Conférencier | Transcription |
| Christy Espagne | Bon après-midi. |
| Bonjour comment vas tu aujourd'hui. |
| Je vais bien, comment vas-tu. |
| Christy Espagne | Bon merci. |
| Où êtes-vous situé Thor. |
| oui Christy Espagne. |
| Et albuquerque nouveau mexique. |
| Christy Espagne | c'est ce que je pensais. |
| obtenu le droit. |
| Christy Espagne | trois chiffres là-bas. |
| Pas tout de suite. |
| D'accord, nous avons un. |
| Ouragan venant du. |
| les cochons de balle vont faire baisser les températures. |
| Christy Espagne | D'accord, quel est le nom de celui-ci. |
| Je ne sais pas, normalement, il ne se passe pas grand-chose et je n'y ai pas prêté beaucoup d'attention. |
| bien. |
| Christy Espagne | Je suis un peu pris au dépourvu, mais vous savez que ça a frappé le golf, ils ont été assez durs hier, donc tout le monde ici fait le plein d'essence, car le pipeline est maintenant fermé. |
| Alors, où êtes-vous. |
| Christy Espagne | Je suis au quartier général de Cary en Caroline du Nord, oui. |
| euh alors voyons voir ce que vous avez fait, avez-vous fait des enregistrements pour nous l'année dernière ou. |
| J'ai fait le mien l'année dernière. |
| Peut-être une des raisons pour lesquelles nous faisons cela. |
| Ce temps. |
| Oh. |
| Christy Espagne | Ca c'est drôle. |
| euh laissez-moi voir, j'ai une petite liste de contrôle laissez-moi l'ouvrir comme fermer trop de choses quand. |
| J'essayais de tout effacer, donc je n'ai eu aucune fenêtre contextuelle, avez-vous fermé toutes vos applications et. |
| Je ne l'ai pas encore fait et j'avais aussi une question. |
| Bien sûr euh. |
| Il a dit que je suis censé télécharger des choses avant mon enregistrement, mais je ne peux pas car je n'ai pas de lien. |
| Christy Espagne | Je suis télécharger est et quelles choses. |
| Et les supports de présentation. |
| Christy Espagne | D'accord, je vais trouver ce lien pour vous. |
| Et donc je suis retourné et j'ai regardé dans mes anciens e-mails, je ne pouvais pas le trouver, je réfléchis bien. |
| Je suis. |
| Pas grand-chose mais. |
| Christy Espagne | Nous devrions certainement être en mesure d'aller de l'avant et d'enregistrer, cependant. |
| D'accord ouais. |
| Christy Espagne | Permettez-moi de trouver une petite liste de contrôle, mais une partie de cette liste de contrôle se ferme sur vos applications. |
| je vais faire ça. |
| Vous n'avez pas besoin d'équipes Microsoft. |
| Christy Espagne | Vous n'avez rien de logos sur votre chemise donc c'est bien. |
| Aucun logo. |
| Je n'en ai probablement pas besoin pour le moment non plus. |
| Christy Espagne | Je ne savais pas comment ne pas déranger les équipes. |
| Les équipes bien. |
| Une des choses à propos de la modernité. |
| La technologie, c'est que les gens ne vous donnent plus d'instructions, c'est-à-dire qu'ils vous donnent ce truc et que vous êtes censé le comprendre. |
| Christy Espagne | Eh bien, j'ai tapé et la section d'aide D amp D et il a agi comme si je cherchais des messages ou quoi que ce soit de ce genre, et mon OK, ou c'était bien, je l'ai fermé ainsi. |
| Bon alors. |
| J'ai quelques applications ouvertes mais. |
| Regardez ce petit truc d'équipes parasites. |
| Christy Espagne | on est bien alors. |
| Eh bien, ils l'ont mis dans ce petit menu caché pour qu'il soit toujours là, avec Skype parce qu'ils veulent pouvoir vous contacter, quoi qu'il arrive. |
| Christy Espagne | Et vous savez, je pense que nous devrions peut-être vous demander de prendre l'un des arrière-plans. |
| Il dit qu'il n'y a pas de violation du droit d'auteur, mais vous connaissez beaucoup de livres là-bas, alors peut-être. |
| Eh bien, j'ai des livres ici, je pensais que ce n'était pas grave parce que vous ne pouvez pas vraiment les lire, mais d'accord. |
| Christy Espagne | Je ne sais pas, je détesterais. |
| Je dois te rappeler et te dire que je vais laisser tomber. |
| ouais je ne veux pas le faire deux fois. |
| Non. |
| Je veux dire, je suis sûr que ce sera très amusant, mais je ne veux pas le refaire. |
| moi juste se débarrasser des équipes. |
| ce sont toutes les équipes qui sont parties. |
| D'accord, donc ces antécédents, j'ai un truc là-dessus. |
| Je dois revenir à Outlook. |
| Christy Espagne | Ou vous pourriez juste peut-être que nous le ferons. |
| Vous voyez, je ne les ai jamais utilisés. |
| A vraiment jamais utilisé eux. |
| ouais parce qu'ils analysent pour brouiller. |
| Oui. |
| Vous savez, chaque fois que vous faites des trucs pour bouger, je vois des gens les utiliser et les trucs se brouillent et ils voient tout le bric-à-brac qu'il y a dans leur chambre. |
| Voir donc de. |
| tanya. |
| tanya si nouveau symptôme. |
| On y va donc. |
| Ce sont des tuiles sociales, vous savez quelles tuiles sociales. |
| Arrière-plans virtuels donc nuage de points bleu. |
| je vais juste faire ça. |
| Allez. |
| C'est donc que maintenant la question serait de savoir comment puis-je. |
| Utilise les. |
| Voyons voir. |
| Christy Espagne | Je pensais que ce serait sous les trois petits points mais ce n'est pas comme ça. |
| D'accord, je ne sais pas où sont les canards. |
| Où trouvez-vous des points. |
| Christy Espagne | Eh bien, vous savez en bas, où vous avez l'écran de partage et le chat. |
| Et tout ça, c'est un peu plus. |
| Ça, mais c'est que je ne vois aucune option pour le changement en arrière-plan, là. |
| non plus. |
| Christy Espagne | Nous faisons des allers-retours entre tant de choses différentes. |
| outils ici c'est dur. |
| c'est faisons une recherche rapide. |
| Arrière-plan virtuel sous caméra lisse. |
| Oh. |
| Alors. |
| Et puis il faut savoir où se trouve l'arrière-plan virtuel parce qu'ils ne l'ont pas dit. |
| Lequel, vous devriez utiliser ou quelque chose comme ça, non, non, non. |
| Christy Espagne | Oh, ça a l'air sympa. |
| Oh bien parce que je n'étais pas sûr que j'allais être capable de faire grand-chose d'autre OK, alors maintenant nous avons le fond et si je bouge beaucoup, ça marche plutôt bien en fait seulement un peu de merde d'accord. |
| Christy Espagne | et |
| Avez-vous eu automatiquement votre barre des tâches. |
| voyons comment je fais ça. |
| Christy Espagne | Vous descendez dans votre barre des tâches et faites un clic droit. |
| Oui, sur un endroit qui n'a rien dessus. |
| Non. |
| le problème est que ma barre des tâches est entièrement abonnée. |
| Christy Espagne | le mien ne se cache pas non plus je ne sais pas pourquoi. |
| Est-ce ouais. |
| paramètres de la barre des tâches c'est parti. |
| c'est lundi masquer automatiquement la barre de test de test en mode bureau. |
| Sur. |
| OK, alors maintenant, il semble être masqué automatiquement, sauf qu'il n'est pas masqué. |
| Christy Espagne | Eh bien, si vous faites défiler vers le haut, il disparaît. |
| Donc, le seul s'affiche si. |
| J'ai quelque chose d'activité qui s'en va bien. |
| Christy Espagne | Et puis ton son est super. |
| et |
| Christy Espagne | Je veux que vous vous entraîniez au partage, afin que nous puissions vérifier votre résolution, et tout cela. |
| Voyons voir. |
| Bien sûr, une chose spécifique qui va être un problème. |
| Pour partager l'écran, je vais montrer à quoi vous ressemblez. |
| Christy Espagne | Eh bien, vous pouvez continuer et partager votre contenu. |
| oui, mais je veux basculer entre les diapositives et l'application JMP pour pouvoir montrer. |
| Mon écran. |
| Donc, d'une manière ou d'une autre, j'ai fini. |
| Avec l'écran et je vous ai dans une petite fenêtre ici. |
| Christy Espagne | En haut, vous pouvez le voir et le changer en côte à côte ou c'est ce que j'ai. |
| Pour éteindre ma caméra parce que personne ne veut me voir de toute façon. |
| tout tourne autour de vous aujourd'hui. |
| Afficher la vidéo miniature de la vidéo du petit haut-parleur actif. |
| Bon, ça vous montre. |
| Cela nous montre à tous les deux cela montre une grille. |
| Et cela rend le tout vraiment petit. |
| Et je ne peux plus me voir. |
| Mais je peux déplacer cette chose. |
| Christy Espagne | Eh bien, je peux vous voir triste votre PowerPoint. |
| Eh bien, voici une question que mon PowerPoint reçoit en mode d'écriture normal. |
| Mais si je passe en mode présentation. |
| Il devient plus grand, mais ensuite je dois continuer à faire des allers-retours entre cela et l'autre point de vue. |
| Quand tu fais la vidéo. |
| Allez-vous vous concentrer sur les parties pertinentes ou allez-vous simplement montrer à l'écran tout ce qui se passe. |
| Christy Espagne | ouais nous allons juste montrer quoi que ce soit. |
| Ainsi, la plupart des gens utilisent le mode présentation, puis, si vous avez besoin de sortir de cela et d'afficher votre écran JMP, vous pouvez le faire. |
| et revenir en arrière est-ce que cela a du sens, et si nous finissons par vous voir, vous connaissez certains de vos. |
| oui ça a l'air super. |
| D'accord, donc je suppose que c'est ce que nous allons faire et je vais juste m'échapper et aller à JMP si nécessaire. |
| Christy Espagne | Voulez-vous essayer cela très rapidement, afin que nous puissions nous assurer que c'est la bonne taille. |
| Oui. |
| Christy Espagne | a fière allure. |
| D'accord. |
| Donc ça se voit. |
| Christy Espagne | OK, alors maintenant, j'en ai besoin. |
| confirmez votre nom d'entreprise et le titre du résumé, s'il vous plaît. |
| Le nom est Thor Osborn. La société est Sandia National Laboratories. |
| Le titre du résumé doit être Modèle d'arrivée des demandes d'emploi pour la simulation et la gestion de l'acquisition de talents. |
| Christy Espagne | Parfait. Et puis vous comprenez que cela est enregistré pour être utilisé dans Discovery Summit. |
| conférence JMP et sera disponible publiquement dans la communauté d'utilisateurs JMP. Donnez-vous la permission pour cette utilisation et cet enregistrement ? |
| Merci. |
| Christy Espagne | Et je pense que nous sommes prêts, Thor, donc je vais me mettre en sourdine et |
| Vous pouvez y aller dès que vous êtes prêt. Le but est d'aller droit au but. Je ne dirai rien ni ne t'arrêterai à moins que quelque chose de catastrophique ne se produise. Que diriez-vous de cela? |
| D'accord, le but est d'aller jusqu'au bout et combien de temps suis-je censé avoir ? |
| Christy Espagne | 30 minutes. |
| D'accord, maintenant je pense que vous avez un peu de marge de manœuvre parce qu'ils aiment laisser du temps à la fin de la lecture pour les questions et réponses, donc si ça dépasse un peu, ça va. |
| Bon, maintenant, avant de partir, il y a cette petite fenêtre qui dit parler et qui parle. |
| Parce qu'ils réduisent la petite chose vidéo. |
| D'accord, mon écran montre-t-il la vue de présentation, ou montre-t-il cela, avec ce petit insert en bas à droite. |
| Christy Espagne | Tout ce que je vois, c'est la vue de présentation. |
| OK, donc ils flottent en quelque sorte ça. |
| Christy Espagne | Ça doit être embêtant. |
| C'est bon, tant que ça ne gêne pas, je veux dire que je ne mets rien là-dedans. |
| Christy Espagne | c'est bon. |
| Oui. |
| D'accord. |
| Christy Espagne | D'accord, je vais me mettre en sourdine et ensuite tu seras prêt. |
| D'accord. |
| Donc, je m'appelle Thor Osborn. Je travaille au Sandia National Laboratories en tant qu'analyste principal de recherche sur les systèmes. |
| Ma présentation d'aujourd'hui porte sur le modèle d'arrivée des demandes d'emploi pour la simulation et la gestion de l'acquisition de talents. |
| Et j'espère que vous l'apprécierez. |
| J'ai trois objectifs fondamentaux ici. L'une consiste à expliquer pourquoi vous souhaitez modéliser les heures d'arrivée des demandes d'emploi. Une autre consiste à montrer un processus simple pour créer un modèle concis et largement applicable à l'aide de ce type de données. |
| Et puis je démontrerai ce processus sur les données d'un grand organisme de recherche et montrerai brièvement ce que vous pouvez en faire. |
| Techniquement, je vais passer en revue la compréhension des données car je pense que ce type de données est un peu inhabituel pour la plupart des gens. |
| Les modèles de source, essentiellement, c'est une modélisation de source |
| analyse, donc je vais parler des modèles Poisson et Gamma-Poisson. |
| Je vais faire quelques analyses et quelques transformations pour rendre cela plus facile à utiliser, puis aborder brièvement la manière dont vous pourriez procéder pour créer des modèles. |
| Ainsi, en ce qui concerne les motivations, il existe trois domaines fondamentaux de motivation. L'une consiste à améliorer le processus d'acquisition de talents et la fonction commerciale. |
| Un autre est d'améliorer la compréhension des dirigeants qui dirigent l'entreprise, puis le troisième est d'aider à définir les attentes des responsables du recrutement. |
| Je vais commencer par l'acquisition de talents. Le taux d'embauche et le décalage dépendent des flux à travers les étapes de vérification dans le pipeline d'acquisition de talents. Mais l'essentiel est que vous devez avoir suffisamment de demandes d'emploi avant de pouvoir aller n'importe où avec le processus. |
| Et les tarifs et les modèles varient considérablement en fonction du domaine, de la spécificité des annonces publiées, de la concurrence, de la quantité de publicité, etc. |
| Un cadre mathématique commun pour l'arrivée des candidatures pourrait permettre une meilleure compréhension de l'espace commercial pour améliorer les taux de capture des candidatures, |
| ainsi que d'autres choses. Certaines relations clés saisissent le taux d'application et la variance par rapport au contexte de l'emploi, au lieu de travail, au niveau de carrière, au domaine de pratique. |
| Capturez les impacts sur le taux des variables ajustables, la spécificité de l'offre d'emploi, la langue d'affichage - et par là, je ne veux pas dire l'anglais par rapport à l'espagnol, mais plutôt la façon dont les choses sont encadrées. |
| Et des efforts de recrutement ciblés. Et puis les impacts sur le taux de capture de facteurs externes tels que les conditions économiques, la concurrence dans le domaine de pratique, |
| Quelle est la taille de la population professionnelle que vous atteignez réellement dans votre zone de recrutement. |
| Et je pense qu'il est important de reconnaître que l'acquisition de talents est confrontée à la contrainte typique que vous voyez souvent avec l'exécution d'un projet ou d'un programme : le temps, la qualité et le coût. |
| Il faut du temps pour collecter les candidatures. Vous voulez obtenir une haute qualité de candidats. Cela coûte de l'argent, et plus vous essayez d'aller vite, plus cela coûtera cher. |
| Il y a donc des compromis ici. |
| Les cadres sont souvent impliqués dans le processus par le biais de la planification de la main-d'œuvre, qui est un terme fourre-tout, mais, en gros, vous savez, dites un plan annuel. |
| Mais en l'absence de modèles pertinents et de retour d'information sur le coût des choses, la prise en compte de la contrainte typique et de l'allocation du budget ou des processus de dotation en personnel pourrait être subjective ou absente. |
| Et j'entends par là au niveau de la direction, les RH sont souvent considérées comme un simple coût nécessaire, mais pas nécessairement comme un levier pour faire avancer l'entreprise. En partie à cause du manque d'information, donc fournir des informations pourrait être un moyen d'améliorer cette situation. |
| Aussi, les attentes du responsable du recrutement. |
| Essentiellement, nous avons affaire à un petit nombre de statistiques, à un petit nombre de demandes. |
| Les êtres humains sont vraiment sujets à des biais de modèle, et la plupart des responsables du recrutement n'embauchent pas de personnes chaque semaine, ils n'ont donc pas l'habitude de considérer cela sous l'angle de nombreux cas différents sur une longue période. |
| Et cela peut conduire à s'ancrer dans la dernière situation à laquelle ils ont été confrontés, cela peut conduire à un biais de modèle où ils regardent le nombre de candidats qui baissent d'une semaine à l'autre et pensent que cela doit signifier qu'ils ont accédé à tous ceux qui sont intéressés. |
| Et le problème avec ces réponses intuitives aux biais qui peuvent conduire à des réactions excessives car, comme toujours avec les statistiques de petits nombres, vous obtenez des informations erronées si vous ne les prenez pas dans ce contexte. |
| Parlons un peu des données. Les données d'arrivée sont liées à des demandes d'emploi spécifiques. Donc, vous avez une demande d'emploi, il y a une publication pour cette demande et les candidatures arrivent en conséquence de la publication. |
| Ils sont caractérisés de plusieurs manièresemplacement du site ; phase de carrière; |
| visibilité, dans quelle mesure il est rendu visible ; |
| domaine de pratique, ce que vous faites; |
| et des exigences spécifiques qui peuvent être très larges ou très étroites dans ces domaines. |
| Et les candidatures peuvent être soumises pendant la fenêtre de temps où une offre d'emploi est accessible, il y a donc généralement un délai défini. |
| Ils sont suivis par date. |
| Maintenant, dans ce cas, en utilisant des données réelles pour l'analyse ultérieure, je dois utiliser la date de la dernière candidature soumise comme date de clôture de l'affichage, mais ce n'est pas nécessairement vrai. Mais, comme cela arrive souvent avec des données réelles, nous n'avons pas toutes les données que nous aimerions avoir. |
| Et je dirai finalement que |
| vous comptez le nombre d'applications par jour. Lorsque vous ne voyez aucune application pour une journée, c'est un compte de zéro. |
| Donc, en pensant à un bassin national de candidats potentiels pour une offre d'emploi, |
| l'employeur diffuse des informations dans le monde. |
| Certaines personnes du bassin national de candidats potentiels présentent des demandes. |
| on suppose généralement que ce sera peu par rapport au total qui le pourrait. |
| Et vous avez donc ce vaste bassin de candidats. C'est une source et toute application ou perturbation mineure sur cette source. |
| Et, juste pour être très explicite, cela pourrait être très ennuyeux pour les personnes habituées à traiter les mathématiques de Poisson, mais |
| si vous voyez une application arriver le premier jour, c'est une instance d'un nombre d'un. Le deuxième jour, il n'y a pas d'arrivée d'application. C'est une instance d'un compte de zéro. Et donc à l'extrême droite, vous voyez trois instances de zéro, trois instances de un, un deux et un trois. |
| Et cela peut être ajusté, bien que ce ne soit pas beaucoup de données, cela peut être ajusté avec le modèle de Poisson, et vous voyez la ligne bleue en bas à droite. |
| Donc, un taux moyen d'arrivée d'une application par jour, mais le nombre réel par jour va varier selon la distribution. Et c'est tout. |
| Ainsi, la distribution de Poisson peut être utilisée pour décrire la probabilité d'un comptage produit dans une unité de temps par une source d'émission aléatoire d'éléments discrets qui ont un taux moyen constant d'émission Lambda par unité de temps. |
| Et vous obtenez cette équation. Et, donc dans le cas d'un décompte de quatre, qui montrait une très faible probabilité dans la diapositive précédente, |
| vous avez essentiellement un au quatrième. |
| fois e au moins Lambda, donc fondamentalement 37 % |
| divisé par quatre factoriel, ou 24, et donc quelque chose dans le voisinage d'un et demi pour cent, ce qui donne une probabilité faible mais non nulle. |
| Ainsi, comme première hypothèse |
| nous supposons que les membres du bassin de candidats potentiels répartis à l'échelle nationale pour ce poste largement annoncé agissent de manière non coordonnée |
| concernant les possibilités d'emploi, et donc un modèle de Poisson pourrait avoir un sens. |
| C'est donc une première hypothèse raisonnable. |
| Maintenant, que se passe-t-il s'ils interagissent. |
| Ensuite, cela peut être conçu en termes de modèle de source Gamma-Poisson, qui est essentiellement une composante de Poisson utilisant une distribution Gamma comme distribution de mélange. |
| Ou vous pouvez le considérer comme un Poisson flou parce que le taux, le taux moyen, n'est pas un taux moyen constant, mais il change d'un instant à l'autre. |
| Et cela peut se produire sous l'hypothèse alternative que les candidats se comportent de manière coordonnée, |
| ce qui pourrait arriver s'il y avait des réseaux de personnes qui se parlaient d'opportunités d'emploi, etc. |
| Voici maintenant |
| une diapositive sur la façon de générer le Gamma-Poisson. Ce sont des choses basiques, mais je trouve que regarder ces distributions peut être utile. |
| Je vais donc sortir et faire une petite DEMO dans JMP. |
| Maintenant, ce que vous voyez ici, Gamma aléatoire quatre-un, signifie simplement Gamma aléatoire avec un paramètre de quatre et un paramètre d'échelle de un, donc la moyenne est de quatre. |
| Vous regardez la distribution. Il y a 100 000 lignes ici ; vous obtenez une courbe comme vous l'avez vu sur la diapositive. |
| La moyenne est d'environ quatre, ce qui arrive lorsque vous faites quelque chose de nombreuses fois. |
| c'est presque exactement ce que c'est censé être. |
| Maintenant, prenez cette distribution et utilisez-la |
| comme alimentation pour un Poisson aléatoire. |
| Et vous obtenez ceci. |
| Ce qui ne ressemble pas au Poisson d'avant parce qu'il a été barbouillé. |
| Si vous regardez un ajustement de Poisson, vous constaterez que le meilleur ajustement |
| pour quatre en moyenne, c'est tout ce qu'il peut vraiment faire, |
| a une dispersion plus étroite que le Gamma-Poisson et juste pour vérifier que oui, c'est un Gamma-Poisson, |
| regardez la ligne rouge là-bas. |
| Et ça va vraiment très bien. |
| Presque parfaitement. |
| Et donc, essentiellement, c'est, c'est un cas où après avoir traversé cela |
| processus de communication, si vous voulez, le Poisson n'est plus le meilleur modèle. |
| Le cas que je viens de montrer est montré ici en haut à droite de ce panneau quadruple. |
| Sigma est égal à deux, le paramètre de surdispersion de deux. |
| Si vous avez un paramètre de surdispersion de un, Sigma est égal à un, en haut à gauche, alors c'est essentiellement la même chose que la distribution de Poisson à nouveau. |
| Mais à mesure que le paramètre de surdispersion augmente, il passe d'une bosse suivie d'une queue à quelque chose qui ressemble plus à une exponentielle décroissante. Vous verrez qu'en bas à droite dans le bleu, |
| les couleurs sont inversées ici par rapport à ce qu'elles étaient auparavant, donc s'il y a une confusion à ce sujet, désolé. |
| Voici maintenant des données réelles. |
| Ainsi en est-il du cas d'une affectation en génie mécanique largement accessible en début de carrière. |
| 140 demandes pour créer 131 décomptes, dont beaucoup sont nuls, donc c'est étalé dans le temps - cent trente et un jours. |
| Le Gamma-Poisson convient le mieux, et vous le voyez en haut à gauche. |
| J'utilise le critère d'Akaike, l'AIC |
| métrique. |
| En bas à gauche, vous verrez |
| un poste expérimenté. Aujourd'hui, les professionnels expérimentés n'ont pas les réseaux de, disons, les gens de placement universitaire et ainsi de suite. |
| Ou nécessairement l'immersion constante avec d'autres personnes que vous verriez dans un cadre universitaire. Ce n'est pas la preuve de quoi que ce soit mais juste une façon de rationaliser que c'est peut-être pourquoi vous voyez un comportement de Poisson plus classique avec des réponses professionnelles expérimentées généralement. |
| Et juste pour montrer ici, cela semble également être en corrélation avec le nombre d'applications. D'autres facteurs importants semblent être les |
| étape de carrière. |
| Comme je viens de le mentionner, le statut FLSA (non exempté) signifie, disons, les technologues par opposition au personnel exonéré. |
| Ces facteurs semblent avoir de l'importance, mais il y a certainement un biais à mesure que le nombre d'applications augmente, devient plus susceptible d'être distribué Gamma-Poisson. |
| Maintenant, comment ces données sont préparées pour l'analyse. Dates d'application par demande d'emploi. |
| Mise à zéro tabulée pour |
| quand il n'y a pas de compte. |
| Et puis ajuster le Poisson et Gamma-Poisson pour chaque req pour savoir lequel vous donne la meilleure valeur AIC. |
| En parallèle, le tableau récapitulatif des demandes a été créé avec une ligne ou une ligne par demande, puis celles-ci sont fusionnées pour donner des paramètres pour le Poisson et Gamma-Poisson, ainsi que le paramètre AIC qui vous indique lequel est le plus probable. un meilleur ajustement. |
| Et vous obtenez un résumé pour Poisson et un résumé pour Gamma-Poisson après sous-ensemble, car ils sont difficiles à traiter ensemble. |
| Vous pouvez utiliser le Gamma-Poisson avec un sigma de un, mais vous vous retrouvez ensuite avec une inflation nulle, et cela devient compliqué à gérer, donc à la place, je les traite simplement séparément. |
| Quel que soit le sous-ensemble utilisé, le processus affichera les ajustements du modèle linéaire pour le paramètre par rapport aux pilotes. |
| Le paramètre est normalisé par le modèle. |
| Et puis je regarde si une distribution commune est plausible à travers toutes les conditions de conducteur, qui dans ce cas est essentiellement le contexte de réquisition de l'emplacement du site, du début ou de la fin de carrière, etc. |
| S'il est possible qu'ils appartiennent à la même distribution, il est alors possible de créer un ensemble de paramètres de distribution commun et de l'utiliser pour l'ensemble de données. |
| Sinon, l'approche échoue et je n'ai, à ce stade, aucun mécanisme pour y faire face, donc fortuitement cela ne s'est pas produit, mais c'est quelque chose à penser pour l'avenir. |
| Voici donc une distribution de paramètres de Poisson par contexte où le contexte a à voir avec le site, qu'il s'agisse d'un début ou d'une fin de carrière, ou établi, vous pourriez dire, |
| et s'il s'agit, eh bien, de quel domaine de pratique. Chacun d'entre eux a un "B" signifiant large parce que l'analyse des demandes d'emploi internes uniquement est une chose difficile et différente avec des opportunités beaucoup plus limitées, et donc je m'en tiens simplement au cas général dans cette présentation. |
| Ce que vous pouvez voir, c'est que la variance moyenne diffère assez évidemment selon les contextes de demande, et non, ils ne relèvent pas de la même distribution. Vous pouvez le démontrer facilement. |
| En regardant un sous-ensemble plus petit, juste le morceau initial, l'ensemble précoce du site A, il devient plus évident que les moyennes et les écarts-types sont partout sur la carte. |
| Maintenant, ici, je vais aussi faire une petite démo. |
| J'ai donc ces données. |
| Maintenant, c'est un modèle vraiment simple. Je vais prendre la sortie du paramètre de Poisson, et je vais utiliser le contexte de réquisition, qui est ce multi-niveaux |
| variable subjective. |
| Et exécutez cela, et vous voyez qu'il y a un RSquare d'environ virgule quatre. Cela signifie que |
| ce n'est pas négligeable. L'ajustement du modèle est en fait assez bon. |
| Et l'ajustement pour ce paramètre est très bon. Cela ne couvre pas toute la variance, mais ce n'est pas grave car nous ne nous y attendons pas ; c'est juste dire que c'est un très bon modèle pour ce qu'il fait. |
| Cela pourrait également être fait uniquement sous forme de tableau, mais j'aime cette approche car elle facilite le travail et me donne une idée de la quantité de variabilité qui est traitée dans cet ajustement. |
| Il peut aller ici, et regarder le |
| réel par prédit, et vous voyez, oui, ce n'est pas un bon modèle, mais il sert à quelque chose. |
| Et une autre chose que vous pouvez faire est de sauvegarder la formule de prédiction. |
| Et donc vous voyez ici. |
| Parce que je l'ai déjà fait, ceci est automatiquement inscrit. |
| Vous voyez que cela revient essentiellement à |
| une constante |
| plus un décalage par contexte de demande. |
| Il n'y a pas de chirurgie de fusée impliquée. |
| Mais maintenant, si je veux faire une normalisation, |
| ajouter une colonne. |
| Appelez ça |
| Norm Poisson Encore parce que je l'ai déjà fait une fois dans le but de faire ça |
| tableau en premier lieu. |
| Trouvez Poisson. Il y a mon paramètre de Poisson. Divisez cela par le |
| ajustement du modèle. |
| En fait, c'était censé fonctionner. |
| Je ne sais pas ce qui se passe ici. |
| D'accord, ne faites jamais de démos en direct, c'est la règle, mais cela a toujours fonctionné par le passé, et je ne sais vraiment pas ce qui se passe. |
| Il y a mon paramètre de Poisson. |
| Voilà ma formule de prédiction. |
| Oh. Vous ne devriez jamais essayer de diviser quelque chose par |
| lui-même. C'est pourquoi ça n'a pas marché. |
| C'est têtu maintenant. |
| D'accord. |
| Parfois, les choses subtiles comptent. Voici donc le Poisson normalisé. |
| Et ce qui est intéressant là-dedans, c'est que |
| vous pouvez adapter cela. |
| Et à partir des bouteilles disponibles, vous voyez que le Johnson SL convient le mieux et fait un très bon travail. |
| Et vous pouvez aussi |
| faire Ajuster Y par X. |
| Prenez cette sortie |
| et adaptés au contexte de la demande. |
| Et obtenez ce complot à sens unique. |
| Cela semble beaucoup plus régulier que le précédent que j'ai montré. Beaucoup plus plausible que ceux-ci aient la même distribution. Vous verrez une plage plus large lorsque vous êtes sur ceux qui ont plus de données, mais ce n'est pas le cas, |
| ce n'est pas surprenant, vraiment. |
| Et si vous regardez le test des variances inégales, vous pouvez voir qu'il n'y a aucune indication qu'il y a des variances inégales. |
| Ce n'est pas la preuve qu'ils ne le font pas, mais c'est une façon de dire qu'il est raisonnable d'utiliser un modèle où vous avez supposé qu'ils ont la même distribution. |
| Alors. |
| Revenons à cela. |
| Oh, j'ai aussi fait un test de Kolmogorov-Smirnov de chaque contexte par rapport à tous les autres, et sur 78 cas, un seul d'entre eux a montré une valeur de p inférieure à 0,05. |
| Les valeurs P ne prouvent rien, mais ce qu'elles donnent, c'est qu'il est raisonnable de traiter celles-ci provenant simplement de la même distribution. |
| Et voici juste la version agrandie pour ce sous-ensemble plus petit juste avant, mais vous pouvez voir que c'est plausible ; ce n'est pas une preuve, mais c'est plausible. |
| Et avec le bon test d'ajustement |
| encore une fois, il semble raisonnable que |
| le Johnson SL est un modèle raisonnable à utiliser ici pour décrire la distribution des paramètres de Poisson, la distribution des paramètres de Poisson normalisée, pour cet ensemble de données. |
| La même chose peut être faite pour le Gamma-Poisson et ce sous-ensemble de données, et ce paramètre Lambda, qui est le paramètre équivalent. |
| Et encore une fois ça marche. |
| Pour faire le paramètre Sigma, j'utilise en fait un Sigma moins un parce que Sigma est sur une ligne de base de un. |
| Et le modèle ici est de qualité encore inférieure, si vous voulez, mais il est nécessaire d'utiliser |
| étape de modélisation distincte car Lambda est en corrélation avec Sigma, et vous voulez donc pouvoir modéliser cet effet en son sein. |
| Encore une fois, vous obtenez un ajustement décent. |
| Dans ce cas, c'est le Johnson Su. |
| Et donc voici ce qui se passe. Nous générons des paramètres de distribution aléatoire synthétiques. |
| À partir d'un sous-ensemble de données, générez un modèle linéaire basé sur le contexte. |
| Normaliser une distribution de paramètres et l'adapter à un modèle continu paramétrique commun. |
| Et ensuite, pour générer le paramètre synthétique, obtenez un nombre aléatoire à partir de la distribution normalisée des paramètres et multipliez-le par le résultat du modèle linéaire approprié, c'est-à-dire pour le "dénormaliser". |
| En évaluant maintenant les paramètres du modèle aléatoire synthétique, j'ai utilisé à nouveau le test KS, et vous pouvez voir qu'il n'y a aucun moyen de vraiment les distinguer, donc au moins c'est une façon de dire que cela semble crédible |
| par rapport aux cas réels. |
| Et j'ai aussi fait un modèle composite. |
| Transformé cela en une fonction afin qu'il puisse s'agir d'une fonction appelable qui serait alors, et c'est en JSL, une fonction appelable dans le langage de script JMP |
| pour générer des paramètres pour une demande de travail aléatoire avec le contexte comme entrée, toutes les différentes fonctionnalités de contexte. |
| Maintenant, je ne vais pas entrer dans tous ces détails, mais le fait est que vous pouvez créer une visualisation à l'aide de paires de paramètres aléatoires synthétiques qui vous donnent une idée non seulement de l'endroit où les choses se trouvent généralement dans cette carte thermique, mais aussi |
| une sorte d'idée des valeurs aberrantes, ce qui est une valeur aberrante plausible et jusqu'où cela va-t-il vraiment. |
| Et vous pouvez également voir si vous faites une corrélation que la corrélation entre Lambda et Sigma |
| et entre Lambda synthétique et Sigma synthétique sont presque les mêmes. |
| Il modélise cette relation de manière raisonnablement proche. |
| Et puis, si vous regardez cela avec les données réelles ajoutées, |
| qui est de petits points noirs dans le graphique principal. |
| Quatre-vingt-dix-huit pour cent de la densité synthétique se trouve dans la région rougeâtre indiquée par la croix hachurée, qui est l'encart du milieu entouré d'un carré vert. |
| Tous les points de données, dont il y en a 43, |
| y tomber. |
| Et donc. |
| Encore une fois, le synthétique modélise ce qui se passe vraiment assez bien. C'est crédible, mais cela vous montre ce qui pourrait arriver dans les quelques autres cas. |
| C'est donc tout ce que j'ai pu faire en matière de modélisation, mais ce que vous pouvez voir, c'est que vous pouvez utiliser le contexte ; vous pouvez utiliser d'autres variables comme combien |
| une spécificité est mise dans le langage de l'offre d'emploi qui va rendre moins de personnes qualifiées, va peut-être effrayer certaines personnes. |
| Vous pouvez regarder la façon dont le langage est conçu. De nos jours, les gens utilisent des outils en RH pour élaborer un langage plus acceptable. Vous pouvez voir la différence que cela fait en termes de ce que vous obtenez au fil du temps et des multiples demandes d'emploi. |
| Vous pouvez les traiter comme des facteurs pour le modèle, puis vous pouvez ajuster la façon dont vous appliquez |
| ces fonctionnalités dans la création de demandes d'achat en fonction de vos besoins. |
| Mais maintenant, je vais passer à, d'accord, à quoi cela ressemble-t-il encore. Encore une fois principe de base, donc pour un cas de Poisson avec sept par semaine, 30% du temps, le décompte sera de cinq ou moins. |
| Vous devez donc vous attendre à ce que l'un de ceux-ci soit que vous devez vous attendre à ce que le nombre d'applications requises |
| le temps nécessaire pour obtenir une sélection raisonnablement compétitive pour la location va varier, car même avec une moyenne de sept, le nombre que vous obtenez va varier un peu. |
| La variance de Poisson est la même que le paramètre, et vous obtenez donc une large variation. |
| Et donc, si vous avez l'habitude de penser en termes de moyennes à long terme |
| ou ancré par un autre cas, vous pourriez être déconcerté par n'importe quel cas spécifique. |
| Et le problème est ce biais de reconnaissance de formes. |
| L'illusion de regroupement est cette tendance à considérer que les traînées ou les grappes inévitables arrivant dans de petits échantillons signifient qu'il y a un effet non aléatoire, il y a une sorte d'intention. |
| Et ce n'est clairement pas pertinent pour les données distribuées de Poisson comme RD Clarke l'a découvert en 1946 avec son analyse de la bombe V allemande. |
| sites relevant de la région de Londres. |
| Les gens verraient les regroupements se produire, et ils penseraient que cela signifiait quelque chose, mais il a pu démontrer qu'il était assez bien satisfait en regardant le processus comme Poisson |
| distribué, ce qui signifie que vous obtiendrez des clusters de toute façon parfois, et certainement à peu près aussi souvent que vous l'avez vu. |
| Donc, cela signifiait vraiment que ce qui se passait n'était pas qu'ils visaient quelque chose en particulier, mais qu'ils visaient en général Londres et qu'ils frappaient généralement quelque part à Londres. |
| Dans ce cas ici, en regardant les emplois, la probabilité d'obtenir une séquence sur une période de trois semaines, où vous obtenez un nombre décroissant ou croissant, est d'environ 12 %. |
| Dans cet exemple, la probabilité d'obtenir un nombre décroissant de deux semaines, c'est-à-dire que l'une est plus grande que l'autre, est de 45 %. |
| Ce sont des modèles vraiment courts; elles ne devraient pas être considérées comme signifiant quoi que ce soit, mais elles peuvent être perçues de cette façon par des personnes qui ne sont pas conscientes de la nature des statistiques. C'est vraiment le point ici. Et cela peut conduire à des réactions excessives. |
| Maintenant, la variabilité selon le domaine de pratique est d'environ un ordre de grandeur. |
| Certains domaines sont plus difficiles à trouver que d'autres, de sorte que les attentes des gens peuvent être faussées s'ils ne comprennent pas ces différences. |
| Et si vous regardez les réquisitions en général, pas seulement par domaine de pratique, vous pouvez voir une différence d'environ un facteur de 25 dans les 95 % |
| allant de 2,5 % à 97,5 %. C'est quand même une énorme variabilité |
| dans les tarifs. |
| Et puis si vous avez compris comment cela était affecté par la façon dont le langage de la publication a été conçu, à quel point, à quel point généralement, |
| ce que la langue attire, la publicité de tous ces facteurs, |
| alors vous pourriez décider combien |
| vous voulez investir pour augmenter ces taux et accélérer le processus. |
| Voici donc un cas pour une offre d'emploi spécifique utilisant ce modèle de simulation dont j'ai parlé plus tôt. |
| Professionnel établi au site A et domaine de pratique de la discipline 9, encore une fois, tout cela est exclusif, donc il ne sera pas divulgué de quoi il s'agit ; c'est juste un type particulier de professionnel. |
| Vous obtenez cette très grande différence de |
| dans l'intervalle de confiance de 95 %, quelque part entre zéro et neuf avec une médiane de deux. |
| Cela peut perturber les gens, ces petites statistiques peuvent perturber les gens, car ils s'attendent à ce que les choses soient plus régulières que cela. |
| Il y a des limites au modèle et à l'approche. |
| Les données, la qualité des données, comptent toujours. Les domaines peu fréquemment embauchés avec des compétences rares seront essentiellement absents de l'ensemble de données selon toute vraisemblance si les données sont collectées sur une courte période. |
| Mais d'un autre côté, beaucoup de variables externes sur lesquelles vous n'avez aucun contrôle |
| Peut être |
| changer au cours de la période de collecte des données si vous utilisez une longue période comme base pour ces analyses. |
| Et l'approche de modélisation ne considère pas l'auto-cannibalisation. Si vous avez deux demandes de poste ouvertes dans un domaine et que les candidats postulent aux deux ou en choisissent-ils un. Peut-être que dans certains cas, ils choisissent celui qui leur semble être la meilleure chance. |
| Ce modèle ne fait rien à ce sujet, mais représenterait le résultat du monde réel simplement en capturant ce qui se passe. |
| Cependant, cela ne représente pas l'étendue des opportunités manquées, car si vous souhaitez probablement qu'ils postulent à tous pour lesquels ils pourraient être qualifiés, juste pour voir où ils pourraient s'intégrer. |
| Conclusion donc. Certaines réponses à une demande d'emploi à une offre d'emploi ont tendance à être distribuées sous forme de Poisson ou de Gamma-Poisson. |
| Et cela a été vérifié sur un grand ensemble de données composé d'environ 2 500 demandes au total. |
| Les paramètres de distribution pour la réponse de l'application varient considérablement. |
| Si normalisé |
| ils peuvent être adaptés à des profils communs. |
| Et ces modèles concis qui résultent des profils communs facilitent la génération de modèles synthétiques de demande aléatoire. |
| Cela permettrait à une personne de faire une sorte de cadrage ou d'analyse sur |
| probabilités |
| sur différentes circonstances. |
| Je pense qu'il est important de mentionner que les modèles d'arrivée des candidatures peuvent combler une lacune importante pour comprendre le cycle de vie complet des employés, car ils fourniront une perspective aux responsables du recrutement et aux professionnels du recrutement concernant ces biais de modèle. |
| Ils peuvent être utilisés dans des modèles à événements discrets ou basés sur des agents pour générer des candidats si vous souhaitez le faire de manière réaliste. |
| Et |
| peut-être le plus important, d'un point de vue économique, |
| c'est une façon d'encadrer le coût par candidat par rapport aux caractéristiques de l'emploi et à divers autres facteurs externes ajustables et hors de contrôle. |
| Cela donnerait alors une meilleure compréhension de ce à quoi s'attendre en termes de rapidité avec laquelle les choses pourraient être remplies, à quelle vitesse les ouvertures pourraient être remplies et combien cela coûterait pour le faire |
| en fonction des relations avec la publicité, etc. |
| Cela conclut ce que je voulais présenter aujourd'hui et |
| Je dirai simplement que si vous avez des questions, vous devriez avoir les coordonnées de ce |
| vidéo, ou où elle est placée, et n'hésitez pas à tendre la main. |
| Christy Espagne | D'accord, c'était super. |
| ouais sauf pour la partie où mon truc n'a pas fonctionné parce que j'ai foiré la DEMO. |
| Mais c'était un bon, sûr, c'était un bon SAVE J'ai finalement réalisé ce que je faisais. |
| ouais JMP ne fera pas de choses stupides, peu importe à quel point vous le voulez. |
