756837_zh-CN

liliconcom

用于人才招聘模拟和管理的就业申请到达模型（2021-US-30MP-816）

桑迪亚国家实验室首席系统研究分析师 Thor Osborn

人才获取是人才管理周期的关键要素。 就业申请的到达是一个随机过程，它对后续聘用和引进人才所需的审查、决策和谈判步骤造成限制和延迟。 分析理解这一过程可能有助于指导招聘信息的内容和招聘经理的期望，以及模拟从发布职位需求到入职的流程和时间。 本演示证明，可以使用一组 Gamma-Poisson 分布（其中平均速率和过度离散参数分布与工作地点、实践领域和职业阶段相关）来有效地建模申请到达行为，并使用大型研究机构多年来收集的申请数据。

自动生成的成绩单...

扬声器	脚本
克里斯蒂·西班牙	下午好。
	你好，今天感觉怎样？
	我很好，你呢？
克里斯蒂·西班牙	很好，谢谢。
	托尔，你在哪里？
	是的，克里斯蒂·斯潘。
	还有新墨西哥州的阿尔伯克基。
克里斯蒂·西班牙	我也是这么想的。
	有权利。
克里斯蒂·西班牙	那里有三位数。
	现在还不行。
	好的，我们有一个。
	飓风从...袭来。
	球霸会使温度下降。
克里斯蒂·西班牙	好的，那个叫什么名字？
	我不知道通常不会发生太多这样的事而且我也没有太注意。
	出色地。
克里斯蒂·西班牙	我有点措手不及，但你知道，昨天打高尔夫打得很猛，所以这里的每个人都在加油，因为管道现在已经关闭了。
	那么你在哪里？
克里斯蒂·西班牙	是的，我在北卡罗来纳州卡里的总部。
	嗯，那么让我们看看你做了什么，去年你为我们做过什么录音吗？
	我去年做了自己的。
	这可能是我们这样做的原因之一。
	这次。
	哦。
克里斯蒂·西班牙	那很好笑。
	嗯，让我看看，我有一个小清单，让我打开它，就像实际上关闭太多东西时一样。
	我试图清除所有内容，因此没有收到任何弹出窗口，您是否关闭了所有应用程序？
	我还没有，我也有一个问题。
	当然有。
	它说我应该在录音之前上传一些东西，但我不能，因为我没有链接。
克里斯蒂·西班牙	我正在上传的是啥什么东西。
	以及演示材料。
克里斯蒂·西班牙	好的，我会找出该链接给你。
	于是我回去查看了我以前的电子邮件，但我找不到它，我想是的。
	我是。
	不过没什么大不了的。
克里斯蒂·西班牙	但我们绝对可以继续录制。
	好的。
克里斯蒂·西班牙	让我找一个小清单，但清单的一部分正在关闭您的应用程序。
	我会去做那件事。
	您不需要 Microsoft 团队。
克里斯蒂·西班牙	你的衬衫上没有任何标志，所以这很好。
	没有标志。
	现在可能也不需要。
克里斯蒂·西班牙	我不知道如何不打扰团队。
	团队很好。
	关于现代的事情之一。
	技术就是人们不再给你指令，而是给你这个东西，你应该自己去弄清楚。
克里斯蒂·西班牙	好吧，我输入了帮助部分 D amp D，它表现得就像是我在寻找任何消息或任何类似的东西，然后我的好的，或者没关系，我把它关闭了。
	好的。
	我打开了几个应用程序但是。
	看看那个寄生小队的事情。
克里斯蒂·西班牙	我们很好。
	好吧，他们把它放在这个隐藏的小菜单中，这样它就还在那里，和 Skype 一起，因为他们希望无论如何都能联系到你。
克里斯蒂·西班牙	你知道，我想也许我们应该让你了解一下背景。
	上面说没有侵犯版权，但是你知道那里有很多书，所以也许吧。
	哦，好吧，我这里确实有书，我认为这没什么大不了的，因为你实际上无法阅读它们，但没关系。
克里斯蒂·西班牙	我不知道我是否愿意这么做。
	我必须给你回电话并告诉你我要放手了。
	是的，我不想再做第二次。
	不。
	我的意思是，我确信这会很有趣，但我不想再这样做了。
	我只是摆脱了团队。
	所有的队伍都消失了。
	好的，这些背景，我对此有所了解。
	我必须回到 Outlook。
克里斯蒂·西班牙	或者也许我们可以。
	瞧，我从来没有用过它们。
	A 确实从来没有使用过它们。
	是的，因为他们分析得很模糊。
	是的。
	你知道，每当你搬家的时候，我都会看到人们使用它们，东西变得模糊，他们看到了房间里的所有垃圾。
	由此可见。
	问
	塔尼娅有新的症状。
	我们开始吧。
	这些是社交磁贴，您知道什么是社交磁贴。
	虚拟背景因此呈蓝色散点图。
	我就这么做。
	快点。
	所以现在的问题是，我该怎么做。
	使用它们。
	让我们来看看。
克里斯蒂·西班牙	我以为它会在那三个小点下面但事实并非如此。
	好吧，我不清楚鸭子在哪里。
	你在哪里找到点？
克里斯蒂·西班牙	嗯，您知道在底部，您可以共享屏幕和聊天。
	所有这些，还有更多。
	但是我没有看到背景有任何改变的选项。
	也不要。
克里斯蒂·西班牙	我们在许多不同的地方之间来回穿梭。
	这里的工具很难。
	让我们进行快速搜索。
	光滑相机下的虚拟背景。
	哦。
	所以。
	然后你必须知道虚拟背景在哪里，因为他们没有说。
	您应该使用哪一个，或者类似的东西，不，不，不。
克里斯蒂·西班牙	哦，看起来不错。
	哦，太好了，因为我不确定我是否还能做很多其他的事情，好的，所以现在我们有了背景，如果我移动很多，那就很好了，实际上只有一点点搞砸了，好的。
克里斯蒂·西班牙	和
	您的任务栏是否自动存在？
	让我们看看我该怎么做。
克里斯蒂·西班牙	转到任务栏并右键单击。
	是的，在一个没有任何东西的地方。
	不。
	问题是我的任务栏已完全订阅。
克里斯蒂·西班牙	我也没有隐藏，我不知道为什么。
	是嗎？
	任务栏设置我们开始吧。
	今天是星期一，在桌面模式下自动隐藏测试栏。
	在。
	好的，现在它似乎是自动隐藏的，但实际上它并没有被隐藏。
克里斯蒂·西班牙	嗯，如果你向上滚动它就会消失。
	因此仅会出现“如果”。
	我有些事活动好了。
克里斯蒂·西班牙	你的声音很棒。
	和
克里斯蒂·西班牙	我会和你一起练习分享，这样我们就可以检查你的决心，等等。
	好吧，让我们看看。
	可以肯定的是，某个具体的事情将会成为一个问题。
	为了共享屏幕，我将展示你的样子。
克里斯蒂·西班牙	好吧，您可以继续分享您的内容。
	是的，但我想在幻灯片和 JMP 应用程序之间来回切换，所以我希望能够展示。
	我的屏幕。
	所以我最终还是以某种方式结束了。
	通过屏幕，我将你放在这里的一个小窗口中。
克里斯蒂·西班牙	在顶部，您可以查看并将其更改为并排，或者这就是我所拥有的。
	关掉我的相机因为反正没人想看到我。
	今天一切都是关于你的。
	显示小型活跃发言人视频缩略图视频。
	好的，这告诉您了。
	它向我们两人展示了一个网格。
	这使得整个事情变得非常小。
	我再也看不到我自己了。
	但我可以移动这个东西。
克里斯蒂·西班牙	好吧，我可以看到你对 PowerPoint 感到失望。
	好吧，这是我在 PowerPoint 常规写作模式下遇到的一个问题。
	但如果我进入演示视图。
	它变得越来越大，但我必须在它和另一个视图之间不断切换。
	当你制作视频时。
	您是否要重点关注相关的部分，或者只是显示屏幕上显示的内容。
克里斯蒂·西班牙	是的，我们只是要展示一些东西。
	因此，大多数人都会采用演示模式，然后，如果您需要退出演示模式并调出 JMP 屏幕，您可以这样做。
	然后回去这是否有意义，如果我们最终看到你知道你的一些。
	是的，看起来很棒。
	好的，我想这就是我们要做的，必要时我会逃出去并前往 JMP。
克里斯蒂·西班牙	您想快速尝试一下吗，以便我们确保它的尺寸合适。
	是的。
克里斯蒂·西班牙	看起来很棒。
	好的。
	因此它是可见的。
克里斯蒂·西班牙	好的，现在我需要这么做。
	请确认您的名称、公司名称和摘要标题。
	名字是 Thor Osborn。公司是桑迪亚国家实验室。
	摘要标题应为“用于人才获取模拟和管理的就业申请到达模型”。
克里斯蒂·西班牙	太好了。然后你就会明白这是被录制下来用于 Discovery Summit 的。
	JMP 会议并将在 JMP 用户社区中公开。您是否允许使用和录制？
	谢谢。
克里斯蒂·西班牙	我想我们已经准备好了，Thor，所以我要关掉我的静音，
	只要你准备好了，随时都可以出发。目标是直接通过。除非发生灾难性事件，否则我不会说什么或阻止你。怎么样？
	好的，目标是直奔目标，我应该花多长时间？
克里斯蒂·西班牙	30分钟。
	好的，现在我认为你有一点回旋余地，因为他们喜欢在回放结束时留出时间用于问答，所以如果时间稍微超出一点也没关系。
	好的，现在，在我们开始之前，有一个小窗口，上面显示正在说话以及谁在说话。
	因为他们把小视频缩小了。
	好的，我的屏幕显示的是演示视图吗？或者是否显示了演示视图，并在右下角插入了这个小插件。
克里斯蒂·西班牙	我看到的只是演示视图。
	好的，所以他们以某种方式漂浮了它。
克里斯蒂·西班牙	那一定很烦人。
	没关系，只要它不妨碍我，我就不会把任何东西放在那里。
克里斯蒂·西班牙	没关系。
	是的。
	好的。
克里斯蒂·西班牙	好的，我要静音了，然后你就准备好了。
	好的。
	我叫 Thor Osborn。我在桑迪亚国家实验室担任首席系统研究分析师。
	我今天的演讲主题是用于人才获取模拟和管理的就业申请到达模型。
	我希望你喜欢它。
	我在这里有三个基本目标。一是阐明为什么要对求职申请到达时间进行建模的商业理由。二是展示使用此类数据创建简明、广泛适用的模型的简单过程。
	然后，我将利用来自大型研究机构的数据演示该过程，并简要展示您可以使用这些数据做什么。
	从技术上讲，我会进一步理解这些数据，因为我认为这种数据对于大多数人来说有点不寻常。
	源模型，本质上，这是一个源建模
	分析，所以我将讨论泊松和伽马-泊松模型。
	我将做一些分析和转换以使其更容易操作，然后简要介绍如何制作模型。
	因此，就动机而言，有三个基本动机领域。一是改善人才获取流程和业务功能。
	另一个目的是提高领导公司的高管的理解，第三个目的是帮助制定招聘经理的期望。
	我先从人才招聘开始。招聘率和滞后取决于人才招聘流程中的审核阶段。但关键是，你必须拥有足够的就业申请，然后才能推进这一流程。
	而且费率和模式会因领域、发布职位的具体性、竞争程度、广告量等因素而有很大差异。
	应用程序到达的通用数学框架可以帮助人们更好地理解交易空间，从而提高应用程序捕获率，
	以及其他事项。一些关键关系包括申请捕获率和差异与就业环境、工作地点、职业水平、实践领域。
	可调整变量广告招聘信息发布的特殊性、发布语言的捕获率影响——我不是指英语与西班牙语的对比，而是指事物的表达方式。
	以及有针对性的招聘工作。然后，捕获率受到外部因素的影响，例如经济条件、实践领域的竞争，
	您在招聘区域内实际覆盖的专业人员数量有多少。
	我认为，重要的是认识到人才获取面临着项目或程序执行中经常看到的典型限制——时间、质量和成本。
	收集申请材料需要时间。你希望获得高质量的申请材料。这需要花钱，而且你越快行动，花费就越多。
	因此，这里存在权衡。
	高管通常通过劳动力规划参与这一过程，这是一个包罗万象的术语，但基本上就是年度计划。
	但缺乏相关模型和对成本的反馈，对典型约束和人员预算或流程分配的考虑可能会主观或缺失。
	我的意思是，在高管层，人力资源通常被视为一项必要的成本，而不一定是推动公司前进的杠杆。部分原因是缺乏信息，因此提供信息可能是改善这种情况的一种方式。
	此外，还有招聘经理的期望。
	基本上，我们处理的是少量统计数据和少量应用程序。
	人类确实容易受到模式偏见的影响，大多数招聘经理不会每周都招人，所以他们不习惯从长期内大量不同案例的角度来看待这个问题。
	这可能会导致他们停留在上一次面临的情况，从而产生模式偏差，他们会观察下一周申请人数的减少，并认为这一定意味着他们已经接触到了所有感兴趣的申请人。
	而这些直觉反应的问题在于偏见可能会导致过度反应，因为就像小数统计数据一样，如果你不把它放在小数背景下考虑，你就会得到错误的信息。
	关于数据，我们来谈谈到达数据。到达数据与特定的职位申请相关。因此，您有一个职位申请，有一个针对该职位的招聘启事，以及根据该招聘启事到达的申请。
	它们的特点有以下几个方面：地点、职业阶段；
	可见性，即可见范围有多广；
	实践领域，你在做什么；
	以及这些领域内可能非常广泛或非常狭窄的具体要求。
	申请可以在职位发布的时间段内提交，因此通常有一个明确的时间范围。
	它们是根据日期进行追踪的。
	现在，在这种情况下，稍后使用真实数据进行分析时，我必须使用最后提交申请的日期作为发布截止日期，但这不一定正确。但是，正如在真实数据中经常发生的那样，我们并没有我们想要的所有数据。
	我最后要说的是
	你计算的是每天的申请数量。如果你看到一天的申请数量为零，那么计数就是零。
	想象一下全国范围内某个职位的潜在申请人，
	雇主向世界发布信息。
	全国潜在申请者中的一些人提出了申请。
	人们普遍认为，相对于总人数而言，这一数字是很少的。
	所以你有这么庞大的申请者群体。这是一个来源，任何申请或对该来源的轻微干扰都是如此。
	说得更明确一点，这对于习惯处理泊松数学的人来说可能非常无聊，但是
	如果第一天有 1 个申请到达，则计数为 1。第二天没有申请到达，则计数为 0。因此，在最右边，您会看到 3 个 0 的实例、3 个 1 的实例、1 个 2 的实例和 1 个 3 的实例。
	虽然数据不多，但可以拟合，可以用泊松模型拟合，您可以在右下角看到蓝线。
	因此，平均每天有 1 个申请到达，但每天的实际数量会随分布而变化。就是这样。
	因此，泊松分布可用于描述通过随机发射离散物品源（该离散物品源具有某个恒定的单位时间平均发射率 Lambda）在单位时间内产生计数的概率。
	你会得到这个等式。在计数为 4 的情况下，上一张幻灯片中显示的概率非常小，
	你实际上拥有一到四分之一。
	乘以 e 的负 Lambda，所以基本上是 37%
	除以四的阶乘，即 24，得出的结果大约是百分之一点五，这与一个小但不为零的概率相符。
	因此，作为第一个假设
	我们假设，这个广泛宣传的职位在全国范围内的潜在申请者中，行为方式不协调
	关于就业机会，所以泊松模型是有意义的。
	因此这是一个合理的初步假设。
	现在，如果他们确实互动会怎样呢？
	然后，可以根据 Gamma-Poisson 源模型来设想，该模型本质上是使用 Gamma 分布作为混合分布的泊松分量。
	或者你可以把它想象成一个模糊的泊松分布，因为这个速率，即平均速率，不是一个恒定的平均速率，而是从一个时刻到下一个时刻都在变化。
	在另一个假设下，这种情况可能会发生，即申请人的行为方式是协调的，
	如果人们之间能建立起网络来互相谈论工作机会等事情，这种情况就有可能实现。
	现在这里
	关于如何生成 Gamma-Poisson 的幻灯片。这是基础内容，但我发现查看这些分布会很有帮助。
	因此我将在 JMP 中做一个小的 DEMO。
	现在您在这里看到的，随机 Gamma 四一，只是意味着随机 Gamma 具有四个参数和一个缩放参数，所以平均值是四。
	你看一下分布情况。这里有 100,000 行；你会得到一条像幻灯片上那样的曲线。
	平均值大约是四，当你多次做某事时就会发生这种情况。
	它几乎就是它本来的样子。
	现在，采用该分布并使用它
	作为随机泊松的供给。
	你就明白了。
	它看上去不像之前的泊松分布，因为它已经被涂抹掉了。
	如果你看一下泊松拟合，你会发现最佳拟合
	平均下来有 4 个，这就是它所能做的了，
	比伽马泊松分布更窄，为了验证它是伽马泊松分布，
	看看那里的红线。
	而且它真的非常非常合身。
	几乎完美。
	所以，本质上，这是一个经历了
	通信过程中，如果你愿意的话，泊松不再是最好的模型。
	我刚刚展示的案例就显示在这个四边形面板的右上角。
	Sigma 等于 2，即过度分散参数为 2。
	如果左上角的过度分散参数为 1，即 Sigma 等于 1，那么这本质上与泊松分布相同。
	但随着过度分散参数的增加，它会从驼峰变成尾巴，而更像是衰减指数。您会在右下角的蓝色部分看到，
	这里的颜色与之前相反，因此如果有任何混淆，请见谅。
	现在这是真实数据。
	因此，这是一个广泛普及的早期职业机械工程岗位招聘案例。
	140 份申请产生了 131 项计数，其中许多计数为零，因此这是分时段进行的——共一百三十一天。
	Gamma-Poisson 拟合效果最佳，您可以在左上角看到它。
	我使用 Akaike 标准，即 AIC
	公制。
	在左下角，你会看到
	经验丰富的职位。现在经验丰富的专业人士没有大学招生人员之类的人脉。
	或者必然是大学环境中经常与他人相处。这并不能证明什么，只是一种合理化方法，也许这就是为什么你通常会看到更经典的泊松行为，而经验丰富的专业人士的反应也是如此。
	这里要说明的是，这似乎也与申请数量有关。其他重要因素似乎是
	职业生涯阶段。
	正如我刚才提到的，FLSA 状态（非豁免）的意思是技术人员而不是豁免员工。
	这些因素似乎很重要，但随着申请数量的增加，肯定会存在偏差，更可能是 Gamma-Poisson 分布。
	现在，如何准备这些数据以供分析。按工作要求确定申请日期。
	表格设置零点
	当没有计数时。
	然后对每个要求拟合泊松和伽马泊松，找出哪一个能给出更好的 AIC 值。
	同时，每个申请都用一行或一行来制作申请汇总表，然后将它们融合在一起以提供泊松和伽马泊松的参数，以及告诉您哪一个更可能更合适的 AIC 参数。
	然后，您会得到泊松 (Poisson) 的摘要和经过子集化之后的 Gamma-Poisson 的摘要，因为它们很难一起处理。
	您可以使用 sigma 为 1 的 Gamma-Poisson，但最终会得到零通货膨胀，处理起来会变得复杂，因此我只是分别处理它们。
	无论使用哪个子集，该过程都将显示参数与驱动因素的线性模型拟合。
	该参数由模型标准化。
	然后，我会查看在所有驱动条件下是否存在合理的共同分布，在这种情况下，本质上是站点位置、早期或晚期职业生涯等需求背景。
	如果它们可能属于同一分布，那么就可以创建一个公共分布参数集并将其用于整个数据集。
	否则，该方法就会失败，而且目前我还没有机制来处理它，所以幸运的是这种情况没有发生，但这是未来需要考虑的事情。
	这是根据上下文得出的泊松参数分布，上下文与地点有关，无论是职业生涯的早期还是晚期，或者可以说已经建立，
	以及它属于哪个实践领域。每个术语都有一个“B”，表示广泛，因为分析内部职位需求是一件困难且完全不同的事情，机会也更加有限，因此在本演讲中，我仅坚持广泛的例子。
	您可以看到，平均方差明显因申请内容而异，并且它们不属于同一分布。您可以轻松证明这一点。
	看一下较小的子集，仅初始块，即站点 A 早期集，就会更明显地发现平均值和标准差遍布整个地图。
	现在我在这里还要做一个小演示。
	所以我有这些数据。
	现在，这是一个非常简单的模型。我将采用泊松参数输出，并使用请求上下文，即这种多级
	主观变量。
	运行该程序，你会发现 R 方约为 0.4。这意味着
	这并不微不足道。模型拟合度实际上相当好。
	这个参数的拟合度非常好。它没有覆盖所有的方差，但没关系，因为我们并不指望它能覆盖所有的方差；它只是说，对于它所做的事情来说，这是一个相当不错的模型。
	它也可以纯粹作为制表来完成，但我喜欢这种方法，因为它使操作变得容易，并且让我了解在这个拟合中处理了多少变化。
	它可以到这里，看看
	实际情况与预测相符，你看，是的，这不是一个很好的模型，但它确实有用。
	您可以做的另一件事是保存预测公式。
	所以你就看到了这里。
	因为我已经完成了这个，所以这会自动添加下标。
	你会发现这实际上只是
	常数
	加上请求上下文的偏移量。
	无需进行任何火箭手术。
	但现在如果我想做一个规范化，
	添加一列。
	调用此
	Norm Poisson 再次，因为我已经为了制作这个做了一次
	表。
	找到泊松。这是我的泊松参数。用它除以
	模型适合。
	这实际上是应该起作用的。
	不确定这里发生了什么。
	好吧，从不进行现场演示，这是规则，但过去一直都是这样，我真的不知道发生了什么。
	这是我的泊松参数。
	这是我的预测公式。
	哦。你永远不应该试图除以
	本身。这就是它不起作用的原因。
	现在它变得很固执。
	好的。
	有时微妙的事情也很重要。这是标准化的泊松分布。
	有趣的是
	你可以适应这个。
	从现有的瓶子来看，Johnson SL 最适合并且效果非常好。
	您还可以
	通过 X 来拟合 Y。
	采取此输出
	并根据需求情况进行适应。
	并得到这个单向图。
	这看起来比我之前展示的要规则得多。它们具有相同的分布，这更合理。在数据较多的那些上，你会看到更大的范围，但事实并非如此，
	这确实并不奇怪。
	如果你看一下方差不齐检验，你会发现没有迹象表明它们的方差不齐。
	这并不能证明它们不存在，但它可以说明使用假设它们具有相同分布的模型是合理的。
	所以。
	回到这个。
	哦，我还对每种情况与其余情况进行了 Kolmogorov-Smirnov 检验，在 78 种情况下，只有其中一种情况的 p 值小于 .05。
	P 值不能证明任何事情，但它确实表明，将这些值视为来​​自同一分布的数据是合理的。
	这只是之前那个较小子集的放大版本，但你可以看出这是合理的；这不是证据，但它是合理的。
	并通过拟合优度检验
	再次，这似乎是合理的
	对于该数据集，Johnson SL 是一个合理的模型，可以用于描述泊松参数分布，即正则化泊松参数分布。
	可以对 Gamma-Poisson 和该数据子集以及 Lambda 参数（等效参数）执行相同的操作。
	并且这再次成功了。
	为了计算 Sigma 参数，我实际上使用 Sigma 减一，因为 Sigma 位于基线一上。
	如果你愿意的话，这里的模型质量更低，但必须使用
	单独的建模步骤，因为 Lambda 与 Sigma 相关，所以您希望能够在其中建模该效果。
	再次，您获得了相当不错的契合。
	在这种情况下，它是 Johnson Su。
	事情是这样的。我们生成合成的随机分布参数。
	从数据子集中，根据上下文生成线性模型。
	规范化参数分布并将其拟合到常见的参数连续模型。
	然后，为了生成合成参数，从标准化参数分布中获取一个随机数，并将其乘以适当的线性模型结果，也就是说，对其进行“反标准化”。
	现在评估合成随机模型参数，我再次使用了 KS 检验，你可以看到没有办法真正区分它们，所以至少这是一种看起来可信的说法
	与真实情况相比。
	而且我还做了一个复合模型。
	将其转换为函数，这样它就可以成为可调用函数，这是 JSL 中的可调用函数，即 JMP 脚本语言中的可调用函数
	用于以上下文作为输入来生成随机职位申请的参数，所有不同的上下文特征。
	现在，我们不会深入讨论所有细节，但重点是你可以使用合成随机参数对创建可视化效果，这样不仅可以让你了解事物在热图中的典型位置，还可以
	对于异常值的概念：什么是合理的异常值，以及它实际上能走多远。
	你也可以看看 Lambda 和 Sigma 之间的相关性
	合成 Lambda 和合成 Sigma 之间几乎相同。
	它对这种关系进行了相当密切的建模。
	然后，如果你把真实的数据放在一起来看，
	也就是主图中的小黑点。
	98% 的合成密度位于十字线所示的红色区域，即中间的插图，周围有一个绿色方块。
	所有数据点（共 43 个）
	落在那里。
	所以。
	这又是合成模型，它相当好地模拟了实际发生的情况。它是可信的，但它显示了在其他百分之几的情况下可能发生的情况。
	这就是我所进行的建模，但你可以看到，你可以使用上下文；你可以使用其他变量，比如
	招聘启事语言过于具体，会导致符合职位要求的人数减少，也许会吓跑一些人。
	你可以看看语言是如何编写的。如今，人们正在使用人力资源工具来编写更易于接受的语言。你可以看到，随着时间的推移和多份工作申请的进展，这会带来多大的不同。
	你可以把它们作为模型的因素，然后根据这些因素来调整应用方式
	根据您的需要，使用这些功能可以创建申请单。
	但现在我要换个话题，好吧，这又是什么样子的。同样是基本原理，对于每周七次的泊松分布，30% 的时间，计数将为五次或更少。
	因此，你应该预料到其中之一就是你应该预料到需要的应用程序数量
	获得一个合理有竞争力的聘用选择所需的时间会有所不同，因为即使平均数为七，你得到的数量也会有很大差异。
	泊松的方差与参数相同，因此会得到很大的变化。
	如果你习惯于从长期平均值的角度来思考
	或者受另一个案例的影响，您可能会被任何特定实例所困扰。
	问题就在于这种模式识别偏差。
	聚类错觉是一种倾向，认为小样本中不可避免的条纹或聚类意味着正在发生非随机效应，存在某种意图。
	正如 RD Clarke 在 1946 年分析德国 V 型炸弹时发现的那样，它与泊松分布数据显然无关。
	位于伦敦地区的站点。
	人们会看到分组的发生，他们会认为这意味着什么，但他能够证明，通过将过程视为泊松分布，它已经得到了很好的满足。
	分布式，这意味着你有时会得到集群，并且肯定和你看到的频率差不多。
	所以，这实际上意味着，他们并不是瞄准任何特定目标，而是总体上瞄准伦敦，而且他们通常会袭击伦敦的某个地方。
	在这种情况下，查看工作，在三周的时间内获得序列的可能性，其中获得减少或增加的数量约为 12%。
	在这个例子中，获得两周计数下降的可能性（也就是说一个大于另一个）是 45%。
	这些是相当简短的模式；它们不应该被认为具有任何意义，但不了解统计数据本质的人可能会这样认为。这才是关键所在。这可能会导致反应过度。
	现在，不同实践领域的差异性大约有一个数量级。
	有些领域的资料来源比其他领域更难，因此如果人们不了解这些差异，他们的期望就会出现偏差。
	如果你从总体上看申请，而不仅仅是从实践领域看，你会发现 95% 的申请有大约 25 倍的差异
	范围从 2.5% 到 97.5%。这仍然是一个巨大的变化
	在利率中。
	如果你理解了这件事是如何受到帖子语言的影响，以及帖子的措辞有多么狭隘、多么普遍，
	语言的吸引力在于宣传所有这些因素，
	然后你就可以决定多少
	您希望投入精力来提高这些费率并加快流程的完成速度。
	以下是使用我之前谈到的模拟模型的具体招聘信息的案例。
	在场地 A 和学科实践领域 9 拥有资深的专业人员，同样，这些都是专有的东西，因此不会透露它是什么；这只是一种特殊类型的专业人员。
	你会得到这个非常大的区别
	在 95% 的置信度下，介于 0 和 9 之间，中值为 2。
	这可能会让人感到困惑，这些小数字的统计数据可能会让人感到困惑，因为他们期望事情比这更有规律。
	该模型和方法存在局限性。
	数据和数据质量始终很重要。如果数据是在短时间内收集的，那么那些不常被雇佣且技能稀缺的领域很可能从数据集中消失。
	但另一方面，很多你无法控制的外部变量
	或许
	如果使用长时间范围作为这些分析的基础，则在数据收集的时间范围内会发生变化。
	而且建模方法没有考虑自我蚕食。如果某个领域有两个职位空缺，申请人是同时申请两个职位还是选择一个。也许在某些情况下，他们会选择他们认为最有可能的那个。
	该模型不会对此做任何事情，而只是通过捕捉发生的事情来表示现实世界的结果。
	但这并不代表错过的机会范围，因为如果你希望他们申请所有他们可能有资格申请的职位，只是为了看看他们可能适合哪里。
	所以结论是，一些求职申请对职位发布的回应往往呈泊松或伽马泊松分布。
	这是通过包含约 2,500 项总计申请的大型数据集进行检查的。
	应用程序响应的分布参数差异很大。
	如果归一化
	它们可以适合常见的型材。
	而这些由通用配置文件产生的简洁模型有助于生成合成的随机请求模型。
	这将允许一个人对
	可能性
	在不同情况下。
	我认为值得一提的是，申请到达模型可以填补理解完整员工生命周期的重要空白，因为它们将为招聘经理和人事专业人员提供有关这些模式偏见的观点。
	如果您想以一种现实的方式来做到这一点，它们可以用于离散事件或基于代理的模型，作为生成申请人的一种方式。
	和
	也许最重要的是，从经济角度来看，
	这是一种根据工作特点和其他各种可调整和不可控制的外部变量来构建每个求职者成本的方法。
	这样，我们就能更好地了解可以期待什么，比如可以多快填补空缺，以及这样做需要多少成本
	取决于与广告等的关系。
	这就是我今天要介绍的内容，
	我只想说如果你有任何问题，你应该有来自这里的联系信息
	视频，或其放置位置，请随时联系。
克里斯蒂·西班牙	好的，太棒了。
	是的，除了因为我搞砸了 DEMO 而导致我的东西无法工作的部分。
	但那是一个很好的，安全的，这是一个很好的保存我终于意识到我在做什么。
	是的，无论你多么希望，JMP 都不会做蠢事。

高级统计建模基础数据分析与建模消费者和市场研究内容组织数据探索与可视化预测模型和机器学习质量与工艺工程可靠性分析分享和交流结果