스피커 | 성적 증명서 |
| 크리스티 스페인 | 좋은 오후에요. |
| 안녕하세요. 오늘은 어떻게 지내셨나요? |
| 저는 괜찮아요, 잘 지내시죠? |
| 크리스티 스페인 | 고맙습니다. |
| 토르, 당신은 어디에 계시나요? |
| 네, 크리스티 스페인이에요. |
| 그리고 뉴멕시코주 앨버커키. |
| 크리스티 스페인 | 내 생각도 그거였어요. |
| 권리가 있다. |
| 크리스티 스페인 | 거기에는 세 자리 숫자가 있습니다. |
| 지금은 아닙니다. |
| 좋아요, 우리는 다음을 얻었습니다. |
| 허리케인이 오고 있어요. |
| 볼 호그가 온도를 떨어뜨릴 거야. |
| 크리스티 스페인 | 알겠습니다. 그 이름이 뭔데요? |
| 모르겠어요. 평소에는 그런 일이 많이 일어나지 않아서 별로 주의를 기울이지 않았던 것 같아요. |
| 잘. |
| 크리스티 스페인 | 저는 좀 예상치 못한 일이 있었는데, 어제 골프를 쳤는데 꽤 세게 쳤기 때문에 파이프라인이 끊겼기 때문에 여기 있는 모든 사람들이 주유하고 있습니다. |
| 그럼 당신은 어디에 계십니까? |
| 크리스티 스페인 | 저는 노스캐롤라이나 캐리 본사에 있어요. |
| 음, 그럼 작년에 우리를 위해 녹음을 했나요? |
| 저는 작년에 직접 만들었어요. |
| 아마도 우리가 이런 일을 하는 이유 중 하나일 겁니다. |
| 이번에는. |
| 오. |
| 크리스티 스페인 | 재밌네요. |
| 음, 잠깐, 제가 체크리스트를 하나 가지고 있는데, 그것을 열어보면 실제로 너무 많은 것을 닫을 때가 있습니다. |
| 모든 것을 지우려고 했는데 팝업이 하나도 뜨지 않더군요. 모든 앱을 닫았나요? |
| 저는 아직 그러지 않았지만, 질문도 있었습니다. |
| 물론이죠. |
| 녹음하기 전에 업로드해야 한다고 했는데 링크가 없어서 업로드할 수 없어요. |
| 크리스티 스페인 | 제가 업로드하는 것은 무엇이고, 무엇이 무엇인지요. |
| 그리고 프레젠테이션 자료. |
| 크리스티 스페인 | 알겠습니다. 그 링크가 무엇인지 찾아보겠습니다. |
| 그래서 다시 돌아가서 오래된 이메일을 살펴봤는데 찾을 수가 없었어요. 잘 된 것 같아요. |
| 나는. |
| 그렇게 대단한 일은 아니지만. |
| 크리스티 스페인 | 하지만 우리는 그냥 계속해서 녹음을 진행할 수 있어야 합니다. |
| 네, 그렇죠. |
| 크리스티 스페인 | 작은 체크리스트를 찾아보겠습니다. 하지만 체크리스트의 일부는 앱에서 닫힙니다. |
| 제가 그렇게 할게요. |
| Microsoft Teams는 필요 없습니다. |
| 크리스티 스페인 | 셔츠에 로고가 하나도 없으니 다행이네요. |
| 로고가 없습니다. |
| 아마 지금은 그럴 필요가 없을 거예요. |
| 크리스티 스페인 | 팀을 방해하지 않는 방법을 알아낼 수 없었습니다. |
| 팀은 훌륭했습니다. |
| 현대에 관한 것 중 하나는. |
| 기술은 더 이상 사람들이 당신에게 지시를 내리지 않고, 그저 무언가를 주고 당신이 그것을 알아내도록 하는 것입니다. |
| 크리스티 스페인 | 글쎄요, 도움말 섹션 D와 D를 입력했더니 마치 제가 메시지나 그런 종류의 것을 찾고 있는 것처럼 작동했고, 알겠습니다, 아니면 괜찮다고 해서 닫아버렸어요. |
| 알겠습니다. |
| 아직 몇 가지 지원서가 열려 있지만. |
| 저 작은 기생팀들을 보세요. |
| 크리스티 스페인 | 우리는 괜찮아요. |
| 글쎄요, 그들은 이 작은 숨겨진 메뉴에 넣어서 여전히 거기에 있게 했고, Skype와 함께 넣어서 무슨 일이 있어도 당신에게 연락할 수 있게 했습니다. |
| 크리스티 스페인 | 그리고 제 생각엔 아마 배경 사진 중 하나를 찍어야 할 것 같아요. |
| 저작권 침해는 없다고 하지만, 아시다시피 저서가 많이 있으니까 그럴 수도 있겠죠. |
| 글쎄요, 여기 책이 있긴 한데, 별로 읽을 수는 없으니까 별 문제 없을 거라고 생각했지만, 그렇죠. |
| 크리스티 스페인 | 모르겠어요, 그러고 싶지 않아요. |
| 다시 전화해서 넘어가겠다고 말해야겠어요. |
| 네, 두 번 다시 하고 싶지 않아요. |
| 아니요. |
| 정말 재미있을 거라는 건 알지만, 다시 하고 싶지는 않아요. |
| 난 그냥 팀을 없애버리면 돼. |
| 모든 팀이 사라졌어요. |
| 좋아요, 이 배경에 대해선 제가 좀 알고 있는 게 있어요. |
| 아웃룩으로 돌아가야겠다. |
| 크리스티 스페인 | 아니면 아마도 우리가 그럴 수도 있을 거예요. |
| 아시죠, 저는 그걸 한 번도 사용한 적이 없습니다. |
| 정말로 사용한 적이 없습니다. |
| 네. 분석을 흐리게 만들기 때문이죠. |
| 응. |
| 아시죠, 뭔가를 옮길 때마다 사람들이 그걸 사용해서 흐릿하게 보이게 만들고 방에 있는 모든 쓰레기를 보이게 하는 걸 봤어요. |
| 그래서 보세요. |
| 묻다 |
| 타냐, 새로운 증상이네요. |
| 이제 시작해 보겠습니다. |
| 그건 여러분이 아는 소셜 타일이에요. |
| 가상 배경이므로 파란색 산점도입니다. |
| 그냥 그렇게 하겠습니다. |
| 어서 해봐요. |
| 그러니 이제 질문은 '어떻게 하느냐'가 될 것입니다. |
| 그것을 이용하세요. |
| 살펴보죠. |
| 크리스티 스페인 | 세 개의 점 바로 아래에 있을 줄 알았는데 그렇지 않네요. |
| 알겠습니다. 오리가 어디 있는지 잘 모르겠네요. |
| 점은 어디에서 찾을 수 있나요? |
| 크리스티 스페인 | 음, 하단에 보면 화면 공유와 채팅이 있죠. |
| 그리고 그 모든 것 외에도 조금 더 많은 것이 있습니다. |
| 하지만 배경을 변경할 수 있는 옵션이 보이지 않습니다. |
| 둘 다 아니야. |
| 크리스티 스페인 | 우리는 너무나 많은 것들 사이를 오가며 살아갑니다. |
| 여기서는 도구를 사용하는 게 어렵습니다. |
| 빠르게 검색해 보겠습니다. |
| 매끄러운 카메라 아래의 가상 배경. |
| 오. |
| 그래서. |
| 그리고 가상 배경이 어디에 있는지 알아야 하는데, 뭐라고 말하지 않았거든요. |
| 어느 것을 써야 할지, 그런 식의 질문은 안 돼요, 안 돼요, 안 돼요. |
| 크리스티 스페인 | 오, 멋진 것 같아요. |
| 오, 다행이네요. 다른 일을 많이 할 수 있을지 확신이 서지 않았거든요. 이제 배경이 있고 많이 움직여도 실제로는 꽤 잘 되고 있어요. 망칠 부분이 조금만 있을 뿐이죠. |
| 크리스티 스페인 | 그리고 |
| 자동으로 작업 표시줄을 표시했나요? |
| 어떻게 하는지 봅시다. |
| 크리스티 스페인 | 작업 표시줄로 가서 마우스 오른쪽 버튼을 클릭하세요. |
| 네, 아무것도 없는 곳에요. |
| 아니요. |
| 문제는 내 작업 표시줄이 완전히 구독되어 있다는 것입니다. |
| 크리스티 스페인 | 내 것도 숨기지 않아요. 왜 그런지는 모르겠어요. |
| 그렇죠. |
| 작업 표시줄 설정을 시작해 보겠습니다. |
| 월요일입니다. 데스크톱 모드에서 테스트 테스트 바를 자동으로 숨깁니다. |
| 에. |
| 좋아요, 이제 자동으로 숨겨진 것처럼 보이지만 실제로는 숨겨지지 않은 것 같습니다. |
| 크리스티 스페인 | 음, 위로 스크롤하면 사라져요. |
| 그래서 나타나는 것은 오직 그것뿐이다. |
| 뭔가 활동이 없어지면 좋아져요. |
| 크리스티 스페인 | 그리고 당신의 사운드는 훌륭하죠. |
| 그리고 |
| 크리스티 스페인 | 공유 연습을 하고 싶으시다면, 여러분의 결심과 그런 것들을 확인해 보겠습니다. |
| 음, 한 번 살펴보죠. |
| 문제가 될 만한 구체적인 것이 있을 거예요. |
| 화면을 공유해서 당신이 어떻게 보이는지 보여드리겠습니다. |
| 크리스티 스페인 | 글쎄요, 계속해서 콘텐츠를 공유해도 됩니다. |
| 네, 하지만 슬라이드와 JMP 애플리케이션 사이를 앞뒤로 전환해서 보여주고 싶어요. |
| 내 화면. |
| 그래서 어떻게 된 일인지는 모르겠지만요. |
| 화면이 있고 여기 작은 창문이 있습니다. |
| 크리스티 스페인 | 맨 위에서 나란히 보기로 변경하고 볼 수도 있고, 제가 한 것은 이겁니다. |
| 어차피 아무도 나를 보고 싶어하지 않으니 카메라를 끄세요. |
| 오늘은 모두 당신에 관한 것입니다. |
| 작은 활성 스피커 비디오 썸네일 비디오를 표시합니다. |
| 좋아, 그걸로 알 수 있죠. |
| 이것은 우리 둘 모두에게 격자를 보여줍니다. |
| 그래서 모든 것이 정말 작아집니다. |
| 그리고 나는 더 이상 나 자신을 볼 수 없습니다. |
| 하지만 이걸 옮길 수는 있어요. |
| 크리스티 스페인 | 음, 파워포인트를 슬퍼하시는 것 같네요. |
| 글쎄요, 제 파워포인트에서 일반적인 쓰기 모드로 전환할 때 발생하는 질문은 다음과 같습니다. |
| 하지만 프레젠테이션 보기로 들어가면, |
| 점점 더 커지지만, 그러면 저는 그 화면과 다른 화면 사이를 계속 오가야 합니다. |
| 비디오를 할 때. |
| 관련 있는 부분에만 집중할 건가요, 아니면 화면에 나오는 모든 것을 보여줄 건가요? |
| 크리스티 스페인 | 네, 우리는 무엇이든 보여줄 겁니다. |
| 그래서 대부분 사람들은 프레젠테이션 모드를 사용하는데, 필요하다면 그 모드에서 나와서 JMP 화면을 불러오면 됩니다. |
| 그리고 돌아가서 그게 말이 되는지, 그리고 우리가 당신을 다시 만나게 된다면 당신의 몇몇을 알게 될 겁니다. |
| 네, 정말 좋은 것 같아요. |
| 좋아요, 그러면 우리가 할 일은 다음과 같을 것 같고, 나는 그냥 빠져나가서 필요한 곳으로 가서 JMP를 사용하겠습니다. |
| 크리스티 스페인 | 잠깐 시도해 보시겠어요? 그러면 크기가 적당한지 확인할 수 있을 거예요. |
| 응. |
| 크리스티 스페인 | 매우 훌륭해 보이네요. |
| 좋아요. |
| 그래서 눈에 보이는 거죠. |
| 크리스티 스페인 | 좋아요, 그럼 이제 해야겠어요. |
| 이름, 회사명, 초록 제목을 확인해 주세요. |
| 이름은 Thor Osborn입니다. 회사는 Sandia National Laboratories입니다. |
| 초록의 제목은 인재 채용 시뮬레이션 및 관리를 위한 취업 지원서 도착 모델이어야 합니다. |
| 크리스티 스페인 | 완벽합니다. 그리고 이것이 Discovery Summit에서 사용하기 위해 기록된다는 것을 이해하게 됩니다. |
| JMP 컨퍼런스이며 JMP 사용자 커뮤니티에서 공개적으로 제공됩니다. 해당 사용 및 녹화에 대한 허가를 주시나요? |
| 감사합니다. |
| 크리스티 스페인 | 그리고 우리는 준비가 된 것 같아요, 토르. 그래서 저는 음소거를 할 거예요. |
| 준비가 되면 언제든지 갈 수 있어. 목표는 바로 통과하는 거야. 재앙이 일어나지 않는 한 아무 말도 안 하고 막지도 않을 거야. 어때? |
| 좋아요, 목표는 끝까지 가는 거고, 시간은 얼마나 주어지나요? |
| 크리스티 스페인 | 30분. |
| 좋아요, 이제 약간의 여유가 있을 것 같아요. 재생이 끝날 때 질문과 답변을 위한 시간을 두는 걸 좋아하거든요. 좀 넘더라도 괜찮아요. |
| 좋아요, 이제, 넘어가기 전에 말하고 있는 사람과 말하고 있는 사람이 누구인지 알려주는 작은 창이 있습니다. |
| 그들은 작은 비디오의 크기를 줄이기 때문입니다. |
| 네, 제 화면에는 프레젠테이션 보기가 표시되나요? 아니면 오른쪽 하단에 작은 삽입물이 있는 형태로 표시되나요? |
| 크리스티 스페인 | 제가 보는 건 프레젠테이션 뷰뿐입니다. |
| 알겠습니다. 그럼 그들은 어떻게든 이것을 떠올리게 하는 거군요. |
| 크리스티 스페인 | 그거 정말 짜증나는 일이겠네. |
| 괜찮아요. 방해가 되지 않는다면 아무것도 두지 않아요. |
| 크리스티 스페인 | 괜찮아요. |
| 응. |
| 괜찮은. |
| 크리스티 스페인 | 좋아요, 음소거로 전환할게요. 그러면 준비가 될 거예요. |
| 좋아요. |
| 제 이름은 Thor Osborn입니다. 저는 Sandia National Laboratories에서 수석 시스템 연구 분석가로 일하고 있습니다. |
| 오늘 제가 발표할 내용은 인재 채용 시뮬레이션 및 관리를 위한 채용 지원서 도착 모델입니다. |
| 여러분께서 즐기셨으면 좋겠습니다. |
| 여기에는 세 가지 기본 목표가 있습니다. 하나는 왜 취업 지원서 도착 시간을 모델링하고 싶은지에 대한 비즈니스 사례를 만드는 것입니다. 다른 하나는 이런 종류의 데이터를 사용하여 간결하고 광범위하게 적용 가능한 모델을 만드는 간단한 프로세스를 보여주는 것입니다. |
| 그리고 대규모 연구 기관의 데이터를 사용하여 해당 프로세스를 시연하고, 이를 통해 무엇을 할 수 있는지 간략하게 보여드리겠습니다. |
| 기술적으로 보면 데이터를 이해하는 것에 대해 설명하겠습니다. 이런 종류의 데이터는 대부분의 사람들에게는 다소 생소할 것이라고 생각하기 때문입니다. |
| 소스 모델은 본질적으로 소스 모델링입니다. |
| 분석에 대해서 말씀드리죠. 포아송과 감마-포아송 모델에 대해서 말씀드리겠습니다. |
| 작업을 더 쉽게 하기 위해 몇 가지 분석과 변환을 수행한 다음, 모델을 만드는 방법에 대해 간략하게 설명하겠습니다. |
| 따라서 동기 부여에 관한 한 동기 부여의 세 가지 기본 영역이 있습니다. 하나는 인재 확보 프로세스와 비즈니스 기능을 개선하는 것입니다. |
| 첫 번째는 회사를 이끄는 임원들의 이해도를 높이는 것이고, 세 번째는 채용 관리자들의 기대치를 형성하는 데 도움을 주는 것입니다. |
| 인재 채용부터 시작하겠습니다. 채용률과 지연은 인재 채용 파이프라인의 심사 단계를 거치는 흐름에 따라 달라집니다. 하지만 중요한 것은, 프로세스를 진행하기 전에 충분한 고용 지원서가 있어야 한다는 것입니다. |
| 그리고 그 요금과 패턴은 분야, 게시된 게시물의 구체성, 경쟁, 광고량 등에 따라 상당히 다릅니다. |
| 애플리케이션 도착에 대한 공통 수학적 프레임워크를 사용하면 애플리케이션 캡처율 개선을 위한 거래 공간을 더 잘 이해할 수 있습니다. |
| 그리고 다른 것들도 있습니다. 몇 가지 주요 관계 애플리케이션 캡처율 및 고용 맥락, 작업 현장, 경력 수준, 실무 분야에 대한 분산. |
| 조정 가능한 변수의 포착률 영향, 광고 직무 게시 구체성, 게시 언어(영어와 스페인어를 의미하는 것이 아니라 사물이 표현되는 방식을 의미합니다.) |
| 그리고 타깃 모집 노력. 그리고 외부 요인의 캡처율 영향, 예를 들어 경제 상황, 실무 분야의 경쟁, |
| 채용 분야에서 실제로 다가가고 있는 전문가 집단의 규모가 얼마나 됩니까? |
| 그리고 인재 확보는 프로젝트나 프로그램 실행에서 흔히 볼 수 있는 시간, 품질, 비용이라는 전형적인 제약에 직면한다는 것을 인식하는 것이 중요하다고 생각합니다. |
| 지원서를 모으는 데는 시간이 걸립니다. 지원자의 질이 높아야 합니다. 비용이 들고, 더 빨리 가려고 할수록 비용이 더 많이 듭니다. |
| 그러니 여기에는 상충이 따릅니다. |
| 임원들은 종종 인력 계획을 통해 프로세스에 참여하는데, 인력 계획이란 포괄적인 용어이지만 기본적으로는 연간 계획이라고 할 수 있습니다. |
| 하지만 관련 모델과 사물 비용에 대한 피드백이 없으면 전형적인 제약과 인력 예산 또는 프로세스 할당에 대한 고려가 주관적이거나 아예 없을 수 있습니다. |
| 그리고 제가 말하는 것은 임원 수준에서 HR은 종종 단순히 필요한 비용으로 여겨지지만, 반드시 회사를 발전시키는 레버는 아니라는 것입니다. 부분적으로는 정보 부족 때문이므로, 정보를 제공하는 것이 그 상황을 개선하는 방법이 될 수 있습니다. |
| 또한, 채용 관리자의 기대치도 있습니다. |
| 기본적으로 우리는 소수의 통계, 소수의 응용 프로그램을 다루고 있습니다. |
| 인간은 실제로 패턴 편향의 영향을 받기 쉽고, 대부분 채용 관리자는 매주 사람을 채용하지 않기 때문에 장기간에 걸쳐 다양한 사례의 관점에서 이를 보는 데 익숙하지 않습니다. |
| 그리고 그것은 그들이 직면했던 마지막 상황에 고정되는 결과를 초래할 수 있으며, 이는 패턴 편향으로 이어질 수 있습니다. 즉, 그들은 다음 주에 지원자가 줄어드는 것을 보고 관심 있는 모든 사람에게 접근했음을 의미한다고 생각할 수 있습니다. |
| 편견에 대한 직관적 반응에는 과잉 반응으로 이어질 수 있는 문제점이 있습니다. 항상 소수 통계에서 그렇듯이, 그 맥락에서 받아들이지 않으면 잘못된 정보를 얻게 되기 때문입니다. |
| 데이터에 대해 조금 말씀드리겠습니다. 도착 데이터는 특정 구인 공고에 연결되어 있습니다. 구인 공고가 있고, 그 공고에 대한 공고가 있고, 공고에 따라 지원서가 도착합니다. |
| 그것은 여러 가지 면에서 특징지어집니다.사이트 위치;경력 단계; |
| 가시성, 얼마나 광범위하게 눈에 띄게 되는지 |
| 당신이 하는 실무 분야는 무엇인가? |
| 그리고 해당 분야 내에서 매우 광범위하거나 매우 좁을 수 있는 구체적인 요구 사항이 있습니다. |
| 그리고 구인 공고가 공개되는 기간 내에 지원서를 제출할 수 있으므로, 일반적으로 정해진 기간이 있습니다. |
| 날짜별로 추적됩니다. |
| 이제, 이 경우 나중에 분석을 위해 실제 데이터를 사용하려면 마지막으로 제출한 신청 날짜를 게시 마감 날짜로 사용해야 하지만 반드시 그런 것은 아닙니다. 하지만 실제 데이터에서 종종 그렇듯이, 우리는 원하는 모든 데이터를 가지고 있지 않습니다. |
| 그리고 나는 마지막으로 이렇게 말할 것이다. |
| 당신은 하루에 신청 건수를 세고 있습니다. 하루에 신청 건수가 0건이면 카운트가 0입니다. |
| 따라서 채용 공고에 대한 잠재적 지원자의 전국적 풀을 생각해 보면, |
| 고용주는 세상에 정보를 공개합니다. |
| 잠재적 지원자로 구성된 전국 풀 중 일부가 지원서를 제출합니다. |
| 일반적으로 전체 인원에 비하면 그 수는 적을 것으로 추정됩니다. |
| 그래서 당신은 이 방대한 지원자 풀을 가지고 있습니다. 그것은 소스이고 그 소스에 대한 모든 신청이나 사소한 교란입니다. |
| 그리고, 아주 명확하게 말해서, 이것은 푸아송 수학을 다루는 데 익숙한 사람들에게는 매우 지루할 수 있지만, |
| 첫날에 한 건의 신청이 도착하면, 그것은 카운트 1의 한 사례입니다. 둘째 날에는 신청이 도착하지 않습니다. 그것은 카운트 0의 사례입니다. 그리고 가장 오른쪽에는 0의 세 가지 사례, 1의 세 가지 사례, 2, 3이 있습니다. |
| 그것도 적합할 수 있습니다. 데이터가 많지는 않지만, 포아송 모델에 적합할 수 있습니다. 오른쪽 하단에 파란색 선이 보이시죠. |
| 따라서 하루에 한 건의 신청이 도착하는 평균 비율이지만, 하루 실제 수는 배포에 따라 다릅니다. 그리고 그게 전부입니다. |
| 따라서, 포아송 분포는 일정 시간당 일정한 평균 방출률 람다를 갖는 이산적인 항목의 소스를 무작위로 방출하여 단위 시간 동안 생성되는 카운트의 확률을 설명하는 데 사용될 수 있습니다. |
| 그리고 이 방정식을 얻습니다. 그리고 이전 슬라이드에서 매우 작은 확률을 보였던 4의 카운트의 경우, |
| 사실상 1~4승입니다. |
| e에 람다를 빼면 기본적으로 37%가 됩니다. |
| 4의 계승, 즉 24로 나누면 약 1.5%에 해당하는데, 이는 작지만 0은 아닌 확률과 일치합니다. |
| 그래서 첫 번째 가설은 다음과 같습니다. |
| 우리는 이 광범위하게 광고된 직업에 대한 전국적으로 분포된 잠재적 지원자 풀의 구성원들이 조정되지 않은 방식으로 행동한다고 가정합니다. |
| 고용 기회와 관련하여 포아송 모델이 의미가 있을 수 있습니다. |
| 따라서 이는 타당한 초기 가설입니다. |
| 이제, 만약 그들이 상호작용을 한다면 어떨까요? |
| 그러면 감마-푸아송 소스 모델을 통해 이를 이해할 수 있는데, 이는 본질적으로 감마 분포를 혼합 분포로 사용하는 포아송 성분입니다. |
| 아니면 흐릿한 푸아송 분포라고 생각할 수도 있는데, 그 이유는 속도, 즉 평균 속도가 일정한 평균 속도가 아니라 순간마다 변하기 때문입니다. |
| 그리고 이것은 지원자들이 조정된 방식으로 행동한다는 대안 가설 하에서도 발생할 수 있습니다. |
| 사람들이 취업 기회 등에 관해 서로 이야기하는 네트워크가 있다면 이런 일이 일어날 수 있을 겁니다. |
| 이제 여기 있습니다 |
| 감마-푸아송을 생성하는 방법에 대한 슬라이드입니다. 기본적인 내용이지만, 이러한 분포를 살펴보면 도움이 될 수 있다는 것을 알게 되었습니다. |
| 그래서 저는 JMP에서 간단한 데모를 진행해보겠습니다. |
| 여기서 보시는 것은, 무작위 감마 4-1은 매개변수가 4이고 스케일링 매개변수가 1인 무작위 감마를 의미하므로 평균은 4입니다. |
| 분포를 보세요. 여기에는 100,000개의 행이 있습니다. 슬라이드에서 본 것과 같은 곡선이 나옵니다. |
| 평균은 4 정도인데, 이는 어떤 일을 여러 번 할 때 나타나는 현상입니다. |
| 거의 예상한 대로입니다. |
| 이제 그 배포판을 가져와 사용해보세요. |
| 무작위 푸아송에 대한 피드로. |
| 그리고 당신은 이것을 알 것입니다. |
| 이전의 푸아송과는 달라 보이는데, 흐릿해졌기 때문입니다. |
| 푸아송 적합도를 살펴보면 가장 적합한 것을 알 수 있습니다. |
| 평균적으로 4개까지 가능한데, 이것이 실제로 할 수 있는 전부입니다. |
| 감마-푸아송보다 분산이 좁고 그것이 감마-푸아송인지 확인하기 위해서입니다. |
| 저기 빨간색 선을 보세요. |
| 그리고 정말, 정말 잘 맞아요. |
| 거의 완벽해요. |
| 그래서 본질적으로 이것은, 이것은 그것을 겪은 경우입니다 |
| 의사소통 과정에서 포아송은 더 이상 최고의 모델이 아닙니다. |
| 방금 보여드린 사례는 이 쿼드 패널의 오른쪽 상단에 표시됩니다. |
| 시그마는 2이고, 과분산 매개변수는 2입니다. |
| 분산 매개변수가 1이고 시그마가 왼쪽 위에 있는 경우, 이는 본질적으로 포아송 분포와 동일합니다. |
| 하지만 과분산 매개변수가 증가함에 따라 혹에서 꼬리로 바뀌는 대신 감소하는 지수 함수처럼 보이는 것으로 바뀝니다. 파란색 오른쪽 아래에서 볼 수 있습니다. |
| 여기서는 색상이 이전과 반대로 바뀌었습니다. 혼동이 있다면 죄송합니다. |
| 이제 실제 데이터를 살펴보겠습니다. |
| 그래서 폭넓게 접근 가능한 초창기 기계 공학 직책에 대한 사례가 있습니다. |
| 131개의 카운트를 생성하기 위해 140개의 신청이 있었고, 그 중 많은 수가 0이었습니다. 따라서 이는 131일이라는 시간 동안 분산되었습니다. |
| 감마-푸아송이 가장 잘 맞는데, 왼쪽 상단에서 보실 수 있습니다. |
| 저는 Akaike의 기준인 AIC를 사용하고 있습니다. |
| 미터법. |
| 왼쪽 하단에서 볼 수 있습니다 |
| 경험이 있는 직책. 이제 경험이 많은 전문가는 대학 배치 담당자 등의 네트워크가 없습니다. |
| 또는 대학 환경에서 볼 수 있는 다른 사람들과의 끊임없는 몰입. 이것은 아무것도 증명하지 않지만, 아마도 그래서 경험이 풍부한 전문가의 반응에서 보다 고전적인 푸아송 행동을 보는 것이라고 합리화하는 방법일 뿐입니다. |
| 그리고 여기서 보여드리자면, 그것은 또한 응용 프로그램 수와 상관관계가 있는 것 같습니다. 중요한 다른 요소는 다음과 같습니다. |
| 경력 단계. |
| 방금 말씀드린 FLSA 지위(비면제)는, 예를 들어, 면제 직원이 아닌 기술자를 의미합니다. |
| 이러한 요소들은 중요한 것처럼 보이지만, 응용 프로그램 수가 늘어나고 감마-푸아송 분포를 따를 가능성이 커짐에 따라 확실히 편향이 존재합니다. |
| 이제, 이 데이터가 분석을 위해 어떻게 준비되는지. 직무 요구 사항에 따른 지원 날짜 |
| 표로 정리된 설정 0 |
| 카운트가 없을 때. |
| 그런 다음 각 요구 사항에 대해 푸아송과 감마-푸아송을 맞춰서 어느 것이 더 나은 AIC 값을 제공하는지 확인합니다. |
| 동시에, 요청 요약 표는 요청당 한 줄 또는 한 행으로 만들어졌으며, 이를 결합하여 포아송 및 감마-포아송 매개변수와 어느 매개변수가 더 적합한지 알려주는 AIC 매개변수를 제공합니다. |
| 그리고 부분 집합을 적용하면 푸아송에 대한 요약과 감마-푸아송에 대한 요약이 나오는데, 이 둘은 함께 처리하기 어렵기 때문입니다. |
| 시그마가 1인 감마-푸아송을 사용할 수 있지만 그러면 인플레이션이 0이 되어 처리하기가 복잡해지므로 대신 두 가지를 별도로 처리하고 있습니다. |
| 어떤 하위 집합을 사용하든, 프로세스는 매개변수와 드라이버에 대한 선형 모델이 적합하다는 것을 보여줍니다. |
| 매개변수는 모델에 의해 정규화됩니다. |
| 그런 다음 모든 운전자 조건에서 공통적인 분포가 가능한지 살펴보는데, 이 경우에는 기본적으로 현장 위치, 경력 초기나 후기 등의 요청 맥락입니다. |
| 동일한 분포에 속하는 것이 가능하다면 공통적인 분포 매개변수 집합을 만들어 전체 데이터 집합에 사용할 수 있습니다. |
| 그렇지 않으면 이 접근 방식은 실패하고, 지금으로서는 이 문제를 해결할 방법이 없습니다. 다행히도 그런 일은 일어나지 않았지만, 미래를 위해 생각해봐야 할 문제입니다. |
| 따라서 여기에는 컨텍스트에 따른 포아송 매개변수 분포가 있습니다. 컨텍스트는 사이트와 관련이 있으며, 초기 경력이든 후기 경력이든, 확립된 경력이든 다음과 같이 말할 수 있습니다. |
| 그리고 그것이 어떤 실무 분야인지 여부입니다. 이 모든 것에는 "B"가 있는데, 이는 광범위한 것을 의미합니다. 내부 직무 요청만 분석하는 것은 어렵고, 훨씬 더 제한된 기회가 있는 다른 일이기 때문에, 이 프레젠테이션에서는 단순히 광범위한 사례에 집중하겠습니다. |
| 당신이 볼 수 있는 것은 평균 분산이 요청 맥락에 따라 꽤 분명하게 다르다는 것입니다. 그리고 아니요, 그들은 같은 분포에 속하지 않습니다. 당신은 그것을 쉽게 증명할 수 있습니다. |
| 더 작은 하위 집합, 즉 초기 청크, 즉 사이트 A 초기 집합을 살펴보면 평균과 표준 편차가 전반적으로 분포되어 있다는 점이 더욱 분명해집니다. |
| 이제 여기서 작은 데모를 해볼게요. |
| 그래서 저는 이런 데이터를 가지고 있습니다. |
| 이제, 이건 정말 간단한 모델입니다. 저는 포아송 매개변수 출력을 사용하고, 다중 레벨인 요청 컨텍스트를 사용할 것입니다. |
| 주관적 변수 |
| 그리고 그것을 실행하면 약 .4의 R제곱이 있는 것을 볼 수 있습니다. 즉, |
| 그것은 중요하지 않습니다. 모델 적합성은 실제로 꽤 좋습니다. |
| 그리고 이 매개변수에 대한 적합성은 매우 좋습니다. 모든 분산을 포괄하지는 않지만, 우리는 그것이 포괄할 것이라고 기대하지 않기 때문에 괜찮습니다. 그것은 그저 그것이 하는 일에 대한 꽤 좋은 모델이라는 것을 말하고 있을 뿐입니다. |
| 순전히 표로 정리할 수도 있지만 저는 이런 방식이 작업하기 쉽고, 적합성에서 얼마나 많은 변동성이 처리되는지 파악할 수 있어서 좋아합니다. |
| 여기로 가서 볼 수 있습니다 |
| 실제를 예측으로 바꾸면, 훌륭한 모델은 아니지만 어떤 목적을 달성하는 데 도움이 됩니다. |
| 또 다른 방법은 예측 공식을 저장하는 것입니다. |
| 여기서 보실 수 있죠. |
| 제가 이미 이 작업을 했기 때문에 자동으로 구독됩니다. |
| 이것이 본질적으로 의미하는 바를 알 수 있습니다. |
| 상수 |
| 또한 요청 상황에 따른 오프셋이 있습니다. |
| 로켓 수술은 필요 없습니다. |
| 하지만 이제 정규화를 하고 싶다면, |
| 열을 추가합니다. |
| 이것을 호출합니다 |
| Norm Poisson Again 이미 이 작업을 위해 한 번 수행했기 때문에 |
| 우선 테이블입니다. |
| 푸아송을 찾으세요. 제 푸아송 매개변수가 있습니다. 그것을 푸아송 매개변수로 나누세요. |
| 모델 적합성. |
| 실제로는 효과가 있을 것 같았어요. |
| 여기서 무슨 일이 일어나고 있는지 잘 모르겠네요. |
| 알겠습니다. 데모는 절대로 라이브로 하지 않는 게 규칙이긴 하지만, 과거에는 이렇게 하니까 효과가 있었고, 지금은 왜 그런지 잘 모르겠습니다. |
| 이것이 푸아송 매개변수입니다. |
| 제 예측 공식은 이렇습니다. |
| 아. 당신은 결코 무언가를 나누려고 시도해서는 안됩니다. |
| 그 자체로. 그래서 작동하지 않았어요. |
| 지금은 고집이 세졌죠. |
| 좋아요. |
| 때로는 미묘한 것들이 중요하죠. 그래서 여기 정규화된 푸아송이 있습니다. |
| 그리고 그것에 대해 흥미로운 점은 다음과 같습니다. |
| 당신은 이것을 맞을 수 있습니다. |
| 그리고 판매되는 병 중에서는 Johnson SL이 가장 잘 맞고 성능도 꽤 좋습니다. |
| 그리고 당신도 할 수 있습니다 |
| Y를 X로 맞춰보세요. |
| 이 출력을 가져옵니다 |
| 요청 상황에 맞게 적합합니다. |
| 그리고 이 일방향 플롯을 얻으세요. |
| 이전에 보여드린 것보다 훨씬 더 규칙적으로 보입니다. 이것들이 같은 분포를 가지고 있을 가능성이 훨씬 더 큽니다. 더 많은 데이터가 있는 것에서는 더 큰 범위를 볼 수 있지만 그렇지 않습니다. |
| 사실 놀랄 일은 아니죠. |
| 그리고 불평등 분산 검정을 살펴보면, 불평등 분산이 있다는 징후가 전혀 없다는 것을 알 수 있습니다. |
| 그렇다고 해서 그렇지 않다는 증거는 아니지만, 그들이 같은 분포를 가지고 있다고 가정한 모델을 사용하는 것이 합리적이라는 것을 말하는 방식입니다. |
| 그래서. |
| 다시 이 주제로 돌아와서, |
| 아, 각 맥락과 나머지 전체에 대한 콜모고로프-스미르노프 검정도 했는데, 78개 사례 중 p값이 .05 미만인 사례는 단 하나뿐이었습니다. |
| P값은 아무것도 증명하지 못하지만, 이를 통해 알 수 있는 것은 이 두 가지 결과가 같은 분포에서 나온 것이라고 가정하는 것이 합리적이라는 것입니다. |
| 그리고 이것은 바로 전에 나온 작은 부분 집합에 대한 확대된 버전일 뿐입니다. 하지만 이것이 그럴듯하다는 것을 알 수 있을 겁니다. 증거는 아니지만, 그럴듯합니다. |
| 그리고 적합성 테스트의 우수성과 함께 |
| 다시 말해서, 그것은 합리적인 것 같습니다. |
| Johnson SL은 이 데이터 세트에 대한 포아송 매개변수 분포, 즉 정규화된 포아송 매개변수 분포를 설명하는 데 사용하기에 적합한 모델입니다. |
| 이와 동일한 작업을 감마-푸아송과 해당 데이터 하위 집합, 그리고 동등한 매개변수인 람다 매개변수에도 수행할 수 있습니다. |
| 그리고 또 다시 그게 효과가 있었습니다. |
| 시그마 매개변수를 계산할 때 저는 실제로 시그마 - 1을 사용합니다. 시그마는 기준선 1에 있기 때문입니다. |
| 그리고 여기의 모델은 당신이 원한다면 훨씬 더 낮은 품질이지만 사용해야 합니다. |
| 람다는 시그마와 상관관계가 있으므로 모델링 단계를 별도로 진행해야 하며, 이를 통해 해당 효과를 시그마 내부에서 모델링할 수 있어야 합니다. |
| 다시 한번, 괜찮은 핏을 얻을 수 있습니다. |
| 이 경우에는 존슨 수입니다. |
| 그리고 이게 무슨 일이 일어나고 있는지입니다. 우리는 합성 난수 분포 매개변수를 생성합니다. |
| 데이터 하위 집합에서 컨텍스트를 기반으로 선형 모델을 생성합니다. |
| 매개변수 분포를 정규화하고 일반적인 매개변수 연속 모델에 맞춥니다. |
| 그런 다음 합성 매개변수를 생성하려면 정규화된 매개변수 분포에서 난수를 구하고 이를 적절한 선형 모델 결과에 곱합니다. 즉, 이를 "비정규화"합니다. |
| 이제 합성 랜덤 모델 매개변수를 평가하면서 다시 KS 테스트를 사용했는데, 실제로 이를 구별할 방법이 없다는 것을 알 수 있습니다. 최소한 이는 그것이 믿을 만하게 보인다는 것을 나타내는 방법입니다. |
| 실제 사례와 비교해서. |
| 그리고 합성 모델도 만들었어요. |
| 이것을 호출 가능한 함수로 바꾸면 JSL에서 호출 가능한 함수가 되고 JMP 스크립팅 언어에서 호출 가능한 함수가 됩니다. |
| 컨텍스트를 입력으로 하여 무작위 채용 요청에 대한 매개변수를 생성하려면 모든 컨텍스트 기능이 필요합니다. |
| 이제 모든 세부 사항을 다루지는 않겠지만 요점은 합성 난수 매개변수 쌍을 사용하여 이 열 지도에서 일반적으로 어디에 있는지에 대한 감각을 제공할 뿐만 아니라 |
| 이상치에 대한 아이디어는 무엇이고, 그럴듯한 이상치는 얼마나 되는가입니다. |
| 또한 Lambda와 Sigma 간의 상관 관계를 확인할 수도 있습니다. |
| 합성 람다와 합성 시그마는 거의 같습니다. |
| 그 관계를 비교적 긴밀하게 모델링하고 있어요. |
| 그리고 여기에 실제 데이터를 넣어 보면, |
| 이는 주요 그래프의 작은 검은 점입니다. |
| 합성 밀도의 98%는 십자가로 표시된 붉은색 영역에 있는데, 이는 녹색 사각형으로 둘러싸인 가운데 그림입니다. |
| 총 43개의 데이터 포인트가 있는데, |
| 거기에 빠지다. |
| 그래서. |
| 이것은 다시 합성이 실제로 일어나는 일을 상당히 잘 모델링한 것입니다. 믿을 만하지만 다른 몇 퍼센트의 경우에 무슨 일이 일어날 수 있는지 보여줍니다. |
| 그래서 제가 모델링을 한 것은 여기까지 입니다. 하지만 여러분이 볼 수 있는 것은 컨텍스트를 사용할 수 있다는 것입니다. 예를 들어 얼마나 많은지와 같은 다른 변수를 사용할 수 있습니다. |
| 채용 공고에 구체적인 언어를 사용하다 보면 자격을 갖춘 사람이 줄어들고, 어떤 사람들은 겁을 먹을 수도 있습니다. |
| 언어가 만들어진 방식을 살펴볼 수 있습니다. 요즘 사람들은 HR에서 도구를 사용하여 더 수용 가능한 언어를 만들고 있습니다. 시간이 지남에 따라 그리고 여러 직무 요청에서 얼마나 큰 차이를 만들어내는지 볼 수 있습니다. |
| 이를 모델의 요소로 처리할 수 있으며, 이를 통해 적용 방법을 조정할 수 있습니다. |
| 이러한 기능을 사용하면 필요에 따라 요청을 생성할 수 있습니다. |
| 하지만 이제, 좋아요, 이게 어떻게 생겼는지 다시 한 번 물어보겠습니다. 다시 기본 원리입니다. 일주일에 7개씩 나오는 푸아송의 경우, 30%의 경우, 카운트는 5개 이하가 됩니다. |
| 따라서 이러한 것 중 하나는 필요한 응용 프로그램 수를 예상해야 한다는 것입니다. |
| 비교적 경쟁력 있는 채용 후보자를 확보하는 데 필요한 시간은 다를 것입니다. 왜냐하면 평균 7명이라 하더라도 확보하는 후보자의 수는 상당히 다를 것이기 때문입니다. |
| 푸아송의 분산은 매개변수와 같으므로 광범위한 변화를 얻게 됩니다. |
| 따라서 장기 평균을 기준으로 생각하는 데 익숙하다면 |
| 또는 다른 사례에 얽매여 특정한 상황에서 혼란스러워할 수도 있습니다. |
| 문제는 이러한 패턴 인식 편향입니다. |
| 클러스터링 환상이란 작은 샘플에서 나타나는 피할 수 없는 연속적 현상이나 클러스터링이 무작위적이지 않은 효과가 작용하고 있으며, 어떤 종류의 의도가 있다고 생각하는 경향을 말합니다. |
| 그리고 RD 클라크가 1946년 독일의 V폭탄을 분석하면서 발견한 것처럼, 이것은 푸아송 분포 데이터와는 분명히 무관합니다. |
| 런던 지역에 위치한 사이트입니다. |
| 사람들은 그룹화가 발생하는 것을 보고 그것이 무언가를 의미한다고 생각할 것이지만 그는 그 과정을 푸아송으로 살펴보면 그것이 상당히 만족스럽다는 것을 입증할 수 있었습니다. |
| 분산되어 있기 때문에 때로는 클러스터가 발생할 가능성이 있고, 확실히 여러분이 본 것만큼 자주 발생할 것입니다. |
| 즉, 그들이 실제로 무엇을 특별히 노렸다는 것이 아니라, 런던 전체를 노렸고, 런던의 어딘가를 전반적으로 공략했다는 뜻입니다. |
| 이 경우 일자리를 살펴보면 3주에 걸쳐 숫자가 감소하거나 증가하는 시퀀스를 얻을 가능성은 약 12%입니다. |
| 이 예에서 2주차 수가 감소할 가능성, 즉 어느 하나가 다른 하나보다 클 가능성은 45%입니다. |
| 이것들은 정말 짧은 패턴입니다. 이것들은 어떤 의미도 가지고 있다고 생각해서는 안 되지만, 통계의 본질을 모르는 사람들이 그렇게 생각할 수는 있습니다. 그것이 바로 여기의 요점입니다. 그리고 그것은 과잉 반응으로 이어질 수 있습니다. |
| 이제 실무 분야에 따른 변동성은 약 10배 정도입니다. |
| 어떤 분야는 다른 분야보다 구하기 어렵기 때문에, 사람들이 그 차이점을 이해하지 못하면 기대가 왜곡될 수 있습니다. |
| 그리고 실무 분야뿐만 아니라 일반적인 요구 사항을 살펴보면 95%에서 약 25배의 차이가 있음을 알 수 있습니다. |
| 2.5%에서 97.5%까지 범위입니다. 여전히 엄청난 변동성입니다. |
| 가격에. |
| 그리고 게시물의 언어가 어떻게 작성되었는지, 얼마나 좁게, 얼마나 일반적으로, 영향을 받았는지 이해한다면, |
| 언어가 어떤 매력을 가지고 있는지, 이 모든 요소들을 광고하고 있습니다. |
| 그러면 얼마를 결정할 수 있을 거야 |
| 당신은 그 비율을 높이고 과정을 더 빨리 완료하고 싶어합니다. |
| 이전에 말씀드린 시뮬레이션 모델을 활용한 특정 구인 공고에 대한 사례를 소개해드리겠습니다. |
| 사이트 A에서 전문가로 활동하고 실무 분야는 9입니다. 이는 모두 독점적인 정보이므로 무엇인지 공개되지는 않을 것입니다. 이는 단지 특정한 종류의 전문가일 뿐입니다. |
| 당신은 매우 광범위한 차이점을 얻습니다 |
| 95% 신뢰 수준에서 0에서 9 사이이며 중간값은 2입니다. |
| 이것은 사람들을 당황하게 할 수 있습니다. 왜냐하면 사람들은 일이 더 규칙적일 것이라고 기대하기 때문입니다. |
| 모델과 접근 방식에는 한계가 있습니다. |
| 항상 데이터, 데이터의 품질이 중요합니다. 짧은 기간 동안 수집된 데이터라면 드물게 고용되는 분야와 희귀한 기술 세트는 본질적으로 데이터 세트에서 누락될 가능성이 큽니다. |
| 하지만 반면에 당신이 통제할 수 없는 많은 외부 변수들이 있습니다. |
| 아마도 |
| 이러한 분석의 기준으로 장기간을 사용할 경우 데이터 수집 기간 동안 변화할 수 있습니다. |
| 그리고 모델링 접근 방식은 자기 공식화를 고려하지 않습니다. 한 분야에 두 개의 채용 공고가 열려 있고 지원자가 두 곳 모두에 지원하거나 하나를 선택하는 경우. 아마도 가장 가능성이 높다고 생각되는 것을 선택할 것입니다. |
| 이 모델은 그런 문제에 대해 아무런 조치를 취하지 않지만 무슨 일이 일어나는지 포착하여 실제 세계의 결과를 나타냅니다. |
| 하지만 이는 놓친 기회의 범위를 나타내지는 않습니다. 왜냐하면 그들이 어디에 적합한지 알아보기 위해 자격을 갖출 수 있는 모든 직책에 지원하길 원할 가능성이 높기 때문입니다. |
| 결론. 일부 채용 공고에 대한 채용 지원 응답은 포아송 또는 감마-포아송으로 분포되는 경향이 있습니다. |
| 이는 약 2,500건의 총 요청으로 구성된 대규모 데이터 세트에서 검증되었습니다. |
| 애플리케이션 응답에 대한 분포 매개변수는 상당히 다양합니다. |
| 정규화하면 |
| 일반적인 프로필에 적합할 수 있습니다. |
| 그리고 공통 프로필로부터 나온 간결한 모델은 합성 무작위 요청 모델의 생성을 용이하게 합니다. |
| 이를 통해 사용자는 어떤 종류의 범위 설정이나 분석을 수행할 수 있습니다. |
| 가능성 |
| 다양한 상황에서. |
| 애플리케이션 도착 모델은 직원의 전체 수명 주기를 이해하는 데 중요한 차이를 메울 수 있다는 점을 언급하는 것이 중요하다고 생각합니다. 이는 채용 관리자와 채용 전문가에게 패턴 편향과 관련된 관점을 제공하기 때문입니다. |
| 현실적인 방법으로 지원자를 생성하고 싶다면 이를 개별 이벤트 또는 에이전트 기반 모델에서 사용할 수 있습니다. |
| 그리고 |
| 아마도 가장 중요한 것은 경제적 관점에서 볼 때, |
| 지원자 1인당 비용을 직무 특성과 기타 다양한 조정 가능 변수 및 통제 불가능한 외부 요인과 비교하는 방법입니다. |
| 그러면 일이 얼마나 빨리 채워질 수 있는지, 얼마나 빨리 공석을 채울 수 있는지, 그리고 그렇게 하는 데 얼마나 많은 비용이 드는지에 대해 더 잘 이해할 수 있을 것입니다. |
| 광고 등과의 관계에 따라 달라집니다. |
| 오늘 제가 제시하고자 했던 내용은 이것으로 마무리됩니다. |
| 질문이 있으시면 여기에 연락처 정보를 남겨주시기 바랍니다. |
| 비디오나 영상이 어디에 게재되었는지 알고 싶으시다면 언제든지 문의해 주세요. |
| 크리스티 스페인 | 네, 좋은 말씀이었어요. |
| 네. 데모를 망쳐서 제 것이 작동하지 않은 부분을 제외하고요. |
| 하지만 그건 좋고 안전했고 좋은 구출이었습니다. 저는 마침내 제가 무슨 짓을 하고 있는지 깨달았습니다. |
| 네, JMP는 아무리 원하더라도 어리석은 일은 하지 않습니다. |
