Conférencier | Transcription |
| Christy Espagne | Bon après-midi. |
| Bonjour, comment vas-tu aujourd'hui. |
| Je vais bien, et toi ? |
| Christy Espagne | Bien merci. |
| Où es-tu situé Thor ? |
| ouais Christy Espagne. |
| Et Albuquerque au Nouveau-Mexique. |
| Christy Espagne | c'est ce que je pensais. |
| j'ai eu le droit. |
| Christy Espagne | il y a trois chiffres là-bas. |
| Pas maintenant. |
| Ok, nous en avons un. |
| Ouragan venant de. |
| Les hérissons vont faire baisser les températures. |
| Christy Espagne | Ok, quel est le nom de celui-là ? |
| Je ne sais pas, normalement ça n'arrive pas souvent et je n'y ai pas vraiment prêté attention. |
| Bien. |
| Christy Espagne | Je suis en quelque sorte pris au dépourvu, mais vous savez que c'est arrivé au golf, ils ont été assez durs hier, alors tout le monde ici fait le plein d'essence, parce que le pipeline est maintenant fermé. |
| Alors, où es-tu ? |
| Christy Espagne | Je suis au siège de Cary en Caroline du Nord, ouais, donc. |
| euh, alors voyons, est-ce que tu as fait, est-ce que tu as fait des enregistrements pour nous l'année dernière ou. |
| J'ai fait le mien l'année dernière. |
| C'est peut-être l'une des raisons pour lesquelles nous faisons cela. |
| Cette fois. |
| Oh. |
| Christy Espagne | Ca c'est drôle. |
| euh, laisse-moi voir, j'ai une petite liste de contrôle, laisse-moi l'ouvrir, comme si je fermais 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. |
| 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 télécharge et quoi, quoi, quoi ? |
| Et du matériel de présentation. |
| Christy Espagne | Ok, je vais découvrir quel est ce lien pour vous. |
| Et donc je suis retourné en arrière et j'ai regardé mes anciens e-mails, je ne l'ai pas trouvé, je pense bien. |
| Je suis. |
| Ce n'est pas grand chose mais. |
| Christy Espagne | Nous devrions certainement pouvoir continuer et enregistrer, cependant. |
| D'accord, ouais. |
| Christy Espagne | Laissez-moi trouver une petite liste de contrôle, mais une partie de cette liste de contrôle consiste à fermer vos applications. |
| Je vais faire ça. |
| Vous n’avez pas besoin de Microsoft Teams. |
| Christy Espagne | Tu n'as aucun logo sur ton t-shirt donc c'est bien. |
| Pas de logo. |
| Je n'en ai probablement pas besoin non plus pour le moment. |
| Christy Espagne | Je n'ai pas réussi à comprendre comment ne pas déranger les équipes. |
| Les équipes vont bien. |
| L'une des caractéristiques du moderne. |
| La technologie permet aux gens de ne plus vous donner d'instructions, ils vous donnent quelque chose et vous êtes censé le comprendre. |
| Christy Espagne | Eh bien, j'ai tapé dans la section d'aide D amp D et il a été agi comme si je cherchais des messages ou quelque chose de ce genre, et mon OK, ou c'était bien, je l'ai fermé donc. |
| Ok, alors. |
| J'ai quelques candidatures ouvertes mais. |
| Regardez cette histoire de petites équipes parasites. |
| Christy Espagne | Nous allons bien alors. |
| Eh bien, ils l'ont mis dans ce petit menu caché pour qu'il soit toujours là, avec Skype, car ils veulent pouvoir vous contacter, quoi qu'il arrive. |
| Christy Espagne | Et tu sais, je pense que nous aurions peut-être dû prendre l'un des arrière-plans. |
| Il est indiqué qu'il n'y a pas de violation du droit d'auteur, mais vous savez, vous avez beaucoup de livres là-bas, alors peut-être. |
| Eh bien, j'ai des livres ici, je pensais que ce n'était pas un gros problème parce qu'on ne peut pas vraiment les lire, mais très bien. |
| Christy Espagne | Je ne sais pas, je détesterais ça. |
| 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. |
| je viens de me débarrasser des équipes. |
| ils sont toutes les équipes sont parties. |
| Ok, donc ces arrière-plans, j'ai un truc là-dessus. |
| Je dois retourner à Outlook. |
| Christy Espagne | Ou peut-être que nous le ferons. |
| Tu vois, je ne les ai jamais utilisés. |
| Je ne les ai vraiment jamais utilisés. |
| ouais parce qu'ils analysent pour flouter. |
| Ouais. |
| Vous savez, à chaque fois que vous faites des choses pour déménager, je vois des gens les utiliser et les choses deviennent floues et ils voient tous les déchets qui se trouvent dans leur chambre. |
| Voir donc de. |
| demander |
| Tanya, donc nouveau symptôme. |
| Nous y allons donc. |
| Ce sont des tuiles sociales, vous savez ce que sont les tuiles sociales. |
| Arrière-plans virtuels donc nuage de points bleu. |
| Je vais juste faire ça. |
| Allez. |
| Donc maintenant la question serait comment je fais. |
| Utilisez-les. |
| Voyons. |
| Christy Espagne | Je pensais que ce serait sous les trois petits points mais ce n'est pas le cas. |
| Ok, je ne sais pas exactement où se trouvent les canards. |
| Où trouves-tu des points ? |
| Christy Espagne | Eh bien, vous savez en bas, où vous avez le partage d'écran et le chat. |
| Et tout ça, il y en a un peu plus. |
| Mais je ne vois aucune option de changement en arrière-plan, là. |
| moi non plus. |
| Christy Espagne | Nous allons et venons entre tant de choses différentes. |
| outils ici c'est dur. |
| Faisons une recherche rapide. |
| Arrière-plan virtuel sous une caméra lisse. |
| Oh. |
| Donc. |
| Et puis il faut savoir où se trouve l'arrière-plan 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 que j'allais pouvoir faire grand chose d'autre, OK, donc maintenant nous avons le contexte et si je bouge beaucoup, ça fonctionne plutôt bien en fait, juste un petit raté, OK. |
| 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, dans 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. |
| C'est vrai ? Ouais. |
| Paramètres de la barre des tâches, c'est parti. |
| c'est lundi, masquez automatiquement la barre de test en mode bureau. |
| Sur. |
| OK, donc maintenant il semble être masqué automatiquement, sauf qu'il n'est pas masqué. |
| Christy Espagne | Eh bien, si vous faites défiler vers le haut, cela disparaît. |
| Donc, le seul qui apparaît est si. |
| J'ai quelque chose, l'activité s'en va bien. |
| Christy Espagne | Et puis ton son est génial. |
| et |
| Christy Espagne | je vais faire en sorte que tu t'entraînes au partage, afin que nous puissions vérifier ta résolution et tout ça. |
| Eh bien, voyons voir. |
| C'est certainement une chose spécifique qui 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 montrer. |
| Mon écran. |
| Alors d'une manière ou d'une autre, j'ai fini par y arriver. |
| Avec l'écran et je vous ai dans une petite fenêtre ici. |
| Christy Espagne | En haut, vous pouvez faire une vue et la changer en côte à côte ou c'est ce que j'ai. |
| Pour éteindre ma caméra parce que de toute façon personne ne veut me voir. |
| C'est tout à propos de toi aujourd'hui. |
| Afficher une petite miniature vidéo du haut-parleur actif. |
| Ok, ça vous le 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 vois que vous avez triste votre PowerPoint. |
| Eh bien, voici une question que j'ai reçue lorsque mon PowerPoint passe en mode d'écriture normal. |
| Mais si je vais en mode présentation. |
| Cela devient plus grand, mais je dois ensuite continuer à faire des allers-retours entre cette vue et l'autre. |
| Quand tu fais la vidéo. |
| Allez-vous vous concentrer sur les parties pertinentes ou allez-vous simplement montrer à l'écran tout ce qui passe ? |
| Christy Espagne | ouais, nous allons juste montrer tout ce que nous voulons. |
| Donc, la plupart des gens utilisent le mode présentation et ensuite, si vous avez besoin de sortir de cela et d'afficher votre écran JMP, vous pouvez le faire. |
| et revenir en arrière, cela a-t-il du sens, et si nous finissons par voir que vous connaissez certains de vos. |
| ouais, ça a l'air génial. |
| Ok, donc je suppose que c'est ce que nous allons faire et je vais simplement 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, etc. |
| Ouais. |
| Christy Espagne | ça a l'air génial. |
| D'accord. |
| Donc c'est visible. |
| Christy Espagne | OK, alors maintenant, j'en ai besoin. |
| confirmez votre nom, votre entreprise et le titre du résumé, s'il vous plaît. |
| Le nom est Thor Osborn. L'entreprise est Sandia National Laboratories. |
| Le titre du résumé devrait 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 ceci est enregistré pour être utilisé dans le cadre du Discovery Summit. |
| La conférence JMP sera disponible publiquement dans la communauté des utilisateurs JMP. Donnez-vous votre autorisation pour cette utilisation et cet enregistrement ? |
| Merci. |
| Christy Espagne | Et je pense que nous sommes prêts, Thor, alors je vais me mettre en sourdine et |
| Tu peux y aller quand tu es prêt. Le but est d'y aller directement. Je ne dirai rien ni ne t'arrêterai à moins qu'une catastrophe ne se produise. Qu'en penses-tu ? |
| Ok, le but est d'aller droit au but et combien de temps suis-je censé avoir ? |
| Christy Espagne | 30 minutes. |
| Ok, 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 cela dépasse un peu, ce n'est pas grave. |
| Ok, maintenant, avant de partir, il y a cette petite fenêtre qui dit parler et qui parle. |
| Parce qu'ils réduisent la taille de la petite vidéo. |
| Ok, mon écran affiche-t-il la vue de présentation, ou affiche-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 font flotter ça d'une manière ou d'une autre. |
| Christy Espagne | Cela doit être ennuyeux. |
| Ce n'est pas grave, tant que ça ne gêne pas, je veux dire que je ne mets rien là-bas. |
| Christy Espagne | c'est bon. |
| Ouais. |
| D'accord. |
| Christy Espagne | Ok, je vais passer en mode muet et ensuite tu seras prêt. |
| D'accord. |
| Je m'appelle Thor Osborn. Je travaille aux laboratoires nationaux Sandia en tant qu'analyste principal de recherche en 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 ici trois objectifs principaux. Le premier est de démontrer l'intérêt commercial de modéliser les heures d'arrivée des candidatures. Le deuxième est de montrer un processus simple pour créer un modèle concis et largement applicable en utilisant ce type de données. |
| Et puis je démontrerai ce processus sur des données provenant d'un grand organisme de recherche et vous 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 travailler, puis j'aborderai brièvement la manière dont vous pourriez procéder pour créer des modèles. |
| En ce qui concerne les motivations, il existe trois domaines fondamentaux. Le premier est d'améliorer le processus d'acquisition de talents et le fonctionnement de l'entreprise. |
| L’un d’entre eux est d’améliorer la compréhension des dirigeants qui dirigent l’entreprise, et le troisième est d’aider à définir les attentes des responsables du recrutement. |
| Je commencerai par l'acquisition de talents. Le taux d'embauche et le délai dépendent des flux à travers les étapes de sélection dans le pipeline d'acquisition de talents. Mais le plus important est que vous devez avoir suffisamment de candidatures avant de pouvoir aller n'importe où dans le processus. |
| Et les tarifs et les modèles varient considérablement en fonction du domaine, de la spécificité des annonces publiées, de la concurrence, du volume de publicité que vous avez diffusé, etc. |
| Un cadre mathématique commun pour l'arrivée des applications pourrait permettre une meilleure compréhension de l'espace commercial pour améliorer les taux de capture des applications, |
| ainsi que d'autres choses. Certaines relations clés concernent le taux de capture des applications et la variance par rapport au contexte d'emploi, au lieu de travail, au niveau de carrière et au domaine de pratique. |
| Les impacts du taux de capture des variables ajustables sur la spécificité de l'offre d'emploi, la langue de l'offre - et par là je ne parle pas de l'anglais par rapport à l'espagnol, mais plutôt de la façon dont les choses sont présentées. |
| Et des efforts de recrutement ciblés. Et puis le taux de capture a des impacts de facteurs externes, comme 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 aux contraintes typiques que l’on observe souvent lors de l’exécution d’un projet ou d’un programme : le temps, la qualité et le coût. |
| Il faut du temps pour recueillir les candidatures. Il faut obtenir des candidats de grande qualité. Cela coûte de l'argent, et plus vous essayez d'aller vite, plus cela va coûter cher. |
| Il y a donc des compromis à faire ici. |
| Les dirigeants s'impliquent souvent dans le processus par le biais de la planification des effectifs, qui est un terme fourre-tout mais qui, en gros, ressemble à 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 par là, je veux dire qu'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. Cela est en partie dû au manque d'informations, et fournir des informations pourrait donc être un moyen d'améliorer cette situation. |
| De plus, les attentes des responsables du recrutement. |
| Fondamentalement, nous avons affaire à des statistiques sur un petit nombre d’applications. |
| Les êtres humains sont réellement sujets à des biais de modèle, 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, ce qui peut conduire à un biais de modèle où ils regardent le nombre de candidats qui diminue d'une semaine à l'autre et pensent que cela doit signifier qu'ils ont eu accès à toutes les personnes intéressées. |
| Et le problème avec ces réponses intuitives aux biais peut conduire à des réactions excessives car, comme toujours avec les statistiques sur les petits nombres, vous obtenez de la désinformation si vous ne les prenez pas dans ce contexte. |
| Parlons maintenant un peu des données. Les données sur les arrivées sont liées à des demandes d'emploi spécifiques. Vous avez donc une demande d'emploi, une offre d'emploi pour cette demande et les candidatures qui arrivent en conséquence de l'offre. |
| Ils sont caractérisés de plusieurs manières : localisation du site ; phase de carrière ; |
| visibilité, à quel point elle est rendue visible ; |
| domaine d'exercice, 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 où une offre d'emploi est accessible, il y a donc généralement un délai défini. |
| Ils sont suivis par date. |
| 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 la publication, mais ce n'est pas nécessairement vrai. Mais, comme c'est souvent le cas avec les données réelles, nous ne disposons pas de toutes les données que nous aimerions avoir. |
| Et je dirai enfin que |
| Vous comptez le nombre de candidatures par jour. Lorsque vous voyez zéro candidature pour une journée, cela signifie que le compte est nul. |
| Alors, en pensant à un bassin national de candidats potentiels pour une offre d’emploi, |
| L'employeur diffuse des informations dans le monde. |
| Certaines personnes figurant dans le bassin national de candidats potentiels déposent des demandes. |
| on suppose généralement que ce sera peu par rapport au total de ceux qui le pourraient. |
| Et donc vous avez ce vaste bassin de candidats. C'est une source et toute candidature ou perturbation mineure sur cette source. |
| Et, juste pour être très explicite, cela pourrait être très ennuyeux pour les personnes habituées à traiter des mathématiques de Poisson, mais |
| Si vous voyez une seule candidature arriver le premier jour, c'est une instance sur un décompte de 1. Le deuxième jour, il n'y a aucune candidature arrivée. C'est une instance sur un décompte de zéro. Et donc à l'extrême droite, vous voyez trois instances de zéro, trois instances de un, une deux et une trois. |
| Et cela peut être ajusté, même si ce n'est pas beaucoup de données, cela peut être ajusté avec le modèle de Poisson, et vous voyez la ligne bleue là en bas à droite. |
| Donc, le 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 en émettant aléatoirement une source 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 a montré une très faible probabilité dans la diapositive précédente, |
| vous en avez essentiellement un au quatrième. |
| fois e à la puissance moins Lambda, donc 37% |
| divisé par quatre factoriels, soit 24, et donc quelque chose dans le voisinage d'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 groupe national de candidats potentiels pour cet emploi largement annoncé agissent de manière non coordonnée |
| concernant les opportunités d’emploi, et donc un modèle de Poisson pourrait avoir du sens. |
| C'est donc une hypothèse initiale raisonnable. |
| Et maintenant, que se passe-t-il s’ils interagissent ? |
| Cela peut alors être conçu en termes de 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 une loi de Poisson floue, car le taux, le taux moyen, n'est pas un taux moyen constant, mais il change d'un moment à l'autre. |
| Et cela peut se produire dans une hypothèse alternative où les candidats se comportent de manière coordonnée, |
| ce qui pourrait arriver s'il existait des réseaux de personnes discutant entre elles d'opportunités d'emploi et ainsi de suite. |
| Maintenant, voici |
| une diapositive sur la façon de générer le Gamma-Poisson. Ce sont des informations de base, mais je trouve que l'examen de 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 d'échelle de un, donc la moyenne est 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 alimentation pour un Poisson aléatoire. |
| Et vous obtenez ceci. |
| Ce qui ne ressemble pas au Poisson d'avant parce qu'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 vraiment faire, |
| a une dispersion plus étroite que le Gamma-Poisson et juste pour vérifier que oui, c'est un Gamma-Poisson, |
| regarde la ligne rouge là. |
| Et ça va vraiment, vraiment 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 montré ici dans le coin supérieur droit de ce panneau quadruple. |
| Sigma est égal à deux, le paramètre de surdispersion est 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. |
| Mais lorsque le paramètre de sur-dispersion augmente, il 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 inversées ici à l'opposé de ce qu'elles étaient avant, donc s'il y a une confusion à ce sujet, désolé. |
| Voici maintenant des données réelles. |
| Il s’agit donc d’un cas d’offre d’emploi en génie mécanique largement accessible et en début de carrière. |
| 140 demandes pour créer 131 chefs d'accusation, dont beaucoup sont nuls, donc cela s'étale dans le temps, soit cent trente et un jours. |
| Le Gamma-Poisson s'adapte 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 d'expérience. Aujourd'hui, les professionnels expérimentés ne disposent pas des réseaux de recruteurs universitaires, par exemple. |
| 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 le fait que c'est peut-être la raison pour laquelle vous voyez un comportement de Poisson plus classique avec des réponses professionnelles expérimentées en général. |
| Et juste pour le montrer ici, cela semble également être en corrélation avec le nombre de demandes. D'autres facteurs qui pourraient avoir de l'importance semblent être |
| stade de carrière. |
| Comme je viens de le mentionner, le statut FLSA (non exonéré) signifie, par exemple, les technologues par opposition au personnel exonéré. |
| Ces facteurs semblent avoir de l'importance, mais il existe certainement un biais à mesure que le nombre d'applications augmente, il est plus probable qu'elles soient distribuées selon la méthode Gamma-Poisson. |
| Maintenant, comment ces données sont préparées pour l'analyse. Dates de candidature par demande d'emploi. |
| Réglage tabulé des zéros pour |
| quand il n'y a pas de compte. |
| Et puis, ajustez les coefficients de Poisson et Gamma-Poisson pour chaque exigence pour déterminer lequel vous donne la meilleure valeur AIC. |
| En parallèle, un tableau récapitulatif des demandes a été créé avec une ligne, ou une rangée, par demande, puis ceux-ci sont fusionnés pour donner des paramètres pour les modèles de Poisson et Gamma-Poisson, ainsi que le paramètre AIC qui vous indique lequel est le plus susceptible d'être le plus adapté. |
| 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 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 adapté au 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 du conducteur, ce qui dans ce cas est essentiellement le contexte de demande de localisation du site, de début ou de 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 des données. |
| Sinon, l'approche échoue et je n'ai, à ce stade, aucun mécanisme pour y faire face, donc heureusement cela ne s'est pas produit, mais c'est quelque chose à laquelle il faut réfléchir pour l'avenir. |
| Voici donc une distribution des paramètres de Poisson par contexte où le contexte a à voir avec le site, qu'il s'agisse d'une carrière en début ou en fin de carrière, ou bien d'une carrière établie, pourrait-on dire, |
| et si c'est, eh bien, quel domaine de pratique. Chacun de ces domaines a un « B » qui signifie large, car l'analyse des demandes d'emploi internes uniquement est une chose difficile, différente, avec des opportunités beaucoup plus limitées, et je m'en tiens donc simplement au cas large dans cette présentation. |
| Ce que vous pouvez voir, c'est que la variance moyenne diffère assez clairement selon les contextes de demande, et non, ils ne se situent pas dans la même distribution. Vous pouvez le démontrer facilement. |
| En examinant un sous-ensemble plus petit, juste le fragment initial, l'ensemble précoce du site A, il devient plus évident que les moyennes et les écarts types sont partout sur la carte. |
| Maintenant, je vais également faire une petite démonstration. |
| 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 demande, qui est ce modèle à plusieurs niveaux. |
| variable subjective. |
| Et exécutez cela, et vous voyez qu'il y a un RSquare d'environ un point 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. Il ne couvre pas toute la variance, mais ce n'est pas grave car nous ne nous y attendons pas ; cela signifie simplement qu'il s'agit d'un assez bon modèle pour ce qu'il fait. |
| Cela pourrait également être fait uniquement sous forme de tableau, mais j'aime cette approche car elle est facile à utiliser et me donne une idée du degré de variabilité traité dans cet ajustement. |
| Il peut aller ici et regarder le |
| réel par rapport aux prévisions, 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 c'est ce que vous voyez ici. |
| Parce que je l'ai déjà fait, cela est automatiquement ajouté. |
| Vous voyez que cela revient essentiellement à |
| une constante |
| plus un décalage par contexte de réquisition. |
| Aucune intervention chirurgicale n'est nécessaire. |
| Mais maintenant, si je veux faire une normalisation, |
| ajouter une colonne. |
| Appelle ça |
| Norme Poisson Encore une fois parce que je l'ai déjà fait une fois dans le but de faire cela |
| table en premier lieu. |
| Trouvez Poisson. Voilà mon paramètre de Poisson. Divisez-le par le |
| modèle adapté. |
| En fait, c'était censé fonctionner. |
| Je ne sais pas ce qui se passe ici. |
| Ok, on ne fait jamais de démos en live, c'est la règle, mais ça a toujours fonctionné dans le passé, et je ne sais vraiment pas ce qui se passe. |
| Voilà mon paramètre de Poisson. |
| Voilà ma formule de prédiction. |
| Oh. Vous ne devriez jamais essayer de diviser quelque chose par |
| C'est pour ça que ça n'a pas marché. |
| C'est être têtu maintenant. |
| D'accord. |
| Parfois, des choses subtiles ont leur importance. Voici donc la loi de Poisson normalisée. |
| Et ce qui est intéressant à ce sujet, c'est que |
| Tu peux adapter ça. |
| Et parmi les bouteilles disponibles, vous voyez que la Johnson SL est celle qui s'adapte le mieux et fait un assez bon travail. |
| Et vous pouvez aussi |
| faire Ajuster Y par X. |
| Prenez cette sortie |
| et s'adapter au contexte de la demande. |
| Et obtenez cette intrigue à sens unique. |
| Cela semble beaucoup plus régulier que le précédent que j'ai montré. Il est beaucoup plus plausible que ces deux-là aient la même distribution. Vous verrez une plage plus large sur ceux qui ont 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 qu'il n'y a aucune indication qu'il s'agisse de 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 dans lequel vous avez supposé 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 elles donnent une indication qu'il est raisonnable de traiter ces éléments comme s'ils provenaient simplement de la même distribution. |
| Et voici juste la version agrandie de 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 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 car 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 corrélé à Sigma, et vous souhaitez donc pouvoir modéliser cet effet à l'intérieur. |
| Encore une fois, vous obtenez un ajustement décent. |
| Dans ce cas, il s'agit du Johnson Su. |
| Et voici ce qui se passe. Nous générons des paramètres de distribution aléatoire synthétique. |
| À partir d’un sous-ensemble de données, générez un modèle linéaire basé sur le contexte. |
| Normaliser une distribution de paramètres et l'ajuster à un modèle continu paramétrique commun. |
| Et puis pour générer le paramètre synthétique, obtenez un nombre aléatoire à partir de la distribution de paramètres normalisée et multipliez-le par le résultat du modèle linéaire approprié, c'est-à-dire pour le « dénormaliser ». |
| Maintenant, en évaluant les paramètres du modèle aléatoire synthétique, j'ai à nouveau utilisé 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. |
| J'ai transformé cela en fonction afin qu'elle puisse être 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 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 se trouvent généralement les éléments dans cette carte thermique, mais également |
| une sorte d'idée des valeurs aberrantes : quelle est une valeur aberrante plausible et jusqu'où elle va 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 de manière assez proche. |
| Et puis, si vous regardez cela avec les données réelles, |
| qui sont de petits points noirs dans le graphique principal. |
| Quatre-vingt-dix-huit pour cent de la densité synthétique se situe dans la région rougeâtre indiquée par la hachure croisée, qui est l'encart du milieu entouré d'un carré vert. |
| Tous les points de données, au nombre de 43, |
| tomber là. |
| Et ainsi. |
| Là encore, la synthèse modélise assez bien ce qui se passe réellement. C'est crédible, mais cela vous montre ce qui pourrait se passer dans les quelques pour cent de cas restants. |
| C'est donc jusqu'où j'ai poussé la modélisation, mais ce que vous pouvez voir, c'est que vous pouvez utiliser le contexte ; vous pouvez utiliser d'autres variables comme la quantité |
| On introduit une spécificité dans le langage utilisé pour l'offre d'emploi, ce qui va rendre moins de personnes qualifiées, et cela va peut-être effrayer certaines personnes. |
| Vous pouvez observer la façon dont le langage est élaboré. De nos jours, les employés utilisent des outils RH pour élaborer un langage plus acceptable. Vous pouvez constater la différence que cela fait en termes de résultats obtenus au fil du temps et de demandes d'emploi multiples. |
| Vous pouvez les traiter comme des facteurs pour le modèle, et ainsi ajuster la manière dont vous les appliquez. |
| ces fonctionnalités dans la création de demandes en fonction de vos besoins. |
| Mais maintenant, je vais passer à la question suivante : à quoi cela ressemble-t-il ? Encore une fois, le principe de base, donc pour un cas de Poisson avec sept par semaine, 30 % du temps, le nombre sera de cinq ou moins. |
| Vous devez donc vous attendre à ce que l'une d'entre elles soit que vous vous attendiez à ce que le nombre de demandes nécessite |
| Le temps nécessaire pour obtenir une sélection raisonnablement compétitive à embaucher va varier, car même avec une moyenne de sept, le nombre que vous obtiendrez va varier considérablement. |
| La variance de la loi de Poisson est la même que celle du 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 quel cas spécifique. |
| Et le problème est ce biais de reconnaissance des formes. |
| L'illusion du clustering est cette tendance à considérer que les inévitables séquences ou clusters qui arrivent dans de petits échantillons signifient qu'il y a un effet non aléatoire qui se produit, qu'il y a une sorte d'intention. |
| Et cela n'est clairement pas pertinent pour les données distribuées par Poisson, comme l'a découvert RD Clarke en 1946 avec son analyse de la bombe V allemande. |
| sites se situant dans la région de Londres. |
| Les gens verraient les regroupements se produire et ils penseraient que cela signifiait quelque chose, mais il a pu démontrer que cela était assez bien satisfait en considérant le processus comme une loi de Poisson. |
| distribué, ce qui signifie que vous obtiendrez de toute façon parfois des clusters, et certainement aussi souvent que vous l'avez vu. |
| Cela signifiait donc qu'en réalité, ce qui se passait n'était pas qu'ils visaient quelque chose en particulier, mais qu'ils visaient Londres en général et qu'ils touchaient généralement quelque part à Londres. |
| Dans ce cas-ci, 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 de deux semaines en baisse, c'est-à-dire que l'une est plus grande que l'autre, est de 45 %. |
| Il s'agit de schémas très courts ; ils ne doivent pas être interprétés comme signifiant quoi que ce soit, mais ils peuvent être interprétés de cette façon par des personnes qui ne sont pas conscientes de la nature des statistiques. C'est là le véritable problème. Et cela peut conduire à des réactions excessives. |
| Aujourd’hui, 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 demandes en général, pas seulement par domaine de pratique, vous pouvez voir une différence d'environ 25 fois dans les 95 %. |
| varie de 2,5 % à 97,5 %. Il s'agit toujours d'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, de manière étroite, de manière générale, |
| ce que la langue attire, la publicité de tous ces facteurs, |
| alors tu pourrais décider combien |
| vous souhaitez investir pour augmenter ces tarifs et accélérer le processus. |
| Voici donc un exemple d’offre d’emploi spécifique utilisant le modèle de simulation dont j’ai parlé plus tôt. |
| Professionnel établi au Site A et dans le domaine de pratique disciplinaire 9, encore une fois, tout cela est exclusif, donc cela ne sera pas divulgué ; c'est juste un type particulier de professionnel. |
| Vous obtenez cette différence très large entre |
| dans un intervalle de confiance de 95 %, quelque part entre zéro et neuf avec une médiane de deux. |
| Cela peut dérouter les gens, ces statistiques sur de petits nombres peuvent dérouter les gens, car ils s'attendent à ce que les choses soient plus régulières que cela. |
| Le modèle et l’approche présentent des limites. |
| Les données, leur qualité, sont toujours importantes. Les domaines peu fréquemment embauchés et dotés de compétences rares seront probablement absents de l'ensemble de données si les données sont collectées sur une courte période. |
| Mais d’un autre côté, il y a beaucoup 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 longue période comme base pour ces analyses. |
| Et l'approche de modélisation ne prend pas en compte l'auto-cannibalisation. Si vous avez deux demandes ouvertes dans un domaine, les candidats postulent-ils aux deux ou en choisissent-ils une ? Peut-être que dans certains cas, ils choisissent celui qui leur semble avoir les meilleures chances. |
| 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 les postes pour lesquels ils pourraient être qualifiés, juste pour voir où ils pourraient s'intégrer. |
| Donc, conclusions. Certaines réponses à une offre d'emploi ont tendance à être distribuées selon la loi de Poisson ou Gamma-Poisson. |
| Et cela a été vérifié sur un grand 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 être adaptés à des profils courants. |
| Et ces modèles concis qui résultent des profils communs facilitent la génération de modèles de demande aléatoire synthétiques. |
| 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 de modèle. |
| Ils peuvent être utilisés dans des modèles d'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 manière d'évaluer le coût par candidat par rapport aux caractéristiques du poste et à diverses autres variables ajustables et hors de contrôle, des facteurs externes. |
| Cela permettrait alors de mieux comprendre à quoi s'attendre en termes de rapidité avec laquelle les postes pourraient être pourvus, de rapidité avec laquelle les ouvertures pourraient être comblées et de combien cela coûterait. |
| en fonction des relations avec la publicité, etc. |
| Ceci conclut ce que je voulais présenter aujourd'hui et |
| je dirai juste que si vous avez des questions, vous devriez avoir les coordonnées de ce |
| vidéo, ou l'endroit où elle est placée, et n'hésitez pas à nous contacter. |
| Christy Espagne | Ok, c'était génial. |
| ouais, sauf la partie où mon truc n'a pas fonctionné parce que j'ai foiré la DÉMO. |
| Mais c'était une bonne sécurité, c'était une bonne SAUVE, j'ai finalement réalisé ce que je faisais. |
| ouais, JMP ne fera pas de choses stupides, peu importe à quel point vous le voulez. |
