스피커 | 성적 증명서 |
| 크리스티 스페인 | 좋은 오후에요. |
| 안녕, 오늘은 어때? |
| 난 괜찮아, 잘 지내? |
| 크리스티 스페인 | 고마워요. |
| 토르는 어디에 있나요? |
| 응 크리스티 스페인. |
| 그리고 앨버커키 뉴멕시코. |
| 크리스티 스페인 | 그게 내가 생각했던 것입니다. |
| 권리를 얻었습니다. |
| 크리스티 스페인 | 거기에 세 자리 숫자. |
| 지금 말고. |
| 좋아요. |
| 허리케인이 에서 오고 있습니다. |
| 볼 호그가 기온을 떨어뜨릴 거예요. |
| 크리스티 스페인 | 좋아요, 그거 이름이 뭐죠? |
| 평소에는 그런 일이 많이 일어나지 않는지 모르겠고 별로 관심을 기울이지 않은 것 같아요. |
| 잘. |
| 크리스티 스페인 | 저는 제가 허를 찔린 것 같지만 어제는 꽤 힘들어서 파이프라인이 이제 폐쇄되었기 때문에 여기 있는 모든 사람들이 주유를 채우고 있습니다. |
| 그럼 당신은 어디에 있나요? |
| 크리스티 스페인 | 저는 캐리 노스캐롤라이나 본사에 있어요. 그렇죠. |
| 음 그럼 당신이 작년에 우리를 위해 녹음을 했는지 한 번 볼까요? |
| 작년에 직접 만들었어요. |
| 아마도 우리가 이 일을 하는 이유 중 하나일 것입니다. |
| 이 시간. |
| 오. |
| 크리스티 스페인 | 그거 재밌네요. |
| 음, 어디 보자. 작은 체크리스트가 있는데, 실제로는 너무 많은 일을 언제 닫는지처럼 열어보도록 할게요. |
| 모든 내용을 삭제하려고 했으나 팝업이 표시되지 않았습니다. 앱과 앱을 모두 종료하셨나요? |
| 아직 해보진 않았는데, 질문도 있어요. |
| 물론이죠. 음. |
| 녹화 전에 업로드해야 한다고 하는데 링크가 없어서 못 올리네요. |
| 크리스티 스페인 | 내가 업로드하는 것은 무엇이며 무엇입니까? |
| 그리고 발표 자료. |
| 크리스티 스페인 | 좋아요, 그 링크가 당신에게 적합한지 알아보겠습니다. |
| 그래서 다시 예전 이메일을 뒤져봤는데 찾을 수가 없었어요. 잘 생각하고 있어요. |
| 나는. |
| 별거 아니지만. |
| 크리스티 스페인 | 하지만 우리는 계속해서 녹음할 수 있어야 합니다. |
| 알았어, 응. |
| 크리스티 스페인 | 간단한 체크리스트를 찾아보겠습니다. 체크리스트 중 일부가 귀하의 앱에서 종료됩니다. |
| 내가 가서 그렇게 할게요. |
| Microsoft 팀은 필요하지 않습니다. |
| 크리스티 스페인 | 셔츠에 로고가 하나도 없어서 좋군요. |
| 로고가 없습니다. |
| 아마도 지금 당장은 필요하지 않을 것입니다. |
| 크리스티 스페인 | 팀을 방해하지 않는 방법을 알 수 없었습니다. |
| 팀은 좋습니다. |
| 현대에 관한 것 중 하나입니다. |
| 기술은 사람들이 당신에게 지시를 내리는 것이 아니라 더 이상 당신에게 이것을 주고 당신이 그것을 알아내야 한다는 것입니다. |
| 크리스티 스페인 | 글쎄요, 도움말 섹션 D 및 D를 입력했는데 마치 메시지나 그런 종류의 것을 찾는 것처럼 행동했고, 좋아요, 아니면 괜찮았습니다. 그래서 닫았습니다. |
| 알았어, 그럼. |
| 몇 가지 신청서가 열려 있지만. |
| 저 작은 기생 팀을 보세요. |
| 크리스티 스페인 | 우린 괜찮아요. |
| 글쎄요, 그들은 어떤 일이 있어도 당신에게 연락할 수 있기를 원하기 때문에 Skype와 함께 여전히 거기에 있도록 이 작은 숨겨진 메뉴에 넣었습니다. |
| 크리스티 스페인 | 그리고 내 생각엔 아마도 당신이 배경 중 하나를 가져가야 할 것 같아요. |
| 저작권 침해가 없다고 적혀 있지만, 그 당시에는 많은 책을 알고 계셨을 것입니다. |
| 아 뭐, 여기 책이 있긴 한데, 책을 실제로 읽을 수는 없기 때문에 별 문제가 아니라고 생각했는데, 괜찮아요. |
| 크리스티 스페인 | 내가 싫어할지는 모르겠지만. |
| 다시 전화해서 놔주겠다고 말해야 해요. |
| 응, 두 번 다시 하고 싶지 않아. |
| 아니요. |
| 내 말은, 이게 정말 재미있을 거라고 확신하지만, 다시는 하고 싶지 않다는 뜻이에요. |
| 그냥 팀을 없애면 돼. |
| 팀이 다 없어졌어요. |
| 좋아, 그래서 이 배경에 대해 알아냈어. |
| 다시 아웃룩으로 돌아가야 합니다. |
| 크리스티 스페인 | 아니면 어쩌면 우리가 그렇게 할 수도 있습니다. |
| 보세요, 저는 그것들을 사용한 적이 없습니다. |
| A는 실제로 사용한 적이 없습니다. |
| 응, 왜냐하면 그들은 흐릿하게 분석하기 때문이야. |
| 응. |
| 알다시피, 이사를 할 때마다 사람들이 그것을 사용하고 물건이 흐려지고 방에 있는 모든 쓰레기를 보는 것을 봅니다. |
| 그래서 참조하십시오. |
| 타냐. |
| 타냐 새로운 증상이 생겼어요. |
| 여기 있습니다. |
| 소셜 타일이 무엇인지 아시는 소셜 타일입니다. |
| 가상 배경이 파란색 산점도입니다. |
| 난 그냥 그렇게 할게. |
| 어서 해봐요. |
| 이제 문제는 내가 어떻게 하느냐는 것입니다. |
| 그것을 써. |
| 보자. |
| 크리스티 스페인 | 나는 그것이 작은 점 세 개 아래에 있을 것이라고 생각했지만 그렇지 않았습니다. |
| 좋아요, 오리가 어디에 있는지 잘 모르겠습니다. |
| 점은 어디서 찾을 수 있나요? |
| 크리스티 스페인 | 글쎄요, 하단에 화면 공유와 채팅이 있는 곳이 있습니다. |
| 그리고 그 모든 것이 조금 더 있습니다. |
| 하지만 백그라운드에서 변경에 대한 옵션이 표시되지 않습니다. |
| 그러지 마세요. |
| 크리스티 스페인 | 우리는 매우 다양한 사이를 왔다 갔다 합니다. |
| 여기 도구는 어렵습니다. |
| 그럼 빠르게 검색해 보겠습니다. |
| 매끄러운 카메라 아래의 가상 배경. |
| 오. |
| 그래서. |
| 그러다가 가상 배경이 어디에 있는지도 알려 주지 않았기 때문에 알아야 합니다. |
| 어느 것을 사용해야 합니까? 아니, 아니, 아니. |
| 크리스티 스페인 | 아, 멋지네요. |
| 아 좋아요. 제가 다른 일을 더 많이 할 수 있을지 확신할 수 없었거든요. 이제 배경이 생겼고 많이 움직이면 꽤 잘 작동합니다. 사실 약간의 문제가 생길 뿐입니다. |
| 크리스티 스페인 | 그리고 |
| 자동으로 작업 표시줄이 있었나요? |
| 어떻게 하면 되는지 볼까요? |
| 크리스티 스페인 | 작업 표시줄로 가서 마우스 오른쪽 버튼을 클릭합니다. |
| 네, 아무것도 없는 곳에서요. |
| 아니요. |
| 문제는 내 작업 표시줄이 완전히 구독되어 있다는 것입니다. |
| 크리스티 스페인 | 내 것도 숨어 있지 않아요. 왜인지 모르겠어요. |
| 그렇죠? |
| 작업 표시줄 설정은 여기까지입니다. |
| 월요일이면 데스크톱 모드에서 테스트 테스트 표시줄이 자동으로 숨겨집니다. |
| 에. |
| 좋아요, 이제 숨겨져 있지 않다는 점을 제외하면 자동으로 숨겨진 것처럼 보입니다. |
| 크리스티 스페인 | 음, 위로 스크롤하면 사라집니다. |
| 따라서 if 만 나타납니다. |
| 활동이 잘 사라지는 일이 있습니다. |
| 크리스티 스페인 | 그리고 당신의 소리는 훌륭합니다. |
| 그리고 |
| 크리스티 스페인 | 우리가 당신의 결심 등을 확인할 수 있도록 공유 연습을 하시겠습니까? |
| 어디 한번 보자. |
| 확실히 문제가 될 구체적인 것이 있습니다. |
| 화면을 공유하기 위해 여러분의 모습을 보여드리겠습니다. |
| 크리스티 스페인 | 글쎄, 계속해서 콘텐츠를 공유할 수 있습니다. |
| 네, 하지만 슬라이드와 JMP 응용 프로그램 사이를 왔다 갔다 하면서 보여드리고 싶습니다. |
| 내 화면. |
| 그래서 어떻게 든 나는 끝났습니다. |
| 화면을 사용하면 여기 작은 창에 표시됩니다. |
| 크리스티 스페인 | 상단에서 보기를 수행하고 병렬로 변경할 수 있습니다. 그게 바로 제가 가진 것입니다. |
| 어차피 아무도 나를 보고 싶어하지 않기 때문에 카메라를 끄려고요. |
| 오늘은 모두 당신에 관한 것입니다. |
| 소규모 현재 발언자 비디오 썸네일 비디오를 표시합니다. |
| 좋아요, 그게 보여요. |
| 이것은 우리 모두에게 그리드를 보여줍니다. |
| 그리고 그것은 모든 것을 정말 작게 만듭니다. |
| 그리고 나는 더 이상 나 자신을 볼 수 없습니다. |
| 하지만 이건 움직일 수 있어요. |
| 크리스티 스페인 | 글쎄, 나는 당신이 당신의 PowerPoint를 슬퍼하는 것을 볼 수 있습니다. |
| 자, 여기에 질문이 있습니다. PowerPoint가 일반 쓰기 모드로 전환됩니다. |
| 하지만 프레젠테이션 보기로 들어가면. |
| 점점 커지지만 그 뷰와 다른 뷰 사이를 계속해서 왔다 갔다 해야 합니다. |
| 영상을 찍을 때. |
| 관련된 부분을 자세히 살펴보실 건가요, 아니면 진행 중인 내용을 화면에 표시하실 건가요? |
| 크리스티 스페인 | 응, 그냥 뭐든 보여줄게. |
| 따라서 대부분의 사람들은 프레젠테이션 모드를 사용하고, 그 모드에서 벗어나 JMP 화면을 표시해야 한다면 그렇게 하면 됩니다. |
| 돌아가서 그게 말이 되는지, 그리고 우리가 결국 당신을 보게 된다면 당신의 일부를 알게 될 것입니다. |
| 응 정말 좋아 보이는데. |
| 좋습니다. 이것이 우리가 할 일인 것 같습니다. 저는 탈출하여 필요한 경우 JMP로 가겠습니다. |
| 크리스티 스페인 | 빨리 시도해 보고 사이즈가 맞는지 확인해 보세요. |
| 응. |
| 크리스티 스페인 | 좋아 보인다. |
| 좋아요. |
| 그래서 눈에 보입니다. |
| 크리스티 스페인 | 좋아요, 이제 그래야 합니다. |
| 귀하의 이름 회사와 초록 제목을 확인하십시오. |
| 이름은 토르 오스본. 회사는 Sandia National Laboratories입니다. |
| 초록 제목은 인재 확보 시뮬레이션 및 관리를 위한 채용 지원 도착 모델이어야 합니다. |
| 크리스티 스페인 | 완벽한. 그리고 이것이 Discovery Summit에서 사용하기 위해 기록되고 있다는 것을 이해하게 됩니다. |
| JMP 컨퍼런스는 JMP 사용자 커뮤니티에 공개적으로 제공됩니다. 해당 사용 및 녹음에 대한 권한을 부여합니까? |
| 감사합니다. |
| 크리스티 스페인 | 이제 우리는 준비가 된 것 같아요, 토르. 그러니 저는 음소거를 하고 |
| 준비가 되면 언제든지 갈 수 있습니다. 목표는 바로 통과하는 것입니다. 큰 일이 일어나지 않는 한 나는 아무 말도 하지 않을 것이고, 당신을 막지도 않을 것입니다. 어떻게에 대한? |
| 좋아요, 목표는 바로 통과하는 것인데, 얼마나 오래 기다려야 하나요? |
| 크리스티 스페인 | 30 분. |
| 좋아요, 이제는 재생이 끝날 때 질문과 답변을 위한 시간을 남겨두는 것을 좋아하기 때문에 약간의 여유가 있다고 생각합니다. 조금 지나도 괜찮습니다. |
| 자, 이제 가기 전에 말하고 있는 사람과 말하는 사람이 누구인지 알려주는 작은 창이 있습니다. |
| 왜냐하면 그들은 작은 비디오를 축소하기 때문입니다. |
| 좋아요, 내 화면에 프리젠테이션 보기가 표시되나요, 아니면 오른쪽 하단에 이 작은 삽입물이 표시되나요? |
| 크리스티 스페인 | 내가 보는 것은 프레젠테이션 보기뿐입니다. |
| 좋아, 그래서 그들은 어떻게든 이것을 떠다니고 있는 거야. |
| 크리스티 스페인 | 정말 짜증나는 일이겠죠. |
| 괜찮아, 방해가 되지 않는 한 거기에는 아무것도 놓지 않는다는 뜻이야. |
| 크리스티 스페인 | 괜찮아요. |
| 응. |
| 괜찮은. |
| 크리스티 스페인 | 알겠습니다. 저는 음소거 상태로 전환하고 나면 준비가 완료될 것입니다. |
| 좋아요. |
| 그래서 제 이름은 토르 오스본입니다. 저는 Sandia National Laboratories에서 수석 시스템 연구 분석가로 일하고 있습니다. |
| 오늘 제가 이야기할 주제는 인재 확보 시뮬레이션 및 관리를 위한 취업 지원 도착 모델입니다. |
| 그리고 당신이 그것을 즐기시기 바랍니다. |
| 여기에는 세 가지 기본 목표가 있습니다. 하나는 채용 지원서 도착 시간을 모델링하려는 이유에 대한 비즈니스 사례를 만드는 것입니다. 또 다른 하나는 이러한 종류의 데이터를 사용하여 간결하고 광범위하게 적용 가능한 모델을 만드는 간단한 프로세스를 보여주는 것입니다. |
| 그런 다음 대규모 연구 기관의 데이터에 대한 프로세스를 보여주고 이를 통해 무엇을 할 수 있는지 간략하게 보여 드리겠습니다. |
| 기술적으로는 이런 종류의 데이터가 대부분의 사람들에게 조금 이상하다고 생각하기 때문에 데이터 이해에 대해 자세히 설명하겠습니다. |
| 소스 모델은 본질적으로 소스 모델링입니다. |
| 그래서 저는 포아송(Poisson) 모델과 감마-포아송(Gamma-Poisson) 모델에 대해 이야기하겠습니다. |
| 나는 이것을 더 쉽게 작업할 수 있도록 몇 가지 분석과 변형을 수행한 다음 모델을 만드는 방법에 대해 간략하게 설명하겠습니다. |
| 따라서 동기 부여에 관한 한 동기 부여에는 세 가지 기본 영역이 있습니다. 하나는 인재 확보 프로세스와 비즈니스 기능을 개선하는 것입니다. |
| 또 하나는 회사를 이끄는 경영진에 대한 이해도를 높이는 것이고, 세 번째는 인사담당자들이 기대하는 바를 프레임화하는 데 도움을 주는 것입니다. |
| 인재 확보부터 시작하겠습니다. 고용률과 지연 시간은 인재 확보 파이프라인의 심사 단계를 통한 흐름에 따라 달라집니다. 그러나 중요한 것은 프로세스를 통해 어디든 갈 수 있기 전에 충분한 채용 지원서를 확보해야 한다는 것입니다. |
| 그리고 해당 분야, 게시되는 게시물의 특수성, 경쟁률, 광고 금액 등에 따라 요금과 패턴이 상당히 다릅니다. |
| 애플리케이션 도착에 대한 일반적인 수학적 프레임워크를 통해 애플리케이션 캡처 속도를 향상시키기 위한 거래 공간을 더 잘 이해할 수 있습니다. |
| 뿐만 아니라 다른 것들. 일부 주요 관계 응용 프로그램 캡처 속도 및 고용 상황, 직업 현장, 경력 수준, 실무 분야에 따른 차이. |
| 조정 가능한 변수 광고 채용 공고 특이성, 게시 언어의 비율 영향을 포착합니다. 여기서는 영어 대 스페인어가 아니라 상황이 구성되는 방식을 의미합니다. |
| 그리고 표적화된 채용 노력. 그리고 포획률은 경제 상황, 실무 분야의 경쟁, |
| 채용 지역 내에서 실제로 도달하고 있는 전문 인력의 규모는 얼마나 됩니까? |
| 그리고 인재 확보에는 프로젝트나 프로그램 실행 시 흔히 볼 수 있는 시간, 품질, 비용 등의 일반적인 제약이 있다는 점을 인식하는 것이 중요하다고 생각합니다. |
| 신청서를 수집하는 데 시간이 걸립니다. 당신은 높은 수준의 지원자를 얻고 싶습니다. 그러려면 돈이 많이 들고, 더 빨리 가려고 하면 할수록 더 많은 비용이 들게 됩니다. |
| 그래서 여기에는 트레이드 오프가 있습니다. |
| 경영진은 인력 계획을 통해 프로세스에 참여하는 경우가 많습니다. 인력 계획은 포괄적인 용어이지만 기본적으로는 연간 계획이라고 알고 있습니다. |
| 그러나 관련 모델과 사물 비용에 대한 피드백이 없으면 직원 예산이나 프로세스의 일반적인 제약 및 할당에 대한 고려가 주관적이거나 부재할 수 있습니다. |
| 즉, 경영진 수준에서 HR은 단순히 필요한 비용으로 간주되는 경우가 많지만 반드시 회사를 발전시키는 수단으로 간주되는 것은 아닙니다. 부분적으로는 정보가 부족하기 때문에 정보를 제공하는 것이 상황을 개선하는 방법이 될 수 있습니다. |
| 또한 채용 관리자의 기대치입니다. |
| 기본적으로 우리는 소수의 통계, 소수의 응용 프로그램을 다루고 있습니다. |
| 인간은 실제로 패턴 편견에 취약하며 대부분의 채용 관리자는 매주 사람을 채용하지 않기 때문에 오랜 기간에 걸쳐 다양한 사례의 관점에서 이를 보는 데 익숙하지 않습니다. |
| 그리고 그것은 그들이 직면한 마지막 상황에 닻을 내릴 수 있고, 한 주에서 다음 주까지 감소하는 지원자 수를 살펴보는 패턴 편견으로 이어질 수 있으며, 이는 관심 있는 모든 사람에게 접근했음을 의미해야 합니다. |
| 그리고 과잉 반응으로 이어질 수 있는 편견에 대한 이러한 직관적인 반응의 문제는 항상 소수 통계의 경우와 마찬가지로 해당 맥락에서 받아들이지 않으면 잘못된 정보를 얻게 되기 때문입니다. |
| 그래서 데이터에 대해 조금. 도착 데이터는 특정 채용 요청과 연결되어 있습니다. 따라서 채용 요청이 있고, 해당 요청에 대한 게시가 있으며, 게시의 결과로 지원서가 도착합니다. |
| 사이트 위치는 여러 가지 특징이 있습니다. 경력 단계; |
| 가시성, 얼마나 광범위하게 표시되는지; |
| 업무 분야, 귀하가 하고 있는 일; |
| 해당 분야 내에서 매우 광범위하거나 매우 좁을 수 있는 특정 요구 사항. |
| 그리고 채용 공고에 접근할 수 있는 기간 동안 지원서를 제출할 수 있으므로 일반적으로 정해진 기간이 있습니다. |
| 날짜별로 추적됩니다. |
| 이제 이 경우 나중에 분석하기 위해 실제 데이터를 사용하여 마지막으로 제출된 신청서 날짜를 게시 종료 날짜로 사용해야 하지만 반드시 그런 것은 아닙니다. 그러나 실제 데이터에서 흔히 발생하는 것처럼 우리가 갖고 싶은 모든 데이터가 없습니다. |
| 그리고 난 마지막으로 이렇게 말할 거야 |
| 하루에 신청하는 횟수를 세고 있습니다. 하루 동안 신청자가 0개인 경우 이는 0으로 간주됩니다. |
| 따라서 채용 공고에 대한 잠재적인 지원자의 전국 풀을 생각하면, |
| 고용주는 세상에 정보를 공개합니다. |
| 전국 잠재적 지원자 풀의 일부 사람들이 지원서를 작성합니다. |
| 일반적으로 누가 할 수 있는지 전체에 비해 소수일 것이라고 가정합니다. |
| 그래서 여러분은 이렇게 방대한 지원자 풀을 갖게 되었습니다. 그것은 소스와 해당 소스에 대한 응용 프로그램 또는 사소한 교란입니다. |
| 그리고 아주 명확하게 말하면, 포아송 수학을 다루는 데 익숙한 사람들에게는 이것이 매우 지루할 수 있지만, |
| 첫날에 하나의 애플리케이션 도착이 표시되면 이는 1개의 인스턴스 중 하나입니다. 둘째 날에는 신청서가 도착하지 않았습니다. 이는 카운트가 0인 경우입니다. 맨 오른쪽에는 0의 세 인스턴스, 1의 세 인스턴스, 2, 3이 표시됩니다. |
| 그리고 그것은 적합할 수 있습니다. 데이터가 많지는 않지만 포아송 모델에 적합할 수 있으며 오른쪽 하단에 파란색 선이 표시됩니다. |
| 따라서 하루에 하나의 애플리케이션이 도착하는 평균 비율이지만 일일 실제 개수는 배포판에 따라 달라질 수 있습니다. 그리고 그게 다야. |
| 따라서 포아송 분포는 단위 시간당 일정한 평균 방출 속도 람다를 갖는 개별 항목의 소스를 무작위로 방출하여 단위 시간에 생성된 개수의 확률을 설명하는 데 사용할 수 있습니다. |
| 그리고 당신은 이 방정식을 얻습니다. 그리고, 그래서 이전 슬라이드에서 아주 작은 확률을 보였던 4의 개수의 경우, |
| 본질적으로 1의 4승이 있습니다. |
| e를 마이너스 람다로 곱하면 기본적으로 37%가 됩니다. |
| 4개의 팩토리얼, 즉 24로 나누어 1.5% 정도의 작은 값이지만 0이 아닌 확률로 들립니다. |
| 그래서 첫 번째 가설로는 |
| 우리는 널리 광고되는 이 직업에 대해 전국적으로 분산된 잠재적 지원자 풀의 구성원이 조정되지 않은 방식으로 행동한다고 가정합니다. |
| 고용 기회와 관련하여 포아송 모델이 의미가 있을 수 있습니다. |
| 그래서 그것은 합리적인 초기 가설입니다. |
| 이제 그들이 상호 작용하면 어떨까요? |
| 그런 다음 이는 기본적으로 감마 분포를 혼합 분포로 사용하는 포아송 구성 요소인 감마-푸아송 소스 모델의 관점에서 생각할 수 있습니다. |
| 혹은 비율, 즉 평균비율이 일정한 평균비율이 아니라 시시각각 변하기 때문에 흐려진 포아송이라고 생각하시면 됩니다. |
| 그리고 이는 지원자들이 조화로운 방식으로 행동한다는 대립 가설 하에서 일어날 수 있습니다. |
| 취업 기회 등에 관해 서로 이야기하는 사람들의 네트워크가 있다면 이런 일이 일어날 수 있습니다. |
| 지금 여기는 |
| 감마-포아송을 생성하는 방법에 대한 슬라이드입니다. 이것은 기본적인 내용이지만 이러한 분포를 살펴보는 것이 도움이 될 수 있다고 생각합니다. |
| 그래서 저는 잠시 벗어나 JMP에서 간단한 데모를 해보겠습니다. |
| 여기 보이는 임의 감마 4-1은 매개변수가 4이고 스케일링 매개변수가 1인 임의 감마를 의미하므로 평균은 4입니다. |
| 분포를 보시면 됩니다. 여기에는 100,000개의 행이 있습니다. 슬라이드에서 본 것과 같은 곡선이 나타납니다. |
| 평균은 약 4인데, 이는 어떤 일을 여러 번 할 때 발생합니다. |
| 그것은 거의 정확히 예상되는 것과 같습니다. |
| 이제 해당 배포판을 가져와서 사용해 보세요. |
| 임의의 포아송에 대한 피드로 사용됩니다. |
| 그리고 당신은 이것을 얻습니다. |
| 얼룩이 졌기 때문에 이전의 푸아송처럼 보이지 않습니다. |
| 포아송 핏을 살펴보면 가장 적합한 핏을 찾을 수 있습니다. |
| 평균적으로 4번이 실제로 할 수 있는 전부입니다. |
| 감마-포아송보다 분산이 더 좁습니다. 예, 감마-포아송인지 확인하기 위해 |
| 저기 빨간색 선을 보세요. |
| 그리고 정말 정말 잘 맞습니다. |
| 거의 완벽합니다. |
| 그래서 본질적으로 이것은 다음과 같은 경우입니다. |
| 의사소통 과정에서 푸아송은 더 이상 최고의 모델이 아닙니다. |
| 방금 보여드린 사례는 이 쿼드 패널의 오른쪽 상단에 표시되어 있습니다. |
| 시그마는 2, 즉 과분산 매개변수 2와 같습니다. |
| 과분산 매개변수가 1인 경우 왼쪽 위의 시그마는 1과 같으며 이는 본질적으로 다시 포아송 분포와 동일합니다. |
| 그러나 과분산 매개변수가 증가함에 따라 혹과 꼬리가 뒤따르는 대신 붕괴 지수처럼 보이는 것으로 변합니다. 오른쪽 하단에 파란색으로 표시되어 있습니다. |
| 색상이 이전과 반대 방향으로 바뀌었기 때문에 혼동이 있으신 경우 죄송합니다. |
| 이제 실제 데이터가 있습니다. |
| 폭넓게 접근할 수 있는 초기 경력의 기계 공학 포스팅의 경우입니다. |
| 140개의 응용 프로그램을 사용하여 131개의 카운트를 생성하며 그 중 대부분은 0이므로 시간이 지남에 따라 131일로 분산됩니다. |
| Gamma-Poisson이 가장 적합하며 왼쪽 상단에서 볼 수 있습니다. |
| 저는 Akaike의 기준인 AIC를 사용하고 있습니다. |
| 미터법. |
| 왼쪽 하단에 보시면 |
| 경험이 풍부한 위치. 이제 숙련된 전문가들은 대학 진학 등과 같은 네트워크를 갖고 있지 않습니다. |
| 또는 대학 환경에서 볼 수 있는 다른 사람들과의 지속적인 몰입이 필요합니다. 이것은 아무것도 증명할 수는 없지만 일반적으로 경험이 풍부한 전문적인 응답을 통해 보다 고전적인 푸아송 행동을 볼 수 있는 이유를 합리화하는 방법일 뿐입니다. |
| 그리고 여기서 보여드리자면, 이는 지원자 수와도 상관관계가 있는 것 같습니다. 중요한 다른 요소는 다음과 같습니다. |
| 경력 단계. |
| 방금 언급했듯이 FLSA 상태(비면제)는 면제 직원이 아닌 기술자를 의미합니다. |
| 이러한 요소는 중요한 것 같지만 애플리케이션 수가 증가함에 따라 확실히 편향이 있으며 감마-포아송 분포가 발생할 가능성이 높아집니다. |
| 이제 분석을 위해 이 데이터가 어떻게 준비되는지 살펴보겠습니다. 직무별 지원일자 |
| 표로 작성된 설정 0 |
| 카운트가 없을 때. |
| 그런 다음 각 요구 사항에 대해 Poisson 및 Gamma-Poisson을 피팅하여 어느 것이 더 나은 AIC 값을 제공하는지 알아냅니다. |
| 동시에 요청 요약 테이블은 요청당 한 줄 또는 한 행으로 작성된 다음 이를 융합하여 포아송 및 감마-푸아송에 대한 매개변수를 제공할 뿐만 아니라 어느 것이 더 가능성이 높은지 알려주는 AIC 매개변수를 제공합니다. 더 잘 맞습니다. |
| 그리고 부분 집합 후에 포아송에 대한 요약과 감마-포아송에 대한 요약을 얻습니다. 왜냐하면 이것들을 함께 처리하기 어렵기 때문입니다. |
| 시그마 1로 감마-포아송을 사용할 수 있지만 인플레이션이 0이 되고 처리가 복잡해지기 때문에 대신 별도로 처리하겠습니다. |
| 어떤 하위 집합이 사용되든 프로세스는 매개변수 대 동인에 대한 선형 모델 적합성을 보여줍니다. |
| 매개변수는 모델에 의해 정규화됩니다. |
| 그런 다음 모든 운전자 조건에 걸쳐 공통 분포가 타당한지 확인합니다. 이 경우에는 본질적으로 사이트 위치, 초기 또는 후기 경력 등의 요청 컨텍스트입니다. |
| 동일한 분포에 속할 가능성이 있는 경우 공통 분포 모수 세트를 만들고 이를 전체 데이터 세트에 사용할 수 있습니다. |
| 그렇지 않으면 접근 방식이 실패하고 현 시점에서는 이를 처리할 수 있는 메커니즘이 없으므로 다행히 그런 일은 발생하지 않았지만 미래를 위해 생각해 볼 문제입니다. |
| 여기에 컨텍스트가 사이트와 관련이 있는 컨텍스트별 포아송 매개변수 분포가 있습니다. 초기 경력이든 후기 경력이든 확립된 경력이든 상관없습니다. |
| 그리고 그것이 어떤 분야의 실천인지도요. 이들 모두에는 광범위함을 의미하는 "B"가 있습니다. 내부 전용 구직 요청을 분석하는 것은 어렵고 기회가 훨씬 제한되어 있기 때문에 다른 것이므로 이 프레젠테이션에서는 단순히 광범위한 사례를 고수하겠습니다. |
| 당신이 볼 수 있는 것은 요청 컨텍스트에 따라 평균 차이가 매우 분명하게 다르다는 것입니다. 아니요, 동일한 분포에 속하지 않습니다. 쉽게 증명할 수 있습니다. |
| 더 작은 하위 집합, 즉 초기 청크인 사이트 A 초기 집합을 살펴보면 평균과 표준 편차가 지도 전체에 있다는 것이 더욱 분명해집니다. |
| 이제 여기서도 약간의 데모를 해보겠습니다. |
| 그래서 저는 이 데이터를 가지고 있습니다. |
| 자, 이것은 정말 간단한 모델입니다. 저는 포아송 매개변수 출력을 사용하고 요청 컨텍스트를 사용할 것입니다. 이는 다단계입니다. |
| 주관적 변수. |
| 그리고 이를 실행하면 대략 점 4의 R제곱이 있다는 것을 알 수 있습니다. 즉, |
| 그것은 중요하지 않습니다. 모델 핏이 정말 좋습니다. |
| 그리고 이 매개변수에 대한 적합성은 매우 좋습니다. 모든 분산을 포괄할 수는 없지만 그렇게 될 것이라고 기대하지는 않기 때문에 괜찮습니다. 단지 이것이 하는 일에 대한 꽤 좋은 모델이라는 뜻일 뿐입니다. |
| 순전히 표로 작성할 수도 있지만 작업하기 쉽고 이 적합에서 얼마나 많은 가변성이 처리되는지 알 수 있기 때문에 이 접근 방식을 좋아합니다. |
| 여기로 가서 볼 수 있습니다. |
| 실제는 예측에 의한 것이고, 보시다시피 훌륭한 모델은 아니지만 목적에 부합합니다. |
| 그리고 당신이 할 수 있는 또 다른 일은 예측 공식을 저장하는 것입니다. |
| 여기 보시다시피요. |
| 이미 이 작업을 수행했기 때문에 자동으로 구독됩니다. |
| 이것이 의미하는 바는 본질적으로 단지 |
| 상수 |
| 요청 컨텍스트에 따른 오프셋도 추가됩니다. |
| 로켓 수술은 필요하지 않습니다. |
| 하지만 이제 정규화를 수행하려면 |
| 열을 추가하세요. |
| 이 전화 |
| Norm Poisson 다시 말씀드리지만 저는 이것을 만들 목적으로 이미 한 번 해본 적이 있습니다. |
| 우선 테이블. |
| 푸아송을 찾아보세요. 내 포아송 매개변수가 있습니다. 그것을 다음과 같이 나눕니다. |
| 모델핏. |
| 그것은 실제로 작동하기로 되어 있었습니다. |
| 여기서 무슨 일이 일어나고 있는지 잘 모르겠습니다. |
| 좋습니다. 데모를 라이브로 진행하지 않는 것이 규칙이지만 이는 과거에도 항상 효과가 있었고 무슨 일이 일어나고 있는지 잘 모르겠습니다. |
| 내 포아송 매개변수가 있습니다. |
| 내 예측 공식이 있습니다. |
| 오. 절대로 무언가를 나누려고 해서는 안 됩니다. |
| 그 자체. 그것이 작동하지 않는 이유입니다. |
| 지금은 고집스럽습니다. |
| 좋아요. |
| 때로는 미묘한 것이 중요합니다. 그래서 여기에 정규화된 포아송이 있습니다. |
| 그리고 그것에 대해 흥미로운 점은 |
| 이것을 맞출 수 있습니다. |
| 그리고 사용 가능한 병을 보면 Johnson SL이 가장 잘 맞고 꽤 잘 작동한다는 것을 알 수 있습니다. |
| 그리고 당신도 할 수 있습니다 |
| Y를 X로 맞추세요. |
| 이 출력을 가져옵니다. |
| 요청 상황에 맞게 조정됩니다. |
| 그리고 이 Oneway 플롯을 얻으세요. |
| 이전에 보여드린 것보다 훨씬 더 규칙적으로 보입니다. 이들이 동일한 분포를 갖는다는 것이 훨씬 더 그럴듯합니다. 더 많은 데이터가 있는 항목에서는 더 큰 범위가 표시되지만 그렇지 않습니다. |
| 그건 별로 놀라운 일이 아닙니다. |
| 그리고 불평등 분산 테스트를 보면 분산이 동일하지 않다는 징후가 없다는 것을 알 수 있습니다. |
| 이것이 그렇지 않다는 증거는 아니지만 동일한 분포를 가지고 있다고 가정한 모델을 사용하는 것이 합리적이라는 것을 말하는 방법입니다. |
| 그래서. |
| 이것으로 돌아갑니다. |
| 아, 나는 또한 각 상황과 나머지 모든 상황에 대해 Kolmogorov-Smirnov 테스트를 수행했는데, 78개 사례 중 단 하나만 p-값이 .05 미만인 것으로 나타났습니다. |
| P-값은 아무것도 증명하지 못하지만, 이것이 나타내는 것은 동일한 분포에서 나오는 이들을 처리하는 것이 합리적이라는 것입니다. |
| 그리고 여기 바로 직전의 작은 하위 집합에 대한 확대 버전이 있습니다. 하지만 이것이 그럴듯하다는 것을 알 수 있습니다. 증거는 아니지만 그럴듯합니다. |
| 그리고 적합성 테스트의 장점으로 |
| 다시 말하지만, 그것은 합리적인 것 같습니다 |
| Johnson SL은 이 데이터 세트에 대한 정규화된 포아송 매개변수 분포인 포아송 매개변수 분포를 설명하기 위해 여기에서 사용하는 합리적인 모델입니다. |
| Gamma-Poisson 및 해당 데이터 하위 집합과 동등한 매개변수인 Lambda 매개변수에 대해서도 동일한 작업을 수행할 수 있습니다. |
| 그리고 다시 한번 그것은 효과가 있습니다. |
| 시그마 매개변수를 수행할 때 시그마는 1의 기준선에 있기 때문에 실제로 시그마 빼기 1을 사용합니다. |
| 그리고 여기 모델은 품질이 훨씬 낮지만, |
| Lambda는 Sigma와 상관관계가 있으므로 별도의 모델링 단계가 필요하므로 그 안에서 해당 효과를 모델링할 수 있기를 원합니다. |
| 다시 말하지만, 당신은 괜찮은 핏을 얻습니다. |
| 이 경우에는 Johnson Su입니다. |
| 그래서 여기에 무슨 일이 일어나고 있는지가 있습니다. 합성 무작위 분포 매개변수를 생성합니다. |
| 데이터 하위 집합에서 컨텍스트를 기반으로 선형 모델을 생성합니다. |
| 매개변수 분포를 정규화하고 이를 공통 매개변수 연속 모델에 맞춥니다. |
| 그런 다음 합성 매개변수를 생성하려면 정규화된 매개변수 분포에서 난수를 얻고 여기에 적절한 선형 모델 결과를 곱합니다. 즉, 이를 "비정규화"합니다. |
| 이제 합성 무작위 모델 매개변수를 평가하면서 KS 테스트를 다시 사용했는데 실제로 구분할 수 있는 방법이 없다는 것을 알 수 있으므로 적어도 이는 믿을만해 보인다고 말하는 방법입니다. |
| 실제 사례와 비교. |
| 그리고 합성모델도 만들었습니다. |
| 이를 함수로 변환하여 호출 가능한 함수가 될 수 있도록 했습니다. JSL에서는 JMP 스크립팅 언어에서 호출 가능한 함수입니다. |
| 컨텍스트를 입력으로 사용하여 모든 다양한 컨텍스트 기능을 사용하여 무작위 작업 요청에 대한 매개변수를 생성합니다. |
| 이제 모든 세부 사항을 다루지는 않겠지만 중요한 점은 합성 무작위 매개 변수 쌍을 사용하여 시각화를 생성할 수 있다는 것입니다. 이를 통해 이 열 지도에서 사물이 일반적으로 어디에 있는지뿐만 아니라 |
| 이상치에 대한 일종의 아이디어입니다. 무엇이 그럴듯한 이상치이고 그것이 실제로 얼마나 멀리 가는지 말이죠. |
| 그리고 Lambda와 Sigma 사이의 상관관계를 분석하면 알 수 있습니다. |
| 합성 람다와 합성 시그마 사이는 거의 동일합니다. |
| 그 관계를 합리적으로 밀접하게 모델링하고 있습니다. |
| 그리고 실제 데이터를 넣어서 보면, |
| 이는 메인 그래프의 작은 검은 점입니다. |
| 합성 밀도의 98%는 십자형 해치로 표시된 붉은 영역에 있으며, 이 영역은 주위에 녹색 사각형이 있는 중간 삽입물입니다. |
| 모든 데이터 포인트는 43개이며, |
| 거기 떨어지세요. |
| 그래서. |
| 이것은 다시 합성이 실제로 일어나는 일을 합리적으로 잘 모델링한 것입니다. 그것은 믿을만하지만 다른 몇 퍼센트의 경우에 어떤 일이 일어날 수 있는지 보여줍니다. |
| 제가 모델링을 한 것은 여기까지입니다. 하지만 여러분이 볼 수 있는 것은 컨텍스트를 사용할 수 있다는 것입니다. 금액과 같은 다른 변수를 사용할 수 있습니다. |
| 채용 공고의 언어에 특이성이 적용되어 자격을 갖춘 사람의 수가 줄어들고 일부 사람들은 겁을 먹을 수도 있습니다. |
| 언어가 만들어지는 방식을 볼 수 있습니다. 요즘 사람들은 HR 도구를 사용하여 더 수용 가능한 언어를 만들고 있습니다. 시간이 지남에 따라 얻는 것과 여러 구직 요청에 따라 얼마나 많은 차이가 나는지 확인할 수 있습니다. |
| 이를 모델의 요소로 처리한 다음 이를 통해 적용 방법을 조정할 수 있습니다. |
| 필요한 사항에 따라 구매요청을 생성하는 데 이러한 기능이 사용됩니다. |
| 하지만 이제 저는 전환해 보겠습니다. 좋아요, 이것은 다시 어떻게 생겼나요? 다시 기본 원칙으로, 주당 7개를 사용하는 푸아송의 경우 30%의 경우 개수는 5개 이하가 됩니다. |
| 따라서 그 중 하나는 애플리케이션 수가 필요하다고 예상해야 한다는 것입니다. |
| 합리적으로 경쟁력 있는 고용 선택을 얻는 데 필요한 시간은 다양할 것입니다. 왜냐하면 평균 7명이라도 얻는 숫자가 상당히 다를 것이기 때문입니다. |
| 포아송의 분산은 모수와 동일하므로 광범위한 변화를 얻습니다. |
| 따라서 장기 평균을 기준으로 생각하는 데 익숙하다면 |
| 또는 다른 케이스에 의해 고정되어 특정 인스턴스에 의해 중단될 수 있습니다. |
| 그리고 문제는 이러한 패턴 인식 편향입니다. |
| 군집 환상은 작은 표본에 필연적으로 나타나는 줄무늬나 군집이 무작위가 아닌 효과가 발생하고 있음을 의미하며 그에 대한 일종의 의도가 있다고 생각하는 경향입니다. |
| 그리고 RD Clarke가 1946년 독일 V-폭탄 분석을 통해 발견한 것처럼 이는 포아송 분포 데이터와는 분명히 관련이 없습니다. |
| 런던 지역에 떨어지는 사이트. |
| 사람들은 그룹화가 발생하는 것을 보고 그것이 의미가 있다고 생각하겠지만 그는 그 과정을 포아송으로 봄으로써 꽤 만족스러웠다는 것을 보여줄 수 있었습니다. |
| 분산되어 있다는 것은 어쨌든 가끔씩, 확실히 본 만큼 자주 클러스터를 얻게 될 것임을 의미합니다. |
| 그래서 그것은 실제로 무슨 일이 일어나고 있는지를 의미했습니다. 그들이 특별한 것을 목표로 삼았다는 것이 아니라 일반적으로 런던을 목표로 삼았고 일반적으로 런던 어딘가에 도달했다는 것입니다. |
| 이 경우 일자리를 살펴보면 3주에 걸쳐 일련의 순서를 얻을 가능성이 있으며, 숫자가 감소하거나 증가하는 경우는 약 12%입니다. |
| 이 예에서 감소하는 2주 수, 즉 한 주가 다른 주보다 클 가능성은 45%입니다. |
| 이것은 정말 짧은 패턴입니다. 아무런 의미가 없다고 생각하면 안 되지만, 통계의 본질을 모르는 사람들이 그렇게 생각할 수도 있습니다. 이것이 바로 핵심입니다. 그리고 그것은 과잉 반응으로 이어질 수 있습니다. |
| 이제 실무 분야에 따른 변동성은 대략 10배 정도입니다. |
| 일부 분야는 다른 분야보다 출처를 밝히기가 어렵기 때문에 이러한 차이점을 이해하지 못하면 사람들의 기대가 왜곡될 수 있습니다. |
| 그리고 업무 분야뿐만 아니라 일반적인 청구서를 살펴보면 95%에서 약 25배 정도의 차이를 볼 수 있습니다. |
| 범위는 2.5%에서 최대 97.5%까지입니다. 아직은 변동폭이 크네요 |
| 요금에. |
| 그리고 게시물의 언어가 어떻게 만들어졌는지, 얼마나 좁게, 얼마나 일반적으로 이것이 영향을 받는지 이해했다면 |
| 언어가 매력을 느끼는 것, 이 모든 요소를 광고하는 것, |
| 그러면 얼마인지 결정할 수 있어요 |
| 당신은 그 비율을 더 높이고 프로세스를 더 빨리 완료하기를 원합니다. |
| 앞서 말씀드린 시뮬레이션 모델을 사용한 특정 채용 공고 사례는 다음과 같습니다. |
| 사이트 A 및 실무 분야 9에 확립된 전문가입니다. 다시 말하지만 이것은 모두 독점적인 것이므로 그것이 무엇인지는 공개되지 않습니다. 그것은 단지 특별한 종류의 전문가일 뿐입니다. |
| 당신은 다음과 같이 매우 광범위한 차이점을 얻습니다. |
| 95% 신뢰도에서 0과 9 사이, 중앙값은 2입니다. |
| 이것은 사람들을 혼란에 빠뜨릴 수 있습니다. 이 작은 숫자의 통계는 사람들을 혼란에 빠뜨릴 수 있습니다. 왜냐하면 그들은 상황이 더 규칙적일 것이라고 기대하기 때문입니다. |
| 모델과 접근 방식에는 한계가 있습니다. |
| 항상 데이터, 즉 데이터의 품질이 중요합니다. 짧은 기간 동안 데이터를 수집한 경우 희귀한 기술 세트를 사용하여 자주 채용되지 않는 필드는 데이터 세트에서 본질적으로 누락될 가능성이 높습니다. |
| 그러나 반면에 통제할 수 없는 많은 외부 변수는 |
| 아마도 |
| 이러한 분석의 기초로 긴 기간을 사용하는 경우 데이터 수집 기간 동안 변경됩니다. |
| 그리고 모델링 접근 방식은 자기잠식을 고려하지 않습니다. 한 필드에 두 개의 요청이 열려 있고 지원자가 두 가지 모두에 지원합니까, 아니면 하나만 선택합니까? 어쩌면 그들이 가장 좋은 기회라고 생각하는 것을 선택할 수도 있습니다. |
| 이 모델은 이에 대해 아무 것도 하지 않지만 단지 무슨 일이 일어나는지 포착함으로써 실제 결과를 나타냅니다. |
| 하지만 놓친 기회의 범위를 나타내지는 않습니다. 왜냐하면 그들이 적합한 위치를 확인하기 위해 자격을 얻을 수 있는 모든 기회에 적용하기를 원하기 때문입니다. |
| 그래서 결론. 채용 공고에 대한 일부 채용 지원 응답은 포아송(Poisson) 또는 감마-포아송(Gamma-Poisson)으로 분포되는 경향이 있습니다. |
| 그리고 이는 총 2,500건의 요청으로 구성된 대규모 데이터 세트를 통해 확인되었습니다. |
| 애플리케이션 응답의 분포 매개변수는 상당히 다양합니다. |
| 정규화된 경우 |
| 공통 프로파일에 적합할 수 있습니다. |
| 그리고 공통 프로파일로부터 생성된 간결한 모델은 합성 무작위 요청 모델의 생성을 용이하게 합니다. |
| 이를 통해 사람은 특정 범위 지정이나 분석을 수행할 수 있습니다. |
| 가능성 |
| 다른 상황에서. |
| 애플리케이션 도착 모델은 고용 관리자와 채용 전문가에게 이러한 패턴 편견에 대한 관점을 제공하기 때문에 전체 직원 라이프사이클을 이해하는 데 중요한 격차를 메울 수 있다는 점을 언급하는 것이 중요하다고 생각합니다. |
| 현실적인 방식으로 지원자를 생성하려는 경우 개별 이벤트 또는 에이전트 기반 모델에서 지원자를 생성하는 방법으로 사용할 수 있습니다. |
| 그리고 |
| 아마도 가장 중요한 것은 경제적 관점에서 |
| 이는 지원자당 비용과 직무 특성, 기타 조정 가능하고 제어할 수 없는 외부 요인을 기준으로 구성하는 방법입니다. |
| 그러면 얼마나 빨리 물건이 채워질 수 있는지, 빈자리가 얼마나 빨리 채워질 수 있는지, 그리고 그렇게 하는 데 드는 비용이 얼마나 되는지에 관해 더 잘 이해할 수 있을 것입니다. |
| 광고 등과의 관계에 따라 다릅니다. |
| 오늘 제가 발표하려고 했던 내용은 이것으로 마치겠습니다. |
| 질문이 있으시면 여기에서 연락처 정보를 얻으시면 될 것 같아요 |
| 영상이나 영상이 어디에 있는지, 언제든지 연락주세요. |
| 크리스티 스페인 | 좋아요, 정말 좋았어요. |
| 네, 제가 DEMO를 망쳐서 작동하지 않았던 부분만 빼고요. |
| 하지만 그건 좋은 일이었고, 안전했고, 좋은 SAVE였습니다. 나는 마침내 내가 무엇을 하고 있는지 깨달았습니다. |
| 네, JMP는 여러분이 아무리 원하더라도 어리석은 짓은 하지 않을 것입니다. |
