Conférencier | Transcription |
| Christy Espagne | Bon après-midi. |
| Bonjour comment vas tu aujourd'hui. |
| Je vais bien, comment vas-tu. |
| Christy Espagne | Bien merci. |
| Où te trouves-tu Thor. |
| ouais Christy Espagne. |
| Et à Albuquerque, au Nouveau-Mexique. |
| Christy Espagne | c'est ce que je pensais. |
| j'ai eu le droit. |
| Christy Espagne | à trois chiffres. |
| Pas tout de suite. |
| D'accord, nous avons un. |
| Ouragan venant du. |
| les porcs de balle vont faire baisser les températures. |
| Christy Espagne | Ok, quel est le nom de celui-là ? |
| 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 en quelque sorte pris au dépourvu, mais vous savez que le golf a été assez dur hier, donc tout le monde ici fait le plein d'essence, parce que le pipeline est maintenant fermé. |
| Alors, où êtes-vous. |
| Christy Espagne | Je suis au siège de Cary en Caroline du Nord, oui. |
| euh, voyons si tu as fini, as-tu fait des enregistrements pour nous l'année dernière ou. |
| J'ai fait le mien l'année dernière. |
| Peut-être l'une des raisons pour lesquelles nous faisons cela. |
| Cette fois. |
| Oh. |
| Christy Espagne | Ca c'est drôle. |
| euh laissez-moi voir, j'ai une petite liste de contrôle qui me permet de l'ouvrir, comme si je fermais trop de choses quand. |
| J'essayais de tout effacer, donc je n'ai reçu 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 dit que je suis censé télécharger des choses avant mon enregistrement, mais je ne peux pas parce que je n'ai pas de lien. |
| Christy Espagne | Je suis en train de télécharger et quelles sont les choses. |
| Et du matériel de présentation. |
| Christy Espagne | D'accord, je vais découvrir quel est ce lien pour vous. |
| Et donc je suis retourné et j'ai parcouru mes anciens e-mails, je ne les ai pas trouvés, je réfléchis bien. |
| Je suis. |
| Ce n’est pas grave mais. |
| Christy Espagne | Cependant, nous devrions certainement pouvoir continuer et enregistrer. |
| 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 des équipes Microsoft. |
| Christy Espagne | Vous n'avez rien de logo sur votre chemise donc c'est bien. |
| Pas de logo. |
| Je n’en ai probablement pas besoin pour le moment non plus. |
| Christy Espagne | Je n'arrivais pas à comprendre comment ne pas déranger les équipes. |
| Les équipes bien. |
| Une des choses à propos du moderne. |
| La technologie, c'est que les gens ne vous donnent plus d'instructions, ils vous donnent désormais ce truc et vous êtes censé le comprendre. |
| Christy Espagne | Eh bien, j'ai tapé et la section d'aide D et D et j'ai agi comme si je cherchais des messages ou quelque chose de ce genre, et mon ok, ou c'était bien, je l'ai fermé alors. |
| Bon alors. |
| J'ai quelques applications ouvertes mais. |
| Regardez ce petit truc d'équipes parasitaires. |
| Christy Espagne | nous allons bien donc. |
| 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 un des arrière-plans. |
| Il est 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 qu'on ne peut pas vraiment les lire, mais d'accord. |
| Christy Espagne | Je ne sais pas, je détesterais. |
| je dois vous rappeler et vous 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 recommencer. |
| je viens de me débarrasser des équipes. |
| ce sont toutes les équipes qui sont parties. |
| D'accord, donc ces arrière-plans, j'ai un truc là-dessus. |
| Je dois revenir à Outlook. |
| Christy Espagne | Ou vous pourriez peut-être que nous le ferons. |
| Vous voyez, je ne les ai jamais utilisés. |
| Je ne les ai vraiment jamais utilisés. |
| ouais parce qu'ils analysent le flou. |
| Ouais. |
| Vous savez, chaque fois que vous faites des trucs pour bouger, je vois des gens les utiliser et des trucs flous et ils voient tous les déchets qui sont dans leur chambre. |
| Voyez donc de. |
| Tanya. |
| Tanya, donc nouveau symptôme. |
| C'est parti 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. |
| Voilà donc maintenant la question qui serait de savoir comment faire. |
| Utilise les. |
| Voyons. |
| 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 exactement où sont les canards. |
| Où trouve-t-on des points. |
| Christy Espagne | Eh bien, vous savez en bas, où vous avez l'écran de partage et le chat. |
| Et tout ça, il y a un peu plus. |
| Mais c'est que je ne vois aucune option de changement en arrière-plan, là. |
| pas non plus. |
| Christy Espagne | Nous faisons des allers-retours entre tant de choses différentes. |
| les outils ici, c'est dur. |
| c'est faisons une recherche rapide. |
| Arrière-plan virtuel sous caméra lisse. |
| Oh. |
| Donc. |
| Et puis il faut savoir où se trouve le fond virtuel parce qu’ils ne l’ont pas dit. |
| Lequel devriez-vous 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 de pouvoir faire grand-chose d'autre, OK, alors maintenant nous avons l'arrière-plan et si je bouge beaucoup, cela fonctionne plutôt bien, en fait, il n'y a qu'un peu de ratés, d'accord. |
| Christy Espagne | et |
| Avez-vous automatiquement eu 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 où il n'y 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 que c'est oui. |
| 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 ne l'est pas. |
| Christy Espagne | Eh bien, si vous faites défiler vers le haut, cela disparaît. |
| Donc le seul apparaît si. |
| J'ai quelque chose qui se passe bien. |
| Christy Espagne | Et puis ton son est génial. |
| et |
| Christy Espagne | je vais vous permettre de vous entraîner au partage, afin que nous puissions vérifier votre résolution, et tout ça. |
| Voyons voir. |
| Bien sûr, une chose spécifique va poser problème. |
| Pour partager l'écran, je vais montrer à quoi vous ressemblez. |
| Christy Espagne | Eh bien, vous pouvez continuer et partager votre contenu. |
| ouais, mais je veux basculer entre les diapositives et l'application JMP donc je veux pouvoir les afficher. |
| Mon écran. |
| Alors, 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 visualiser et le modifier côte à côte ou c'est ce que j'ai. |
| Eteindre 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 petite vidéo du haut-parleur actif. |
| Ok, ça vous montre. |
| Cela nous montre à tous les deux, cela montre une grille. |
| Et cela rend le tout vraiment petit. |
| Et je ne me vois plus. |
| Mais je peux déplacer cette chose. |
| Christy Espagne | Eh bien, je peux voir que tu es triste avec ton PowerPoint. |
| Eh bien, voici donc une question que j'ai posée à mon PowerPoint en mode d'écriture normal. |
| Mais si je passe en mode présentation. |
| Cela s'agrandit, mais je dois ensuite 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 qui sont pertinentes ou allez-vous simplement montrer à l'écran tout ce qui passe. |
| Christy Espagne | ouais, nous allons juste montrer n'importe quoi. |
| Ainsi, la plupart des gens utilisent le mode présentation et ensuite, si vous avez besoin de sortir de là et d'afficher votre écran JMP, vous pouvez le faire. |
| et revenez en arrière, est-ce que cela a du sens, et si nous finissons par vous voir, vous en connaissez certains. |
| ouais, ça a l'air génial. |
| D'accord, je suppose que c'est ce que nous allons faire et je vais simplement m'échapper et aller chez JMP si nécessaire. |
| Christy Espagne | Voulez-vous essayer ça très rapidement, afin que nous puissions nous assurer que c'est la bonne taille, etc. |
| Ouais. |
| Christy Espagne | ça a l'air super. |
| D'accord. |
| Donc ça se voit. |
| Christy Espagne | OK, alors maintenant, j'en ai besoin. |
| confirmez le nom de votre entreprise et le titre du résumé, s'il vous plaît. |
| Je m'appelle 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 le Discovery Summit. |
| conférence JMP et sera disponible publiquement dans la communauté des utilisateurs JMP. Autorisez-vous cette utilisation et cet enregistrement ? |
| Merci. |
| Christy Espagne | Et je pense que nous sommes prêts, Thor, alors je vais me mettre en sourdine et |
| Vous pouvez y aller quand vous êtes prêt. Le but est de passer directement au travers. Je ne dirai rien ni ne t'arrêterai à moins que quelque chose de catastrophique n'arrive. Et ça ? |
| D'accord, le but est d'y aller directement et combien de temps suis-je censé avoir ? |
| Christy Espagne | 30 minutes. |
| D'accord, maintenant je pense que vous avez une petite marge de manœuvre car ils aiment laisser du temps à la fin de la lecture pour les questions et réponses, donc si cela dépasse un peu, ce n'est pas grave. |
| OK, maintenant, avant de partir, il y a cette petite fenêtre qui dit qui parle et qui parle. |
| Parce qu'ils réduisent la petite chose vidéo. |
| D'accord, mon écran affiche-t-il la vue de présentation, ou est-ce qu'il le montre, avec ce petit insert en bas à droite. |
| Christy Espagne | Tout ce que je vois, c'est la vue de présentation. |
| D'accord, donc ils font flotter ça d'une manière ou d'une autre. |
| Christy Espagne | Ça doit être ennuyeux. |
| C'est bon, tant que ça ne gêne pas, je veux dire, je ne mets rien là-bas. |
| Christy Espagne | c'est bon. |
| Ouais. |
| D'accord. |
| Christy Espagne | D'accord, je vais rester muet et ensuite tu seras prêt. |
| D'accord. |
| Donc, je m'appelle Thor Osborn. Je travaille aux Sandia National Laboratories en tant qu'analyste principal de recherche sur les systèmes. |
| Mon exposé 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. La première consiste à expliquer pourquoi vous souhaitez modéliser les heures d’arrivée des demandes d’emploi. Une autre solution consiste à montrer un processus simple permettant de créer un modèle concis et largement applicable à l’aide de ce type de données. |
| Ensuite, je démontrerai ce processus sur les données d'un grand organisme de recherche et montrerai brièvement ce que vous pouvez faire avec cela. |
| 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 sources, essentiellement, il s'agit d'une modélisation source |
| analyse, je parlerai donc des modèles de Poisson et Gamma-Poisson. |
| Je ferai quelques analyses et quelques transformations pour rendre cela plus facile à utiliser, puis j'aborderai brièvement la façon dont vous pourriez procéder pour créer des modèles. |
| Ainsi, en ce qui concerne les motivations, il existe trois domaines fondamentaux de motivation. La première consiste à améliorer le processus d’acquisition de talents et la fonction commerciale. |
| Une autre consiste à améliorer la compréhension des dirigeants qui dirigent l’entreprise, et la troisième consiste à 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 traversant les étapes de sélection dans le pipeline d’acquisition de talents. Mais l’essentiel est que vous devez disposer d’un nombre suffisant de demandes d’emploi avant de pouvoir poursuivre le processus. |
| Et les tarifs et les modèles varient considérablement en fonction du domaine, de la spécificité des publications publiées, de la concurrence, de la quantité de publicité que vous faites, etc. |
| Un cadre mathématique commun pour l'arrivée des applications pourrait permettre une meilleure compréhension de l'espace commercial afin d'améliorer les taux de capture des applications, |
| ainsi que d'autres choses. Certaines applications de relations clés capturent le taux et la variance par rapport au contexte d'emploi, au lieu de travail, au niveau de carrière et au domaine de pratique. |
| Impacts du taux de capture des variables réglables, spécificité de l'offre d'emploi, langue de publication - et par là je ne parle pas de l'anglais par rapport à l'espagnol, mais plutôt de la façon dont les choses sont encadrées. |
| Et des efforts de recrutement ciblés. Et puis les impacts du taux de capture de facteurs externes comme les conditions économiques, la concurrence dans le domaine de pratique, |
| quelle est la taille de la population professionnelle que vous touchez réellement dans votre zone de recrutement. |
| Et je pense qu'il est important de reconnaître que l'acquisition de talents se heurte aux contraintes typiques que l'on rencontre souvent dans 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 souhaitez obtenir des candidats de haute qualité. Cela coûte de l'argent, et plus vous essayez d'aller vite, plus cela coûtera cher. |
| Il y a donc des compromis à faire ici. |
| Les cadres sont souvent impliqués dans le processus par le biais de la planification des effectifs, qui est un terme fourre-tout mais, en gros, vous savez, disons un plan annuel. |
| Mais en l’absence de modèles pertinents et de retours d’information sur le coût des choses, la prise en compte des contraintes typiques et de l’allocation du budget ou des processus de personnel pourrait être subjective ou absente. |
| Et j’entends par là qu’au niveau exécutif, 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’informations, fournir des informations pourrait donc être un moyen d’améliorer cette situation. |
| Également, les attentes du responsable du recrutement. |
| Fondamentalement, nous avons affaire à un petit nombre de statistiques, à un petit nombre de candidatures. |
| Les êtres humains sont vraiment sujets à des biais caractéristiques, et la plupart des responsables du recrutement n'embauchent pas de personnes chaque semaine. Ils ne sont donc pas habitués à examiner cela sous l'angle d'un grand nombre de cas différents sur une longue période de temps. |
| Et cela peut conduire à un ancrage dans la dernière situation à laquelle ils ont été confrontés, cela peut conduire à un biais de modèle lorsqu'ils regardent le nombre de candidats qui descendent d'une semaine à l'autre et un chiffre qui doit signifier qu'ils ont accédé à toutes les personnes intéressées. |
| Et le problème avec ces réponses intuitives aux préjugés qui peuvent conduire à des réactions excessives car, comme toujours avec les statistiques sur de petits nombres, vous obtenez de la désinformation si vous ne les prenez pas dans ce contexte. |
| Alors un peu sur les 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 à la suite de la publication. |
| Ils sont caractérisés de plusieurs manières : emplacement du site ; phase de carrière; |
| la visibilité, dans quelle mesure elle est rendue 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 période pendant laquelle 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 les données réelles, nous ne disposons pas de toutes les données que nous souhaiterions avoir. |
| Et je dirai enfin ça |
| vous comptez le nombre de candidatures par jour. Lorsque vous ne voyez aucune candidature pour une journée, cela équivaut à zéro. |
| Donc, en pensant à un bassin national de candidats potentiels pour une offre d'emploi, |
| l'employeur diffuse des informations dans le monde entier. |
| Certaines personnes faisant partie du bassin national de candidats potentiels déposent des candidatures. |
| on suppose généralement que ce sera peu par rapport au total de ceux qui le pourraient. |
| Vous disposez donc d’un vaste bassin de candidats. Il s'agit d'une source et de toute application ou perturbation mineure sur cette source. |
| Et, pour être très explicite, cela pourrait être très ennuyeux pour les personnes habituées aux mathématiques de Poisson, mais |
| si vous voyez une application arriver le premier jour, cela équivaut à un décompte d’une. Le deuxième jour, aucune candidature n’arrive. C'est un exemple de décompte de zéro. Et ainsi, à l’extrême droite, vous voyez trois instances de zéro, trois instances de un, un deux et un trois. |
| Et cela peut être ajusté, même s'il ne s'agit pas de beaucoup de données, cela peut être ajusté avec le modèle de Poisson, et vous voyez la ligne bleue en bas à droite. |
| Il s'agit donc d'un taux moyen d'arrivée d'une demande par jour, mais le nombre réel par jour va varier à travers la distribution. Et c'est tout. |
| Ainsi, la distribution de Poisson peut être utilisée pour décrire la probabilité d'un décompte produit dans une unité de temps en émettant de manière aléatoire une source d'éléments discrets qui ont un taux d'émission moyen constant Lambda par unité de temps. |
| Et vous obtenez cette équation. Ainsi, dans le cas d'un décompte jusqu'à quatre, qui montrait une très faible probabilité dans la diapositive précédente, |
| vous en avez essentiellement un sur le quatrième. |
| fois e au moins Lambda, donc en gros 37% |
| divisé par quatre factorielle, ou 24, et donc quelque chose aux alentours de un pour cent et demi, ce qui correspond à une probabilité faible mais non nulle. |
| Donc, comme première hypothèse |
| nous supposerions que les membres du bassin national de candidats potentiels pour ce poste largement annoncé agissent de manière non coordonnée. |
| en ce qui concerne les opportunités d’emploi, un modèle de Poisson pourrait donc avoir du sens. |
| C'est donc une hypothèse initiale raisonnable. |
| Maintenant, que se passe-t-il s’ils interagissent ? |
| Ensuite, cela peut être conçu en termes du modèle 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 se produire s’il existait des réseaux de personnes discutant entre elles des opportunités d’emploi, etc. |
| Maintenant, voici |
| une diapositive sur la façon de générer le Gamma-Poisson. Ce sont des éléments basiques, mais je trouve que consulter ces distributions peut être utile. |
| Je vais donc sortir et faire une petite DÉMO dans JMP. |
| Maintenant, ce que vous voyez ici, Gamma aléatoire quatre-un, signifie simplement Gamma aléatoire avec un paramètre de quatre et un paramètre de mise à l'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 celle que vous avez vue sur la diapositive. |
| La moyenne est d'environ quatre, ce qui arrive lorsque vous faites quelque chose plusieurs fois. |
| c'est presque exactement ce que c'est censé être. |
| Maintenant, prenez cette distribution et utilisez-la |
| comme aliment pour un Poisson aléatoire. |
| Et vous comprenez ceci. |
| Ce qui ne ressemble pas au Poisson d'avant car il a été étalé. |
| Si vous regardez un ajustement de Poisson, vous constaterez que le meilleur ajustement |
| pour quatre en moyenne, ce qui est tout ce qu'il peut réellement 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. |
| Et ça va vraiment très bien. |
| Presque parfaitement. |
| Et donc, essentiellement, 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 présenté ici en haut à droite de ce panneau quadruple. |
| Sigma est égal à deux, le paramètre de surdispersion étant égal à 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. |
| Mais à mesure que le paramètre de surdispersion augmente, on passe d'une bosse suivie d'une queue à quelque chose qui ressemble davantage à une exponentielle décroissante. Vous verrez cela en bas à droite en bleu, |
| les couleurs sont changées ici à l'opposé de ce qu'elles étaient auparavant, donc s'il y a une confusion à ce sujet, désolé. |
| Voici maintenant des données réelles. |
| C’est donc le cas des offres d’emploi en génie mécanique largement accessibles en début de carrière. |
| 140 applications pour créer 131 comptes, dont beaucoup sont nuls, donc cela 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 ne disposent pas de réseaux, par exemple de personnes effectuant des stages universitaires, etc. |
| Ou forcément l’immersion constante avec d’autres personnes que l’on verrait en milieu universitaire. Ce n'est pas une preuve de quoi que ce soit mais juste une manière de rationaliser le fait que c'est peut-être la raison pour laquelle vous voyez un comportement de Poisson plus classique avec généralement des réponses professionnelles expérimentées. |
| Et juste pour montrer ici, cela semble également être en corrélation avec le nombre de candidatures. D'autres facteurs qui seraient importants semblent être le |
| 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, il devient plus probable qu'elles soient distribuées Gamma-Poisson. |
| Maintenant, comment ces données sont préparées pour l’analyse. Dates de candidature par demande d'emploi. |
| Zéros de réglage tabulés pour |
| quand il n'y a pas de compte. |
| Et puis ajustez le Poisson et le Gamma-Poisson pour chaque demande pour savoir lequel vous donne la meilleure valeur AIC. |
| En parallèle, un tableau récapitulatif des demandes a été réalisé avec une ligne, ou une ligne, par demande, puis celles-ci sont fusionnées pour donner les paramètres du Poisson et du 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 ceux-ci sont difficiles à traiter ensemble. |
| Vous pouvez utiliser le Gamma-Poisson avec un sigma de un, mais vous vous retrouvez alors 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 un modèle linéaire d'ajustement pour le paramètre par rapport aux pilotes. |
| Le paramètre est normalisé par le modèle. |
| Et puis je regarde si une distribution commune est plausible pour toutes les conditions de conduite, 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 l'ensemble de données. |
| Sinon, l'approche échoue et je n'ai, à ce stade, aucun mécanisme pour y faire face, donc par hasard, cela ne s'est pas produit, mais c'est une chose à laquelle il faut réfléchir pour l'avenir. |
| Voici donc une distribution des paramètres de Poisson par contexte où le contexte est lié au site, qu'il s'agisse d'un début ou d'une fin de carrière, ou d'un établissement établi, pourriez-vous dire : |
| et si c'est, eh bien, quel domaine de pratique. Chacun d'entre eux a un « B » signifiant large, car l'analyse des demandes d'emploi internes uniquement est une chose difficile et différente avec des opportunités beaucoup plus limitées, et je m'en tiens donc 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 réquisition, et non, ils ne relèvent pas de la même distribution. Vous pouvez le démontrer facilement. |
| En regardant un sous-ensemble plus petit, juste la partie initiale, le premier ensemble du Site A, il devient plus évident que les moyennes et les écarts types sont partout sur la carte. |
| Maintenant, je vais aussi faire une petite démo. |
| J'ai donc ces données. |
| Maintenant, c'est un modèle très simple. Je vais prendre la sortie du paramètre Poisson, et je vais utiliser le contexte de réquisition, qui est ce multi-niveau |
| 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 anodin. L'ajustement du modèle est en fait plutôt bon. |
| Et l’ajustement de 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 ; cela veut simplement 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 l'ampleur de la variabilité prise en compte dans cet ajustement. |
| Il peut aller ici et regarder le |
| réel par prévu, 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 abonné. |
| Vous voyez que cela revient essentiellement à |
| une constante |
| plus une compensation par contexte de réquisition. |
| Il n'y a pas de chirurgie à la fusée. |
| Mais maintenant, si je veux faire une normalisation, |
| ajouter une colonne. |
| Appelle ça |
| Norm Poisson Encore une fois parce que je l'ai déjà fait une fois dans le but de réaliser ceci |
| table 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 live, c'est la règle, mais cela a toujours fonctionné dans le passé, et je ne suis vraiment pas sûr de 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 pour ça que 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 l'adapter. |
| Et d'après les 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 Oneway. |
| Cela a l'air beaucoup plus régulier que le précédent que j'ai montré. Beaucoup plus plausible que ceux-ci aient la même répartition. Vous verrez une plage plus large sur ceux qui contiennent plus de données, mais ce n'est pas le cas, |
| ce n'est pas vraiment surprenant. |
| Et si vous regardez le test des variances inégales, vous pouvez voir que rien n’indique qu’il s’agit de variances inégales. |
| Cela ne prouve pas que ce n'est pas le cas, mais c'est une façon de dire qu'il est raisonnable d'utiliser un modèle dans lequel vous supposez qu'ils ont la même distribution. |
| Donc. |
| Revenons à cela. |
| Oh, j'ai également 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 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 uniquement de la même distribution. |
| Et voici juste la version agrandie pour ce sous-ensemble plus petit juste avant, mais vous pouvez voir que cela est plausible ; ce n'est pas une preuve, mais c'est plausible. |
| Et avec le 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 normalisée des paramètres de Poisson, pour cet ensemble de données. |
| La même chose peut être faite pour le Gamma-Poisson et ce sous-ensemble de données, ainsi que pour 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 car Sigma est sur une base de référence 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 souhaitez donc pouvoir modéliser cet effet en son sein. |
| Encore une fois, vous obtenez un ajustement décent. |
| Dans ce cas, il s'agit du 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. |
| Normalisez une distribution de paramètres et ajustez-la à un modèle continu paramétrique commun. |
| Et puis, 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 le « dénormaliser ». |
| Maintenant, en évaluant 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 réalisé un modèle composite. |
| J'ai transformé cela en 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 d'emploi aléatoire avec le contexte comme entrée, toutes les différentes fonctionnalités du 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 se trouvent généralement les choses dans cette carte thermique, mais également |
| une sorte d'idée des valeurs aberrantes, de ce qu'est une valeur aberrante plausible et jusqu'où va-t-elle réellement. |
| 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 s'agit de modéliser cette relation d'assez près. |
| Et puis, si vous regardez cela avec les données réelles ajoutées, |
| qui sont des petits points noirs dans le graphique principal. |
| Quatre-vingt-dix-huit pour cent de la densité synthétique se trouvent dans la région rougeâtre indiquée par les hachures croisées, qui sont l'encart central entouré d'un carré vert. |
| Tous les points de données, au nombre de 43, |
| tomber là. |
| Et ainsi. |
| Encore une fois, le synthétique modélise assez bien ce qui se passe réellement. C'est crédible, mais cela vous montre ce qui pourrait arriver dans les quelques autres pour cent de cas. |
| C'est donc tout ce que j'ai fait pour la modélisation, mais ce que vous pouvez voir, c'est que vous pouvez utiliser le contexte ; vous pouvez utiliser d'autres variables comme combien |
| la spécificité est mise dans le langage de l'offre d'emploi, ce qui va rendre moins de personnes qualifiées, et va peut-être effrayer certaines personnes. |
| Vous pouvez observer la manière dont le langage est conçu. De nos jours, les gens utilisent des outils 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 ajuster la manière dont vous postulez. |
| ces fonctionnalités dans la création de demandes d'achat en fonction de vos besoins. |
| Mais maintenant, je vais passer à la question : 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 le nombre de candidatures requises soit |
| le temps requis pour obtenir une sélection de location raisonnablement compétitive va varier, car même avec une moyenne de sept, le nombre que vous obtiendrez va varier considérablement. |
| La variance du 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 déstabilisé par n'importe quelle instance spécifique. |
| Et le problème est ce biais de reconnaissance des formes. |
| L'illusion de regroupement est cette tendance à considérer que les inévitables stries ou groupes arrivant dans de petits échantillons signifient qu'il y a un effet non aléatoire, qu'il y a une sorte d'intention. |
| Et cela n'est clairement pas pertinent pour les données distribuées de Poisson, comme l'a découvert RD Clarke en 1946 avec son analyse de la bombe V allemande. |
| sites tombant sur 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 satisfait en regardant le processus comme Poisson. |
| distribué, ce qui signifie que vous obtiendrez des clusters de toute façon parfois, et certainement aussi souvent que vous l'avez vu. |
| Cela signifiait donc que ce qui se passait n'était pas qu'ils visaient quelque chose en particulier, mais qu'ils visaient Londres en général et qu'ils frappaient généralement quelque part à Londres. |
| Dans ce cas-ci, en ce qui concerne 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 décompte de deux semaines, c'est-à-dire plus grand que l'autre, est de 45 %. |
| Ce sont des modèles très courts ; ils ne devraient pas être considérés comme signifiant quoi que ce soit, mais ils peuvent être considérés 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. |
| Or, la variabilité selon le domaine de pratique est d’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 examinez les demandes de personnel en général, et pas seulement par domaine de pratique, vous pouvez constater une différence d'un facteur 25 dans les 95 % |
| varient de 2,5 pour cent à 97,5 pour cent. C'est toujours une énorme variabilité |
| dans les tarifs. |
| Et puis si vous compreniez comment cela était affecté par la façon dont le langage de la publication était rédigé, dans quelle mesure, de manière étroite et générale, |
| ce que la langue attire, faisant la publicité de tous ces facteurs, |
| alors tu pourras décider combien |
| vous souhaitez contribuer à augmenter ces taux et à 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 sur le site A et dans le domaine de pratique 9, encore une fois, tout cela est exclusif, donc cela ne sera pas divulgué quant à ce que c'est ; c'est juste un type particulier de professionnel. |
| Vous obtenez cette très grande différence de |
| sur un niveau de confiance de 95 %, entre zéro et neuf avec une médiane de deux. |
| Cela peut déstabiliser les gens, ces statistiques en petit nombre peuvent déstabiliser 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, leur qualité, comptent toujours. Les domaines rarement embauchés avec des compétences rares seront probablement essentiellement absents de l'ensemble de données si les données sont collectées sur une courte période. |
| Mais d’un autre côté, un grand nombre de variables externes sur lesquelles vous n’avez aucun contrôle |
| peut être |
| changeant au cours de la période de collecte des données si vous utilisez une période longue comme base pour ces analyses. |
| Et l’approche de modélisation ne prend pas en compte 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 une. Peut-être que dans les cas où 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. |
| Cela ne représente cependant pas l'ampleur des opportunités manquées, car si vous souhaitez probablement qu'ils postulent à tous, ils pourraient être qualifiés simplement pour voir où ils pourraient s'intégrer. |
| Donc conclusions. Certaines réponses aux demandes d'emploi à une offre d'emploi ont tendance à être distribuées sous la forme Poisson ou Gamma-Poisson. |
| Et cela a été vérifié sur un vaste ensemble de données comprenant environ 2 500 demandes au total. |
| Les paramètres de distribution de la réponse de l'application varient considérablement. |
| Si normalisé |
| ils peuvent s'adapter à des profils communs. |
| Et ces modèles concis qui résultent des profils communs facilitent la génération de modèles synthétiques de réquisition aléatoire. |
| Cela permettrait à une personne de faire une sorte de cadrage ou d'analyse sur |
| probabilités |
| dans des circonstances différentes. |
| Je pense qu'il est important de mentionner que les modèles d'arrivée des candidatures peuvent combler une lacune importante dans la compréhension du cycle de vie complet des employés, car ils fourniront une perspective aux responsables du recrutement et aux professionnels du recrutement concernant ces biais caractéristiques. |
| Ils peuvent être utilisés dans des modèles à événements discrets ou basés sur des agents comme moyen de générer des candidats si vous souhaitez le faire de manière réaliste. |
| Et |
| peut-être plus important encore, d’un point de vue économique, |
| c'est une façon de cadrer le coût par candidat par rapport aux caractéristiques de l'emploi et à diverses autres variables externes réglables et hors de contrôle. |
| Cela permettrait alors de mieux comprendre à quoi s'attendre en termes de rapidité avec laquelle les choses pourraient être remplies, à quelle vitesse les ouvertures pourraient être comblées 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 site |
| vidéo, ou l'endroit où elle est placée, et n'hésitez pas à nous contacter. |
| Christy Espagne | D'accord, c'était génial. |
| ouais, sauf pour la partie où mon truc n'a pas fonctionné parce que j'ai foiré la DÉMO. |
| Mais c'était une bonne sauvegarde, c'était une bonne SAUVEGARDE. J'ai finalement réalisé ce que je faisais. |
| ouais, JMP ne fera pas de bêtises, peu importe à quel point vous le souhaitez. |
