Oratore | Trascrizione |
| Christy Spagna | Buon pomeriggio. |
| Ciao, come stai oggi? |
| Sto bene, come stai? |
| Christy Spagna | Bene, grazie. |
| Dove ti trovi, Thor? |
| sì Christy Spain. |
| E Albuquerque, Nuovo Messico. |
| Christy Spagna | è quello che stavo pensando. |
| ha ragione. |
| Christy Spagna | ci sono cifre a tre cifre. |
| Non adesso. |
| Ok, abbiamo un. |
| Uragano in arrivo da. |
| i giocatori di baseball abbasseranno le temperature. |
| Christy Spagna | Ok, come si chiama quello? |
| Non lo so, di solito non succede molto e in realtà non ci ho fatto molta attenzione. |
| BENE. |
| Christy Spagna | Sono stato un po' colto di sorpresa, ma sapete, ieri il golf è stato piuttosto duro, quindi tutti qui stanno facendo il pieno di benzina, perché il gasdotto è ora chiuso. |
| Allora, dove sei? |
| Christy Spagna | Sì, mi trovo nella sede centrale di Cary, nella Carolina del Nord. |
| Ehm, vediamo cosa hai fatto, hai fatto delle registrazioni per noi l'anno scorso o. |
| L'ho fatto io l'anno scorso. |
| Forse è uno dei motivi per cui lo stiamo facendo. |
| Questa volta. |
| OH. |
| Christy Spagna | È divertente. |
| Ehm, vediamo, ho una piccola lista di controllo, lasciami aprirla, in realtà chiudo troppe cose quando. |
| Stavo cercando di cancellare tutto, quindi non ho ricevuto alcun pop-up. Hai chiuso tutte le tue app e. |
| Non l'ho ancora fatto e avevo anche una domanda. |
| Certo. |
| Diceva che avrei dovuto caricare del materiale prima di registrare, ma non posso perché non ho un link. |
| Christy Spagna | Sto caricando e cosa quali cose. |
| E materiali di presentazione. |
| Christy Spagna | Ok, scoprirò qual è il link che fa per te. |
| E così sono tornato indietro e ho guardato tra le mie vecchie e-mail, ma non sono riuscito a trovarlo. Bene, penso. |
| Io sono. |
| Non è un gran problema, però. |
| Christy Spagna | In ogni caso, dovremmo essere in grado di procedere e registrare. |
| Va bene, sì. |
| Christy Spagna | Lasciami trovare una piccola lista di controllo, ma una parte di questa lista di controllo riguarda le tue app. |
| Vado a farlo. |
| Non hai bisogno di Microsoft Teams. |
| Christy Spagna | Non hai nessun logo sulla maglietta, quindi va bene. |
| Nessun logo. |
| Probabilmente non ne ho bisogno neanche adesso. |
| Christy Spagna | Non sono riuscito a capire come fare per non disturbare le squadre. |
| Le squadre vanno bene. |
| Una delle cose della modernità. |
| La tecnologia è fatta di persone che non ti danno più istruzioni, ti danno semplicemente delle cose e tu dovresti capirle. |
| Christy Spagna | Bene, ho digitato nella sezione di aiuto D e D e si è comportato come se stessi cercando dei messaggi o qualcosa del genere, e il mio "Okay", o "va bene", l'ho chiuso. |
| Va bene, quindi. |
| Ho alcune applicazioni aperte ma. |
| Guardate quella cosa dei piccoli team parassiti. |
| Christy Spagna | stiamo bene così. |
| Bene, l'hanno inserito in questo piccolo menu nascosto in modo che sia ancora lì, insieme a Skype, perché vogliono poterti contattare, qualunque cosa accada. |
| Christy Spagna | E sai, penso che forse dovremmo farti scattare una foto sullo sfondo. |
| Dice che non c'è violazione del copyright, ma sai che ci sono un sacco di libri lì dietro, quindi forse sì. |
| Va bene, ho dei libri qui dietro, pensavo che non fosse un grosso problema perché non si possono leggere, ma va bene. |
| Christy Spagna | Non lo so, mi dispiacerebbe. |
| devo richiamarti e dirti che lascio perdere. |
| Sì, non voglio farlo due volte. |
| NO. |
| Voglio dire, sono sicuro che sarà molto divertente, ma non voglio farlo di nuovo. |
| io mi sbarazzo delle squadre. |
| tutte le squadre sono andate via. |
| Ok, quindi questi sfondi... ho una fissa per quelli. |
| Devo tornare a Outlook. |
| Christy Spagna | Oppure potresti semplicemente dire "forse lo faremo". |
| Vedi, non li ho mai usati. |
| Non li ho mai usati davvero. |
| sì perché le loro analisi sono confuse. |
| Sì. |
| Sai, ogni volta che fai qualcosa per traslocare vedo che la gente li usa e tutto diventa confuso e vedono tutta la roba che c'è nella loro stanza. |
| Vedi quindi da. |
| chiedere |
| tanya quindi nuovo sintomo. |
| Eccoci qui. |
| Quelle sono tessere sociali, sapete cosa sono tessere sociali. |
| Sfondi virtuali con diagramma di dispersione blu. |
| Farò semplicemente così. |
| Dai. |
| Quindi ora la domanda è: come faccio? |
| Usateli. |
| vediamo. |
| Christy Spagna | Pensavo che si trovasse sotto i tre puntini, ma non è così. |
| Ok, non ho ben chiaro dove siano le anatre. |
| Dove trovi i puntini? |
| Christy Spagna | Bene, sai che in basso trovi la condivisione dello schermo e la chat. |
| E tutto questo è come se ci fosse qualcosa in più. |
| Ma non vedo alcuna opzione per cambiare lo sfondo lì. |
| neanche tu. |
| Christy Spagna | Andiamo avanti e indietro tra così tante cose diverse. |
| strumenti qui è difficile. |
| Facciamo una ricerca veloce. |
| Sfondo virtuale ripreso da una telecamera intelligente. |
| OH. |
| COSÌ. |
| E poi devi sapere dov'è lo sfondo virtuale perché non lo hanno detto. |
| Quale dovresti usare o qualcosa del genere, no, no, no. |
| Christy Spagna | Oh, sembra carino. |
| Oh bene, perché non ero sicuro di riuscire a fare molto altro, ok, quindi ora abbiamo le basi e se mi muovo molto funziona abbastanza bene, in realtà c'è solo un piccolo errore, ok. |
| Christy Spagna | E |
| Hai attivato automaticamente la barra delle applicazioni? |
| vediamo come faccio. |
| Christy Spagna | Vai sulla barra delle applicazioni e fai clic con il pulsante destro del mouse. |
| Sì, in un posto dove non c'è niente. |
| NO. |
| il problema è che la mia barra delle applicazioni è completamente sottoscritta. |
| Christy Spagna | Anche il mio non si nasconde, non so perché. |
| È sì? |
| impostazioni della barra delle applicazioni, eccoci qui. |
| è lunedì nascondi automaticamente la barra di prova in modalità desktop. |
| SU. |
| Bene, ora sembra nascosto automaticamente, ma in realtà non lo è. |
| Christy Spagna | Beh, se scorri verso l'alto scompare. |
| Quindi viene visualizzato solo se. |
| Ho qualcosa che l'attività fa andare via bene. |
| Christy Spagna | E poi il tuo suono è fantastico. |
| E |
| Christy Spagna | Vorrei che tu esercitassi la condivisione, così possiamo verificare la tua risoluzione e tutto il resto. |
| Bene, vediamo. |
| Di sicuro c'è una cosa specifica che costituirà un problema. |
| Per condividere lo schermo ti mostrerò come appari. |
| Christy Spagna | Bene, puoi procedere e condividere i tuoi contenuti. |
| Sì, ma voglio passare avanti e indietro tra le diapositive e l'applicazione JMP, quindi voglio poterlo mostrare. |
| Il mio schermo. |
| E in qualche modo è andata a finire così. |
| Con lo schermo ti ho inserito in una piccola finestra qui. |
| Christy Spagna | In alto puoi visualizzarli e affiancarli, come ho fatto io. |
| Di spegnere la mia macchina fotografica perché tanto nessuno vuole vedermi. |
| oggi è tutto incentrato su di te. |
| Mostra la miniatura del video dell'altoparlante attivo. |
| Bene, questo ti fa capire. |
| Ci mostra entrambi, questa è una griglia. |
| E questo rende il tutto davvero piccolo. |
| E non riesco più a vedermi. |
| Ma posso spostare questa cosa. |
| Christy Spagna | Bene, ti vedo triste nel tuo PowerPoint. |
| Bene, ecco una domanda che mi viene posta durante la normale scrittura in PowerPoint. |
| Ma se entro nella visualizzazione presentazione. |
| Diventa più grande, ma poi devo continuare a passare da una vista all'altra. |
| Quando fai il video. |
| Vuoi concentrarti solo sulle parti rilevanti o vuoi semplicemente mostrare sullo schermo ciò che vedi? |
| Christy Spagna | Sì, mostreremo semplicemente qualcosa. |
| Quindi, la maggior parte delle persone usa la modalità presentazione e poi, se è necessario uscirne e aprire la schermata JMP, è possibile farlo. |
| e tornare indietro ha senso, e se finiamo per vederti sapere qualcosa del tuo. |
| sì, sembra fantastico. |
| Ok, credo che questo sia quello che faremo, poi uscirò e andrò su JMP quando necessario. |
| Christy Spagna | Vuoi provarlo subito, così possiamo essere certi che sia della giusta dimensione. |
| Sì. |
| Christy Spagna | sembra fantastico. |
| Va bene. |
| Quindi è visibile. |
| Christy Spagna | Ok, adesso devo farlo. |
| Per favore, conferma il nome della tua azienda e il titolo del riassunto. |
| Il nome è Thor Osborn. La società è Sandia National Laboratories. |
| Il titolo del riassunto dovrebbe essere Modello di arrivo delle domande di lavoro per la simulazione e la gestione dell'acquisizione di talenti. |
| Christy Spagna | Perfetto. E poi capisci che questo viene registrato per essere utilizzato in Discovery Summit. |
| Conferenza JMP e sarà disponibile al pubblico nella JMP User Community. Acconsenti a tale utilizzo e registrazione? |
| Grazie. |
| Christy Spagna | E penso che siamo pronti, Thor, quindi mi disattiverò e |
| Puoi andare quando sei pronto. L'obiettivo è andare dritto. Non dirò niente né ti fermerò a meno che non accada qualcosa di catastrofico. Che ne dici? |
| Ok, l'obiettivo è andare dritto, ma quanto tempo dovrei avere a disposizione? |
| Christy Spagna | 30 minuti. |
| Ok, ora penso che tu abbia un po' di margine di manovra perché a loro piace lasciare del tempo alla fine della riproduzione per domande e risposte, quindi se si eccede un po' va bene. |
| Ok, prima di andare c'è questa piccola finestra che dice chi sta parlando e chi sta parlando. |
| Perché rimpiccioliscono il piccolo video. |
| Ok, il mio schermo mostra la visualizzazione della presentazione o la mostra con questo piccolo inserto in basso a destra? |
| Christy Spagna | Tutto quello che vedo è la visualizzazione della presentazione. |
| Ok, quindi in qualche modo stanno diffondendo questa notizia. |
| Christy Spagna | Deve essere fastidioso. |
| Va bene, finché non mi dà fastidio, cioè non ci metto niente. |
| Christy Spagna | va bene. |
| Sì. |
| Va bene. |
| Christy Spagna | Ok, ora disattivo l'audio e poi sarai pronto. |
| Va bene. |
| Allora, mi chiamo Thor Osborn. Lavoro presso i Sandia National Laboratories come analista di ricerca sui sistemi principali. |
| Il mio intervento di oggi verterà sul modello di presentazione delle domande di assunzione per la simulazione e la gestione dell'acquisizione di talenti. |
| Spero che vi piaccia. |
| Ho tre obiettivi di base qui. Uno è quello di creare il business case per cui si vorrebbe modellare i tempi di arrivo delle domande di assunzione. Un altro è quello di mostrare un processo semplice per creare un modello conciso e ampiamente applicabile usando questo tipo di dati. |
| Poi illustrerò questo processo utilizzando dati provenienti da una grande organizzazione di ricerca e mostrerò brevemente cosa si può fare con questi dati. |
| Dal punto di vista tecnico mi soffermerò sulla comprensione dei dati perché ritengo che questo tipo di dati sia un po' insolito per la maggior parte delle persone. |
| I modelli di origine, essenzialmente, questa è una modellazione di origine |
| analisi, quindi parlerò dei modelli di Poisson e Gamma-Poisson. |
| Farò qualche analisi e qualche trasformazione per rendere il tutto più semplice da realizzare e poi spiegherò brevemente come potresti procedere per realizzare i modelli. |
| Quindi, per quanto riguarda le motivazioni, ci sono tre aree di base della motivazione. Una è migliorare il processo di acquisizione dei talenti e la funzione aziendale. |
| Un altro obiettivo è migliorare la comprensione dei dirigenti che guidano l'azienda, e il terzo è contribuire a definire le aspettative dei responsabili delle assunzioni. |
| Inizierò con l'acquisizione di talenti. Il tasso di assunzione e il ritardo dipendono dai flussi attraverso le fasi di verifica nella pipeline di acquisizione di talenti. Ma la cosa critica è che devi avere sufficienti candidature di lavoro prima di poter procedere con il processo. |
| Le tariffe e gli schemi variano notevolmente a seconda del settore, della specificità degli annunci pubblicati, della concorrenza, della quantità di pubblicità fatta e così via. |
| Un quadro matematico comune per l'arrivo delle domande potrebbe consentire una migliore comprensione dello spazio commerciale per migliorare i tassi di acquisizione delle domande, |
| così come altre cose. Alcune relazioni chiave tra tasso di cattura delle applicazioni e varianza rispetto al contesto di impiego, luogo di lavoro, livello di carriera, campo di pratica. |
| Il tasso di cattura ha un impatto sulle variabili regolabili, sulla specificità dell'annuncio di lavoro, sulla lingua dell'annuncio (e con ciò non intendo inglese o spagnolo, ma piuttosto il modo in cui le cose sono impostate). |
| E sforzi di reclutamento mirati. E poi gli impatti del tasso di cattura di fattori esterni, come le condizioni economiche, la concorrenza nel campo della pratica, |
| quanto è ampia la popolazione professionale che stai realmente raggiungendo nella tua area di reclutamento. |
| E penso che sia importante riconoscere che l'acquisizione di talenti si scontra con i tipici vincoli che spesso si riscontrano nell'esecuzione di progetti o programmi: tempo, qualità e costi. |
| Ci vuole tempo per raccogliere le candidature. Vuoi ottenere un'alta qualità di candidati. Ciò costa denaro, e più velocemente provi ad andare più costerà. |
| Quindi qui ci sono dei compromessi. |
| Spesso i dirigenti vengono coinvolti nel processo attraverso la pianificazione della forza lavoro, termine generico ma che in pratica equivale a un piano annuale. |
| Tuttavia, in assenza di modelli e feedback pertinenti sui costi delle cose, la considerazione dei vincoli tipici e dell'allocazione del budget del personale o dei processi potrebbe essere soggettiva o assente. |
| E con questo intendo che a livello dirigenziale, le risorse umane sono spesso viste semplicemente come un costo necessario, ma non necessariamente come una leva per far progredire l'azienda. In parte a causa della mancanza di informazioni, quindi fornire informazioni potrebbe essere un modo per migliorare quella situazione. |
| E anche le aspettative dei responsabili delle assunzioni. |
| Fondamentalmente abbiamo a che fare con statistiche di numeri ridotti, con un numero limitato di applicazioni. |
| Gli esseri umani sono davvero soggetti a pregiudizi di modello e la maggior parte dei responsabili delle assunzioni non assume persone ogni settimana, quindi non sono abituati a considerare la situazione dal punto di vista di molti casi diversi in un lungo periodo di tempo. |
| E questo può portare ad ancorarsi all'ultima situazione affrontata, il che può portare a un pregiudizio di modello in cui osservano il numero di candidati che si presentano da una settimana all'altra e deducono che ciò debba significare che hanno avuto accesso a tutti gli interessati. |
| E il problema con queste risposte intuitive ai pregiudizi può portare a reazioni eccessive perché, come sempre con le statistiche basate su numeri piccoli, si ottengono informazioni errate se non si considerano in quel contesto. |
| Quindi un po' di dati. I dati di arrivo sono legati a specifiche richieste di lavoro. Quindi, hai una richiesta di lavoro, c'è un annuncio per quella richiesta e le domande arrivano in conseguenza dell'annuncio. |
| Sono caratterizzati in diversi modi: posizione del sito; fase di carriera; |
| visibilità, quanto ampiamente è resa visibile; |
| campo di pratica, cosa stai facendo; |
| e requisiti specifici che possono essere molto ampi o molto ristretti all'interno di tali settori. |
| Inoltre, le candidature possono essere inviate durante l'intervallo di tempo in cui è disponibile un'offerta di lavoro, quindi solitamente c'è un lasso di tempo definito. |
| Vengono monitorati in base alla data. |
| Ora, in questo caso, usando dati reali per l'analisi successiva, devo usare la data dell'ultima domanda presentata come data di chiusura della pubblicazione, ma non è necessariamente vero. Tuttavia, come spesso accade con i dati reali, non abbiamo tutti i dati che vorremmo avere. |
| E dirò infine che |
| stai contando il numero di applicazioni al giorno. Quando vedi zero applicazioni al giorno, il conteggio è zero. |
| Quindi, pensando a un bacino nazionale di potenziali candidati per un annuncio di lavoro, |
| il datore di lavoro diffonde informazioni nel mondo. |
| Alcune persone presenti nel bacino nazionale dei potenziali candidati presentano domanda. |
| in genere si ritiene che saranno pochi rispetto al totale di coloro che potrebbero. |
| E così hai questo vasto bacino di candidati. È una fonte e qualsiasi domanda o piccola perturbazione su quella fonte. |
| E, solo per essere molto espliciti, questo potrebbe essere molto noioso per le persone che sono abituate a gestire la matematica di Poisson, ma |
| se vedi un'applicazione in arrivo il primo giorno, è un'istanza di conteggio di uno. Il secondo giorno non c'è nessuna applicazione in arrivo. È un'istanza di conteggio di zero. E quindi all'estrema destra, vedi tre istanze di zero, tre istanze di uno, un due e un tre. |
| E questo può essere adattato, anche se non si tratta di molti dati, può essere adattato al modello di Poisson, e vedete la linea blu in basso a destra. |
| Quindi un tasso medio di arrivo di una domanda al giorno, ma il conteggio effettivo al giorno varierà a seconda della distribuzione. E questo è tutto. |
| Pertanto, la distribuzione di Poisson può essere utilizzata per descrivere la probabilità di un conteggio prodotto in un'unità di tempo mediante l'emissione casuale di una sorgente di elementi discreti che hanno un tasso medio costante di emissione Lambda per unità di tempo. |
| E si ottiene questa equazione. E, quindi nel caso di un conteggio di quattro, che ha mostrato una probabilità molto piccola nella diapositiva precedente, |
| in pratica hai un rapporto di uno alla quarta. |
| volte e alla meno Lambda, quindi sostanzialmente il 37% |
| diviso per quattro fattoriali, ovvero 24, e quindi qualcosa nell'ordine dell'uno e mezzo percento, che coincide con una probabilità piccola ma diversa da zero. |
| Quindi, come prima ipotesi |
| supporremmo che i membri del bacino nazionale di potenziali candidati per questo lavoro ampiamente pubblicizzato agiscano in modo non coordinato |
| per quanto riguarda le opportunità di impiego, e quindi un modello di Poisson potrebbe avere senso. |
| Quindi è un'ipotesi iniziale ragionevole. |
| E se interagissero? |
| Ciò può quindi essere concepito in termini di modello di sorgente Gamma-Poisson, che è essenzialmente un componente di Poisson che utilizza una distribuzione Gamma come distribuzione di miscelazione. |
| Oppure si può pensare ad essa come ad una Poisson sfumata, perché il tasso, il tasso medio, non è un tasso medio costante, ma cambia da un momento all'altro. |
| E questo può accadere in un'ipotesi alternativa, secondo cui i candidati si comportano in modo coordinato, |
| cosa che potrebbe accadere se esistessero reti di persone che parlano tra loro di opportunità di lavoro e così via. |
| Adesso ecco qui |
| una slide su come generare il Gamma-Poisson. Questa è roba di base, ma trovo che guardare queste distribuzioni possa essere utile. |
| Quindi farò una piccola DEMO in JMP. |
| Ora, quello che vedete qui, Gamma casuale quattro-uno, significa semplicemente Gamma casuale con un parametro di quattro e un parametro di scala di uno, quindi la media è quattro. |
| Osservate la distribuzione. Ci sono 100.000 righe qui; ottenete una curva come quella che avete visto nella diapositiva. |
| La media è di circa quattro, il che accade quando si fa qualcosa molte volte. |
| è quasi esattamente ciò che dovrebbe essere. |
| Ora prendi quella distribuzione e usala |
| come alimento per un Poisson casuale. |
| E questo è quanto. |
| Che non assomiglia al Poisson di prima perché è stato sbavato. |
| Se osservi un adattamento di Poisson, scoprirai che il miglior adattamento |
| per quattro in media, che è tutto ciò che può realmente fare, |
| ha una dispersione più stretta del Gamma-Poisson e solo per verificare che sì, è un Gamma-Poisson, |
| guarda la linea rossa lì. |
| E si adatta davvero, davvero bene. |
| Quasi perfettamente. |
| E quindi, in sostanza, questo è, questo è un caso in cui, dopo aver attraversato tutto questo |
| Per quanto riguarda il processo di comunicazione, il modello di Poisson non è più il migliore. |
| Il caso che ho appena illustrato è visibile qui, in alto a destra di questo riquadro quadruplo. |
| Sigma è uguale a due, il parametro di sovradispersione è due. |
| Se in alto a sinistra si ha un parametro di sovradispersione pari a uno, Sigma è uguale a uno, allora si ha essenzialmente la stessa distribuzione di Poisson. |
| Ma man mano che il parametro di sovradispersione aumenta, passa da una gobba seguita da una coda, a qualcosa che assomiglia di più a un esponenziale in decadimento. Lo vedrai in basso a destra in blu, |
| Qui i colori sono invertiti rispetto a prima, quindi se c'è confusione, mi scuso. |
| Ora passiamo ai dati reali. |
| Questo è il caso di un impiego di ingegneria meccanica all'inizio della carriera, ampiamente accessibile. |
| 140 domande per creare 131 conteggi, molti dei quali sono pari a zero, quindi questo è distribuito nel tempo: centotrentuno giorni. |
| La curva Gamma-Poisson è quella che si adatta meglio ed è visibile in alto a sinistra. |
| Sto usando il criterio di Akaike, l'AIC |
| metrico. |
| In basso a sinistra vedrai |
| una posizione esperta. Ora i professionisti esperti non hanno le reti di, diciamo, persone che si occupano di collocamento universitario e così via. |
| O necessariamente l'immersione costante con altre persone che vedresti in un ambiente universitario. Questa non è una prova di nulla, ma solo un modo di razionalizzare che forse è per questo che vedi un comportamento Poisson più classico con risposte professionali esperte in genere. |
| E solo per mostrarlo qui, sembra correlarsi anche con il numero di applicazioni. Altri fattori che conterebbero sembrano essere il |
| fase della carriera. |
| Come ho appena detto, lo status FLSA (non esente) si riferisce, ad esempio, ai tecnologi, in contrapposizione al personale esente. |
| Questi fattori sembrano essere importanti, ma c'è sicuramente una distorsione man mano che aumenta il numero delle applicazioni, diventa più probabile che abbiano una distribuzione Gamma-Poisson. |
| Ora, come vengono preparati questi dati per l'analisi. Date di applicazione per richiesta di lavoro. |
| Impostazione tabulata degli zeri per |
| quando non c'è conteggio. |
| Quindi adattare la teoria di Poisson e quella di Gamma-Poisson per ogni requisito per scoprire quale fornisce il valore AIC migliore. |
| Parallelamente, è stata creata una tabella riepilogativa delle richieste con una riga o un'unica riga per richiesta, che sono poi state unite insieme per fornire i parametri per Poisson e Gamma-Poisson, nonché il parametro AIC che indica quale sia più probabilmente la soluzione migliore. |
| Dopo aver suddiviso i sottoinsiemi, si ottiene un riepilogo per Poisson e un riepilogo per Gamma-Poisson, perché sono difficili da gestire insieme. |
| È possibile utilizzare la Gamma-Poisson con un sigma pari a uno, ma in tal caso si ottiene un'inflazione pari a zero e la cosa diventa complicata da gestire, quindi preferisco trattarle separatamente. |
| Qualunque sia il sottoinsieme utilizzato, il processo mostrerà un modello lineare che si adatta al parametro rispetto ai driver. |
| Il parametro è normalizzato dal modello. |
| E poi cerco di vedere se una distribuzione comune è plausibile per tutte le condizioni dei conducenti, che in questo caso sono essenzialmente il contesto di richiesta dell'ubicazione del sito, l'inizio o la fine della carriera e così via. |
| Se è possibile che rientrino nella stessa distribuzione, allora è possibile creare un set di parametri di distribuzione comune e utilizzarlo per l'intero set di dati. |
| Altrimenti, l'approccio fallisce e, a questo punto, non ho alcun meccanismo per gestirlo, quindi fortunatamente ciò non è accaduto, ma è qualcosa a cui pensare per il futuro. |
| Ecco quindi una distribuzione dei parametri di Poisson in base al contesto, dove il contesto ha a che fare con il sito, che si tratti di una carriera iniziale o avanzata, o affermata, potremmo dire, |
| e se si tratta, beh, di quale campo di pratica. Ognuno di questi ha una "B" che significa ampio perché analizzare solo le richieste di lavoro interne è una cosa difficile, diversa, con opportunità molto più limitate, e quindi mi limiterò semplicemente al caso ampio in questa presentazione. |
| Ciò che puoi vedere è che la varianza media differisce in base ai contesti di richiesta in modo abbastanza ovvio, e no, non rientrano nella stessa distribuzione. Puoi dimostrarlo facilmente. |
| Esaminando un sottoinsieme più piccolo, solo la parte iniziale, il set iniziale del Sito A, diventa più ovvio che le medie e le deviazioni standard sono molto variabili. |
| Adesso farò anche una piccola dimostrazione. |
| Quindi ho questi dati. |
| Ora, questo è un modello davvero semplice. Prenderò l'output del parametro Poisson e userò il contesto di richiesta, che è questo multilivello |
| variabile soggettiva. |
| E fatelo, e vedete che c'è un RSquare di circa punto quattro. Ciò significa che |
| non è insignificante. La vestibilità del modello è in realtà piuttosto buona. |
| E la corrispondenza per questo parametro è molto buona. Non copre tutta la varianza, ma va bene perché non ce lo aspettiamo; sta solo dicendo che questo è un modello abbastanza buono per quello che fa. |
| Potrebbe anche essere fatto semplicemente come una tabulazione, ma mi piace questo approccio perché semplifica il lavoro e mi dà un'idea di quanta variabilità viene gestita in questo adattamento. |
| Puoi andare qui e guardare il |
| effettivo con quello previsto, e vedi, sì, non è un gran modello, ma ha uno scopo. |
| Un'altra cosa che puoi fare è salvare la formula di previsione. |
| E così vedete qui. |
| Poiché l'ho già fatto, l'iscrizione avviene automaticamente. |
| Vedete, ciò a cui questo equivale è essenzialmente solo |
| una costante |
| più un offset in base al contesto della richiesta. |
| Non è richiesto alcun intervento chirurgico missilistico. |
| Ma ora, se voglio fare una normalizzazione, |
| aggiungere una colonna. |
| Chiama questo |
| Norm Poisson Ancora perché l'ho già fatto una volta allo scopo di realizzare questo |
| tavolo in primo luogo. |
| Trova Poisson. Ecco il mio parametro Poisson. Dividilo per |
| vestibilità del modello. |
| In effetti avrebbe dovuto funzionare. |
| Non so bene cosa stia succedendo qui. |
| Va bene, non fare mai demo dal vivo, questa è la regola, ma in passato ha sempre funzionato e non so davvero cosa stia succedendo. |
| Ecco il mio parametro di Poisson. |
| Ecco la mia formula predittiva. |
| Oh. Non dovresti mai provare a dividere qualcosa per |
| stesso. Ecco perché non ha funzionato. |
| Ora sta diventando testardo. |
| Va bene. |
| A volte le cose sottili contano. Ecco il Poisson normalizzato. |
| E la cosa interessante è che |
| puoi adattarlo. |
| E dalle bottiglie disponibili si vede che la Johnson SL è quella che si adatta meglio e fa un ottimo lavoro. |
| E puoi anche |
| adatta Y per X. |
| Prendi questo output |
| e si adattano al contesto della richiesta. |
| E guardate questa trama Oneway. |
| Sembra molto più regolare di quello precedente che ho mostrato. Molto più plausibile che abbiano la stessa distribuzione. Vedrai un intervallo più ampio quando sono su quelli che hanno più dati, ma non è così, |
| non è una sorpresa, in realtà. |
| E se si esamina il test delle varianze disuguali, si può vedere che non vi è alcuna indicazione che le varianze siano disuguali. |
| Ciò non dimostra che non sia così, ma è un modo per dire che è ragionevole utilizzare un modello in cui si presuppone che abbiano la stessa distribuzione. |
| COSÌ. |
| Torniamo a questo punto. |
| Oh, ho anche eseguito un test di Kolmogorov-Smirnov di ciascun contesto rispetto a tutti gli altri e, su circa 78 casi, solo uno di questi ha mostrato un valore p inferiore a 0,05. |
| I valori p non provano nulla, ma indicano che è ragionevole trattare questi dati semplicemente come se provenissero dalla stessa distribuzione. |
| Ed ecco solo la versione ingrandita di quel sottoinsieme più piccolo appena prima, ma potete vedere che è plausibile; non è una prova, ma è plausibile. |
| E con il test di bontà di adattamento |
| di nuovo, sembra ragionevole che |
| il Johnson SL è un modello ragionevole da utilizzare qui per descrivere la distribuzione dei parametri di Poisson, la distribuzione dei parametri di Poisson normalizzata, per questo set di dati. |
| La stessa cosa può essere fatta per la curva Gamma-Poisson e quel sottoinsieme di dati, e quel parametro Lambda, che è il parametro equivalente. |
| E ancora una volta funziona. |
| Per calcolare il parametro Sigma, in realtà utilizzo Sigma meno uno perché Sigma è su una base di uno. |
| E il modello qui è di qualità ancora inferiore, se vogliamo, ma è necessario utilizzarlo |
| fase di modellazione separata perché Lambda è correlato a Sigma e quindi si desidera poter modellare quell'effetto al suo interno. |
| Ancora una volta, si ottiene una vestibilità decente. |
| In questo caso si tratta del Johnson Su. |
| E quindi ecco cosa sta succedendo. Generiamo parametri di distribuzione casuale sintetici. |
| Da un sottoinsieme di dati, generare un modello lineare basato sul contesto. |
| Normalizzare una distribuzione di parametri e adattarla a un modello parametrico continuo comune. |
| Quindi, per generare il parametro sintetico, si ottiene un numero casuale dalla distribuzione normalizzata dei parametri e lo si moltiplica per il risultato appropriato del modello lineare, ovvero lo si "denormalizza". |
| Ora, valutando i parametri del modello casuale sintetico, ho usato di nuovo il test KS e puoi vedere che non c'è modo di distinguerli davvero, quindi almeno è un modo per dire che sembra credibile |
| rispetto ai casi reali. |
| E ho anche realizzato un modello composito. |
| Trasformato in una funzione in modo che possa essere una funzione richiamabile che poi, e questo è in JSL, funzione richiamabile nel linguaggio di scripting JMP |
| per generare parametri per richieste di lavoro casuali con il contesto come input, tutte le diverse caratteristiche del contesto. |
| Ora, non entrerò in tutti questi dettagli, ma il punto è che puoi creare una visualizzazione usando coppie di parametri casuali sintetici che ti danno un'idea non solo di dove si trovano tipicamente le cose in questa mappa termica, ma anche |
| una sorta di idea dei valori anomali, di cosa sia un valore anomalo plausibile e quanto lontano vada realmente. |
| E puoi anche vedere se fai una correlazione che la correlazione tra Lambda e Sigma |
| e tra Lambda sintetico e Sigma sintetico sono quasi uguali. |
| Si tratta di modellare quella relazione in modo abbastanza fedele. |
| E poi, se si guarda a questo con i dati reali inseriti, |
| che sono piccoli punti neri nel grafico principale. |
| Il novantotto percento della densità sintetica si trova nella regione rossastra indicata dalla croce tratteggiata, che è l'inserto centrale con un quadrato verde attorno. |
| Tutti i punti dati, di cui sono 43, |
| cadere lì. |
| E così via. |
| Di nuovo, questa è la modellazione sintetica di ciò che accade realmente in modo ragionevolmente buono. È credibile, ma ti mostra cosa potrebbe accadere in quell'altra piccola percentuale di casi. |
| Quindi questo è tutto ciò che ho portato con me nella modellazione, ma quello che puoi vedere è che puoi usare il contesto; puoi usare altre variabili come quanto |
| viene inserita una specificità nel linguaggio dell'annuncio di lavoro che renderà meno persone qualificate e forse spaventerà alcune persone. |
| Si può osservare il modo in cui è elaborato il linguaggio. Oggigiorno, le persone usano strumenti in HR per elaborare un linguaggio più accettabile. Si può vedere quanta differenza ciò faccia in termini di ciò che si ottiene nel tempo e di più richieste di lavoro. |
| Potresti trattarli come fattori per il modello e quindi potresti perfezionare il modo in cui li applichi |
| queste funzionalità nella creazione di richieste in base alle proprie esigenze. |
| Ma ora passerò a, okay, come si presenta di nuovo? Di nuovo il principio di base, quindi per un caso di Poisson con sette a settimana, il 30% delle volte, il conteggio sarà di cinque o meno. |
| Quindi dovresti aspettarti che uno di questi sia che dovresti aspettarti che il numero di applicazioni richieda |
| il tempo necessario per ottenere una selezione ragionevolmente competitiva da assumere varia, perché anche con una media di sette il numero che si ottiene varia notevolmente. |
| La varianza di Poisson è la stessa del parametro, quindi si ottiene un'ampia variazione. |
| E quindi, se sei abituato a pensare in termini di medie a lungo termine |
| o ancorato a un altro caso potresti essere spiazzato da un'istanza specifica. |
| E il problema è questo pregiudizio nel riconoscimento degli schemi. |
| L'illusione del clustering è questa tendenza a considerare che le inevitabili strisce o cluster che si presentano in piccoli campioni significhino che si sta verificando un effetto non casuale, che c'è una sorta di intenzione dietro. |
| Ed è chiaramente irrilevante per i dati distribuiti di Poisson, come scoprì RD Clarke nel 1946 con la sua analisi della bomba V tedesca. |
| siti che ricadono nell'area di Londra. |
| La gente avrebbe visto i raggruppamenti verificarsi e avrebbe pensato che ciò significasse qualcosa, ma lui è stato in grado di dimostrare che era abbastanza soddisfatto osservando il processo come Poisson |
| distribuiti, il che significa che a volte si verificheranno comunque dei cluster, e sicuramente con la stessa frequenza con cui li hai visti. |
| Quindi ciò significa che in realtà non stavano mirando a qualcosa in particolare, ma che stavano mirando in generale a Londra e in genere colpivano un punto qualsiasi di Londra. |
| In questo caso, considerando i lavori, la probabilità di ottenere una sequenza nell'arco di tre settimane, in cui si ottiene un conteggio decrescente o crescente, è di circa il 12%. |
| In questo esempio, la probabilità di ottenere un conteggio decrescente di due settimane, ovvero che una sia maggiore dell'altra, è del 45%. |
| Questi sono davvero brevi pattern; non dovrebbero essere considerati come se significassero qualcosa, ma possono essere considerati in questo modo da persone che non sono a conoscenza della natura delle statistiche. Questo è davvero il punto qui. E questo può portare a reazioni eccessive. |
| Ora, la variabilità in base al campo di pratica è di circa un ordine di grandezza. |
| In alcuni campi è più difficile reperire personale rispetto ad altri, quindi le aspettative delle persone possono essere distorte se non comprendono queste differenze. |
| E se si considerano le richieste in generale, non solo per campo di pratica, si può vedere una differenza di circa un fattore di 25 nel 95%. |
| vanno dal 2,5 percento al 97,5 percento. È ancora una variabilità enorme |
| nelle tariffe. |
| E poi se avessi capito come questo è stato influenzato dal modo in cui è stato formulato il linguaggio del post, quanto in modo ristretto, quanto in generale, |
| ciò che la lingua attrae, pubblicizzando tutti questi fattori, |
| allora potresti decidere quanto |
| vuoi impegnarti per aumentare quelle tariffe e accelerare il processo. |
| Ecco un caso di offerta di lavoro specifica che utilizza il modello di simulazione di cui ho parlato prima. |
| Professionista affermato presso il Sito A e campo disciplinare di pratica 9, ancora una volta si tratta di materiale proprietario, quindi non verrà rivelato di cosa si tratta; si tratta semplicemente di un particolare tipo di professionista. |
| Si ottiene questa differenza molto ampia da |
| con un livello di confidenza del 95%, compreso tra zero e nove, con una mediana di due. |
| Questo può confondere le persone, queste statistiche basate su numeri così piccoli possono confondere le persone, perché si aspettano che le cose siano più regolari. |
| Ci sono dei limiti nel modello e nell'approccio. |
| I dati, la qualità dei dati, sono sempre importanti. I campi assunti raramente con set di competenze rare saranno sostanzialmente assenti dal set di dati con ogni probabilità se i dati vengono raccolti in un breve lasso di tempo. |
| Ma d'altra parte, molte delle variabili esterne su cui non hai controllo |
| Forse |
| cambiando durante l'arco temporale della raccolta dei dati se si utilizza un arco temporale lungo come base per queste analisi. |
| E l'approccio di modellazione non considera l'autocannibalizzazione. Se hai due richieste aperte in un campo, e i candidati si candidano per entrambe o ne scelgono una. Forse in alcuni casi scelgono quella che ritengono sia la migliore possibilità. |
| Questo modello non fa nulla a riguardo, ma rappresenterebbe il risultato del mondo reale semplicemente catturando ciò che accade. |
| Tuttavia, non rappresenta la portata delle opportunità perse, perché probabilmente vorresti che si applicassero a tutte quelle posizioni per cui potrebbero essere qualificati, solo per vedere dove potrebbero inserirsi. |
| Quindi conclusioni. Alcune risposte alle domande di lavoro tendono a essere distribuite come Poisson o Gamma-Poisson. |
| E questo è stato verificato su un ampio set di dati composto da circa 2.500 richieste totali. |
| I parametri di distribuzione per la risposta dell'applicazione variano notevolmente. |
| Se normalizzato |
| possono essere adattati a profili comuni. |
| E quei modelli concisi che risultano dai profili comuni facilitano la generazione di modelli sintetici di requisizione casuale. |
| Ciò consentirebbe a una persona di effettuare una sorta di analisi o definizione dell'ambito |
| probabilità |
| in diverse circostanze. |
| Penso sia importante sottolineare che i modelli di arrivo delle domande possono colmare una lacuna importante nella comprensione dell'intero ciclo di vita del dipendente, perché forniranno ai responsabili delle assunzioni e ai professionisti del personale una prospettiva in merito a tali distorsioni del modello. |
| Possono essere utilizzati in modelli basati su eventi discreti o su agenti come un modo per generare candidati, se si desidera farlo in modo realistico. |
| E |
| forse la cosa più importante, da una prospettiva economica, |
| Si tratta di un modo per inquadrare il costo per candidato rispetto alle caratteristiche del lavoro e ad altre variabili esterne, regolabili e fuori dal controllo. |
| Ciò, quindi, darebbe una migliore comprensione di cosa aspettarsi in termini di quanto velocemente le cose potrebbero essere riempite, quanto velocemente le aperture potrebbero essere riempite e quanto costerebbe farlo. |
| a seconda dei rapporti con la pubblicità e così via. |
| Con questo concludo quello che intendevo presentare oggi e |
| dirò solo che se avete domande dovreste avere le informazioni di contatto da questo |
| video o dove è collocato e sentiti libero di contattarci. |
| Christy Spagna | Ok, è stato fantastico. |
| Sì, tranne la parte in cui la mia cosa non ha funzionato perché ho sbagliato la DEMO. |
| Ma quello è stato un buon, sicuro, è stato un buon SALVATAGGIO. Alla fine ho capito cosa stavo facendo. |
| Sì, JMP non farà cose stupide, non importa quanto tu lo voglia. |
