756837_ja-JP

liliconcom

人材獲得シミュレーションと管理のための雇用申請到着モデル (2021-US-30MP-816)

サンディア国立研究所主席システム研究アナリスト、ソー・オズボーン氏

人材獲得は人材管理サイクルの重要な要素です。 求人応募の到着は確率的なプロセスであり、人材の採用と入社に必要なその後の審査、意思決定、交渉の手順に制限と遅延が生じます。 このプロセスを分析的に理解することは、求人広告の内容や採用担当者の期待を導くのに役立つだけでなく、求人依頼の発行からオンボーディングまでのフローとタイミングをシミュレートするのにも役立ちます。 このプレゼンテーションでは、大規模な研究機関から数年にわたって収集されたアプリケーション データを使用して、勤務地、業務分野、キャリア ステージに相関する平均率と過剰分散パラメーター分布を持つガンマ ポアソン分布のアンサンブルを使用して、アプリケーションの到着動作を効果的にモデル化できることを示します。

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
クリスティ・スペイン	こんにちは。
	こんにちは、今日はお元気ですか。
	私は大丈夫です、あなたはどうですか。
クリスティ・スペイン	ありがとう。
	トール、どこにいるの？
	そうだ、クリスティ・スペイン。
	そしてニューメキシコ州アルバカーキ。
クリスティ・スペイン	それが私が考えていたことです。
	権利を得た。
クリスティ・スペイン	そこには3桁の数字があります。
	今ではない。
	はい、できました。
	ハリケーンが近づいて来ています。
	ボールホッグが気温を下げるだろう。
クリスティ・スペイン	さて、あれの名前は何ですか。
	分かりませんが、通常はあまり起こらないので、あまり注意を払っていませんでした。
	良い。
クリスティ・スペイン	ちょっと不意を突かれたのですが、ご存知のとおり、昨日はゴルフ場がかなり大打撃を受け、パイプラインが閉鎖されたため、ここにいる全員がガソリンを補給しています。
	それで、あなたはどこにいますか。
クリスティ・スペイン	私はノースカロライナ州キャリーの本部にいます。
	えっと、そうだな、去年私たちのために何かレコーディングをしましたか？
	去年は自分で作りました。
	おそらくこれが私たちがこれを行っている理由の 1 つです。
	この時。
	おお。
クリスティ・スペイン	それは面白い。
	えーと、ちょっとチェックリストがあるので、それを開いて、実際にあまりにも多くのものを閉じてみましょう。
	すべてをクリアしようとしていたので、ポップアップは表示されませんでした。すべてのアプリを閉じましたか。
	まだなので質問もあります。
	確かに 1 つです。
	録画の前にアップロードする必要があると書いてありましたが、リンクがないのでアップロードできません。
クリスティ・スペイン	何をアップロードするのか、何なのか。
	そしてプレゼンテーション資料。
クリスティ・スペイン	わかりました。そのリンクが何なのか調べてみます。
	それで、昔のメールを見直してみたのですが、見つけられませんでした。
	私は。
	大したことではないですが。
クリスティ・スペイン	ただし、そのまま録音することは間違いなくできるはずです。
	はいはい。
クリスティ・スペイン	ちょっとしたチェックリストを見つけましょう。そのチェックリストの一部は、アプリで閉じられています。
	それをやります。
	Microsoft チームは必要ありません。
クリスティ・スペイン	あなたのシャツには何もロゴがないので、それは良いことです。
	ロゴはありません。
	おそらく、今のところは必要ないでしょう。
クリスティ・スペイン	邪魔しないチームを設定する方法がわかりませんでした。
	チームは順調です。
	現代についての一つ。
	テクノロジーとは、人があなたに指示を与えるのではなく、ただ物を与えて、あなたがそれを理解しなければならないというものです。
クリスティ・スペイン	ええと、ヘルプ セクションに D amp D と入力したところ、メッセージなどを探しているような動作になったので、OK、または問題なかったので閉じました。
	はい、それで。
	いくつかのアプリケーションを開いているのですが。
	あの小さな寄生的なチームを見てください。
クリスティ・スペイン	大丈夫ですよ。
	まあ、彼らはそれをこの小さな隠しメニューに入れて、Skype と一緒にそこに残しておいたのですが、それは何があろうともあなたと連絡が取れるようにするためです。
クリスティ・スペイン	そして、おそらくあなたに背景の 1 つを撮ってもらうべきだと思います。
	著作権侵害はないと書いてありますが、ご存知の通り、そこにはたくさんの本がありますので、もしかしたらそうかもしれません。
	ああ、確かにここには本があるけど、実際に読むことはできないから大したことではないと思ったけど、まあいいか。
クリスティ・スペイン	嫌なのかは分かりません。
	折り返し電話して、もう諦めるつもりだと伝えなければなりません。
	うん、二度はやりたくない。
	いいえ。
	これはきっととても楽しいだろうけど、もう一度やりたくない。
	私はチームを削除するだけです。
	チームは全部消えてしまった。
	さて、これらの背景については、私はそれについて何かを持っています。
	Outlookに戻らなければなりません。
クリスティ・スペイン	あるいは、もしかしたらそうするかもしれません。
	ほら、私は一度も使ったことがないんです。
	本当に一度も使ったことがありません。
	そうです、彼らはぼかすために分析するからです。
	うん。
	ご存知のように、何かを移動させるときに人々がそれらを使用すると、物がぼやけて、部屋の中のガラクタがすべて見えるようになります。
	そう見てください。
	聞く
	ターニャ、新しい症状ですね。
	さあ、始めましょう。
	それらはソーシャル タイルです。ソーシャル タイルとは何なのかご存じでしょう。
	仮想背景なので青い散布図になります。
	私はただそれをやります。
	来て。
	それで、今の問題は、どうすればいいのか、ということです。
	それらを使用してください。
	見てみましょう。
クリスティ・スペイン	小さな 3 つのドットの下にあると思っていましたが、そうではありませんでした。
	そうですね、アヒルがどこにいるのかよく分かりません。
	ドットはどこにありますか。
クリスティ・スペイン	そうですね、一番下には画面共有とチャットがあります。
	そして、それらすべてにはもう少しだけ何かがあるようです。
	しかし、バックグラウンドで変更するオプションは見当たりません。
	私もそうしません。
クリスティ・スペイン	私たちはさまざまなものの間を行ったり来たりしています。
	ここでのツールは難しいです。
	ちょっと検索してみましょう。
	滑らかなカメラの下の仮想背景。
	おお。
	それで。
	そして、仮想背景がどこにあるか知っておく必要があります。なぜなら、彼らはそれを言わなかったからです。
	どれを使うべきかとか、そういうのは、いやいやいや。
クリスティ・スペイン	ああ、素敵ですね。
	ああ、よかった。他にできることがあまりないと思っていたので、これで背景ができました。たくさん動かしても、実際には少しだけ失敗する程度で、かなりうまく機能しています。
クリスティ・スペイン	そして
	タスクバーを自動で表示しましたか。
	どうやってそれをやるのか見てみましょう。
クリスティ・スペイン	タスクバーに移動して右クリックします。
	はい、何もない場所に。
	いいえ。
	問題は、タスクバーが完全にサブスクライブされていることです。
クリスティ・スペイン	私のも隠れていないのですが、理由はわかりません。
	そうですか。
	タスクバーの設定を始めましょう。
	月曜日はデスクトップ モードでテスト バーを自動的に非表示にします。
	の上。
	はい、これで自動的に非表示になっているように見えますが、実際には非表示になっていません。
クリスティ・スペイン	まあ、上にスクロールすると消えます。
	したがって、 は の場合のみ表示されます。
	何か活動がうまくいってるのがあります。
クリスティ・スペイン	そしてあなたの音は素晴らしいです。
	そして
クリスティ・スペイン	共有の練習をして、あなたの解像度などを確認します。
	さて、見てみましょう。
	確かに、問題となる具体的な事柄があります。
	画面共有では、あなたの姿をお見せします。
クリスティ・スペイン	さて、先に進んでコンテンツを共有してください。
	はい、でもスライドと JMP アプリケーションを切り替えて表示できるようにしたいのです。
	私の画面。
	それで、どういうわけか私は終わりました。
	スクリーンと小さなウィンドウがここにあります。
クリスティ・スペイン	上部で、表示して並べて表示するように変更できます。これが私の設定です。
	誰も私を見たくないので、カメラをオフにします。
	今日はあなたに関することです。
	アクティブスピーカーのビデオサムネイルを小さく表示します。
	はい、それでわかります。
	これは私たち両方にグリッドを示しています。
	すると全体が本当に小さくなります。
	そしてもう自分自身を見ることができないのです。
	しかし、これを動かすことはできます。
クリスティ・スペイン	そうですね、PowerPoint を変更したようですね。
	さて、ここで、PowerPoint が通常の書き込みモードになったときに、次のような質問が寄せられました。
	しかし、プレゼンテーションビューに移動すると、
	画面は大きくなりますが、そのビューと他のビューの間を行ったり来たりしなければなりません。
	ビデオを撮るとき。
	関連する部分に焦点を当てるつもりですか、それとも画面に流れてくるものをそのまま表示するだけですか。
クリスティ・スペイン	ええ、何でもお見せしますよ。
	したがって、ほとんどの人はプレゼンテーション モードを使用しますが、必要に応じて、そのモードを終了して JMP 画面を表示できます。
	そして戻って、それは意味がありますか、そして私たちが最終的にあなたがあなたのいくつかを知っているのを見るならば。
	はい、素晴らしいですね。
	わかりました。これが私たちがやることだと思います。必要に応じて脱出して JMP に行きます。
クリスティ・スペイン	ちょっと試してみて、サイズが合っているかなど確認してみませんか。
	うん。
クリスティ・スペイン	素晴らしいですね。
	わかった。
	だから見えるんです。
クリスティ・スペイン	はい、それでは、今、やらなければなりません。
	お名前、会社名、抄録タイトルをご確認ください。
	名前はトール・オズボーン。会社はサンディア国立研究所です。
	抄録のタイトルは「人材獲得シミュレーションと管理のための雇用応募到着モデル」とします。
クリスティ・スペイン	完璧です。そして、これは Discovery Summit で使用するために録画されていることを理解しました。
	JMP カンファレンスで発表され、JMP ユーザー コミュニティで公開されます。その使用と録画を許可しますか?
	ありがとう。
クリスティ・スペイン	準備はできたと思うので、ミュートにして
	準備ができたらいつでも行けます。目標はまっすぐに通過することです。何か悲惨なことが起こらない限り、私は何も言わないし、止めることもしません。どうですか?
	さて、目標はまっすぐに突き進むことですが、どれくらいの時間が必要ですか?
クリスティ・スペイン	30分です。
	はい、少し余裕があると思います。再生の最後に質疑応答の時間を設けるので、少しオーバーしても大丈夫です。
	さて、出発する前に、誰が話しているか、誰が話しているかを示す小さなウィンドウがあります。
	なぜなら、ビデオの容量が小さくなるからです。
	さて、私の画面にはプレゼンテーション ビューが表示されていますか、それとも右下のこの小さな挿入物とともにそれが表示されますか。
クリスティ・スペイン	表示されるのはプレゼンテーションビューだけです。
	わかりました。彼らはどういうわけかこれを浮かべているのです。
クリスティ・スペイン	それは迷惑なことだろう。
	邪魔にならない限り大丈夫です。つまり、そこには何も置きません。
クリスティ・スペイン	大丈夫ですよ。
	うん。
	よし。
クリスティ・スペイン	わかりました。ミュートにしておきます。そうすれば準備完了です。
	わかった。
	私の名前はトール・オズボーンです。サンディア国立研究所で主任システム研究アナリストとして働いています。
	本日の私の講演は、人材獲得シミュレーションと管理のための求人応募到着モデルです。
	楽しんでいただければ幸いです。
	ここでは 3 つの基本的な目的があります。1 つは、就職応募の到着時間をモデル化する必要がある理由をビジネスケースで説明することです。もう 1 つは、この種のデータを使用して簡潔で幅広く適用可能なモデルを作成するための簡単なプロセスを示すことです。
	次に、大規模な研究機関のデータでそのプロセスを実演し、それを使って何ができるかを簡単に説明します。
	この種のデータはほとんどの人にとって少し珍しいものだと思うので、技術的にはデータの理解について説明します。
	ソースモデルは、基本的にはソースモデリングです
	分析なので、ポアソンモデルとガンマポアソンモデルについてお話します。
	作業しやすくするために、いくつかの分析と変換を行い、その後、モデルの作成方法について簡単に説明します。
	動機に関して言えば、動機の基本的な領域は 3 つあります。1 つは、人材獲得プロセスとビジネス機能を改善することです。
	もう 1 つは、会社を率いる幹部の理解を深めることであり、3 つ目は、採用マネージャーの期待を形作ることです。
	まず、人材獲得から始めましょう。採用率と採用までの時間は、人材獲得パイプラインの審査段階の流れによって決まります。しかし、重要なのは、プロセスを進める前に、十分な数の求人応募がなければならないということです。
	そして、料金とパターンは、分野、掲載される求人の特殊性、競争、広告の量などによってかなり異なります。
	アプリケーション到着に関する共通の数学的フレームワークにより、アプリケーション獲得率を向上させるためのトレードス​​ペースをよりよく理解できるようになる。
	その他にも、応募者の獲得率や差異と雇用状況、職場、キャリア レベル、業務分野などとの間には重要な関係があります。
	調整可能な変数、広告、求人広告の特殊性、投稿言語（英語とスペイン語の違いではなく、投稿の枠組みの違い）が獲得率に与える影響。
	そして、ターゲットを絞った採用活動。そして、経済状況、実務分野での競争など、外部要因による獲得率への影響。
	採用エリア内で実際にリーチしている専門職人口はどれくらい大きいか。
	そして、人材獲得は、プロジェクトやプログラムの実行でよく見られる典型的な制約、つまり時間、品質、コストに直面していることを認識することが重要であると思います。
	応募書類を集めるには時間がかかります。質の高い応募者を集める必要があります。それには費用がかかり、早く進めようとすればするほど費用は高くなります。
	つまり、ここではトレードオフが存在します。
	経営陣は、人材計画を通じてプロセスに関与することがよくあります。人材計画は包括的な用語ですが、基本的には年間計画と言えます。
	しかし、関連するモデルやコストに関するフィードバックがなければ、人員予算やプロセスの一般的な制約と割り当ての考慮が主観的になったり、考慮されなかったりする可能性があります。
	つまり、経営幹部レベルでは、人事部門は単に必要なコストとして見られることが多く、必ずしも会社を前進させるための手段とは見なされていないということです。これは情報不足も一因であり、情報を提供することで状況を改善できる可能性があります。
	また、採用マネージャーの期待。
	基本的に、私たちは少数の統計、少数のアプリケーションを扱っています。
	人間はパターンバイアスの影響を受けやすく、ほとんどの採用マネージャーは毎週人を採用しているわけではないので、長期間にわたるさまざまなケースの観点からこれを見ることに慣れていません。
	そして、それは彼らが直面した最後の状況に固執することにつながる可能性があり、ある週から次の週にかけて応募者の数が減少するのを見て、それは彼らが興味のあるすべての人にアクセスしたことを意味するに違いないと考えるパターンバイアスにつながる可能性があります。
	そして、偏見に対するこうした直感的な反応の問題は、過剰反応につながる可能性があるということです。なぜなら、少数の統計ではいつものことですが、その文脈で受け止めなければ、誤った情報を得ることになるからです。
	データについて少し説明します。到着データは特定の求人情報に関連付けられています。つまり、求人情報があり、その求人情報の募集があり、その募集の結果として応募が到着します。
	これらは、サイトの場所、キャリアフェーズなど、いくつかの方法で特徴付けられます。
	可視性、つまり、どれだけ広範囲に可視化されるか。
	実践分野、何をしているか。
	そして、それらの分野内で非常に広範囲に及ぶ、または非常に狭い範囲に及ぶ特定の要件があります。
	また、応募は求人情報にアクセスできる期間内に提出できるため、通常は定められた期間があります。
	日付ごとに追跡されます。
	さて、この場合、実際のデータを後で分析するために、最後に申請が提出された日付を公開終了日として使用する必要がありますが、これは必ずしも正しいわけではありません。しかし、実際のデータではよくあることですが、必要なすべてのデータが揃っているわけではありません。
	そして最後に言いたいのは
	1 日あたりの申請数をカウントします。1 日に申請が 0 件だった場合、カウントは 0 になります。
	求人広告の応募者の全国的なプールを考えると、
	雇用主は情報を世に発信します。
	全国の潜在的な応募者の中から何人かが応募します。
	一般的に、その数は、できる人の合計数に比べて少ないと想定されています。
	そして、膨大な応募者プールがあります。これはソースであり、そのソースに対する応募や小さな変動です。
	はっきり言って、これはポアソン数学に慣れている人にとっては非常に退屈なことかもしれないが、
	1 日目に 1 件のアプリケーションが到着した場合、それはカウント 1 のインスタンスが 1 つあることになります。2 日目にはアプリケーションは到着しません。これはカウント 0 のインスタンスです。そのため、右端には、0 のインスタンスが 3 つ、1 のインスタンスが 3 つ、2 のインスタンスが 1 つ、3 のインスタンスが 1 つ表示されます。
	データはそれほど多くありませんが、ポアソン モデルで近似することができ、右下に青い線が表示されます。
	したがって、平均すると 1 日あたり 1 件のアプリケーションが到着しますが、実際の 1 日あたりの数は分布によって異なります。以上です。
	したがって、ポアソン分布は、単位時間あたりの平均放出率 Lambda が一定である離散アイテムのソースをランダムに放出することによって、単位時間内に生成されるカウントの確率を表すために使用できます。
	そしてこの式が得られます。そして、前のスライドで示した非常に小さい確率の4の場合、
	基本的には 1 から 4 まであります。
	eのマイナスラムダ乗、つまり基本的に37%
	これを 4 の階乗、つまり 24 で割ると、およそ 1.5 パーセントとなり、これは小さいながらもゼロではない確率と一致します。
	そこで、最初の仮説として
	この広く宣伝されている仕事に応募する全国に散らばった潜在的な応募者集団のメンバーは、協調性のない行動をとると想定されます。
	雇用機会に関しては、ポアソンモデルが意味をなす可能性があります。
	したがって、それは合理的な初期仮説です。
	さて、もし彼らが相互作用したらどうなるでしょうか。
	次に、これはガンマ-ポアソン ソース モデルの観点から考えることができます。これは本質的に、混合分布としてガンマ分布を使用するポアソン コンポーネントです。
	あるいは、平均率が一定ではなく、瞬間ごとに変化するため、ぼやけたポアソン分布と考えることもできます。
	そして、これは、応募者が協調的に行動するという代替仮説の下で起こり得る。
	これは、仕事の機会などについて互いに話し合う人々のネットワークがあれば実現できるでしょう。
	さて、ここに
	ガンマポアソン分布を生成する方法に関するスライド。これは基本的な内容ですが、これらの分布を調べることは役に立つと思います。
	そこで、ちょっと JMP でデモをやってみます。
	ここで表示されているランダム ガンマ 4-1 は、パラメーターが 4、スケーリング パラメーターが 1 のランダム ガンマを意味し、平均は 4 です。
	分布を見てみましょう。ここには 100,000 行あり、スライドで見たような曲線が得られます。
	平均は約 4 で、これは何かを何度も行う場合に発生します。
	それはほぼ期待通りです。
	さて、その分布を利用して
	ランダムポアソン分布のフィードとして。
	そしてこれを手に入れます。
	ぼやけているため、以前のポアソン分布とは似ていません。
	ポアソンフィットを見ると、最もフィットするのは
	平均して4つ、それが実際にできるすべてです。
	ガンマポアソン分布よりも分散が狭いので、ガンマポアソン分布であることを確認するために、
	そこの赤い線を見てください。
	そして、本当によくフィットします。
	ほぼ完璧です。
	つまり、これは、その経験を経て
	コミュニケーションプロセスにおいては、ポアソン分布はもはや最良のモデルではありません。
	今お見せしたケースは、このクアッドパネルの右上に表示されています。
	シグマは 2 で、過剰分散パラメータは 2 です。
	過剰分散パラメータが 1 の場合、シグマは左上で 1 に等しくなり、これは基本的にポアソン分布と同じです。
	しかし、分散パラメータが増加すると、山から尾へと変化し、代わりに指数関数の減衰のような形になります。右下の青い部分でそれがわかります。
	ここでは色が以前とは逆に入れ替わっているので、混乱が生じた場合は申し訳ありません。
	実際のデータはこちらです。
	幅広くアクセス可能な、キャリア初期の機械工学職の募集の場合です。
	140 件の申請で 131 件のカウントが作成され、その多くはゼロであるため、これは 131 日間にわたって分散されます。
	ガンマ・ポアソン分布が最もよく適合しており、左上にそれが見られます。
	私は赤池の基準、AICを使用しています
	メトリック。
	左下には
	経験豊富なポジションです。経験豊富な専門家は、大学の就職担当者などのネットワークを持っていません。
	あるいは、大学の環境で見られるような、常に他の人と関わる必要もありません。これは何かを証明するものではなく、経験豊富な専門家の反応でより典型的なポアソン行動が見られるのはそのためかもしれないと合理化するための方法にすぎません。
	ここで示すように、これは応募数とも相関しているようです。他の重要な要因としては、
	キャリアステージ。
	先ほど述べたように、FLSA ステータス (非免除) は、免除対象のスタッフではなく、たとえば技術者を意味します。
	これらの要因は重要であるように思われますが、アプリケーション数が増えるにつれて、ガンマ・ポアソン分布になる可能性が高くなるという偏りが確実に存在します。
	さて、このデータは分析のためにどのように準備されるのでしょうか。求人要件別の応募日。
	表形式の設定ゼロ
	カウントがない場合。
	次に、各要件に対してポアソン分布とガンマポアソン分布を適合させて、どちらがより良い AIC 値を与えるかを調べます。
	並行して、1 つの要求ごとに 1 行または 1 列の要求概要テーブルが作成され、それらが結合されて、ポアソン分布とガンマ ポアソン分布のパラメーターと、どちらがより適合する可能性が高いかを示す AIC パラメーターが生成されます。
	また、サブセット化後にポアソンの要約とガンマポアソンの要約が得られます。これらを一緒に処理するのは難しいためです。
	シグマが 1 のガンマ ポアソン分布を使用することもできますが、その場合、インフレーションがゼロになり、処理が複雑になるため、代わりにそれらを別々に処理します。
	どちらのサブセットが使用されても、プロセスはパラメーターとドライバーの適合線形モデルを表示します。
	パラメータはモデルによって正規化されます。
	次に、すべてのドライバー条件にわたって共通の分布が妥当かどうかを確認します。この場合、ドライバー条件は基本的に、サイトの場所、キャリアの初期または後期など、要求のコンテキストです。
	同じ分布に該当する可能性がある場合は、共通の分布パラメータ セットを作成し、それをデータ セット全体に使用することができます。
	そうでなければ、このアプローチは失敗し、現時点ではそれに対処するメカニズムがないので、幸運にもそれは起こりませんでしたが、将来的には検討すべきことです。
	ここに、コンテキスト別のポアソンパラメータ分布を示します。コンテキストはサイトと関係があり、キャリアの初期段階か後期段階か、あるいは確立された段階かなどです。
	そして、それがどの業務分野であるか。これらすべてに「B」が付いており、これは幅広いという意味です。社内のみの求人を分析するのは難しく、機会がはるかに制限される別の作業であるためです。そのため、このプレゼンテーションでは、単に幅広いケースにこだわっています。
	ご覧のとおり、平均分散は要求コンテキストによってかなり明らかに異なりますが、同じ分布内には収まりません。これは簡単に実証できます。
	より小さなサブセット、つまり最初のチャンク、サイト A の初期セットだけを見ると、平均値と標準偏差がバラバラであることがより明らかになります。
	ここで少しデモもやってみます。
	だから私はこのデータを持っています。
	これは非常に単純なモデルです。ポアソンパラメータ出力を取り、このマルチレベルである要求コンテキストを使用します。
	主観的な変数。
	これを実行すると、RSquareが約4ポイントであることがわかります。つまり、
	それは重要ではありません。モデルの適合性は実際かなり良好です。
	このパラメータの適合性は非常に良好です。すべての分散をカバーしているわけではありませんが、それは期待していないので問題ありません。これは、このモデルが機能に対して非常に優れていることを意味しているだけです。
	純粋に表形式で行うこともできますが、作業が簡単になり、この適合でどの程度の変動性が処理されているかを把握できるため、このアプローチが気に入っています。
	ここに行って、
	実際と予測を比較すると、確かにこれは優れたモデルではありませんが、目的には役立ちます。
	もう一つできることは、予測式を保存することです。
	それで、ここにあります。
	すでにこれを実行しているため、自動的に添え字が付けられます。
	これは本質的には
	定数
	要求コンテキストによるオフセットを加算します。
	ロケット工学は必要ありません。
	しかし、正規化をしたい場合、
	列を追加します。
	これを呼ぶ
	ノーム・ポワソン もう一度、これを作るために一度やったことがあるから
	まずテーブル。
	ポアソン分布を求めます。これが私のポアソン分布パラメータです。これを
	モデルの適合。
	それは実際に機能するはずでした。
	ここで何が起こっているのか分かりません。
	わかりました。デモは絶対にライブで行わないのがルールですが、これまではずっとうまくいっていたのに、一体何が起こっているのかよくわかりません。
	これが私のポアソンパラメータです。
	これが私の予測式です。
	ああ。何かを割ろうとしてはいけない
	それ自体です。それが機能しなかった理由です。
	今は頑固になっています。
	わかった。
	微妙なことが重要な場合もあります。そこで、正規化されたポアソン分布を示します。
	そして興味深いのは
	これなら収まりますよ。
	入手可能なボトルを見ると、ジョンソン SL が最もフィットし、非常に優れた性能を発揮することがわかります。
	そして、
	Y を X でフィットします。
	この出力を取る
	要求のコンテキストに適合します。
	そして、このOnewayプロットを入手してください。
	これは私が以前示したものよりずっと規則的に見えます。これらが同じ分布をしている可能性がはるかに高くなります。より多くのデータがあるものを見ると、より広い範囲が見られますが、そうではありません。
	それは本当に驚くべきことではありません。
	不等分散検定を見ると、不等分散であるという兆候がないことがわかります。
	これは、同じ分布ではないという証拠ではありませんが、同じ分布を持つと仮定したモデルを使用するのが合理的であると言う方法です。
	それで。
	これに戻ります。
	ああ、私はまた、各コンテキストと残りのすべてとを比較してコルモゴロフ・スミルノフ検定を実行しましたが、78 のケースのうち、p 値が 0.05 未満を示したのは 1 つだけでした。
	P 値は何も証明しませんが、これらを同じ分布から来たものとして扱うのが合理的であることを示しています。
	これは、先ほどの 1 つの小さなサブセットの拡大版ですが、これがもっともらしいものであることがわかります。証明ではありませんが、もっともらしいものです。
	そして適合度テストでは
	もう一度言うが、
	ジョンソン SL は、このデータセットのポアソンパラメータ分布、正規化されたポアソンパラメータ分布を記述するために使用する適切なモデルです。
	同じことは、ガンマ・ポアソン分布とそのデータのサブセット、および同等のパラメーターであるラムダ パラメーターに対しても実行できます。
	そしてまたしてもそれはうまくいきました。
	シグマ パラメータを実行する場合、シグマは 1 のベースライン上にあるため、実際にはシグマから 1 を引いた値を使用します。
	ここでのモデルはさらに低品質ですが、使用する必要があります
	Lambda は Sigma と相関関係にあるため、その効果をその中でモデル化できるようにする必要があるため、別のモデリング ステップが必要になります。
	もう一度言いますが、きちんとフィットします。
	この場合はジョンソン・スーです。
	では、ここで何が起こっているのか見てみましょう。合成ランダム分布パラメータを生成します。
	データ サブセットから、コンテキストに基づいて線形モデルを生成します。
	パラメータ分布を正規化し、共通のパラメトリック連続モデルに適合させます。
	そして、合成パラメータを生成するには、正規化されたパラメータ分布から乱数を取得し、それに適切な線形モデルの結果をかけます。つまり、それを「非正規化」します。
	合成ランダムモデルパラメータを評価するために、再びKSテストを使用しましたが、実際にそれらを区別する方法がないことがわかります。少なくとも、それは信憑性があるように見えると言う方法です。
	実際のケースと比較して。
	そして複合モデルも作りました。
	これを関数に変換して、呼び出し可能な関数にすることができます。これはJSLで、JMPスクリプト言語で呼び出し可能な関数です。
	コンテキストを入力として、さまざまなコンテキスト機能を使用してランダムな求人のパラメータを生成します。
	ここまで詳しく説明するつもりはありませんが、ポイントは、合成ランダムパラメータペアを使用して視覚化を作成することで、ヒートマップ内の典型的な位置だけでなく、
	外れ値についてのアイデア、妥当な外れ値とは何か、そしてそれが実際にどこまで及ぶか。
	また、相関関係を調べると、ラムダとシグマの相関関係がわかります。
	合成ラムダと合成シグマの差はほぼ同じです。
	それはその関係をかなり忠実にモデル化しています。
	そして、実際のデータを加えて見てみると、
	メイングラフ上の小さな黒い点です。
	合成密度の 98 パーセントは、中央の挿入図で囲まれた緑色の四角で囲まれたクロス ハッチで示される赤みがかった領域にあります。
	43個のデータポイントはすべて、
	そこに落ちる。
	など。
	これもまた、実際に起こることをかなりうまくモデル化した合成モデルです。信じられるものですが、他の数パーセントのケースで何が起こるかを示しています。
	これが私がモデリングした範囲ですが、コンテキストを使用できることがわかります。他の変数、たとえば
	求人広告の文言に具体的な内容が盛り込まれると、適格な人材が減り、一部の人を怖がらせてしまう可能性があります。
	言葉がどのように作られているかを見ることができます。最近では、人事部門のツールを使って、より受け入れやすい言葉が作られています。時間の経過とともに、また複数の求人に対して得られる成果に、それがどれだけの違いをもたらすかがわかります。
	これらをモデルの要素として扱い、それによって適用方法を調整することができます。
	必要に応じてこれらの機能を使用してリクエストを作成します。
	しかし、ここでもう一度、これがどのように見えるかを見てみましょう。再び基本原則ですが、1 週間に 7 つのポアソン分布の場合、30% の確率でカウントは 5 以下になります。
	ですので、その1つは、アプリケーションの数が増えることを予想することです。
	採用に関して妥当な競争力のある選択肢を得るのに必要な時間は異なります。平均 7 人であっても、得られる人数はかなり異なるからです。
	ポアソン分布の分散はパラメータと同じなので、幅広い変動が得られます。
	長期的な平均で考えることに慣れているなら
	または別の事例によって固定されている場合、特定のインスタンスによって混乱する可能性があります。
	そして、問題はこのパターン認識バイアスです。
	クラスタリング錯覚とは、小さなサンプルに必然的に現れる筋やクラスターは、ランダムでない効果が起こっていることを意味し、何らかの意図があると考える傾向のことです。
	そして、1946 年に RD Clarke がドイツの V 爆弾の分析で発見したように、これはポアソン分布データとは明らかに無関係です。
	ロンドン地域に該当するサイト。
	人々はグループ化が起こったのを見て、それが何かを意味すると考えるだろうが、彼はプロセスをポアソン分布として見ることで、それがかなり満たされていることを実証することができた。
	分散されているということは、いずれにしてもクラスターが発生する可能性があり、実際に見たのと同じくらいの頻度で発生することを意味します。
	つまり、実際に起こっていたことは、彼らが何か特定の場所を狙っていたのではなく、大体ロンドンを狙っていて、ロンドンのどこかに大体当たったということだ。
	この場合、ジョブを見ると、3 週間にわたって減少または増加するカウントのシーケンスを取得する可能性は約 12% です。
	この例では、2 週間のカウントが減少する、つまり 1 週間がもう 1 週間よりも大きくなる可能性は 45% です。
	これらは本当に短いパターンです。何か意味があると考えるべきではありませんが、統計の性質を知らない人はそう考える可能性があります。それがまさにここでのポイントです。そして、それが過剰反応につながる可能性があります。
	現在、実践分野による変動はおよそ 1 桁の規模になっています。
	一部の分野は他の分野よりも入手が難しいため、その違いを理解していないと人々の期待が歪む可能性があります。
	そして、業務分野だけでなく、一般的な求人を見ると、95％の求人で約25倍の違いがあることがわかります。
	2.5%から97.5%までの範囲です。それでも大きなばらつきがあります
	料金に。
	そして、投稿の言語がどのように作られているかによって、それがどの程度狭い範囲で、どの程度一般的に影響されているかを理解すれば、
	言語が何を引き付け、これらすべての要素を宣伝しているのか、
	そうすれば、いくらか決められる
	これらのレートを高くし、プロセスをより速く完了させることに注力したいのです。
	ここでは、先ほど説明したシミュレーション モデルを使用した特定の求人広告の事例を示します。
	サイト A で確立された専門家であり、実践分野 9 です。これもすべて独自の情報であるため、それが何であるかは公開されません。これは特定の種類の専門家に関するものです。
	この大きな違いは
	95% の信頼度では、0 から 9 の間で、中央値は 2 になります。
	この小さな数字の統計は人々を困惑させる可能性があります。なぜなら、人々は物事がより規則的であると期待しているからです。
	モデルとアプローチには限界があります。
	データ、つまりデータの質は常に重要です。短期間で収集されたデータの場合、採用頻度が低く、スキルセットが珍しい分野の人材は、データセットから実質的に欠落している可能性が高くなります。
	しかし一方で、自分ではコントロールできない外部変数も数多く存在します
	多分
	これらの分析の基礎として長い時間枠を使用する場合、データ収集期間中に変化する可能性があります。
	また、モデリング アプローチでは、自己共食いは考慮されません。ある分野で 2 つの求人募集がある場合、応募者は両方に応募しますか、それとも 1 つを選択しますか。場合によっては、応募者は最も可能性が高いと思われる方を選択します。
	このモデルはそれについては何もしませんが、何が起こるかを単に捉えるだけで現実世界の結果を表します。
	しかし、それは逃した機会の範囲を表すものではありません。なぜなら、おそらく、彼らが適格である可能性のあるすべての仕事に応募して、どこに適合するかを確認することを望むからです。
	結論としては、求人広告に対する一部の就職応募の反応は、ポアソン分布またはガンマポアソン分布になる傾向があります。
	そして、これは合計約 2,500 件の要求からなる大規模なデータ セットで確認されました。
	アプリケーション応答の配布パラメータは大幅に異なります。
	正規化した場合
	共通のプロファイルに適合させることができます。
	そして、共通プロファイルから得られる簡潔なモデルにより、合成ランダム要求モデルの生成が容易になります。
	これにより、人は何らかのスコープや分析を行うことができます。
	可能性
	さまざまな状況において。
	アプリケーション到着モデルは、採用マネージャーや人材派遣担当者にパターンの偏りに関する視点を提供するため、従業員のライフサイクル全体を理解するための重要なギャップを埋めることができるということを言及することは重要だと思います。
	現実的な方法で応募者を生成する場合、離散イベント モデルまたはエージェント ベース モデルで応募者を生成する方法として使用できます。
	そして
	おそらく最も重要なのは、経済的な観点から、
	これは、応募者一人当たりのコストと、仕事の特性、その他のさまざまな調整可能で制御不能な変数である外部要因とを対比して組み立てる方法です。
	そうすれば、どれだけ早く人材が埋まるか、どれだけ早く空きが埋まるか、それにはどれだけの費用がかかるかなど、何を期待できるかをよりよく理解できるだろう。
	広告などとの関係によって異なります。
	本日の発表内容はこれで終わりです。
	質問がある場合は、ここから連絡先を入手してください。
	ビデオの内容や、ビデオがどこに配置されているかなど、ご不明な点がございましたら、お気軽にお問い合わせください。
クリスティ・スペイン	はい、素晴らしかったです。
	ええ、デモを台無しにしたせいで私のものが動作しなかった部分を除いては。
	しかし、それは良かった、安全だった、良いセーブだった、私はようやく自分が何をしていたのか理解した。
	ええ、あなたがどれだけ望んだとしても、JMP は愚かなことはしません。

高度な統計モデリング基本的なデータ分析とモデリング消費者および市場調査コンテンツの構成データの探索と視覚化予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析結果の共有と伝達