398673_zh-CN

liliconcom

用于人才获取模拟和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。就业申请的到达是一个随机过程，对雇用和入职人才所需的后续审查、决策和谈判步骤造成限制和延误。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，以及模拟从发布职位申请到入职的流程和时间安排。本演示文稿表明，可以使用伽马-泊松分布的集合（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离散参数分布），使用来自大型研究组织在多个阶段收集的应用程序数据，有效地对应用程序到达行为进行建模。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，今天怎么样。
	我很好，你怎么样。
克里斯蒂·西班牙	很好，谢谢。
	托尔，你在哪里？
	是的，克里斯蒂西班牙。
	还有新墨西哥州阿尔伯克基。
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。
	飓风从这里袭来。
	球霸们会降低温度。
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太多事情，而且我也没有太注意。
	出色地。
克里斯蒂·西班牙	我有点措手不及，但是你知道，昨天打高尔夫球的时候非常艰难，所以这里的每个人都在加油，因为管道现在已经关闭了。
	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，让我们看看你去年有没有为我们录制过任何录音。
	去年我自己做了。
	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？
	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内容，但我不能，因为我没有链接。
克里斯蒂·西班牙	我上传的是啥啥东西。
	和演示材料。
克里斯蒂·西班牙	好的，我会找出该链接适合您。
	所以我回去查看了我的旧电子邮件，我找不到它，我想得很好。
	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进行记录。
	好的，是的。
克里斯蒂·西班牙	让我找到一个小清单，但该清单的一部分在您的应用程序中关闭。
	我会去做那件事。
	您不需要微软团队。
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。
	现在可能也不需要。
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，而是给你这个东西，你应该弄清楚它。
克里斯蒂·西班牙	好吧，我输入了帮助部分 D amp D，它的表现就像我正在寻找任何消息或类似的东西，我的好吧，或者我关闭它也很好。
	可以，然后呢。
	我有一些申请打开，但是。
	看看那个寄生团队的小事。
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 一样仍然在那里，因为他们希望无论如何都能联系到你。
克里斯蒂·西班牙	你知道，我认为也许我们应该让你拍一张背景。
	它说没有侵犯版权，但你知道那里有很多书，所以也许吧。
	哦，好吧，我这里确实有书，我认为这没什么大不了的，因为你无法真正阅读它们，但没关系。
克里斯蒂·西班牙	我不知道我会讨厌这样做。
	必须给你回电话并说我要放手了。
	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。
	他们所有的团队都消失了。
	好的，这些背景，我对此有所了解。
	我必须回到 Outlook。
克里斯蒂·西班牙	或者你也可以，也许我们会的。
	看，我从来没有用过它们。
	A确实从未使用过它们。
	是的，因为他们分析得很模糊。
	是的。
	你知道，每当你做一些移动的事情时，我都会看到人们使用它们，并且东西会变得模糊，他们会看到房间里的所有垃圾。
	如此从见。
	塔尼娅。
	塔尼娅这么新的症状。
	我们就这样吧。
	这些是社交板块，您知道什么是社交板块。
	虚拟背景如此蓝色的散点图。
	我就这么做。
	快点。
	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的下面，但事实并非如此。
	好吧，我不清楚鸭子在哪里。
	哪里可以找到点。
克里斯蒂·西班牙	嗯，你知道在底部，你可以在哪里共享屏幕和聊天。
	所有这些还有更多。
	但我没有看到任何可以改变背景的选项。
	也不要。
克里斯蒂·西班牙	我们在许多不同的事物之间来回穿梭。
	这里的工具很难。
	让我们快速搜索一下。
	光滑相机下的虚拟背景。
	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，很好，因为我不确定我是否能够做很多其他事情，所以现在我们有了背景，如果我移动很多，那么效果很好，实际上只有一点点搞砸了，好吧。
克里斯蒂·西班牙	和
	你自动有任务栏了吗？
	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，在一个没有任何东西的地方。
	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，我不知道为什么。
	是吗.
	任务栏设置就到这里了。
	周一在桌面模式下自动隐藏测试测试栏。
	在。
	好的，现在它似乎是自动隐藏的，除非它没有隐藏。
克里斯蒂·西班牙	好吧，如果你向上滚动它就会消失。
	所以唯一出现的是如果。
	我有一些活动消失得很好。
克里斯蒂·西班牙	然后你的声音就很棒了。
	和
克里斯蒂·西班牙	我会让你练习分享，这样我们就可以检查你的决心，等等。
	好吧，走着瞧。
	肯定是某个特定的事情会成为问题。
	为了分享屏幕，我将展示您的样子。
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 应用程序之间来回翻转，以便能够进行展示。
	我的屏幕。
	所以不知何故我结束了。
	有了屏幕，我就把你带到了这里的一个小窗口里。
克里斯蒂·西班牙	在顶部，您可以进行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，因为反正没人想见我。
	今天都是关于你的。
	显示小活动发言人视频缩略图视频。
	好吧，这告诉你了。
	它向我们俩展示了一个网格。
	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，我可以看到你的 PowerPoint 很悲伤。
	好吧，这是我的 PowerPoint 处于常规写作模式时遇到的一个问题。
	但如果我进入演示视图。
	它变得更大，但随后我必须在该视图和另一个视图之间来回切换。
	当你做视频的时候。
	您是否要关注相关部分，或者您只是要在屏幕上显示正在发生的任何内容。
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，如果您需要退出该模式并调出 JMP 屏幕，您可以这样做。
	回去有意义吗？如果我们最终看到你知道你的一些。
	是的，看起来很棒。
	好的，所以我想这就是我们要做的，我会在必要时退出并转到 JMP。
克里斯蒂·西班牙	您想快速尝试一下吗，这样我们就可以确保它的尺寸合适等等。
	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，现在我需要这样做。
	请确认您的公司名称和摘要标题。
	我的名字是托尔·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。 然后您就会明白，这些信息正在被记录下来供探索峰会使用。
	JMP 会议并将在 JMP 用户社区中公开发布。 您是否允许这种使用和记录？
	谢谢。
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，然后
	只要你准备好了就可以出发。 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？
	好吧，目标是直接通过，我需要多长时间？
克里斯蒂·西班牙	30分钟。
	好吧，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，所以如果有点过头了也没关系。
	好的，现在，在我们走之前，有一个小窗口显示正在说话以及谁正在说话。
	因为他们缩小了小视频的大小。
	好吧，我的屏幕是否显示演示视图，或者是否通过右下角的小插入来显示演示视图。
克里斯蒂·西班牙	我看到的只是演示视图。
	好吧，所以他们以某种方式浮动了这个。
克里斯蒂·西班牙	这一定很烦人。
	没关系，只要不妨碍我的意思是我不会在那里放任何东西。
克里斯蒂·西班牙	没关系。
	是的。
	好的。
克里斯蒂·西班牙	好吧，我会继续保持沉默，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与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。 一是提出业务案例来说明为什么要对就业申请到达时间进行建模。 另一个目的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。
	然后我将演示来自大型研究组织的数据的过程，并简要展示您可以用它做什么。
	从技术上讲，我将重新理解这些数据，因为我认为这种数据对于大多数人来说有点不寻常。
	源模型，本质上，这是一个源建模
	分析，所以我将讨论泊松和伽马-泊松模型。
	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，动机分为三个基本领域。 一是完善人才引进流程和业务功能。
	另一个是提高领导公司的高管的理解，第三个是帮助制定招聘经理的期望。
	我将从人才引进开始。 雇用率和滞后取决于人才获取渠道中审查阶段的流程。 但关键的是，你必须有足够的就业申请，然后才能进行任何流程。
	而且，根据领域、发布的帖子的特殊性、竞争程度、广告的多少等因素，费率和模式会有很大差异。
	应用程序到达的通用数学框架可以更好地理解交易空间，从而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、实践领域的关系。
	可调整变量的捕获率影响广告职位发布的特异性、发布语言——我指的不是英语与西班牙语，而是事物的构建方式。
	并有针对性地开展招聘工作。 然后是外部因素对捕获率的影响，例如经济条件、实践领域的竞争、
	您在招聘领域真正接触到的专业人群有多少。
	我认为重要的是要认识到人才获取面临着项目或计划执行中常见的典型限制——时间、质量和成本。
	收集申请需要时间。 您希望获得高质量的申请人。 这需要花钱，而且你尝试走得越快，花费就越大。
	所以这里需要权衡。
	高管们经常通过劳动力规划来参与这一过程，这是一个包罗万象的术语，但基本上，你知道，年度计划。
	但是，如果缺乏相关模型和有关成本的反馈，对人员预算或流程的典型约束和分配的考虑可能是主观的或不存在的。
	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。 部分原因是缺乏信息，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。
	基本上我们处理的是少量的统计数据和少量的应用程序。
	人类确实容易受到模式偏见的影响，而且大多数招聘经理不会每周都招聘员工，因此他们不习惯在很长一段时间内从大量不同案例的角度来看待这个问题。
	这可能会导致他们锚定在他们面临的最后一种情况中，这可能会导致模式偏差，他们会看到从一周到下一周的申请者数量，并得出结论，这一定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会导致过度反应，因为与小数据统计一样，如果您不将其放在这种背景下，您会得到错误信息。
	关于数据。 到达数据与特定的工作申请相关。 因此，您有一份工作申请，该申请有一个发布，以及发布后收到的申请。
	它们的特点有几个：职业生涯阶段；
	可见性，可见的范围有多大；
	实践领域，你正在做什么；
	以及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，因此通常有一个明确的时间范围。
	它们按日期进行跟踪。
	现在，在这种情况下，稍后使用真实数据进行分析时，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，正如实际数据中经常发生的那样，我们并没有拥有我们想要的所有数据。
	最后我要说的是
	您正在计算每天的申请数量。 当您看到一天的申请为零时，即计数为零。
	因此，考虑到全国范围内招聘职位的潜在申请人，
	雇主向世界发布信息。
	国家潜在申请人库中的一些人提出了申请。
	人们普遍认为，相对于能做到这一点的人总数来说，能做到这一点的人很少。
	所以你就有了如此庞大的申请者群体。 它是一个源以及该源上的任何应用程序或轻微扰动。
	而且，非常明确地说，这对于习惯于处理泊松数学的人来说可能非常无聊，但是
	如果您在第一天看到一份申请到达，那就是计数为一的一个实例。 第二天没有收到申请。 这是计数为零的一个例子。 因此，在最右侧，您会看到三个零实例、三个一实例、一个二实例和一个三实例。
	这是可以拟合的，虽然数据不是很多，但是可以用泊松模型拟合，你可以看到右下角的蓝线。
	因此，平均每天有一个应用程序到达，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计数的概率，这些离散项目具有每单位时间的恒定平均发射率 Lambda。
	你就得到了这个方程。 而且，在数到四的情况下，在上一张幻灯片中显示出的概率非常小，
	你基本上有一到第四个。
	乘以 e 减去 Lambda，所以基本上是 37%
	除以四阶乘，即 24，大约是百分之一半，其概率虽小但非零。
	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，因此泊松模型可能是有意义的。
	所以这是一个合理的初始假设。
	现在，如果他们真的互动怎么办？
	然后，可以根据 Gamma-Poisson 源模型来设想，它本质上是使用 Gamma 分布作为混合分布的泊松分量。
	或者您可以将其视为模糊的泊松分布，因为速率（平均速率）不是恒定的平均速率，而是从一个时刻到下一个时刻都会发生变化。
	这可以在申请人以协调的方式行事的另一种假设下发生，
	如果存在人们相互谈论工作机会等问题的网络，这种情况就可能发生。
	现在这里是
	关于如何生成伽马-泊松的幻灯片。 这是基本的东西，但我发现查看这些发行版会很有帮助。
	所以我要突破并在JMP中做一个小DEMO。
	现在你在这里看到的，随机伽玛四一，只是意味着参数为四和缩放参数为一的随机伽玛，所以平均值是四。
	你看一下分布。 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。
	平均数约为四，当您多次执行某件事时就会发生这种情况。
	这几乎就是它应该的样子。
	现在，获取该发行版并使用它
	作为随机泊松的馈送。
	你明白了。
	这看起来不像以前的泊松分布，因为它被涂抹掉了。
	如果您查看泊松拟合，您会发现最佳拟合
	平均四个，这就是它真正能做的，
	具有比伽玛泊松更窄的色散，只是为了验证是的，它是伽玛泊松，
	看那里的红线。
	而且它真的非常非常适合。
	几乎完美。
	所以，从本质上讲，这是一个经历了这个过程的案例
	沟通过程中，如果你愿意的话，泊松不再是最好的模型。
	我刚刚展示的案例显示在该四面板的右上角。
	西格玛等于二，即二的过色散参数。
	如果过度色散参数为 1，则左上方的 Sigma 等于 1，那么这与泊松分布本质上是相同的。
	但随着过度色散参数的增加，从驼峰到尾部，变成看起来更像衰减指数的东西。 你会看到右下角的蓝色部分，
	这里的颜色与之前的颜色相反，所以如果有任何混淆，抱歉。
	现在这是真实数据。
	因此，这是一个广泛接触的早期职业机械工程职位的例子。
	140 个应用程序创建 131 个计数，其中许多计数为零，因此该计数分布在一段时间内（131 天）。
	伽马-泊松最适合，您可以在左上角看到这一点。
	我使用 Akaike 的标准，AIC
	公制。
	在左下角，你会看到
	一个经验丰富的职位。 现在，经验丰富的专业人士没有大学安置人员等的网络。
	或者必然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，也许这就是为什么你会看到更经典的泊松行为以及经验丰富的专业反应的原因。
	在这里展示一下，它似乎也与申请数量相关。 其他重要的因素似乎是
	职业生涯阶段。
	正如我刚才提到的，FLSA 状态（非豁免）意味着技术人员而不是豁免员工。
	这些因素似乎很重要，但随着应用程序数量的增加，肯定会存在偏差，变得更有可能是伽玛泊松分布。
	现在，如何准备这些数据以供分析。 按工作要求划分的申请日期
	表格设置零值
	当没有计数时。
	然后对每个要求拟合泊松和伽玛-泊松，找出哪一个为您提供更好的 AIC 值。
	同时，每个申请用一行或一行制作申请汇总表，然后将它们融合在一起以给出泊松和伽马泊松的参数，以及告诉您哪一个更有可能的 AIC 参数更合适。
	子集化后，您会得到泊松的摘要和伽马-泊松的摘要，因为这些很难一起处理。
	您可以使用西格玛为 1 的伽马泊松，但最终会出现零通货膨胀，并且处理起来变得复杂，所以我只是将它们分开处理。
	无论使用哪个子集，该过程都会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。
	然后我会看看所有驱动条件的共同分布是否合理，在这种情况下，本质上是站点位置、早期或晚期职业等的申请背景。
	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，该方法就会失败，而且目前我还没有机制来处理它，所以幸运的是，这种情况没有发生，但这是未来值得考虑的事情。
	因此，这是一些按上下文划分的泊松参数分布，其中上下文与站点有关，无论是早期还是晚期职业生涯，或者您可以说，
	以及它是哪个实践领域。 其中每一个都有一个“B”，意思是广泛的，因为分析仅限内部的工作申请是一件困难的、不同的事情，机会也更加有限，所以我在本次演示中只坚持广泛的案例。
	您可以看到，平均方差因请购单上下文的不同而明显不同，不，它们不属于同一分布。 您可以轻松地证明这一点。
	查看较小的子集，即初始块，即站点 A 的早期集合，更明显的是，平均值和标准差遍布整个地图。
	现在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。 我将采用泊松参数输出，并且我将使用申请上下文，这是多级的
	主观变量。
	运行它，您会看到 R 方约为四点。 这意味着
	这并非微不足道。 模型拟合度实际上非常好。
	而且这个参数的拟合度非常好。 它并没有涵盖所有差异，但这没关系，因为我们不希望它涵盖所有差异；它只是说这是一个非常好的模型。
	它也可以纯粹作为表格来完成，但我喜欢这种方法，因为它使操作变得容易，并且让我了解在这种拟合中要处理多少可变性。
	它可以去这里，看看
	实际的预测，你看，是的，这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。
	所以你在这里看到了。
	因为我已经这样做了，所以它会自动添加下标。
	你看这本质上就是
	一个常数
	加上请购单上下文的偏移量。
	不涉及火箭手术。
	但现在，如果我想做标准化，
	添加一列。
	打电话给这个
	再次诺姆泊松，因为我已经为了制作这个而做过一次了
	表放在首位。
	找到泊松。 这是我的泊松参数。 将其除以
	模型拟合。
	这实际上应该有效。
	不知道这里发生了什么。
	好吧，永远不要进行现场演示，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。 你永远不应该尝试将某物除以
	本身。 这就是为什么它不起作用。
	现在已经很固执了。
	好的。
	有时微妙的事情很重要。 这是归一化泊松。
	有趣的是
	你可以适应这个。
	从可用的瓶子中，您会发现 Johnson SL 最适合并且效果非常好。
	而且你还可以
	用 X 拟合 Y。
	取这个输出
	并根据请购单上下文进行匹配。
	并得到这个单向图。
	这看起来比我之前展示的要规则得多。 更有可能的是，它们具有相同的分布。 当数据较多时，您会看到更大的范围，但事实并非如此，
	这并不奇怪，真的。
	如果您查看不等方差测试，您会发现没有迹象表明它们不等方差。
	这并不能证明它们不具有相同的分布，但这是一种说法，使用假设它们具有相同分布的模型是合理的。
	所以。
	回到这一点。
	哦，我还对每种情况与其他所有情况进行了柯尔莫哥洛夫-斯米尔诺夫检验，在 78 个案例中，只有一个案例的 p 值小于 0.05。
	P 值不能证明任何事情，但它确实表明，将这些来自同一分布的值视为合理的。
	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。
	并通过拟合优度检验
	再次，这似乎是合理的
	Johnson SL 是一个合理的模型，可用于描述此数据集的泊松参数分布（归一化泊松参数分布）。
	可以对 Gamma-Poisson 和该数据子集以及 Lambda 参数（即等效参数）执行相同的操作。
	这再一次奏效了。
	为了计算 Sigma 参数，我实际上使用 Sigma 减一，因为 Sigma 的基线为 1。
	如果你愿意的话，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对该效果进行建模。
	再次，你会得到一个合适的。
	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，生成基于上下文的线性模型。
	标准化参数分布并将其拟合到常见的参数连续模型。
	然后为了生成合成参数，从归一化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，对其进行“去归一化”。
	现在评估合成随机模型参数，我再次使用 KS 测试，你可以看到没有办法真正区分它们，所以至少这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。
	将其转换为一个函数，这样它就可以是一个可调用函数，然后，这在 JSL 中，是 JMP 脚本语言中的可调用函数
	用于以上下文作为输入（所有不同的上下文特征）生成随机工作申请的参数。
	现在，不打算讨论所有细节，但要点是您可以使用合成随机参数对创建可视化，这不仅可以让您了解事物通常在热图中的位置，还可以让您了解事物在热图中的位置。
	关于异常值的一种想法什么是合理的异常值以及它到底有多远。
	您还可以查看是否进行相关性计算 Lambda 和 Sigma 之间的相关性
	并且合成的Lambda和合成的Sigma之间几乎是相同的。
	它相当紧密地模拟了这种关系。
	然后，如果你用真实的数据来看这个，
	这是主图中的小黑点。
	百分之九十八的合成密度位于交叉影线指示的微红色区域中，该区域是中间的插图，周围有一个绿色方块。
	所有数据点，其中有 43 个，
	掉在那里。
	所以。
	这又是对真实发生的情况进行合理建模的综合模型。 这是可信的，但它向您展示了在其他百分之几的情况下可能会发生什么。
	这就是我所进行的建模，但是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
	招聘广告语言中的特殊性将使合格的人更少，可能会吓跑一些人。
	您可以查看该语言的制作方式。 如今，人们正在使用人力资源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次工作申请，您所获得的收入会产生多大的差异。
	您可以将这些视为模型的因素，然后您可以调整应用方式
	根据您的需要创建请购单时的这些功能。
	但现在我要切换到，好吧，这又是什么样子的。 再次是基本原则，因此对于每周 7 个泊松分布的情况，30% 的时间，计数将是 5 或更少。
	因此，您应该预期其中之一是您应该预期需要的应用程序数量
	获得具有相当竞争力的招聘选择所需的时间会有所不同，因为即使平均为七名，你得到的数字也会有很大差异。
	泊松的方差与参数相同，因此您会得到广泛的变化。
	因此，如果您习惯于考虑长期平均值
	或者由另一个案例锚定，您可能会被任何特定的实例抛弃。
	问题就在于这种模式识别偏差。
	聚类错觉是一种倾向，认为小样本中不可避免的条纹或聚类意味着正在发生非随机效应，有某种意图。
	正如 RD Clarke 在 1946 年对德国 V 弹的分析中发现的那样，这显然与泊松分布数据无关。
	地点落在伦敦地区。
	人们会看到分组的发生，他们会认为这意味着什么，但他能够通过将过程视为泊松分布来证明这是非常令人满意的
	分布式，这意味着无论如何您有时都会获得集群，并且肯定与您所看到的一样频繁。
	所以这意味着实际上发生的事情并不是他们的目标是什么，而是他们的总体目标是伦敦，而且他们通常会击中伦敦的某个地方。
	在本例中，查看作业，在三周内获得一个序列（其中计数减少或增加）的可能性约为 12%。
	在此示例中，获得两周计数下降（即一周计数大于另一周计数）的可能性为 45%。
	这些都是非常短的模式；它们不应该被认为有任何意义，但那些不了解统计数据本质的人可能会这样认为。 这才是真正的重点。 这可能会导致过度反应。
	现在，实践领域的差异大约是一个数量级。
	有些领域比其他领域更难获取，因此如果人们不理解这些差异，他们的期望可能会出现偏差。
	如果你从总体上看申请表，而不仅仅是从实践领域来看，你会发现 95% 的差异约为 25 倍
	范围从 2.5% 到 97.5%。 变化还是很大的
	在费率中。
	然后，如果您了解帖子语言的制作方式、范围有多窄、范围有多广，会如何影响这一点，
	语言吸引什么，宣传所有这些因素，
	然后你可以决定多少
	您想要提高这些速率并更快地完成流程。
	这是使用我之前讨论过的模拟模型的特定职位发布的案例。
	在站点 A 和实践领域 9 建立了专业人士，同样，这都是专有的东西，所以不会透露那是什么；那只是一种特殊的专业人士。
	你会发现这个非常广泛的差异
	95% 的置信度介于 0 到 9 之间，中位数为 2。
	这会让人们感到困惑，这个小数字统计数据会让人们感到困惑，因为他们期望事情会更加规律。
	模型和方法存在局限性。
	数据、数据的质量始终很重要。 如果在短时间内收集数据，那么具有稀有技能的不常雇用的领域很可能会从数据集中消失。
	但另一方面，很多外部变量是你无法控制的
	或许
	如果您使用较长的时间范围作为这些分析的基础，则数据收集的时间范围内会发生变化。
	并且建模方法没有考虑自我蚕食。 如果您在一个领域内有两份申请，申请人是同时申请这两项还是选择其中一项。 也许在某些情况下他们会选择他们认为最好的机会。
	该模型对此没有做任何事情，但仅通过捕获发生的情况来代表现实世界的结果。
	但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他们可能有资格的人，只是看看他们可能适合哪里。
	所以结论。 一些就业申请对职位发布的响应往往分布为泊松或伽玛泊松。
	这是通过包含约 2,500 份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综合随机申请模型。
	这将允许人们进行某种范围界定或分析
	可能性
	在不同的情况下。
	我认为值得一提的是，申请到达模型可以填补理解完整员工生命周期的重要空白，因为它们将为招聘经理和人力资源专业人员提供有关这些模式偏差的视角。
	如果您想以现实的方式做到这一点，它们可以在离散事件或基于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且无法控制的变量外部因素相比较的方法。
	那么，这将让我们更好地了解预期的情况，即填补职位的速度、填补空缺的速度以及这样做需要多少费用。
	取决于与广告的关系等。
	我今天要介绍的内容到此结束
	我只想说，如果您有任何疑问，您应该从这里获得联系信息
	视频或其放置位置，请随时与我们联系。
克里斯蒂·西班牙	好吧，那真是太棒了。
	是的，除了我的东西无法工作的部分，因为我搞砸了演示。
	但这是一个很好的、安全的、很好的保存，我终于意识到我在做什么。
	是的，JMP 不会做傻事，无论您多么想要它。

 

爆发数据可视化统计和建模