398673_zh-CN

liliconcom

人才获取模拟与管理的就业申请到达模型 (2021-US-30MP-816)

级别：中级

 

Thor Osborn，桑迪亚国家实验室首席系统研究分析师

 

人才获取是人才管理周期的关键要素。就业申请到达是一个随机过程，它对随后的审查、决策和谈判步骤造成了限制和延迟，这些步骤是雇用和入职人才所必需的。对此过程的分析理解可能有助于指导职位发布的内容和招聘经理的期望，以及模拟从发布工作申请到入职的流程和时间安排。本演示文稿表明，应用程序到达行为可以使用一组 Gamma-Poisson 分布进行有效建模，这些分布具有与工作地点、实践领域和职业阶段相关的平均速率和过度分散参数分布，使用来自大型研究组织的应用程序数据收集了几个年。 

 

 

自动生成的成绩单...

 

扬声器	成绩单
克里斯蒂西班牙	下午好。
	你好，你今天好吗。
	我很好，你好吗。
克里斯蒂西班牙	好的谢谢。
	你在哪里雷神。
	是的克里斯蒂西班牙。
	和新墨西哥州的阿尔伯克基。
克里斯蒂西班牙	这就是我的想法。
	得到了权利。
克里斯蒂西班牙	三位数在那里。
	不是现在。
	好的，我们有一个。
	飓风从天而降。
	球猪会把温度降下来。
克里斯蒂西班牙	好的，那个叫什么名字。
	我不知道通常不会发生很多事情，而且我也不太注意。
	出色地。
克里斯蒂西班牙	我是我有点让我措手不及，但你知道那是打高尔夫球的，他们昨天非常艰难，所以这里的每个人都在加油，因为管道现在已经关闭。
	所以你在哪里。
克里斯蒂西班牙	我在卡里北卡罗来纳州总部，是的。
	嗯，让我们看看你做了吗，你去年为我们做了什么录音吗？
	我去年自己做的。
	可能是我们这样做的原因之一。
	这次。
	哦。
克里斯蒂西班牙	那很好笑。
	嗯，让我看看，我有一个小清单让我打开它，就像实际上关闭太多东西时一样。
	我试图清除所有内容，所以我没有收到任何弹出窗口，您是否关闭了所有应用程序和。
	我还没有，我也有一个问题。
	当然嗯。
	它说我应该在录制之前上传东西，但我不能，因为我没有链接。
克里斯蒂西班牙	我上传的是什么什么东西。
	和演示材料。
克里斯蒂西班牙	好的，我会找出那个链接是给你的。
	所以我回去翻阅我的旧电子邮件我找不到它我想很好。
	我是。
	没什么大不了的，但是。
克里斯蒂西班牙	不过，我们绝对应该能够继续录制。
	好的是的。
克里斯蒂西班牙	让我找到一个小清单，但该清单的一部分正在您的应用程序中关闭。
	我会去做的。
	您不需要 Microsoft 团队。
克里斯蒂西班牙	你的衬衫上没有任何标志，所以这很好。
	没有标志。
	可能现在也不需要。
克里斯蒂西班牙	我不知道如何不打扰团队。
	球队很好。
	关于现代的事情之一。
	技术是人们不再给你指示，他们给你这个东西，你应该弄清楚。
克里斯蒂西班牙	好吧，我输入了帮助部分 D 和 D，它的行为就像我在寻找任何消息或类似的东西，我的好吧，或者我把它关闭了也没关系。
	可以，然后呢。
	我打开了一些应用程序，但是。
	看看那个寄生小队的事。
克里斯蒂西班牙	我们很好。
	好吧，他们把它放在这个隐藏的小菜单中，这样它就和 Skype 一样仍然存在，因为无论如何他们都希望能够与您联系。
克里斯蒂西班牙	你知道我认为也许我们应该让你接受其中的一个背景。
	它说没有侵犯版权，但是您知道那里有很多书，所以也许。
	哦，好吧，我这里确实有书，我认为这没什么大不了的，因为你不能真正阅读它们，但没关系。
克里斯蒂西班牙	我不知道我会讨厌。
	必须给你回电话，说我会放手的。
	是的，我不想做两次。
	不。
	我的意思是我确信这会很有趣，但我不想再这样做了。
	我只是摆脱团队。
	他们是所有的球队都走了。
	好的，所以这些背景，我对此有所了解。
	我必须回到前景。
克里斯蒂西班牙	或者你可以，也许我们会。
	看，我从来没有用过它们。
	A 真正从未使用过它们。
	是的，因为他们分析模糊。
	是的。
	你知道，每当你做东西移动时，我看到人们使用它们并且东西模糊，他们看到他们房间里的所有垃圾。
	从此见。
	坦尼亚。
	tanya 这么新的症状。
	我们就这样吧。
	这些是社交图块，您知道什么是社交图块。
	虚拟背景如此蓝色散点图。
	我就这么做。
	来吧。
	所以现在的问题是我该怎么做。
	使用它们。
	让我们来看看。
克里斯蒂西班牙	我以为它会在小三个点下，但事实并非如此。
	好吧，我不清楚鸭子在哪里。
	你在哪里找到点。
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。
	而所有这些还有更多。
	那是我在后台看不到任何改变的选项，那里。
	也不行。
克里斯蒂西班牙	我们在这么多不同的地方来回走动。
	这里的工具很难。
	让我们快速搜索一下。
	光滑的相机下的虚拟背景。
	哦。
	所以。
	然后你必须知道虚拟背景在哪里，因为他们没有说。
	您应该使用哪一个或类似的东西，不，不，不。
克里斯蒂西班牙	哦，看起来不错。
	哦，太好了，因为我不确定我是否还能做很多其他事情，所以现在我们有了背景，如果我移动很多，那效果很好，实际上只是有点搞砸了。
克里斯蒂西班牙	和
	你自动有你的任务栏。
	让我们看看我该怎么做。
克里斯蒂西班牙	您转到任务栏并右键单击。
	是的，在一个什么都没有的地方。
	不。
	问题是我的任务栏已完全订阅。
克里斯蒂西班牙	我的也没有隐藏，我也不知道为什么。
	是吗。
	任务栏设置我们去。
	这是星期一自动隐藏桌面模式下的测试测试栏。
	上。
	好的，所以现在它似乎是自动隐藏的，除了它没有隐藏。
克里斯蒂西班牙	好吧，如果你向上滚动它就会消失。
	所以只有出现了if。
	我有一些活动很好。
克里斯蒂西班牙	然后你的声音很棒。
	和
克里斯蒂西班牙	我会你想练习分享，所以我们可以检查你的分辨率，以及所有这些。
	好吧，走着瞧。
	肯定会出现问题的特定事物。
	为了分享屏幕，我将展示你的样子。
克里斯蒂西班牙	好吧，您可以继续分享您的内容。
	是的，但我想在幻灯片和 JMP 应用程序之间来回切换，所以我希望能够显示。
	我的屏幕。
	所以不知何故我结束了。
	有了屏幕，我把你带到了这里的一个小窗口中。
克里斯蒂西班牙	在顶部，您可以查看并将其更改为并排，或者这就是我所拥有的。
	关掉我的相机，因为无论如何没人想看到我。
	今天都是关于你的。
	显示小型活动扬声器视频缩略图视频。
	好的，这表明你。
	它向我们俩展示了这显示了一个网格。
	这使得整个事情变得非常小。
	而我再也看不到自己了。
	但我可以移动这个东西。
克里斯蒂西班牙	好吧，我可以看到你对你的 PowerPoint 感到难过。
	好吧，这是我让我的 PowerPoint 进入常规写作模式的一个问题。
	但是，如果我进入演示视图。
	它变得更大，但我必须不断地在那个和另一个视图之间来回切换。
	做视频的时候。
	您是要研究相关的部分，还是要在屏幕上显示正在发生的任何事情。
克里斯蒂西班牙	是的，我们只是要展示任何东西。
	因此，大多数人都会使用演示模式，然后，如果您需要摆脱这种模式并拉起您的 JMP 屏幕，您可以这样做。
	回去是否有意义，如果我们最终看到你知道你的一些。
	是的，看起来很棒。
	好的，我想这就是我们要做的，我会逃出去，必要时去 JMP。
克里斯蒂西班牙	您想快速尝试一下吗，这样我们可以确保它的尺寸合适。
	是的。
克里斯蒂西班牙	看起来很棒。
	好的。
	所以是可见的。
克里斯蒂西班牙	好的，所以现在，我需要。
	请确认您的姓名公司和摘要标题。
	名字是雷神奥斯本。 公司是桑迪亚国家实验室。
	摘要标题应为人才获取模拟与管理的就业申请到达模型。
克里斯蒂西班牙	完美的。 然后你就会明白这是为了在探索峰会上使用而被记录下来的。
	JMP 会议，并将在 JMP 用户社区中公开发布。 您是否允许使用和录制？
	谢谢你。
克里斯蒂西班牙	我想我们已经准备好了，托尔，所以我要让自己静音
	只要你准备好了，你就可以去。 目标是直接通过。 除非发生灾难性的事情，否则我不会说什么或阻止你。 那个怎么样？
	好的，目标是直接通过，我应该有多久？
克里斯蒂西班牙	30分钟。
	好的，现在我认为你有一点回旋余地，因为他们喜欢在播放结束时留出时间进行问答，所以如果稍微超出一点也没关系。
	好的，现在，在我们去之前有一个小窗口，上面写着说话和谁在说话。
	因为他们把小视频缩小了。
	好的，我的屏幕是否显示演示视图，或者它是否显示，右下角有这个小插页。
克里斯蒂西班牙	我看到的只是演示视图。
	好的，所以他们以某种方式浮动这个。
克里斯蒂西班牙	这一定很烦人。
	没关系，只要它不妨碍我的意思是我不会在下面放任何东西。
克里斯蒂西班牙	没关系。
	是的。
	好的。
克里斯蒂西班牙	好的，我会继续静音，然后你就准备好了。
	好的。
	所以，我的名字是托尔奥斯本。 我在桑迪亚国家实验室担任首席系统研究分析师。
	我今天的演讲是人才获取模拟和管理的就业申请到达模型。
	我希望你喜欢它。
	我在这里有三个基本目标。 一种是为您为什么要模拟就业申请到达时间做出商业案例。 另一个是展示使用此类数据创建简洁、广泛适用的模型的简单过程。
	然后，我将根据来自大型研究机构的数据演示该过程，并简要说明您可以用它做什么。
	从技术上讲，我会重新理解数据，因为我认为这种数据对大多数人来说有点不寻常。
	源模型，本质上，这是一个源模型
	分析，所以我将讨论 Poisson 和 Gamma-Poisson 模型。
	我将进行一些分析和一些转换，以使其更易于使用，然后简要介绍如何制作模型。
	因此，就动机而言，存在三个基本的动机领域。 一是完善人才获取流程和业务功能。
	另一个是提高对领导公司的高管的理解，第三个是帮助建立对招聘经理的期望。
	我将从人才获取开始。 雇用率和滞后取决于人才招聘管道中通过审查阶段的流程。 但关键是，你必须有足够的就业申请，然后你才能去任何地方。
	费率和模式因领域、发布的帖子的特殊性、竞争、您的广告量等因素而有很大差异。
	应用程序到达的通用数学框架可以更好地理解交易空间以提高应用程序捕获率，
	以及其他事情。 一些关键关系应用程序捕获率和方差与就业环境、工作地点、职业水平、实践领域。
	捕获率对可调整变量广告职位发布特异性、发布语言的影响——我并不是指英语与西班牙语，而是指事物的框架方式。
	并有针对性的招聘工作。 然后是外部因素的捕获率影响，例如经济状况，实践领域的竞争，
	您在招聘领域内真正接触到的专业人群有多大。
	我认为重要的是要认识到人才获取面临着您在项目或计划执行中经常看到的典型限制——时间、质量和成本。
	收集申请需要时间。 你想获得高质量的申请者。 这需要花钱，而且你尝试的越快，花费的就越多。
	所以这里有取舍。
	高管们经常通过劳动力计划参与这个过程，这是一个包罗万象的术语，但基本上，你知道说的是年度计划。
	但在缺乏相关模型和对事物成本的反馈的情况下，对典型约束和人员配置预算或流程分配的考虑可能是主观的或缺失的。
	我的意思是在高管层面，人力资源通常被视为简单的必要成本，但不一定是推动公司前进的杠杆。 部分由于缺乏信息，因此提供信息可能是改善这种情况的一种方式。
	此外，招聘经理的期望。
	基本上我们正在处理少量的统计数据，少量的应用程序。
	人类真的很容易受到模式偏见的影响，而且大多数招聘经理并不是每周都招聘人，所以他们不习惯在很长一段时间内从很多不同的案例的角度来看待这个问题。
	这可能会导致他们陷入他们所面临的最后一种情况，这可能会导致模式偏差，他们会查看从一周到下一周的申请人数量，并认为这必须意味着他们已经接触到了所有感兴趣的人。
	这些对偏见的直观反应可能导致过度反应的问题，因为与少量统计数据一样，如果您不在这种情况下接受错误信息，就会得到错误信息。
	所以有点关于数据。 到达数据与特定的工作申请相关联。 因此，您有一份工作申请，有一个针对该申请的发布，以及由于发布而到达的应用程序。
	它们以多种方式表征站点位置；职业阶段；
	可见性，它的可见范围有多广；
	实践领域，你在做什么；
	以及在这些领域内可能非常广泛或非常狭窄的具体要求。
	并且可以在可以访问职位发布的时间窗口内提交申请，因此通常有一个定义的时间范围。
	他们按日期跟踪。
	现在，在这种情况下，稍后使用真实数据进行分析，我必须使用上次提交申请的日期作为发布截止日期，但这不一定是真的。 但是，正如真实数据中经常发生的那样，我们并没有我们想要的所有数据。
	最后我会说
	您正在计算每天的申请数量。 当您在一天内看到零个应用程序时，那就是零计数。
	因此，考虑到一个全国性的潜在求职者库，
	雇主向世界发布信息。
	国家潜在申请人库中的一些人提出申请。
	人们普遍认为，相对于能够做到的人总数而言，这将是少数。
	所以你有这个庞大的申请人池。 它是一个源和对该源的任何应用程序或轻微扰动。
	而且，为了非常明确，这对于习惯于处理泊松数学的人来说可能很无聊，但是
	如果您在第一天看到一个应用程序到达，那就是计数为 1 的一个实例。 第二天没有申请到达。 这是一个计数为零的实例。 以此类推，在最右边，您会看到三个零实例、三个一实例、一个二和一个三。
	这可以拟合，虽然它不是很多数据，但它可以与泊松模型拟合，你会看到右下角的蓝线。
	因此，平均每天一个应用程序到达的速度，但每天的实际数量会因分布而异。 就是这样。
	因此，泊松分布可用于描述通过随机发射离散项目源在单位时间内产生的计数的概率，这些离散项目在单位时间内具有一定的平均发射率 Lambda。
	你得到这个等式。 并且，在计数为 4 的情况下，在上一张幻灯片中显示的概率非常小，
	你基本上有一个到第四个。
	乘以 e 到负 Lambda，所以基本上是 37%
	除以 4 阶乘，即 24，因此大约为 1.5%，其概率很小但非零。
	所以，作为第一个假设
	我们假设全国分布的潜在申请人群体中的成员以不协调的方式行事
	关于就业机会，因此泊松模型是有意义的。
	所以这是一个合理的初始假设。
	现在，如果他们确实互动怎么办。
	然后，可以根据 Gamma-Poisson 源模型来设想，该模型本质上是使用 Gamma 分布作为混合分布的 Poisson 分量。
	或者你可以把它想象成一个模糊的泊松，因为速率，平均速率，不是一个恒定的平均速率，而是从一个时刻到下一个时刻发生变化。
	这可能发生在另一种假设下，即申请人以协调的方式行事，
	如果人们在网络上互相谈论工作机会等等，就会发生这种情况。
	现在这里是
	关于如何生成 Gamma-Poisson 的幻灯片。 这是基本的东西，但我发现查看这些分布可能会有所帮助。
	所以我要突破并在JMP中做一个小DEMO。
	现在你在这里看到的，随机 Gamma 四一，只是表示随机 Gamma 的参数为 4，缩放参数为 1，所以平均值为 4。
	你看分布。 这里有 100,000 行；你会得到一条曲线，就像你在幻灯片上看到的那样。
	平均大约是四，当你做很多次的时候会发生这种情况。
	这几乎正是它应该是的。
	现在，采用该发行版并使用它
	作为随机泊松的饲料。
	你明白了。
	这看起来不像以前的泊松，因为它已经被抹掉了。
	如果您查看泊松拟合，您会发现最佳拟合
	平均四个，这是它真正能做的，
	具有比 Gamma-Poisson 更窄的色散，只是为了验证是的，它是 Gamma-Poisson，
	看看那里的红线。
	它非常非常适合。
	几乎完美。
	所以，基本上，这是，这是一个经历过的案例
	沟通过程中，如果你愿意的话，泊松不再是最好的模型了。
	我刚刚展示的案例显示在此四边形面板的右上角。
	Sigma 等于 2，即 2 的过度色散参数。
	如果您的过度分散参数为 1，Sigma 等于 1，在左上角，那么这与泊松分布基本上相同。
	但随着过度分散参数的增加，从一个驼峰后面跟着一个尾巴，而不是看起来更像一个衰减指数的东西。 你会看到右下角的蓝色，
	这里的颜色与之前的颜色相反，所以如果对此有混淆，对不起。
	现在这里有真实数据。
	因此，广泛使用的早期职业机械工程职位的情况。
	140 个应用程序创建了 131 个计数，其中许多计数为零，所以这会随着时间的推移而展开 - 一百三十一天。
	Gamma-Poisson 最适合，您可以在左上角看到。
	我正在使用 Akaike 的标准，AIC
	公制。
	在左下角，你会看到
	有经验的职位。 现在，有经验的专业人士没有大学安置人员等人脉网络。
	或者一定是你在大学环境中看到的与其他人的持续沉浸。 这并不能证明任何事情，而只是一种合理化的方式，也许这就是为什么您会看到更经典的泊松行为通常具有经验丰富的专业反应。
	只是在这里展示，它似乎也与应用程序的数量相关。 其他重要的因素似乎是
	职业阶段。
	正如我刚刚提到的 FLSA 状态（非豁免）意味着技术专家而不是豁免员工。
	这些因素似乎很重要，但随着应用程序数量的增加，肯定存在偏差，更有可能是 Gamma-Poisson 分布的。
	现在，如何准备这些数据以供分析。 按工作要求的申请日期。
	列表设置零
	当没有计数。
	然后为每个 req 拟合 Poisson 和 Gamma-Poisson 以找出哪个给你更好的 AIC 值。
	同时，每个申请单用一行或一行制作申请汇总表，然后将它们融合在一起，给出泊松和伽马-泊松参数，以及告诉你哪一个更有可能的 AIC 参数更合适。
	在子集化之后你会得到 Poisson 的摘要和 Gamma-Poisson 的摘要，因为它们很难一起处理。
	您可以使用 sigma 为 1 的 Gamma-Poisson，但最终会得到零通货膨胀，并且处理起来变得复杂，因此我只是将它们分开处理。
	无论使用哪个子集，该过程都将显示参数与驱动因素的拟合线性模型。
	该参数由模型标准化。
	然后我会查看在所有驱动条件下是否有一个共同的分布是合理的，在这种情况下，基本上是站点位置、职业生涯早期或晚期等的征用环境。
	如果它们可能属于同一分布，则可以创建一个公共分布参数集并将其用于整个数据集。
	否则，该方法将失败，此时我还没有处理它的机制，所以很幸运这没有发生，但这是未来需要考虑的事情。
	所以这里有一些按上下文的泊松参数分布，上下文与站点有关，无论是早期还是晚期职业，或者你可以说，
	以及是否是，好吧，哪个实践领域。 其中每一个都有一个“B”，意思是广泛的，因为分析内部唯一的工作申请是一件困难的、不同的事情，机会更加有限，所以我在这个演示文稿中只坚持广泛的案例。
	您可以看到平均方差因申请上下文而明显不同，不，它们不属于同一分布。 你可以很容易地证明这一点。
	查看一个较小的子集，仅是初始块，即站点 A 早期集，更明显的是均值和标准差遍布整个地图。
	现在在这里我也要做一个小演示。
	所以我有这个数据。
	现在，这是一个非常简单的模型。 我要取泊松参数输出，我要使用requisition context，也就是这个多级
	主观变量。
	运行它，你会看到 R 方大约是第四点。 这意味着
	这不是微不足道的。 模型拟合实际上非常好。
	并且对这个参数的拟合非常好。 它并没有涵盖所有的差异，但这没关系，因为我们不期望它；它只是说这是一个很好的模型。
	它也可以纯粹作为一个表格来完成，但我喜欢这种方法，因为它易于使用，它让我了解在这种拟合中处理了多少可变性。
	可以到这里，看看
	实际预测，你看，是的，它不是一个很好的模型，但它确实有一个目的。
	您可以做的另一件事是保存预测公式。
	所以你在这里看到。
	因为我已经这样做了，所以它会自动下标。
	你看，这实质上只是
	一个常数
	加上申请上下文的偏移量。
	不涉及火箭手术。
	但是现在，如果我想做一个标准化，
	添加一列。
	调用这个
	Norm Poisson Again 因为我已经做过一次了
	首先是表。
	找到泊松。 这是我的泊松参数。 除以
	模型拟合。
	这实际上应该起作用。
	不知道这里发生了什么。
	好的，永远不要进行演示，这是规则，但这在过去一直有效，我真的不确定发生了什么。
	这是我的泊松参数。
	这是我的预测公式。
	哦。 您永远不应该尝试将某些东西除以
	本身。 这就是为什么它不起作用。
	现在很固执。
	好的。
	有时微妙的事情很重要。 所以这是归一化的泊松。
	有趣的是
	你可以适合这个。
	从现有的瓶子中，您可以看到 Johnson SL 最适合并且做得非常好。
	你也可以
	用 X 拟合 Y。
	获取此输出
	并适合申请上下文。
	并得到这个 Oneway 情节。
	这看起来比我展示的前一个更规则。 更合理的是它们具有相同的分布。 在有更多数据但不是这样的数据上，您会看到更大的范围，
	这并不奇怪，真的。
	如果您查看不等方差检验，您会发现没有迹象表明它们的方差不等。
	这并不能证明它们没有，但这是一种说法，即使用假设它们具有相同分布的模型是合理的。
	所以。
	回到这个。
	哦，我还对每个上下文与其他所有上下文进行了 Kolmogorov-Smirnov 检验，在 78 个案例中，只有一个案例的 p 值小于 0.05。
	P 值并不能证明任何事情，但它确实表明，将这些仅来自同一分布进行处理是合理的。
	这只是之前那个较小子集的放大版本，但您可以看到这是合理的；这不是证据，但它是合理的。
	并通过拟合优度测试
	再次，这似乎是合理的
	Johnson SL 是一个合理的模型，用于描述该数据集的泊松参数分布，即归一化的泊松参数分布。
	可以对 Gamma-Poisson 和该数据子集以及作为等效参数的 Lambda 参数执行相同的操作。
	再一次成功了。
	对于 Sigma 参数，我实际上使用 Sigma 减一，因为 Sigma 的基线为 1。
	如果您愿意，这里的模型质量甚至更低，但有必要使用
	单独的建模步骤，因为 Lambda 与 Sigma 相关，因此您希望能够在其中建模该效果。
	再一次，你得到了一个体面的适合。
	在这种情况下，它是约翰逊苏。
	这就是正在发生的事情。 我们生成合成随机分布参数。
	从数据子集中，根据上下文生成线性模型。
	规范化参数分布并将其拟合到常见的参数连续模型。
	然后生成合成参数，从归一化的参数分布中获取一个随机数，并将其乘以适当的线性模型结果，也就是说，对它进行“去归一化”。
	现在评估合成随机模型参数，我再次使用了KS测试，您可以看到没有办法真正区分它们，所以至少它是一种说它看起来可信的方式
	与真实案例相比。
	我还做了一个复合模型。
	把它变成一个函数，这样它就可以是一个可调用的函数，然后，这是在 JSL 中，JMP 脚本语言中的可调用函数
	用于生成以上下文为输入的随机工作申请的参数，所有不同的上下文特征。
	现在，不打算详细介绍所有细节，但重点是您可以使用合成随机参数对创建可视化，这不仅让您了解事物通常在此热图中的位置，而且
	一种关于异常值的想法 什么是合理的异常值以及它真正走多远。
	你还可以看看你是否做了一个相关性，即 Lambda 和 Sigma 之间的相关性
	并且在合成 Lambda 和合成 Sigma 之间几乎是一样的。
	它合理地密切地模拟了这种关系。
	然后，如果你用投入的真实数据来看这个，
	这是主图中的小黑点。
	98% 的合成密度位于交叉影线所示的红色区域，该区域是中间插图，周围有一个绿色方块。
	所有的数据点，其中有 43 个，
	落在那儿。
	所以。
	这又是合成模型正在合理地很好地模拟真正发生的事情。 这是可信的，但它向您展示了在其他百分之几的情况下会发生什么。
	这就是我所做的建模，但你可以看到你可以使用上下文；您可以使用其他变量，例如多少
	职位发布的语言具有特殊性，这将使更少的人有资格，可能会吓跑一些人。
	您可以查看语言的制作方式。 如今，人们正在使用人力资源中的工具来制作更容易接受的语言。 您可以看到随着时间的推移和多份工作申请，您得到的东西有多大的不同。
	您可以将这些视为模型的因素，然后您可以调整您的应用方式
	根据您的需要创建申请时的这些功能。
	但现在我要切换到，好吧，这又是什么样子的。 同样是基本原则，因此对于每周有 7 个泊松的情况，30% 的时间，计数将是 5 个或更少。
	因此，您应该期望其中之一是您应该期望应用程序的数量需要
	获得合理竞争的聘用选择所需的时间会有所不同，因为即使平均为 7 人，您获得的人数也会有很大差异。
	Poisson 的方差与参数相同，因此您会得到广泛的变化。
	所以，如果你习惯于考虑长期平均值
	或被另一个案例锚定，您可能会被任何特定实例甩掉。
	问题在于这种模式识别偏差。
	聚类错觉是这样一种趋势，即认为不可避免的条纹或聚类会出现在小样本中，这意味着存在非随机效应，有某种意图。
	正如 RD Clarke 在 1946 年通过对德国 V 型炸弹的分析发现的那样，这显然与泊松分布数据无关。
	落在伦敦地区的网站。
	人们会看到分组发生，他们会认为这意味着什么，但他能够通过将过程视为泊松来证明它非常满意
	分布式，这意味着你有时会得到集群，而且肯定和你看到的一样频繁。
	所以这意味着真正发生的事情并不是他们的目标是什么特别的，而是他们的总体目标是伦敦，而且他们一般都在伦敦的某个地方。
	在这种情况下，查看工作，在三周内获得序列的可能性大约为 12%，在这种情况下，您得到的计数减少或增加。
	在此示例中，两周计数下降的可能性是 45%，也就是说一个大于另一个。
	这些是非常短的模式；它们不应该被认为具有任何意义，但是不了解统计数据性质的人可以这样认为。 这才是真正的重点。 这可能导致反应过度。
	现在，实践领域的可变性大约是一个数量级。
	有些领域比其他领域更难获取，因此如果人们不了解这些差异，他们的期望可能会出现偏差。
	如果你看一下一般的申请，而不仅仅是从实践领域来看，你可以看到 95% 的差异大约是 25 倍
	范围从 2.5% 到 97.5%。 它仍然是一个巨大的可变性
	在费率。
	然后，如果您了解发布语言的制作方式如何影响这一点，范围有多大，范围有多大，
	语言吸引什么，宣传所有这些因素，
	然后你可以决定多少钱
	您想提高这些费率并更快地完成流程。
	因此，这里有一个使用我之前谈到的模拟模型的特定职位发布的案例。
	在站点 A 和实践学科领域 9 建立了专业人员，这又是所有专有的东西，所以不会透露那是什么；那只是一种特殊的专业。
	你得到这个非常广泛的区别
	在 95% 的置信度范围内，介于 0 到 9 之间，中位数为 2。
	这可能会让人失望，这个小数字会让人失望，因为他们期望事情会更规律。
	模型和方法都有局限性。
	数据，数据的质量始终很重要。 如果在短时间内收集数据，则很可能会从数据集中基本缺失具有稀有技能的不经常雇用的领域。
	但另一方面，很多你无法控制的外部变量
	或许
	如果您使用较长的时间范围作为这些分析的基础，则在数据收集的时间范围内发生变化。
	并且建模方法不考虑自我蚕食。 如果您在一个领域内有两个申请，申请人是同时申请还是选择一个。 也许在某些情况下，他们会选择他们认为最好的机会。
	该模型对此没有任何作用，但仅通过捕获发生的事情来代表现实世界的结果。
	但是，这并不代表错过的机会范围，因为如果您可能希望他们适用于所有这些，那么他们可能有资格只是为了看看他们可能适合的地方。
	所以得出结论。 一些对职位发布的就业申请响应往往以泊松或伽玛泊松的形式分布。
	这是通过一个包含大约 2,500 个总申请的大型数据集进行检查的。
	应用程序响应的分布参数变化很大。
	如果归一化
	它们可以适合常见的配置文件。
	由通用配置文件产生的那些简洁模型有助于生成合成随机征用模型。
	这将允许一个人进行某种范围界定或分析
	可能性
	在不同的情况下。
	我认为重要的是要提到应用程序到达模型可以填补理解整个员工生命周期的重要空白，因为它们将为招聘经理和人员配备专业人员提供关于这些模式偏见的观点。
	如果您想以一种现实的方式这样做，它们可以在基于离散事件或代理的模型中用作生成申请人的一种方式。
	和
	也许最重要的是，从经济角度来看，
	这是一种将每位申请人的成本与工作特征以及各种其他可调整和不受控制的外部因素进行比较的方式。
	那么，这将更好地了解在填充物品的速度、填充开口的速度以及这样做的成本方面会发生什么
	取决于与广告等的关系。
	我今天要介绍的内容到此结束
	我只想说，如果您有任何问题，您应该从这里获得联系信息
	视频，或它的放置位置，请随时与我们联系。
克里斯蒂西班牙	好吧，那太好了。
	是的，除了我的东西不起作用的部分，因为我搞砸了演示。
	但这很好，很安全，很好的保存我终于意识到我在做什么。
	是的，JMP 不会做傻事，不管你多么想要它。

 

爆发数据可视化统计和建模