398673_ja-JP

liliconcom

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 (2021-US-30MP-816)

レベル: 中級

 

Thor Osborn 氏、サンディア国立研究所主席システム研究アナリスト

 

人材の獲得は、人材管理サイクルの重要な要素です。雇用申請書の到着は確率的なプロセスであり、人材の雇用と入社に必要なその後の精査、意思決定、交渉の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ガイドしたり、求人の発行からオンボーディングまでの流れやタイミングをシミュレーションしたりするのに役立つ可能性があります。このプレゼンテーションは、複数の期間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、職場、実務分野、およびキャリア ステージに相関する平均率および過分散パラメータ分布を備えたガンマ ポアソン分布のアンサンブルを使用して、アプリケーションの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
クリスティ スペイン	こんにちは。
	こんにちは、今日はどうですか。
	私は大丈夫です、お元気ですか。
クリスティ スペイン	いいよ、ありがとう。
	トールさんはどこにいますか？
	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。
クリスティ スペイン	それが私が考えていたことです。
	権利を得た。
クリスティ スペイン	そこには3桁があります。
	今じゃない。今はだめなの。
	はい、できました。
	からハリケーンが襲来。
	ボールを貪る奴らは気温を下げるだろう。
クリスティ スペイン	さて、その名前は何ですか。
	普段はあまり起こらないことなので、あまり注意を払っていませんでした。
	良い。
クリスティ スペイン	私はちょっと不意を突かれましたが、昨日はゴルフでかなりハードだったので、パイプラインが現在閉鎖されているため、ここにいる全員がガソリンを給油しています。
	それで、あなたはどこにいるのですか。
クリスティ スペイン	私はノースカロライナ州ケーリーの本社にいます。
	ええと、それでは終わりましたか、昨年は私たちのために何かレコーディングをしましたか？
	去年自分で作りました。
	おそらくそれが私たちがこれを行う理由の1つです。
	この時。
	おお。
クリスティ スペイン	それは面白い。
	そうですね、ちょっとしたチェックリストがあるので、実際に多くの項目を閉じたときと同じように、それを開いてみましょう。
	すべてをクリアしようとしていたので、ポップアップは表示されませんでした。すべてのアプリを閉じましたか?
	まだ行っていないのですが、質問もありました。
	確かにそうですね。
	録音の前にアップロードする必要があると書かれていましたが、リンクがないためアップロードできません。
クリスティ スペイン	どういうことかとアップロードしてます。
	そしてプレゼン資料。
クリスティ スペイン	わかりました。そのリンクが何なのか調べてみましょう。
	それで、戻って古いメールを調べましたが、見つかりませんでした。よく考えています。
	私は。
	大したことではないけど。
クリスティ スペイン	ただし、そのまま録音することはできるはずです。
	はい、はい。
クリスティ 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。ただし、そのチェックリストの一部はアプリで終了しています。
	私はそれをしに行きます。
	Microsoft チームは必要ありません。
クリスティ スペイン	シャツには何もロゴが入っていないので、大丈夫です。
	ロゴはありません。
	おそらく今は何も必要ありません。
クリスティ スペイン	チームの邪魔をしない方法がわかりませんでした。
	チームは順調だ。
	現代に関することの一つ。
	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、彼らがあなたにこれを与え、あなたがそれを理解することになっているということです。
クリスティ スペイン	さて、ヘルプ セクション D と D を入力すると、メッセージかその類のものを探しているかのように動作し、OK、または問題ありませんでしたので閉じました。
	そして。
	いくつかのアプリケーションを開いていますが、
	あの小さな寄生チームのことを見てください。
クリスティ スペイン	私たちは大丈夫です。
	そうです、彼らは、何があってもあなたに連絡できるようにしたいので、Skype とともにそれがまだそこにあるように、この小さな隠れたメニューにそれを入れました。
クリスティ スペイン	背景の 1 つをあなたに撮ってもらうべきだと思います。
	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、おそらくそうかもしれません。
	ああ、ここに本はあるけど、実際には読めないから大したことないと思ってたけど、わかった。
クリスティ スペイン	嫌になるかも分からない。
	折り返し電話して、手放すつもりだと言わなければなりません。
	はい、二度やりたくないです。
	いいえ。
	とても楽しいことになると確信していますが、もうやりたくないです。
	チームを辞めるだけです。
	彼らはすべてのチームがいなくなってしまった。
	さて、これらの背景についてはわかりました。
	展望に戻らなければなりません。
クリスティ スペイン	あるいは、そうするかもしれません。
	ほら、使ったことないよ。
	本当に一度も使用したことがありません。
	そう、彼らはぼやけるために分析しているからです。
	うん。
	ほら、引っ越しの作業をしているときはいつでも、人々がそれを使っていて、物がぼやけたり、部屋にあるすべてのガラクタを見たりするのが見えます。
	から見てください。
	ターニャ。
	ターニャ、とても新しい症状です。
	では、そうしましょう。
	これらは、ソーシャル タイルであることはご存知のとおりです。
	仮想背景は青色の散布図です。
	それをやるだけです。
	来て。
	それで、問題はどうやってやるかということになります。
	それらを使用してください。
	見てみましょう。
クリスティ スペイン	小さな3つの点の下にあると思っていましたが、そうではありませんでした。
	さて、アヒルがどこにいるのかわかりません。
	ドットはどこで見つかりますか。
クリスティ スペイン	下部には画面共有とチャットがあることがわかります。
	そして、それらすべてはもう少しあるようです。
	それはそうですが、バックグラウンドで変更するオプションは見当たりません。
	どちらもしないでください。
クリスティ スペイン	私たちは非常に多くの異なるものの間を行ったり来たりしています。
	ここのツールは難しいです。
	簡単に検索してみましょう。
	滑らかなカメラの下の仮想背景。
	おお。
	それで。
	そして、彼らは言わなかったので、仮想背景がどこにあるのかを知る必要があります。
	どれを使うべきかとか、そんなことはありません。
クリスティ スペイン	ああ、それはいいですね。
	ああ、よかった。他に多くのことができるかどうか自信がなかったので、これで背景ができたので、かなりうまく機能している大量の移動を実行しても、実際には少し失敗するだけで大丈夫です。
クリスティ スペイン	そして
	タスクバーは自動的にありましたか？
	どうやってやるか見てみましょう。
クリスティ スペイン	タスクバーに移動して右クリックします。
	そう、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。
クリスティ スペイン	私のものも隠れていないのですが、理由はわかりません。
	そうですか。
	タスクバーの設定を行います。
	月曜日です。デスクトップ モードではテスト テスト バーが自動的に非表示になります。
	の上。
	OK、これで、非表示になっていないことを除いて、自動的に非表示になっているように見えます。
クリスティ 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。
	何か活動がうまくいきません。
クリスティ スペイン	そして、あなたのサウンドは素晴らしいです。
	そして
クリスティ スペイン	あなたの解像度などを確認できるように、共有を練習してみてはいかがでしょうか。
	さて、見てみましょう。
	確かに問題となる特定の事柄。
	画面を共有するために、あなたの様子を見せます。
クリスティ スペイン	さて、コンテンツを共有してみましょう。
	はい、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のです。
	私の画面。
	それで何とか終わりました。
	スクリーンを使って、ここの小さな窓にあなたを連れて行きます。
クリスティ スペイン	上部で、ビューを実行し、並べて表示するか、それが私が持っているものに変更できます。
	とにかく誰も私に会いたくないので、カメラをオフにするためです。
	今日はすべてあなたのことです。
	アクティブなスピーカーの小さなビデオのサムネイル ビデオを表示します。
	わかりました、これでわかります。
	これは私たち二人がグリッドを示していることを示しています。
	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。
	でも、これは動かせるんです。
クリスティ スペイン	そうですね、PowerPoint を悲しんでいるのはわかります。
	さて、これが私のPowerPointが通常の書き込みモードで得られた質問です。
	しかし、プレゼンテーションビューに入ると。
	それは大きくなりますが、その場合は、そのビューと別のビューの間を行ったり来たりし続ける必要があります。
	ビデオをやるとき。
	関連する部分に焦点を当てるつもりですか、それとも、通過したものをそのまま画面に表示するつもりですか。
クリスティ スペイン	はい、何でも見せます。
	したがって、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、必要に応じてプレゼンテーション モードから抜け出して JMP 画面を表示することができます。
	そして戻ってください、それは意味がありますか、そして私たちがあなたに会うことになったら、あなたのいくつかを知っています。
	はい、それは素晴らしいですね。
	さて、これが私たちがやるべきことだと思います、そして私はただ脱出して、必要に応じてJMPに行くことにします。
クリスティ スペイン	すぐに試してみませんか。サイズが適切かどうかを確認します。
	うん。
クリスティ スペイン	素晴らしく見える。
	わかった。
	だからそれは見えるのです。
クリスティ スペイン	さて、それでは今、そうしなければなりません。
	あなたの名前の会社名と要約タイトルを確認してください。
	名前はソー・オズボーン。 企業はサンディア国立研究所です。
	抄録タイトルは「人材獲得シミュレーションと管理のための雇用申請到着モデル」である必要があります。
クリスティ スペイン	完璧。 そして、これは Discovery Summit で使用するために記録されていることがわかります。
	JMP カンファレンスでは、JMP ユーザー コミュニティで一般公開されます。 その使用と録音については許可を与えていますか？
	ありがとう。
クリスティ スペイン	準備はできたと思います、ソー、だから私は自分自身をミュートにして、
	準備ができたらいつでも行くことができます。 目標はまっすぐ進むことです。 何か致命的なことが起こらない限り、私は何も言いませんし、あなたを止めるつもりはありません。 どのようにそのことについて？
	さて、目標はまっすぐに進むことですが、どれくらい時間があればいいでしょうか?
クリスティ スペイン	30分。
	さて、少し余裕があると思います。彼らは再生の最後に質疑応答の時間を残しておきたいと考えているので、多少過ぎても大丈夫です。
	さて、出発する前に、話中と誰が話しているのかを示す小さなウィンドウがあります。
	小さなビデオを縮小してしまうからです。
	私の画面にはプレゼンテーション ビューが表示されていますか、それとも右下に小さな挿入物が表示されていますか。
クリスティ スペイン	表示されているのはプレゼンテーション ビューだけです。
	さて、彼らはどういうわけかこれを浮かせているようです。
クリスティ スペイン	それは迷惑でしょうね。
	邪魔にならない限り、何も置かなくても大丈夫です。
クリスティ スペイン	大丈夫。
	うん。
	よし。
クリスティ スペイン	さて、私はミュートにします、それで準備は完了です。
	わかった。
	それで、私の名前はソー・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。
	楽しんでいただければ幸いです。
	ここには 3 つの基本的な目標があります。 1 つは、雇用申請書の到着時間をモデル化したい理由のビジネス 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ための簡単なプロセスを示すことです。
	次に、大規模な研究組織からのデータでそのプロセスを実証し、それを使って何ができるかを簡単に説明します。
	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、技術的にデータを理解する方法を詳しく説明します。
	ソース モデル。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 モデルについて説明します。
	これを扱いやすくするためにいくつかの分析といくつかの変換を行ってから、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。
	もう 1 つは、会社を率いる経営陣の理解を高めること、そして 3 つ目は、採用担当マネージャーの期待を明確にすることです。
	人材の獲得から始めます。 採用率と遅れは、人材獲得パイプラインの精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、プロセスを進める前に、雇用への応募が十分に行われていなければならないということです。
	そして、料金やパターンは、分野、掲載される投稿の特殊性、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共通の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向上させるための取引空間をより深く理解できるようになります。
	他のことも同様に。 いくつかの重要な関係は、アプリケーション捕捉率と差異と、雇用状況、勤務地、キャリアレベル、実務分野との関係です。
	広告の求人掲載の特異性、掲載言語など、調整可能な変数の比率への影響を捉えます。これは英語とスペイン語のことではなく、むしろ物事の組み立て方を意味します。
	そしてターゲットを絞った採用活動。 そして、捕獲率は経済状況、実践分野での競争などの外部要因の影響を受けます。
	採用領域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。
	そして、人材の獲得は、プロジェクトやプログラムの実行でよく見られる、時間、品質、コストといった典型的な制約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と考えています。 それにはお金がかかりますし、早く行こうとすればするほどお金がかかることになります。
	したがって、ここにはトレードオフがあります。
	経営幹部は多くの場合、人員計画を通じてプロセスに関与します。これは包括的な用語ですが、基本的には年次計画と言えます。
	しかし、関連するモデルやコストに関するフィードバックがなければ、人員配置の予算やプロセスの典型的な制約や割り当ての考慮が主観的になるか、存在しない可能性があります。
	つまり、経営幹部レベルでは、人事は単に必要なコストであると見なされていることが多く、必ずしも会社を前進させるための手段であるとは限りません。 情報不足が一因であるため、情報を提供することが状況を改善する方法になる可能性があります。
	また、採用担当者の期待。
	基本的に、私たちは少数の統計、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検討することに慣れていません。
	そして、それは彼らが最後に直面した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数を見て、興味のある人全員にアクセスしたことを意味するに違いないと考え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、バイアス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。少数の統計の場合と同様、その文脈で捉えないと誤った情報が得られるからです。
	そこで、データについて少し説明します。 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、その求人に対する投稿があり、投稿の結果として応募が到着します。
	それらは、サイトの場所によっていくつかの点で特徴付けられます。キャリア段階。
	可視性、どの程度広範囲に可視化されるか。
	実践分野、何をしているのか。
	そして、特定の要件は、それらの分野内で非常に広い場合もあれば、非常に狭い場合もあります。
	また、求人情報にアクセスできる時間枠内に応募を送信できるため、通常は期限が定められています。
	日付ごとに追跡されます。
	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に、最後に提出された申請の日付を掲載終了日として使用する必要がありますが、これは必ずしも真実ではありません。 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 日あたりの申請数を数えています。 1 日の申請件数が 0 件の場合、カウントは 0 です。
	したがって、求人情報への潜在的な応募者の全国規模を考えると、
	雇用主は情報を世界に発信します。
	全国の潜在的な応募者プールの中の何人かが応募をします。
	一般に、それができる人は全体に比べて少数であると考えられています。
	そして、この膨大な応募者プールが存在します。 それはソースとそのソース上のアプリケーションまたは小さな摂動です。
	そして、はっきり言っておきますが、これはポアソン数学の扱い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日目になっても申請書は届きません。 これはカウントがゼロの例です。 そして右端には、ゼロのインスタンスが 3 つ、1 のインスタンスが 3 つ、2 と 3 のインスタンスが 1 つずつ表示されます。
	それはあまり多くのデータではありませんが、ポアソン モデルに当てはめることができます。右下に青い線が見られます。
	つまり、1 日あたり 1 つのアプリケーションが到着する平均割合は、1 日あたりの実際の数はディストリビューションによって異なります。 以上です。
	したがって、ポアソン分布を使用して、単位時間あたりの一定の平均放出率ラムダ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、この方程式が得られます。 そして、前のスライドで非常に低い確率を示したカウント 4 の場合、
	基本的には 1 から 4 までです。
	e をマイナス ラムダに掛けるので、基本的には 37%
	4 階乗、つまり 24 で割ると、約 1.5 パーセントになります。これは、小さいながらもゼロではない確率と一致します。
	そこで、最初の仮説として
	私たちは、この広く宣伝された仕事に対する全国的に分散した潜在的な応募者集団のメンバーが、協調性のない行動をとっていると想定します。
	雇用機会に関しては、ポアソンモデルが理にかなっている可能性があります。
	したがって、これは合理的な初期仮説です。
	さて、それらが相互作用した場合はどうなるでしょうか。
	そして、それはガンマ ポアソン源モデルの観点から考えることができます。これは本質的にガンマ分布を混合分布として使用するポアソン成分です。
	または、レート、平均レートは一定の平均レートではなく、ある瞬間から次の瞬間に変化するため、ぼやけたポアソンと考えることもできます。
	そして、これは、応募者が協調的に行動するという対立仮説のもとで起こる可能性があります。
	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、このようなことが起こる可能性があります。
	さて、ここにあります
	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 でちょっとしたデモをやってみます。
	ここで見られるランダム ガンマ 4-1 は、パラメーター 4 とスケーリング パラメーター 1 を持つランダム ガンマを意味するため、平均は 4 です。
	分布を見てみます。 ここには 100,000 行があります。スライドで見たような曲線が得られます。
	平均は約 4 ですが、何かを何度も行う場合にはこれが発生します。
	それはほぼ正しいものです。
	さあ、そのディストリビューションを取得して使用してください
	ランダムなポアソンのフィードとして。
	そして、これを理解します。
	汚れてしまっているので、以前のポワソンのようには見えません。
	ポアソンフィットを見ると、最適なフィットであることがわかります。
	平均して 4 つですが、実際にできるのはこれだけです、
	ガンマ ポアソンよりも狭い分散を持ち、はい、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よくフィットします。
	ほぼ完璧です。
	そして、本質的に、これは、それを経た場合です。
	通信プロセスを考えてみると、ポアソンはもはや最良のモデルではありません。
	先ほど示したケースが、このクア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。
	左上の過分散パラメータが 1、シグマが 1 である場合、それは本質的にポアソン分布と同じになります。
	しかし、過分散パラメータが増加すると、こぶの後に尾が続き、代わりに減衰指数関数のように見えるものになります。 右下の青い部分にあるのがわかります。
	ここでは色が以前とは逆に切り替わっているので、混乱があったらごめんなさい。
	ここで実際のデータを見てみましょう。
	つまり、広くアクセス可能な、機械工学の早期キャリアのポストの場合です。
	131 のカウントを作成するには 140 のアプリケーションが必要ですが、その多くはゼロであるため、これは時間の経過 (131 日) にわたって分散されます。
	ガンマ ポアソンが最もよく適合しており、それが左上に表示されます。
	赤池の基準である AIC を使用しています
	メトリック。
	左下に表示されるのは、
	経験豊富なポジション。 現在、経験豊富な専門家は、たとえば大学の紹介者などのネットワークを持っていません。
	あるいは必然的に、大学の環境で見られるような他の人々との絶え間ない没頭。 これは何かの証拠ではありませんが、おそらくそれが、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見られる理由である可能性があることを正当化する方法にすぎません。
	ここで示したように、これは申請数とも相関しているようです。 重要となるその他の要因は次のとおりです。
	キャリアステージ。
	先ほど述べたように、FLSA ステータス (非免除) とは、免除されるスタッフではなく、たとえば技術者を意味します。
	これらの要素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と、ガンマ ポアソン分布になる可能性が高くなるため、確実に偏りが生じます。
	次に、このデータを分析のためにどのように準備するかについて説明します。 求人ごとの応募日
	表にまとめられた設定ゼロ
	カウントがないとき。
	次に、各要求のポアソンとガンマ ポアソンをフィッティングして、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 行で要求概要テーブルが作成され、それらが結合されて、ポアソンとガンマ ポアソンのパラメーターと、どちらがより可能性が高いかを示す AIC パラメーターが提供されます。より良いフィット感。
	また、サブセット化すると、ポアソンの概要とガンマ ポアソンの概要が得られます。これは、これらを一緒に扱うのが難しいためです。
	ガンマ ポアソンをシグマ 1 で使用することもできますが、そうすると最終的にインフレがゼロになり、扱いが複雑になるため、代わりにそれらを別々に扱います。
	どちらのサブセットが使用されても、プロセスではパラメーターとドライバーの線形モデルの適合が示されます。
	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の条件で共通の分布が妥当かどうかを確認します。この場合、これは基本的に、現場の場所、キャリアの初期または後期などの採用状況です。
	それらが同じ分布に含まれ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、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ないため、幸運にもそのようなことは起こりませんでしたが、将来のために考えておくべきことです。
	ここでは、コンテキスト別のポアソン パラメータ分布を示します。コンテキストは、キャリアの初期か後期か、または確立されたサイトに関係するものです。
	そして、それがどの分野の実践であるかどうか。 社内のみの求人の分析は難しく、機会がはるかに制限されているため、これらすべてに「B」が付いています。そのため、このプレゼンテーションでは単純に大まかなケースに固執します。
	ご覧のとおり、平均分散は要求コンテキストによって明らかに異なり、同じ分布内には収まりません。 それを簡単に実証できます。
	より小さなサブセット、つまり最初のチャンク、つまりサイト A の初期セットだけを見ると、平均と標準偏差がマップ全体に広がっていることがより明らかになります。
	ここで、ちょっとしたデモもやってみます。
	それで、私はこのデータを持っています。
	さて、これは本当にシンプルなモデルです。 ポアソン パラメーターの出力を取得し、このマルチレベルである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、約ポイント 4 の R2 乗があることがわかります。 つまり、
	それは重要ではありません。 実際、モデルの適合性はかなり良好です。
	そして、このパラメータの適合性は非常に優れています。 すべての差異をカバーしているわけではありませんが、それは想定されていないので問題ありません。これは、その機能にとって非常に優れたモデルであると言っているだけです。
	純粋に表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。作業が簡単で、この当てはめでどの程度の変動が扱われているかを把握できるからです。
	ここに行って、見てください。
	実際と予測を比較すると、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、目的は果たします。
	もう 1 つできることは、予測式を保存することです。
	そして、ここでご覧のとおりです。
	これはすでに行っているので、自動的に添え字が付けられます。
	これが意味するのは、本質的にはただのことであることがわかります。
	定数
	加えて、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、正規化をしたい場合、
	列を追加します。
	これに電話してください
	ノーム・ポアソン、これを作る目的ですでに一度やっているのでもう一度。
	まずはテーブル。
	ポアソンを見つけてください。 ポアソンパラメータがあります。 それをで割ります
	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。
	デモは決してライブで行わない、というのがルールですが、これは過去には常にうまくいっていましたし、何が起こっているのか本当にわかりません。
	ポアソンパラメータがあります。
	私の予測公式があります。
	おお。 決して何かを除算しよ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。
	今は頑固になってるよ。
	わかった。
	時には微妙なことが重要になることもあります。 これが正規化されたポアソンです。
	そして興味深いのは、
	これに合わせることができます。
	そして、利用可能なボトルから、ジョンソン SL が最もよくフィットし、かなり良い仕事をすることがわかります。
	また、次のこともできます
	YをXでフィットさせます。
	この出力を取得します
	要求のコンテキストに合わせて調整します。
	そして、この一方通行のプロットを入手してください。
	これは、以前に示したものよりもはるかに規則的であるように見えます。 これらが同じ分布を持つことのほうがもっともらしいです。 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、本当に。
	不等分散検定を見ると、不等分散であることを示す兆候がないことがわかります。
	これは、そうでないという証拠ではありませんが、分布が同じであると仮定したモデルを使用するのが合理的であると言う方法です。
	それで。
	話を戻します。
	ああ、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・スミルノフ検定も行いました。78 件のケースのうち、p 値が 0.05 未満を示したのは 1 件だけでした。
	P 値は何も証明しませんが、同じ分布から得られたこれらを扱うのが合理的であることを示しています。
	ここでは、直前の小さなサブセットを拡大したバージョンを示しますが、これがもっともらしいことがわかります。それは証拠ではありませんが、もっともらしいです。
	そして適合性テストでは
	繰り返しますが、それは合理的だと思われます
	Johnson SL は、このデータセットのポアソン パラメーター分布、つまり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のに合理的なモデルです。
	これと同じことを、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行うことができます。
	そしてまたしてもそれはうまくいきます。
	シグマパラメータを実行するには、シグマのベースラインが 1 であるため、実際にはシグママイナス 1 を使用します。
	そして、ここのモデルは、言うなればさらに低品質ですが、使用する必要があります
	Lambda は Sigma に相関しているため、その効果をその中でモデル化できるようにする必要があるため、別のモデリング ステップが必要になります。
	繰り返しますが、適度なフィット感が得られます。
	この場合はジョンソン・スーです。
	ここで何が起こっているのかを説明します。 合成ランダム分布パラメータを生成します。
	データのサブセットから、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、それを共通のパラメトリック連続モデルに適合させます。
	次に、合成パラメータを生成するには、正規化されたパラメータ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乗算します。つまり、「非正規化」します。
	現在、合成ランダム モデル パラメーターを評価しています。もう一度 KS テストを使用しました。実際にそれらを区別する方法がないことがわかります。したがって、少なくとも、それが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してみます。
	合成モデルも作りました。
	これを関数に変換したので、呼び出し可能な関数になり、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になります。
	コンテキストを入力として使用してランダムな求人のパラメータを生成するため、さまざまなコンテキスト機能がすべて含まれます。
	ここでは、その詳細には立ち入りませんが、重要なのは、合成ランダム パラメーター 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。これにより、このヒート マップ内の通常の位置を把握できるだけでなく、
	外れ値についての考え方のようなもので、何がもっともらしい外れ値なのか、そしてそれが実際にどこまで当てはまるのかを考えます。
	また、相関関係を実行すると、Lambda と Sigma の間の相関関係も確認できます。
	合成ラムダと合成シグマの間はほぼ同じです。
	その関係をかなり厳密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た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付いている中央の差し込み図です。
	43 個あるすべてのデータ ポイントは、
	そこに落ちます。
	など。
	これもまた、合成は実際に起こっていることを適度にうまくモデル化しています。 それは信じられないことですが、残りの数パーセントのケースで何が起こるかを示しています。
	私がモデリングを検討し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。いくらなどの他の変数を使用することもできます
	求人広告の文言に特殊性が加えられると、資格を持つ人が少なくなり、一部の人を怖がらせることになるかもしれません。
	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。 現在、人々は人事部門のツールを使用して、より受け入れられる言葉を作成しています。 時間の経過や複数の仕事の依頼によって得られるものにどれだけの違いが生じるかがわかります。
	これらをモデルの要素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。
	これらの機能は、必要に応じて求人を作成する際に使用できます。
	しかし、今度は、これがどのようなものかをもう一度考えてみます。 繰り返しますが基本原則です。つまり、週に 7 回のポアソンの場合、30% の確率でカウントは 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予想されることです。
	平均 7 人であっても、獲得できる数はかなり異なるため、適度に競争力のある採用候補者を獲得するまでに必要な時間は人によって異なります。
	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、長期平均の観点から考えることに慣れている場合は、
	または、別のケースに固定されている場合は、特定のケースによって無視される可能性があります。
	そして問題は、このパターン認識バイアスです。
	クラスタリング錯覚とは、小さなサンプルに必然的に現れる縞やクラスターは、非ランダムな効果が発生しており、それに何らかの意図があることを意味すると考える傾向です。
	そして、RD Clarke が 1946 年にドイツの 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。
	ロンドンエリアにあるサイト。
	人々はグループ化が起こっているのを見て、それが何か意味があると考えるだろうが、彼はプロセスをポアソンとして見ることによって、それがかなり満足していることを実証することができた。
	つまり、とにかく時々、そして確かに見たのと同じくらいの頻度でクラスターを取得することになります。
	つまり、実際に起こっていることは、彼らが特別に何かを目指していたわけではなく、一般的にロンドンを目指していて、だいたいロンドンのどこかに着いたということです。
	この場合、求人を見ると、3 週間にわたって一連の件数が減少または増加する可能性は約 12% です。
	この例では、2 週間のカウントが減少する、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。これらに何か意味があると考えるべきではありませんが、統計の性質を知らない人はそのように考える可能性があります。 ここが本当に重要な点です。 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、診療分野ごとのばらつきは約 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、業務分野別だけでなく、一般的な求人を見てみると、95% では約 25 倍の差があることがわかります。
	範囲は 2.5 パーセントから最大 97.5 パーセントです。 相変わらず変動が激しいですね
	料金で。
	そして、これが投稿の文言がどのように作られているか、どれほど狭い範囲で、どの程度一般的に影響されているかを理解できたとしたら、
	その言語が何を惹きつけているのか、これらすべての要素を宣伝しているのか、
	それからいくらかを決めることができます
	これらのレートを高め、プロセスをより速く完了させることに力を入れたいと考えています。
	ここでは、先ほど話したシミュレーション モデルを使用した特定の求人情報のケースを示します。
	サイト A で確立された専門家であり、専門分野の実践分野 9 ですが、これもすべて独自の内容であるため、それが何であるかについては公開されません。それはまさに特殊な専門家です。
	この非常に幅広い違いがわかります
	95% の信頼度全体で、0 ～ 9 の間、中央値は 2 です。
	この少数の統計は人々を混乱させる可能性があります。なぜなら、人々は物事がより規則的であることを期待しているからです。
	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。 データが短期間で収集された場合、まれなスキルセットを備えた採用頻度の低い分野は、基本的にデータセットから欠落する可能性が高くなります。
	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中に変化する可能性があります。
	また、モデリングのアプローチでは自己共食いは考慮されていません。 1 つのフィールド内で 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、それともどちらかを選択しますか。 場合によっては、最もチャンスがあると思われる方を選択する場合もあります。
	このモデルはそれについては何もしませんが、何が起こっているかを捉え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、すべてに応募してもらいたい場合は、どこに当てはまるかを確認するためだけに応募資格を得ることができるからです。
	ということで結論。 求人情報に対する採用応募の回答の中には、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るものがあります。
	そして、これは合計約 2,500 件の要求からなる大規模なデータセットで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。
	正規化すると
	共通のプロファイルに適合させることができます。
	そして、共通プロファイルから得られるこれらの簡潔なモデルにより、合成ランダム購買モデルの生成が容易になります。
	これにより、人はある種のスコープ設定や分析を行うことができます。
	可能性
	さまざまな状況を乗り越えて。
	応募到着モデルは、雇用マネージャーや人材派遣の専門家にパターンの偏りに関する視点を提供するため、従業員のライフサイクル全体を理解する上で重要なギャップを埋めることができることに言及することが重要だと思います。
	現実的な方法で応募者を生成したい場合は、離散イベントまたはエージェント ベースのモデルで応募者を生成する方法として使用できます。
	そして
	おそらく最も重要なことは、経済的な観点から、
	これは、応募者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部要因を比較する方法です。
	そうすれば、どれくらい早く物が埋まるか、どれくらい早く空きが埋まるか、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点で何が起こるかをよりよく理解できるようになります。
	広告との関係等により異なります。
	今日紹介しようとしていた内容は以上です。
	質問がある場合は、ここから連絡先情報を入手してください。
	ビデオや設置場所など、お気軽にお問い合わせください。
クリスティ スペイン	わかりました、それは素晴らしかったです。
	はい、デモを失敗したために私のものが動作しなかった部分を除いて。
	でも、それはよかった、安全だった、よかった SAVE だった。ようやく自分が何をしていたのか気づいた。
	そう、あなたがどれだけ望んでも、JMP は愚かなことはしません。

 

起こるデータの視覚化統計とモデリング