquito más. |
| Eso, pero no veo ninguna opción para cambiar en segundo plano allí. |
| tampoco lo hagas. |
| cristina españa | Vamos y venimos entre tantas cosas diferentes. |
| herramientas aquí es difícil. |
| Hagamos una búsqueda rápida. |
| Fondo virtual bajo una cámara elegante. |
| Oh. |
| Entonces. |
| Y luego hay 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. |
| Oh, bien, porque no estaba seguro de poder hacer mucho más. Bueno, ahora tenemos el fondo y si me muevo mucho, funciona bastante bien, en realidad solo hay un pequeño error. |
| cristina españa | y |
| ¿Tuviste automáticamente tu barra de tareas? |
| veamos cómo hago eso. |
| cristina españa | Bajas a tu barra de tareas y haces clic derecho. |
| Sí, en un lugar que no tiene nada. |
| No. |
| El problema es que mi barra de tareas está completamente suscrita. |
| cristina españa | El mío tampoco se esconde no sé por qué. |
| ¿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. |
| Entonces el único aparece si. |
| Tengo algo de actividad que va bien. |
| cristina españa | Y luego tu sonido es genial. |
| y |
| cristina españa | ¿Quieres practicar cómo compartir para que podamos verificar tu resolución y todo eso? |
| Bien, veamos. |
| Seguramente algo específico será un problema. |
| Para compartir la pantalla, te mostraré cómo te ves. |
| cristina españa | Bueno, puedes seguir adelante y compartir tu contenido. |
| Sí, pero quiero alternar entre diapositivas y la aplicación JMP, así que quiero poder mostrar. |
| Mi pantalla. |
| Así que de alguna manera terminé. |
| Con la pantalla y te tengo aquí en una pequeña ventana. |
| cristina españa | En la parte superior, puedes verlo y cambiarlo a uno al lado del otro o eso es lo que tengo. |
| Apagar mi cámara porque de todos modos nadie quiere verme. |
| todo se trata de ti hoy. |
| Muestra un pequeño vídeo en miniatura del orador activo. |
| Bien, eso te lo demuestra. |
| 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 en tu PowerPoint. |
| Bueno, aquí hay una pregunta que tengo en mi PowerPoint en el modo de escritura normal. |
| Pero si entro en 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 vídeo. |
| ¿Vas a centrarte en las partes que son relevantes o simplemente vas 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 la pantalla JMP, puede hacerlo. |
| y volver, ¿tiene sentido?, y si terminamos viéndolo, conoces algunos de tus. |
| 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 probarlo muy 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, ahora lo necesito. |
| 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 simulación y gestión de la adquisición de talento. |
| cristina españa | Perfecto. Y luego comprende que esto se está grabando para su uso en Discovery Summit. |
| conferencia JMP y estará disponible públicamente en la comunidad de usuarios de JMP. ¿Da usted permiso para ese uso y grabación? |
| Gracias. |
| cristina españa | Y creo que estamos listos, Thor, así que me silenciaré y |
| Puedes ir cuando estés listo. El objetivo es pasar directamente. No voy a decir nada ni a detenerte a menos que suceda algo catastrófico. ¿Qué hay sobre eso? |
| Bien, el objetivo es seguir adelante 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 habla. |
| Porque reducen el tamaño del vídeo. |
| Bien, ¿mi pantalla muestra la vista de presentación, o la muestra 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 debe ser molesto. |
| Está bien, siempre y cuando no estorbe, quiero decir, no pongo nada ahí abajo. |
| cristina españa | esta bien. |
| sí. |
| Está bien. |
| cristina españa | Está bien, me quedaré en silencio y entonces 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 solicitudes de empleo para simulación y gestión de adquisición de talento. |
| Y espero que lo disfrutes. |
| Tengo tres objetivos básicos aquí. Una es presentar el argumento 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 de amplia aplicación utilizando este tipo de datos. |
| Y luego demostraré ese proceso con datos de una gran organización de investigación y mostraré brevemente lo que se puede hacer con eso. |
| Técnicamente, repasaré la comprensión de los datos porque creo que este tipo de datos son un poco inusuales para la mayoría de las personas. |
| Los modelos fuente, esencialmente, este es un modelado fuente. |
| análisis, así que hablaré de los modelos Poisson y Gamma-Poisson. |
| Haré algunos análisis y algunas transformaciones para que sea más fácil trabajar con esto y luego abordaré brevemente cómo podrías hacer modelos. |
| Entonces, en lo que respecta a las motivaciones, existen tres áreas básicas de motivación. Uno es mejorar el proceso de adquisición de talento y la función empresarial. |
| Otra es mejorar la comprensión de los ejecutivos que dirigen la empresa, y la tercera es ayudar a enmarcar las expectativas de los gerentes de contratación. |
| Empezaré con la adquisición de talento. La tasa de contratación y el retraso dependen de los flujos a través de las etapas de investigación en el proceso de adquisición de talento. Pero lo fundamental es que debe tener suficientes solicitudes de empleo antes de poder continuar con el proceso. |
| Y las tarifas y patrones varían bastante según el campo, la especificidad de las publicaciones que se publican, la competencia, cuánto se anuncia, 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 relaciones clave, tasa de captura de aplicaciones y variación versus el contexto laboral, lugar de trabajo, nivel profesional y campo de práctica. |
| Capture los impactos en la tasa de las variables ajustables, la especificidad de la publicación de empleo, el idioma de la publicación, y con esto no me refiero a inglés versus español, sino más bien a la forma en que se enmarcan las cosas. |
| Y esfuerzos de reclutamiento específicos. Y luego la tasa de captura impacta los 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 llega dentro de su área de reclutamiento? |
| Y creo que es importante reconocer que la adquisición de talento enfrenta las limitaciones típicas que a menudo se ven en la ejecución de proyectos o programas: tiempo, calidad y costo. |
| Se necesita tiempo para recopilar las solicitudes. Quiere obtener una alta calidad de solicitantes. Eso cuesta dinero, y cuanto más rápido intentes ir, más te costará. |
| Así que aquí hay compensaciones. |
| 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 dice 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 del presupuesto o los procesos de personal podría ser subjetiva o inexistente. |
| Y con esto quiero decir que a nivel ejecutivo, los recursos humanos a menudo se consideran simplemente un costo necesario, pero no necesariamente una palanca para hacer avanzar a la empresa. En parte debido a la falta de información, por lo que proporcionar 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 a sesgos 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 llevar a anclarse en la última situación que enfrentaron, eso puede llevar a un sesgo de patrón en el que miran el número de solicitantes que van de una semana a la siguiente y calculan que eso debe significar que han accedido a todos los que están interesados. |
| Y el problema con estas respuestas intuitivas a los sesgos que pueden llevar a reacciones exageradas porque, como siempre ocurre con las estadísticas de números pequeños, se obtiene información errónea si no se toma en ese contexto. |
| Un poco sobre los datos. Los datos de llegada están vinculados a solicitudes de trabajo específicas. Entonces, tienes una solicitud de empleo, hay una publicación para esa solicitud y las solicitudes llegan como consecuencia de la publicación. |
| Se caracterizan de varias maneras: 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 en el que se puede acceder a una oferta de trabajo, por lo que generalmente hay un período de tiempo definido. |
| Están rastreados por fecha. |
| Ahora, en este caso, usando datos reales para el análisis posterior, tengo que usar la fecha de la última solicitud enviada como fecha de cierre de publicación, pero no es necesariamente cierto. Pero, como suele ocurrir 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 solicitudes por un día, eso es una cuenta de cero. |
| Entonces, pensando en un grupo nacional de solicitantes potenciales para un puesto de trabajo, |
| El empleador publica información al mundo. |
| Algunas de las personas del grupo nacional de solicitantes potenciales presentan solicitudes. |
| En general, se supone que serán pocos en relación con el total de quienes podrían hacerlo. |
| Y entonces tienes este vasto grupo de candidatos. Es una fuente y cualquier aplicación o perturbación menor en esa fuente. |
| Y, para ser muy explícito, esto podría resultar muy aburrido para las personas que están acostumbradas a tratar con las matemáticas de Poisson, pero |
| Si ve que llega una solicitud el primer día, ese es un caso de conteo de uno. El segundo día no llega ninguna solicitud. Ese es un ejemplo de una cuenta de cero. Y así, en el extremo derecho, ves tres instancias de cero, tres instancias de uno, dos y tres. |
| Y eso se puede ajustar, aunque no son muchos datos, se puede ajustar con el modelo de Poisson, y se ve la línea azul en la parte inferior derecha. |
| Entonces, una tasa promedio de llegada de una solicitud 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 recuento producido en una unidad de tiempo mediante la emisión aleatoria de una fuente de elementos discretos que tienen una tasa media constante de emisión 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 elevado al cuarto. |
| veces e elevado a menos Lambda, entonces básicamente 37% |
| dividido por cuatro factorial, o 24, y por lo tanto algo cercano al uno y medio por ciento, lo que coincide con una probabilidad pequeña pero distinta de cero. |
| Entonces, como primera hipótesis |
| Supondríamos que los miembros del grupo distribuido a nivel nacional de posibles solicitantes 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. |
| Y entonces es una hipótesis inicial razonable. |
| Ahora bien, ¿qué pasa si interactúan? |
| Entonces, eso puede concebirse 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 podemos 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 laborales, etc. |
| Ahora aquí está |
| una diapositiva sobre cómo generar el Gamma-Poisson. Esto es algo básico, pero encuentro que mirar estas distribuciones puede ser útil. |
| Así que voy a salir y hacer una pequeña DEMOSTRACIÓN en JMP. |
| Ahora, lo que ven aquí, Gamma aleatoria cuatro-uno, simplemente significa Gamma aleatoria con un parámetro de cuatro y un parámetro de escala de uno, por lo que el promedio es cuatro. |
| Miras la distribución. Aquí hay 100.000 filas; obtienes una curva como la que viste en la diapositiva. |
| El promedio es de aproximadamente 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 entiendes esto. |
| Que no se parece al Poisson de antes porque ha sido 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 verificar que sí, es un Gamma-Poisson, |
| Mira la línea roja allí. |
| Y encaja muy, muy bien. |
| Casi perfectamente. |
| Y entonces, esencialmente, este es un caso en el que después de 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 decadencia. Verás eso en la parte inferior derecha en azul, |
| Los colores se cambian aquí al contrario de lo que eran antes, así que si hay confusión al respecto, lo siento. |
| Ahora aquí está con datos reales. |
| Este es el caso de las publicaciones de ingeniería mecánica de inicio de carrera, ampliamente accesibles. |
| 140 aplicaciones para crear 131 recuentos, muchos de los cuales son cero, por lo que esto se distribuye en el tiempo: ciento treinta y un días. |
| El Gamma-Poisson encaja mejor, y lo ves en la esquina superior izquierda. |
| Estoy usando el criterio de Akaike, el AIC. |
| métrico. |
| En la parte inferior izquierda verás |
| un puesto con experiencia. Ahora los profesionales experimentados no tienen las redes de, digamos, gente que hace prácticas universitarias y demás. |
| O necesariamente la inmersión constante con otras personas que verías en un entorno universitario. Esto no es una prueba de nada, sino solo una forma de racionalizar que tal vez por eso se ve un comportamiento de Poisson más clásico con respuestas típicamente profesionales experimentadas. |
| Y solo para mostrarlo aquí, parece correlacionarse también con la cantidad de solicitudes. Otros factores que serían importantes parecen ser el |
| etapa de carrera. |
| Como acabo de mencionar, el estatus 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 y es más probable que tengan una distribución Gamma-Poisson. |
| Ahora, cómo se preparan estos datos para el análisis. Fechas de solicitud por solicitud de empleo. |
| Configuración de ceros tabulados para |
| cuando no hay cuenta. |
| Y luego ajuste el Poisson y el Gamma-Poisson para cada solicitud para descubrir cuál le brinda el mejor valor de AIC. |
| En paralelo, se creó una tabla de resumen de solicitudes con una línea o una fila por solicitud, y luego se fusionan 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 para Poisson y un resumen para Gamma-Poisson después del subconjunto, porque es difícil tratarlos juntos. |
| Puedes usar el Gamma-Poisson con una sigma de uno, pero luego terminas con una inflación cero, y se vuelve complicado de manejar, así que los estoy tratando por separado. |
| Cualquiera que sea el subconjunto que se utilice, el proceso mostrará que el modelo lineal se ajusta al parámetro frente a los controladores. |
| El parámetro está normalizado por el modelo. |
| Y luego miro para ver si es posible una distribución común en todas las condiciones del conductor, 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 abordarlo, así 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, se podría decir, |
| y si es, bueno, en qué campo de práctica. Cada uno de estos tiene una "B" que significa amplio porque analizar solicitudes de empleo internas es algo difícil y diferente con oportunidades mucho más restringidas, por lo que me quedo simplemente con el caso amplio en esta presentación. |
| Lo que se puede ver es que la variación media difiere según los contextos de solicitud de manera bastante obvia, y no, no caen dentro de la misma distribución. Puedes demostrarlo fácilmente. |
| Al observar un subconjunto más pequeño, solo el fragmento inicial, el conjunto inicial del Sitio A, se vuelve más obvio que las medias y las desviaciones estándar están por todo el mapa. |
| Ahora aquí también voy a hacer una pequeña demostración. |
| Entonces tengo estos datos. |
| Ahora bien, este es un modelo realmente simple. Tomaré la salida del parámetro Poisson y usaré el contexto de solicitud, que es multinivel. |
| variable subjetiva. |
| Y ejecútelo y verá que hay un Rcuadrado de aproximadamente 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 variación, pero está bien porque no esperamos que lo haga; solo dice que este es un modelo bastante bueno para lo que hace. |
| También se podría hacer puramente como una tabulación, pero me gusta este enfoque porque hace que sea fácil trabajar con él y me da una idea de cuánta variabilidad se está abordando 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. |
| Como ya hice esto, el subíndice se realiza automáticamente. |
| Verás, lo que esto significa es esencialmente solo |
| una constante |
| más una compensación por el contexto de la solicitud. |
| No hay ninguna cirugía de cohetes involucrada. |
| Pero ahora, si quiero hacer una normalización, |
| agregar una columna. |
| Llama esto |
| Norm Poisson nuevamente porque ya lo hice una vez con el fin de hacer esto. |
| mesa en primer lugar. |
| Encuentra a Poisson. Ahí está mi parámetro de Poisson. Divida eso por el |
| ajuste del modelo. |
| En realidad se suponía que eso funcionaría. |
| No estoy seguro de lo que está pasando aquí. |
| Vale, nunca hacer demostraciones 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. |
| Oh. Nunca debes intentar dividir algo entre |
| sí mismo. Por eso no funcionó. |
| Es ser terco 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 por las botellas disponibles se ve que la Johnson SL es la que mejor se adapta y hace un trabajo bastante bueno. |
| Y tu también puedes |
| Ajustar Y por X. |
| Toma esta salida |
| y ajustarse al contexto de la solicitud. |
| Y consigue esta trama unidireccional. |
| 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 no lo son, |
| Eso no es sorprendente, de verdad. |
| Y si observa la prueba de varianzas desiguales, puede ver que no hay indicios de que sean varianzas desiguales. |
| Eso no es una prueba de que no sea así, pero es una forma de decir que es razonable utilizar un modelo en el que se ha asumido que tienen la misma distribución. |
| Entonces. |
| Volvamos a esto. |
| Oh, también hice una prueba de Kolmogorov-Smirnov de cada contexto versus el resto, y de 78 casos, solo uno de ellos mostró un valor p inferior a 0,05. |
| Los valores p no prueban nada, pero lo que sí dan una indicación es que es razonable tratarlos simplemente provenientes de la misma distribución. |
| Y aquí está sólo 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. |
| Lo 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 base de uno. |
| Y el modelo aquí es de calidad aún menor, por así decirlo, pero es necesario usarlo. |
| paso de modelado separado porque Lambda se correlaciona con Sigma, por lo que desea poder modelar ese efecto dentro de él. |
| Una vez más, obtienes un ajuste decente. |
| En este caso es el Johnson Su. |
| Y esto es lo que está pasando. Generamos parámetros de distribución aleatoria sintética. |
| 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 del parámetro normalizado y multiplíquelo por el resultado del modelo lineal apropiado, es decir, "desnormalizarlo". |
| Ahora, evaluando los parámetros del modelo aleatorio sintético, utilicé nuevamente la prueba KS y puedes ver que no hay manera de distinguirlos realmente, así 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 solicitudes de trabajo aleatorias con el contexto como entrada, todas las diferentes características del contexto. |
| Ahora, no entraré en tantos detalles, pero el punto es que puedes crear una visualización usando pares de parámetros aleatorios sintéticos que te den una idea no solo de dónde están normalmente las cosas en este mapa de calor, sino también de dónde están las cosas en este mapa de calor. |
| Una especie de idea de los valores atípicos: qué es un valor atípico plausible y hasta dónde llega realmente. |
| Y también puedes ver si haces una correlación que la correlación entre Lambda y Sigma |
| y entre Lambda sintética y Sigma sintética son casi iguales. |
| Está modelando esa relación razonablemente de cerca. |
| Y luego, si miras esto con los datos reales incluidos, |
| 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 raya en cruz, que es el recuadro del medio con un cuadrado verde alrededor. |
| Todos los puntos de datos, de los cuales hay 43, |
| caer allí. |
| Y entonces. |
| De nuevo, esto es lo sintético que modela lo que realmente sucede razonablemente bien. Es creíble pero muestra lo que podría suceder en ese otro pequeño porcentaje de casos. |
| Hasta ahí he llegado con el modelado, pero lo que pueden ver es que pueden usar el contexto; puedes usar otras variables como cuánto |
| Se pone especificidad en el lenguaje del anuncio de trabajo, lo que hará que menos personas estén calificadas y tal vez ahuyente a algunas personas. |
| Puedes observar la forma en que se elabora el lenguaje. Hoy en día, la gente utiliza herramientas de RR.HH. para elaborar un lenguaje que sea más aceptable. Puede ver la diferencia que eso supone en términos de lo que obtiene con el tiempo y múltiples solicitudes de trabajo. |
| Podrías tratarlos como factores para el modelo y luego ajustar cómo los aplicas. |
| estas características al crear solicitudes de compra dependiendo de lo que necesite. |
| Pero ahora voy a cambiar a, está bien, ¿cómo se ve esto otra vez? Nuevamente el principio básico, por lo que para un caso de Poisson con siete por semana, el 30% del tiempo, el conteo será cinco o menos. |
| Entonces, uno de ellos es que debe esperar que la cantidad de aplicaciones requiera |
| El tiempo necesario para obtener una selección de alquiler razonablemente competitiva variará, porque incluso con un promedio de siete, el número que se obtenga variará bastante. |
| La varianza del Poisson es la misma que la del parámetro, por lo que se obtiene una variación amplia. |
| Y así, si estás acostumbrado a pensar en términos de promedios a largo plazo |
| o anclado en otro caso, cualquier instancia específica podría desviarlo. |
| Y el problema es este sesgo de reconocimiento de patrones. |
| La ilusión de agrupación es esta tendencia a considerar que las inevitables rayas o agrupaciones que llegan en muestras pequeñas significan que se está produciendo un efecto no aleatorio, que hay algún tipo de intención en ello. |
| Y es claramente irrelevante para los datos distribuidos por 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 se producían las agrupaciones y pensaría que eso significaba algo, pero pudo demostrar que estaba bastante satisfecho al observar el proceso como lo hizo Poisson. |
| distribuido, lo que significa que a veces obtendrás grupos de todos modos, y ciertamente con tanta frecuencia como los viste. |
| Eso significaba que realmente lo que estaba sucediendo no era que apuntaran a nada en particular, sino que apuntaban en general a Londres y, en general, dieron en algún lugar de Londres. |
| En este caso, al observar los trabajos, la probabilidad de obtener una secuencia en un lapso de tres semanas, donde se obtiene un recuento creciente o decreciente, es aproximadamente del 12 %. |
| En este ejemplo, la probabilidad de obtener un recuento de dos semanas decreciente, es decir, una más grande que la otra, es del 45%. |
| Estos son patrones realmente cortos; No se debe pensar que significan nada, pero las personas que no son conscientes de la naturaleza de las estadísticas pueden pensar en ellas de esa manera. Ese es realmente el punto aquí. Y eso puede llevar a reacciones exageradas. |
| Ahora bien, la variabilidad por campo de práctica es de aproximadamente un orden de magnitud. |
| Algunos campos son más difíciles de encontrar que otros, por lo que las expectativas de las personas pueden verse sesgadas si no comprenden 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%. |
| oscilan entre el 2,5 por ciento y el 97,5 por ciento. Sigue siendo una enorme variabilidad. |
| en las tarifas. |
| Y luego, si entendieras cómo esto se ve afectado por cómo se elaboró el lenguaje de la publicación, cuán estrechamente, cuán general, |
| lo que atrae el idioma, publicitando todos estos factores, |
| Entonces podrías decidir cuánto |
| desea invertir para aumentar esas tarifas y hacer que el proceso se realice más rápido. |
| Así que aquí hay un caso para una oferta de trabajo específica que utiliza ese modelo de simulación del que hablé antes. |
| Profesional establecido en el Sitio A y campo disciplinario de práctica 9, nuevamente, todo esto es material de propiedad exclusiva, por lo que no se revelará qué es; ese es solo un tipo particular de profesional. |
| Obtienes esta diferencia muy amplia de |
| en un nivel de confianza del 95%, entre cero y nueve con una mediana de dos. |
| Esto puede desconcertar a la gente, estas estadísticas de números pequeños pueden desconcertar a la gente, porque esperan que las cosas sean más regulares. |
| Hay limitaciones del modelo y del enfoque. |
| Siempre los datos, la calidad de los datos, importan. Los campos contratados con poca frecuencia con conjuntos de habilidades poco comunes estarán esencialmente ausentes del 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 |
| tal vez |
| cambiar durante el período de recopilación de datos si utiliza un período de tiempo prolongado como base para estos análisis. |
| Y el enfoque de modelización no considera la autocanibalización. Si tiene dos solicitudes abiertas dentro de un campo y los solicitantes se postulan para ambas o eligen una. Tal vez en algunos casos elijan el que consideren 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 desea que se postulen para todos ellos, podrían estar calificados solo para ver dónde encajan. |
| Entonces conclusiones. Algunas respuestas de solicitudes de empleo a un anuncio de trabajo tienden a distribuirse como Poisson o Gamma-Poisson. |
| Y esto se comprobó con 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 está normalizado |
| Se pueden adaptar a perfiles comunes. |
| Y esos modelos concisos que resultan de los perfiles comunes facilitan la generación de modelos sintéticos de solicitudes aleatorias. |
| Esto permitiría a una persona hacer algún tipo de alcance o análisis sobre |
| probabilidades |
| sobre diferentes circunstancias. |
| Creo que es importante mencionar que los modelos de llegada de solicitudes pueden llenar un vacío importante para comprender el ciclo de vida completo de los empleados porque brindarán una perspectiva a los gerentes de contratación y a los profesionales de dotación de personal con respecto a esos sesgos de patrones. |
| Se pueden utilizar en modelos discretos basados en eventos o agentes como una forma de generar solicitantes 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 versus las características del trabajo y varios otros factores externos variables ajustables y fuera de control. |
| Esto, entonces, daría una mejor comprensión de qué esperar en términos de qué tan rápido se podrían llenar las cosas, qué tan rápido se podrían llenar las vacantes y cuánto costaría hacerlo. |
| dependiendo de las relaciones con la publicidad, etc. |
| Esto concluye lo que quería presentar hoy y |
| Solo diré que si tienes alguna pregunta deberías 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 lo mío 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 estupideces, por mucho que lo desees. |
