Vocero | Transcripción |
| Christy España | Buenas tardes. |
| Hola, ¿cómo estás hoy? |
| Estoy bien, ¿cómo estás? |
| Christy España | Bueno, gracias. |
| ¿Dónde estás ubicado Thor? |
| Sí, Christy España. |
| Y albuquerque nuevo mexico. |
| Christy España | Eso es lo que estaba pensando. |
| Tengo lo correcto. |
| Christy España | Hay tres dígitos por ahí. |
| No ahora mismo. |
| Bueno, tenemos uno. |
| Huracán viene desde el. |
| Los acaparadores de pelotas harán bajar las temperaturas. |
| Christy España | Bueno, ¿cómo se llama ese? |
| No lo sé, normalmente no pasa mucho y no he estado prestando mucha atención. |
| Bueno. |
| Christy España | Estoy un poco sorprendido, pero ya sabes, el golf fue muy duro ayer, así que aquí todos están cargando gasolina porque el oleoducto está cerrado. |
| Entonces, ¿dónde estás? |
| Christy España | Estoy en la sede de Cary, Carolina del Norte, sí. |
| Bueno, veamos, ¿hiciste alguna grabación para nosotros el año pasado? |
| Yo hice el mío el año pasado. |
| Posiblemente una de las razones por las que hacemos esto. |
| Esta vez. |
| Oh. |
| Christy España | Es gracioso. |
| um déjame ver, tengo una pequeña lista de verificación, déjame abrirla como si realmente pudiera cerrar muchas cosas cuando... |
| Estaba tratando de limpiar todo, por lo que no me apareció ninguna ventana emergente. ¿Has cerrado todas tus aplicaciones? |
| Aún no lo he hecho y también tenía una pregunta. |
| Claro que sí. |
| Decía que debía subir cosas antes de grabar, pero no puedo porque no tengo un enlace. |
| Christy España | Estoy subiendo es y que cosas. |
| Y materiales de presentación. |
| Christy España | Está bien, averiguaré cuál es ese enlace para ti. |
| Entonces volví y miré mis correos electrónicos antiguos y no pude encontrarlo, creo. |
| Soy. |
| No es gran cosa, pero... |
| Christy España | Definitivamente deberíamos poder seguir adelante y grabar. |
| Está bien, sí. |
| Christy España | Déjame encontrar una pequeña lista de verificación, pero parte de esa lista de verificación se cierra en tus aplicaciones. |
| Iré a hacer eso. |
| No necesitas equipos de Microsoft. |
| Christy España | No tienes ningún logotipo en tu camiseta, así que eso está bien. |
| Sin logotipos. |
| Probablemente tampoco necesites un no ahora. |
| Christy España | No pude descubrir cómo no molestar a los equipos. |
| Los equipos bien. |
| Una de las cosas de lo moderno. |
| La tecnología es que la gente ya no te da instrucciones, sino que te dan algo y se supone que tú debes resolverlo. |
| Christy España | Bueno, escribí y la sección de ayuda D amp D y actuó como si estuviera buscando mensajes o algo por el estilo, y mi Ok, o estaba bien, lo cerré así que. |
| Bueno, entonces. |
| Tengo algunas aplicaciones abiertas pero. |
| Mira ese pequeño asunto de los equipos parásitos. |
| Christy España | Estamos bien entonces. |
| Bueno, lo pusieron en este pequeño menú oculto para que todavía esté allí, junto con Skype, porque quieren poder comunicarse contigo, pase lo que pase. |
| Christy España | Y sabes, creo que tal vez deberíamos haber tomado uno de los antecedentes. |
| Dice que no hay infracción de derechos de autor, pero ya sabes, hay muchos libros ahí, así que tal vez. |
| Bueno, tengo libros aquí atrás, pensé que no era gran cosa porque realmente no se pueden leer, pero está bien. |
| Christy España | No lo sé, odiaría hacerlo. |
| Tengo que devolverte la llamada y decirte que lo voy a dejar ir. |
| Sí, no quiero hacerlo dos veces. |
| No. |
| Quiero decir que estoy seguro de que será muy divertido, pero no quiero volver a hacerlo. |
| Yo simplemente me deshago de los equipos. |
| Todos los equipos se han ido. |
| Bueno, entonces estos fondos, tengo algo con eso. |
| Tengo que volver a Outlook. |
| Christy España | O tal vez simplemente podríamos decir "lo haremos". |
| Mira, nunca los usé. |
| Realmente nunca los he usado. |
| Sí, porque analizan para desenfocar. |
| sí. |
| Ya sabes, siempre que estás haciendo cosas para conmover, veo que la gente las usa y las cosas se vuelven borrosas y ven toda la basura que hay en su habitación. |
| Ver así desde. |
| preguntar |
| Tanya, qué síntoma tan nuevo. |
| Allá vamos. |
| Esas son fichas sociales, ya sabes qué son fichas sociales. |
| Fondos virtuales, diagrama de dispersión azul. |
| Simplemente lo haré. |
| Vamos. |
| Así que ahora la pregunta sería ¿cómo lo hago? |
| Úsalos. |
| vamos a ver. |
| Christy España | Pensé que estaría debajo de los tres pequeños puntos, pero no es así. |
| Bueno, no tengo claro dónde están los patos. |
| ¿Dónde encuentras puntos? |
| Christy España | Bueno, ya sabes en la parte inferior, donde tienes compartir pantalla y chatear. |
| Y todo eso hay como un poquito más. |
| Eso pero es que no veo ninguna opción de cambio en el fondo, ahí. |
| No lo hagas tampoco. |
| Christy España | Vamos y venimos entre tantas cosas diferentes. |
| Herramientas aquí es difícil. |
| Vamos a hacer una búsqueda rápida. |
| Fondo virtual bajo cámara pulida. |
| Oh. |
| Entonces. |
| Y luego tienes que saber dónde está el fondo virtual porque no lo dijeron. |
| ¿Cuál deberías usar o algo así? No, no, no. |
| Christy España | Oh, eso se ve bien. |
| Oh, bien, porque no estaba seguro de poder hacer mucho más, entonces ahora tenemos el fondo y si me muevo mucho eso funciona bastante bien, en realidad solo hay un pequeño problema, ¿de acuerdo? |
| Christy España | y |
| ¿Tuviste tu barra de tareas automáticamente? |
| Veamos cómo lo hago. |
| Christy España | Vas a la barra de tareas y haces clic derecho. |
| Sí, en un lugar que no tiene nada. |
| No. |
| El problema es que mi barra de tareas está completamente suscrita. |
| Christy España | El mío tampoco se esconde, no sé por qué. |
| ¿Es así? |
| Configuración de la barra de tareas, aquí vamos. |
| Es lunes ocultar automáticamente la barra de prueba de prueba en el modo de escritorio. |
| En. |
| Bien, ahora parece que está oculto automáticamente, excepto que no está oculto. |
| Christy España | Bueno, si te desplazas hacia arriba desaparece. |
| Así que solo aparece si. |
| Tengo algo de actividad que va bien. |
| Christy España | Y luego tu sonido es genial. |
| y |
| Christy España | Haré lo que quieras para practicar compartir, así podemos comprobar tu resolución y todo eso. |
| Bueno veamos. |
| Con seguridad habrá una cosa específica que será un problema. |
| Para compartir la pantalla voy a mostrar cómo te ves. |
| Christy España | Bueno, puedes seguir adelante y compartir tu contenido. |
| Sí, pero quiero alternar entre diapositivas y la aplicación JMP, así que quiero poder mostrar. |
| Mi pantalla. |
| Así que de alguna manera terminé. |
| Con la pantalla y te tengo en una pequeña ventana aquí. |
| Christy España | En la parte superior, puedes ver y cambiarlo a lado a lado o eso es lo que tengo. |
| Apagar mi cámara porque de todas formas nadie quiere verme. |
| Hoy todo gira alrededor de ti. |
| Mostrar una pequeña miniatura del video del orador activo. |
| Bueno, eso te lo demuestra. |
| Nos muestra a ambos, esto muestra una cuadrícula. |
| Y eso hace que todo sea realmente pequeño. |
| Y ya no puedo verme más. |
| Pero puedo mover esta cosa. |
| Christy España | Bueno, puedo verte triste en tu PowerPoint. |
| Bueno, entonces aquí hay una pregunta que me surgió cuando mi PowerPoint entra en el modo de escritura normal. |
| Pero si entro en la vista de presentación. |
| Se hace más grande, pero luego tengo que seguir yendo y viniendo entre esa y la otra vista. |
| Cuando hagas el vídeo. |
| ¿Vas a centrarte en las partes que son relevantes o simplemente vas a mostrar en la pantalla lo que aparezca? |
| Christy España | Sí, simplemente vamos a mostrar lo que sea. |
| Entonces, la mayoría de las personas usan el modo de presentación y luego, si necesita salir de eso y abrir la pantalla JMP, puede hacerlo. |
| y volver atrás ¿tiene sentido, y si terminamos viéndote conoces algunos de tus. |
| Sí, eso se ve genial. |
| Bien, supongo que esto es lo que haremos. Simplemente escaparé e iré a JMP cuando sea necesario. |
| Christy España | ¿Quieres probarlo rápidamente para que podamos asegurarnos de que sea del tamaño correcto? |
| sí. |
| Christy España | se ve genial |
| Bueno. |
| Así que es visible. |
| Christy España | Bueno, ahora lo necesito. |
| Confirme su nombre, empresa y título del resumen, por favor. |
| Su nombre es Thor Osborn y su empresa es Sandia National Laboratories. |
| El título del resumen debe ser Modelo de llegada de solicitudes de empleo para simulación y gestión de adquisición de talentos. |
| Christy España | Perfecto. Y entonces comprenderás que esto se está grabando para su uso en Discovery Summit. |
| La conferencia de JMP estará disponible públicamente en la comunidad de usuarios de JMP. ¿Permiten ese uso y grabación? |
| Gracias. |
| Christy España | Y creo que estamos listos, Thor, así que me voy a silenciar y... |
| Puedes irte cuando estés listo. El objetivo es avanzar sin problemas. No voy a decir nada ni a detenerte a menos que suceda algo catastrófico. ¿Qué te parece? |
| Bien, el objetivo es avanzar directamente y ¿cuánto tiempo se supone que debo tener? |
| Christy España | 30 minutos. |
| Bueno, ahora creo que tienes un poco de margen porque les gusta dejar tiempo al final de la reproducción para preguntas y respuestas, así que si se extiende un poco, no hay problema. |
| Bien, ahora, antes de irnos, hay una pequeña ventana que dice "hablando" y "quién está hablando". |
| Porque reducen el tamaño del pequeño video. |
| Bien, ¿mi pantalla muestra la vista de presentación o la muestra con este pequeño inserto en la parte inferior derecha? |
| Christy España | Todo lo que veo es la vista de presentación. |
| Bueno, de alguna manera están haciendo flotar esto. |
| Christy España | Eso debe ser molesto. |
| Está bien, siempre y cuando no estorbe, quiero decir, no pongo nada ahí. |
| Christy España | Está bien. |
| sí. |
| Está bien. |
| Christy España | Está bien, voy a silenciar el micrófono y luego estarás listo. |
| Bueno. |
| Mi nombre es Thor Osborn y trabajo en Sandia National Laboratories como analista principal de investigación de sistemas. |
| Mi charla de hoy es "Modelo de llegada de solicitudes de empleo para la simulación y gestión de adquisición de talento". |
| Y espero que lo disfruten. |
| Tengo tres objetivos básicos aquí. Uno es presentar un caso de negocios que justifique por qué se desea modelar los tiempos de llegada de las solicitudes de empleo. Otro es mostrar un proceso sencillo para crear un modelo conciso y de amplia aplicación utilizando este tipo de datos. |
| Y luego demostraré ese proceso con datos de una gran organización de investigación y mostraré brevemente lo que se puede hacer con ellos. |
| Técnicamente repasaré cómo entender los datos porque creo que este tipo de datos son un poco inusuales para la mayoría de las personas. |
| Los modelos de origen, en esencia, son modelos de origen. |
| análisis, entonces hablaré sobre los modelos Poisson y Gamma-Poisson. |
| Haré algunos análisis y algunas transformaciones para que sea más fácil trabajar con esto y luego abordaré brevemente cómo podría hacer modelos. |
| En cuanto a las motivaciones, existen tres áreas básicas de motivación: una es mejorar el proceso de adquisición de talento y la función empresarial. |
| Otra es mejorar la comprensión de los ejecutivos que dirigen la empresa, y la tercera es ayudar a enmarcar las expectativas de los gerentes de contratación. |
| Comenzaré con la adquisición de talentos. La tasa de contratación y el tiempo de espera dependen de los flujos de trabajo en las etapas de investigación de antecedentes en el proceso de adquisición de talentos. Pero lo fundamental es que hay que tener suficientes solicitudes de empleo antes de poder avanzar en el proceso. |
| Y las tarifas y los patrones varían bastante dependiendo del campo, la especificidad de las publicaciones que se realizan, la competencia, cuánto se anuncia, etc. |
| Un marco matemático común para la llegada de aplicaciones podría permitir una mejor comprensión del espacio comercial para mejorar las tasas de captura de aplicaciones. |
| así como otras cosas. Algunas relaciones clave entre la tasa de captura de solicitudes y la varianza en función del contexto laboral, el lugar de trabajo, el nivel profesional y el campo de práctica. |
| Los impactos en la tasa de captura de las variables ajustables afectan la especificidad de los anuncios de empleo, el idioma de publicación (y con esto no me refiero a inglés versus español, sino más bien a la forma en que se presentan las cosas). |
| Y los esfuerzos de reclutamiento dirigidos. Y luego la tasa de captación impacta los factores externos, como las condiciones económicas, la competencia en el campo de práctica, |
| ¿Qué tan grande es la población profesional a la que realmente estás llegando dentro de tu área de reclutamiento? |
| Y creo que es importante reconocer que la adquisición de talento enfrenta las limitaciones típicas que a menudo se ven en la ejecución de proyectos o programas: tiempo, calidad y costo. |
| Recopilar solicitudes lleva tiempo. Se trata de conseguir una gran cantidad de solicitantes. Eso cuesta dinero y cuanto más rápido intentes hacerlo, más te costará. |
| Así que aquí hay que hacer concesiones. |
| Los ejecutivos a menudo se involucran en el proceso a través de la planificación de la fuerza laboral, que es un término general pero, básicamente, es un plan anual. |
| Pero en ausencia de modelos relevantes y retroalimentación sobre el costo de las cosas, la consideración de las limitaciones típicas y la asignación del presupuesto de personal o de los procesos podrían ser subjetivas o inexistentes. |
| Y con esto me refiero a que, a nivel ejecutivo, los recursos humanos suelen ser vistos simplemente como un gasto necesario, pero no necesariamente como una palanca para hacer avanzar a la empresa. En parte, esto se debe a la falta de información, por lo que proporcionar información podría ser una forma de mejorar esa situación. |
| Además, las expectativas del gerente de contratación. |
| Básicamente, estamos tratando con estadísticas de números pequeños y de números pequeños de aplicaciones. |
| Los seres humanos están realmente sujetos al sesgo de patrones, y la mayoría de los gerentes de contratación no contratan personas todas las semanas, por lo que no están acostumbrados a mirar esto desde la perspectiva de muchos casos diferentes durante un largo período de tiempo. |
| Y eso puede llevar a anclarse en la última situación a la que se enfrentaron, lo que puede llevar a un sesgo de patrón donde miran la cantidad de solicitantes que se dirigen de una semana a la siguiente y piensan que eso debe significar que han accedido a todos los que estaban interesados. |
| Y el problema con estas respuestas intuitivas a los sesgos puede llevar a reacciones exageradas porque, como siempre ocurre con las estadísticas de números pequeños, se obtiene información errónea si no se toma en ese contexto. |
| Un poco sobre los datos. Los datos de llegada están vinculados a solicitudes de empleo específicas. Por lo tanto, hay una solicitud de empleo, hay una publicación para esa solicitud y las solicitudes llegan como consecuencia de la publicación. |
| Se caracterizan de varias maneras: ubicación del sitio; etapa de la carrera; |
| visibilidad, cuán ampliamente se hace visible; |
| campo de práctica, lo que estás haciendo; |
| y requisitos específicos que pueden ser muy amplios o muy estrechos dentro de esos campos. |
| Y las solicitudes se pueden enviar durante el período de tiempo en el que hay una publicación de trabajo accesible, por lo que generalmente hay un marco de tiempo definido. |
| Se rastrean por fecha. |
| Ahora bien, en este caso, al utilizar datos reales para el análisis posterior, tengo que utilizar la fecha de la última solicitud presentada como fecha de cierre de la publicación, pero no es necesariamente así. Pero, como suele ocurrir con los datos reales, no tenemos todos los datos que nos gustaría tener. |
| Y diré finalmente que |
| Estás contando la cantidad de aplicaciones por día. Cuando ves cero aplicaciones por día, eso es un conteo de cero. |
| Entonces, al pensar en un grupo nacional de potenciales solicitantes para un puesto de trabajo, |
| El empleador difunde información al mundo. |
| Algunas de las personas que forman parte del grupo nacional de solicitantes potenciales presentan solicitudes. |
| En general, se supone que serán pocos en comparación con el total de los que podrían hacerlo. |
| De esta manera, tenemos este vasto grupo de solicitantes. Es una fuente y cualquier solicitud o perturbación menor en esa fuente. |
| Y, para ser muy explícito, esto podría ser muy aburrido para las personas que están acostumbradas a lidiar con las matemáticas de Poisson, pero |
| Si ves que llega una solicitud el primer día, se trata de una instancia de un recuento de uno. El segundo día no llega ninguna solicitud, se trata de una instancia de un recuento de cero. Y así, en el extremo derecho, ves tres instancias de cero, tres instancias de uno, un dos y un tres. |
| Y eso se puede ajustar, aunque no son muchos datos, se puede ajustar con el modelo de Poisson, y se ve la línea azul ahí abajo a la derecha. |
| Por lo tanto, la tasa promedio de llegada de una solicitud por día es de una, pero la cantidad real por día variará según la distribución. Y eso es todo. |
| Por lo tanto, la distribución de Poisson se puede utilizar para describir la probabilidad de un recuento producido en una unidad de tiempo mediante la emisión aleatoria de una fuente de elementos discretos que tienen una tasa media constante de emisión Lambda por unidad de tiempo. |
| Y se obtiene esta ecuación. Y, en el caso de un conteo de cuatro, que mostró una probabilidad muy pequeña en la diapositiva anterior, |
| Básicamente tienes del uno al cuarto. |
| multiplicado por e elevado a menos Lambda, así que básicamente 37% |
| dividido por cuatro factorial, o 24, y por lo tanto algo así como uno y medio por ciento, lo que concuerda con una probabilidad pequeña pero no nula. |
| Así pues, como primera hipótesis |
| Supondríamos que los miembros del grupo distribuido a nivel nacional de potenciales solicitantes para este trabajo ampliamente publicitado actúan de manera descoordinada. |
| en cuanto a las oportunidades de empleo, por lo que un modelo de Poisson podría tener sentido. |
| Así que es una hipótesis inicial razonable. |
| Ahora bien, ¿qué pasa si interactúan? |
| Entonces, esto puede concebirse en términos del modelo de fuente Gamma-Poisson, que es esencialmente un componente de Poisson que utiliza una distribución Gamma como distribución de mezcla. |
| O puedes pensarlo como una ecuación de Poisson borrosa porque la tasa, la tasa promedio, no es una tasa promedio constante, sino que cambia de un momento a otro. |
| Y esto puede suceder bajo una hipótesis alternativa de que los solicitantes se comporten de manera coordinada, |
| lo cual podría suceder si existieran redes de personas que hablaran entre sí sobre oportunidades laborales, etc. |
| Ahora aquí está |
| Una diapositiva sobre cómo generar la distribución gamma-Poisson. Es algo básico, pero creo que observar estas distribuciones puede ser útil. |
| Entonces voy a salir y hacer una pequeña DEMO en JMP. |
| Ahora, lo que vemos aquí, Gamma aleatorio cuatro-uno, simplemente significa Gamma aleatorio con un parámetro de cuatro y un parámetro de escala de uno, por lo que el promedio es cuatro. |
| Observa la distribución. Hay 100.000 filas y se obtiene una curva como la que se vio en la diapositiva. |
| El promedio es alrededor de cuatro, lo que ocurre cuando haces algo muchas veces. |
| Es casi exactamente lo que se supone que es. |
| Ahora, toma esa distribución y úsala. |
| como alimento para un Poisson aleatorio. |
| Y esto es lo que obtienes. |
| Que no se parece al Poisson de antes porque ha sido untado. |
| Si observas un ajuste de Poisson, encontrarás que el mejor ajuste |
| para cuatro en promedio, que es todo lo que realmente puede hacer, |
| tiene una dispersión más estrecha que la Gamma-Poisson y solo para verificar que sí, es una Gamma-Poisson, |
| Mira la línea roja allí. |
| Y encaja realmente, realmente bien. |
| Casi perfectamente. |
| Y entonces, esencialmente, este es, este es un caso en el que, habiendo pasado por eso, |
| proceso de comunicación, por así decirlo, el modelo de Poisson ya no es el mejor. |
| El caso que acabo de mostrar se muestra aquí en la parte superior derecha de este panel cuádruple. |
| Sigma es igual a dos, el parámetro de sobredispersión de dos. |
| Si tiene un parámetro de sobredispersión de uno, Sigma es igual a uno, en la parte superior izquierda, entonces es esencialmente lo mismo que la distribución de Poisson nuevamente. |
| Pero a medida que aumenta el parámetro de sobredispersión, pasa de una joroba seguida de una cola a algo que se parece más a una exponencial decreciente. Verás eso en la parte inferior derecha en azul. |
| Los colores se cambian aquí al contrario de lo que eran antes, así que si hay una confusión en eso, lo siento. |
| Ahora aquí tenemos datos reales. |
| Así, se trata de un puesto de trabajo en ingeniería mecánica de amplia accesibilidad y al inicio de la carrera profesional. |
| 140 solicitudes para crear 131 recuentos, muchos de los cuales son cero, por lo que el proceso se distribuye en el tiempo (ciento treinta y un días). |
| La ecuación Gamma-Poisson se ajusta mejor y se puede ver en la parte superior izquierda. |
| Estoy utilizando el criterio de Akaike, el AIC. |
| métrico. |
| En la parte inferior izquierda verás |
| un puesto con experiencia. Ahora bien, los profesionales con experiencia no cuentan con las redes de, por ejemplo, los encargados de la colocación universitaria, etc. |
| O necesariamente la inmersión constante con otras personas que verías en un entorno universitario. Esto no es prueba de nada, sino solo una forma de racionalizar que tal vez por eso ves un comportamiento de Poisson más clásico con respuestas profesionales experimentadas. |
| Y, para demostrarlo, parece que también se correlaciona con la cantidad de solicitudes. Otros factores que podrían ser importantes son: |
| Etapa de la carrera. |
| Como acabo de mencionar, el estado FLSA (no exento) significa, por ejemplo, tecnólogos en contraposición al personal exento. |
| Esos factores parecen importar, pero definitivamente hay un sesgo a medida que aumenta el número de aplicaciones y es más probable que tenga una distribución Gamma-Poisson. |
| Ahora, ¿cómo se preparan estos datos para el análisis? Fechas de solicitud por requisito de trabajo. |
| Ajuste tabulado de ceros para |
| cuando no hay recuento. |
| Y luego ajustar el Poisson y Gamma-Poisson para cada requisito para descubrir cuál le brinda el mejor valor AIC. |
| Paralelamente, se creó una tabla de resumen de requisición con una línea o una fila por requisición, y luego se fusionaron para brindar parámetros para Poisson y Gamma-Poisson, así como el parámetro AIC que indica cuál es más probable que se ajuste mejor. |
| Y obtienes un resumen para Poisson y un resumen para Gamma-Poisson después de la subdivisión, porque es difícil tratarlos juntos. |
| Puedes usar Gamma-Poisson con un sigma de uno, pero entonces terminas con una inflación cero y se vuelve complicado lidiar con ello, así que en lugar de eso los estoy tratando por separado. |
| Cualquiera sea el subconjunto utilizado, el proceso mostrará ajustes del modelo lineal para el parámetro versus los impulsores. |
| El parámetro está normalizado por el modelo. |
| Y luego busco ver si es plausible una distribución común para todas las condiciones del conductor, que en este caso es esencialmente el contexto de requisición de la ubicación del sitio, carrera temprana o tardía, etcétera. |
| Si es posible que caigan en la misma distribución, entonces es posible crear un conjunto de parámetros de distribución común y usarlo para todo el conjunto de datos. |
| De lo contrario, el enfoque falla y, en este momento, no tengo ningún mecanismo para abordarlo, así que afortunadamente eso no sucedió, pero es algo en lo que pensar para el futuro. |
| Así que aquí hay una distribución de parámetros de Poisson por contexto, donde el contexto tiene que ver con el sitio, ya sea una carrera temprana o tardía, o establecida, se podría decir, |
| y si se trata de, bueno, qué campo de práctica. Cada uno de estos tiene una "B", que significa amplio, porque analizar únicamente las solicitudes de empleo internas es algo difícil y diferente, con oportunidades mucho más limitadas, y por eso me limitaré simplemente al caso amplio en esta presentación. |
| Lo que se puede ver es que la varianza media difiere de forma bastante obvia según el contexto de la solicitud y no, no se encuentran dentro de la misma distribución. Esto se puede demostrar fácilmente. |
| Si observamos un subconjunto más pequeño, solo la parte inicial, el conjunto inicial del Sitio A, se hace más obvio que las medias y las desviaciones estándar varían mucho. |
| Ahora aquí también voy a hacer una pequeña demostración. |
| Así que tengo estos datos. |
| Ahora bien, este es un modelo muy simple. Voy a tomar la salida del parámetro Poisson y voy a utilizar el contexto de solicitud, que es este modelo multinivel. |
| variable subjetiva. |
| Y ejecútalo y verás que hay un RSquare de aproximadamente punto cuatro. Eso significa que |
| No es algo insignificante. El ajuste del modelo es bastante bueno. |
| Y el ajuste de este parámetro es muy bueno. No cubre toda la varianza, pero eso está bien porque no esperamos que lo haga; simplemente está diciendo que este es un modelo bastante bueno para lo que hace. |
| También se podría hacer puramente como una tabulación, pero me gusta este enfoque porque hace que sea fácil trabajar con él y me da una idea de cuánta variabilidad se está manejando en este ajuste. |
| Puede ir aquí y mirar el |
| lo real por lo predicho, y verás, sí, no es un gran modelo, pero cumple un propósito. |
| Y otra cosa que puedes hacer es guardar la fórmula de predicción. |
| Y así lo veis aquí. |
| Como ya lo hice, esto está suscrito automáticamente. |
| Verás, lo que esto significa es básicamente... |
| una constante |
| más una compensación por contexto de requisición. |
| No hay ninguna cirugía de cohetes involucrada. |
| Pero ahora, si quiero hacer una normalización, |
| Añadir una columna. |
| Llama a esto |
| Norm Poisson De nuevo porque ya lo he hecho una vez con el propósito de hacer esto. |
| mesa en primer lugar. |
| Encuentra Poisson. Ahí está mi parámetro de Poisson. Divide eso por el |
| ajuste del modelo |
| En realidad se suponía que eso funcionaría. |
| No estoy seguro de qué está pasando aquí. |
| Está bien, nunca hagas demostraciones en vivo, esa es la regla, pero esto siempre ha funcionado en el pasado y realmente no estoy seguro de qué está pasando. |
| Ahí está mi parámetro de Poisson. |
| Ahí está mi fórmula de predicción. |
| Oh, nunca deberías intentar dividir algo por |
| Por eso no funcionó. |
| Ahora se está volviendo terco. |
| Bueno. |
| A veces, las cosas sutiles importan. Aquí está la ecuación de Poisson normalizada. |
| Y lo interesante de esto es que |
| Puedes adaptar esto. |
| Y de las botellas disponibles se puede ver que la Johnson SL es la que mejor se adapta y hace un trabajo bastante bueno. |
| Y tú también puedes |
| Hacer Ajuste Y por X. |
| Tome esta salida |
| y adaptarse al contexto de la requisición. |
| Y obtén este gráfico unidireccional. |
| Eso parece mucho más regular que el anterior que mostré. Es mucho más plausible que estos tengan la misma distribución. Verás un rango más amplio cuando estés en los que tienen más datos, pero ese no es el caso. |
| Eso no es sorprendente, realmente. |
| Y si observas la prueba de varianzas desiguales, puedes ver que no hay ninguna indicación de que sean varianzas desiguales. |
| Eso no es prueba de que no lo sean, pero es una forma de decir que es razonable utilizar un modelo en el que se ha asumido que tienen la misma distribución. |
| Entonces. |
| Volviendo a esto. |
| Ah, también hice una prueba de Kolmogorov-Smirnov de cada contexto versus el resto, y de aproximadamente 78 casos, solo uno de ellos mostró un valor p menor a 0,05. |
| Los valores p no prueban nada, pero lo que sí indican es que es razonable tratarlos simplemente porque provienen de la misma distribución. |
| Y aquí está sólo la versión ampliada de ese subconjunto más pequeño justo antes, pero puedes ver que esto es plausible; no es una prueba, pero es plausible. |
| Y con la prueba de bondad de ajuste |
| De nuevo, parece razonable que |
| El SL de Johnson es un modelo razonable para utilizar aquí para describir la distribución de parámetros de Poisson, la distribución de parámetros de Poisson normalizada, para este conjunto de datos. |
| Lo mismo se puede hacer para Gamma-Poisson y ese subconjunto de datos, y ese parámetro Lambda, que es el parámetro equivalente. |
| Y una vez más, eso funciona. |
| Para calcular el parámetro Sigma, en realidad uso Sigma menos uno porque Sigma está en una línea base de uno. |
| Y el modelo aquí es incluso de menor calidad, por así decirlo, pero es necesario usarlo. |
| paso de modelado separado porque Lambda se correlaciona con Sigma y, por lo tanto, desea poder tener ese efecto modelado dentro de él. |
| Una vez más, se obtiene un ajuste decente. |
| En este caso se trata del Johnson Su. |
| Esto es lo que ocurre: generamos parámetros de distribución aleatoria sintéticos. |
| A partir de un subconjunto de datos, genere un modelo lineal basado en el contexto. |
| Normalizar una distribución de parámetros y ajustarla a un modelo continuo paramétrico común. |
| Y luego, para generar el parámetro sintético, obtener un número aleatorio de la distribución del parámetro normalizado y multiplicarlo por el resultado del modelo lineal apropiado, es decir, "desnormalizarlo". |
| Ahora, al evaluar los parámetros del modelo aleatorio sintético, utilicé nuevamente la prueba KS, y se puede ver que no hay forma de distinguirlos realmente, así que al menos es una forma de decir que parece creíble. |
| en comparación con los casos reales. |
| Y también hice un modelo compuesto. |
| Lo convertí en una función para que pueda ser una función invocable que luego, y esto está en JSL, sería una función invocable en lenguaje de script JMP. |
| para generar parámetros para una solicitud de trabajo aleatoria con el contexto como entrada, todas las diferentes características del contexto. |
| Ahora, no voy a entrar en todos esos detalles, pero el punto es que puedes crear una visualización usando pares de parámetros aleatorios sintéticos que te dan una idea no solo de dónde están las cosas típicamente en este mapa de calor sino también |
| Una especie de idea de los valores atípicos, qué es un valor atípico plausible y hasta dónde llega realmente. |
| Y también puedes ver si haces una correlación que la correlación entre Lambda y Sigma |
| y entre Lambda sintético y Sigma sintético son casi lo mismo. |
| Está modelando esa relación con bastante precisión. |
| Y luego, si miras esto con los datos reales incluidos, |
| que son pequeños puntos negros en el gráfico principal. |
| El noventa y ocho por ciento de la densidad sintética se encuentra en la región rojiza indicada por la trama cruzada, que es el recuadro central con un cuadrado verde alrededor. |
| Todos los puntos de datos, de los cuales hay 43, |
| caer allí. |
| Y entonces. |
| Nuevamente, esto es un modelo sintético que modela lo que realmente sucede. Es creíble, pero muestra lo que podría suceder en ese otro pequeño porcentaje de casos. |
| Así que eso es lo más lejos que he llegado con el modelado, pero lo que puedes ver es que puedes usar el contexto; puedes usar otras variables como cuánto |
| Se pone una especificidad en el lenguaje de la publicación del trabajo que hará que menos personas estén calificadas y tal vez asuste a algunas personas. |
| Se puede observar la forma en que se elabora el lenguaje. Hoy en día, la gente utiliza herramientas de recursos humanos para elaborar un lenguaje más aceptable. Se puede ver la gran diferencia que eso supone en términos de lo que se obtiene a lo largo del tiempo y de múltiples solicitudes de empleo. |
| Podrías tratarlos como factores para el modelo y luego, con eso, podrías ajustar cómo los aplicas. |
| estas características en la creación de requisiciones dependiendo de lo que usted necesita. |
| Pero ahora voy a pasar a cómo se ve esto de nuevo. De nuevo, el principio básico es que, en un caso de Poisson con siete casos por semana, el 30 % de las veces, el recuento será de cinco o menos. |
| Por lo tanto, lo que debe esperar es que la cantidad de aplicaciones requeridas sea la adecuada. |
| El tiempo necesario para obtener una selección razonablemente competitiva para contratar va a variar, porque incluso con un promedio de siete el número que obtenga va a variar bastante. |
| La varianza de Poisson es la misma que la del parámetro, por lo que se obtiene una amplia variación. |
| Y entonces, si estás acostumbrado a pensar en términos de promedios a largo plazo, |
| o anclado en otro caso, podría verse desconcertado por cualquier instancia específica. |
| Y el problema es este sesgo de reconocimiento de patrones. |
| La ilusión de agrupamiento es esta tendencia a considerar que las inevitables rachas o grupos que aparecen en muestras pequeñas significan que está ocurriendo un efecto no aleatorio, que hay algún tipo de intención detrás. |
| Y esto es claramente irrelevante para los datos distribuidos por Poisson, como descubrió RD Clarke en 1946 con su análisis de la bomba V alemana. |
| sitios que caen en el área de Londres. |
| La gente vería que se producían las agrupaciones y pensarían que eso significaba algo, pero él pudo demostrar que se cumplía bastante bien al observar el proceso como Poisson. |
| distribuido, lo que significa que de todas formas vas a obtener clústeres en ocasiones, y ciertamente con tanta frecuencia como viste. |
| Así que eso significaba realmente que lo que estaba sucediendo no era que apuntaban a algo en particular, sino que apuntaban en general a Londres y, en general, apuntaban a algún lugar de Londres. |
| En este caso, si analizamos los trabajos, la probabilidad de obtener una secuencia en un lapso de tres semanas, donde se obtiene un recuento decreciente o creciente, es de aproximadamente el 12 %. |
| En este ejemplo, la probabilidad de obtener un recuento de dos semanas decreciente, es decir, que una sea más grande que la otra, es del 45%. |
| Se trata de patrones muy breves; no se debería pensar que significan nada, pero las personas que no conocen la naturaleza de las estadísticas pueden pensar así. Ese es el verdadero objetivo, y eso puede dar lugar a reacciones exageradas. |
| Ahora bien, la variabilidad por campo de práctica es de aproximadamente un orden de magnitud. |
| Algunos campos son más difíciles de conseguir que otros, por lo que las expectativas de las personas pueden verse sesgadas si no comprenden esas diferencias. |
| Y si observamos las requisiciones en general, no solo por campo de práctica, podemos ver una diferencia de aproximadamente un factor de 25 en el 95 %. |
| El rango va desde el 2,5 por ciento hasta el 97,5 por ciento. Sigue siendo una variabilidad enorme. |
| en las tarifas. |
| Y luego, si usted entendiera cómo esto se vio afectado por la forma en que se elaboró el lenguaje de la publicación, cuán limitado, cuán general, |
| lo que el idioma está atrayendo, la publicidad, todos estos factores, |
| Entonces podrías decidir cuánto |
| Quiere invertir en aumentar esas tasas y acelerar el proceso. |
| Así que aquí hay un caso de una publicación de trabajo específica utilizando ese modelo de simulación del que hablé antes. |
| Profesional establecido en el Sitio A y campo de práctica disciplinario 9, nuevamente, todo esto es información confidencial, por lo que no se revelará de qué se trata; es solo un tipo particular de profesional. |
| Esta diferencia muy amplia se obtiene a partir de |
| con un nivel de confianza del 95%, en algún lugar entre cero y nueve, con una mediana de dos. |
| Esto puede confundir a la gente, estas estadísticas de números pequeños pueden confundir a la gente, porque esperan que las cosas sean más regulares. |
| Existen limitaciones en el modelo y el enfoque. |
| Los datos y la calidad de los mismos siempre son importantes. Es muy probable que los campos que no suelen contratarse y que tienen habilidades poco comunes no aparezcan en el conjunto de datos si se recopilan en un período de tiempo corto. |
| Pero, por otro lado, muchas de las variables externas sobre las que no tienes control... |
| tal vez |
| cambiando durante el período de tiempo de recopilación de datos si se utiliza un período de tiempo largo como base para estos análisis. |
| Y el enfoque de modelado no tiene en cuenta la autocanibalización. Si tiene dos solicitudes abiertas dentro de un campo, ¿los solicitantes se postulan a ambas o eligen una? Tal vez en algunos casos elijan la que consideran que tiene la mejor oportunidad. |
| Este modelo no hace nada al respecto, pero representaría el resultado del mundo real simplemente capturando lo que sucede. |
| Sin embargo, no representa el alcance de la oportunidad perdida, porque si quisiera que se postularan a todos los puestos para los que podrían calificar, solo para ver dónde podrían encajar. |
| Conclusiones: algunas respuestas a solicitudes de empleo que aparecen en los anuncios de empleo tienden a distribuirse según el modelo de Poisson o de Gamma-Poisson. |
| Y esto se verificó en un gran conjunto de datos compuesto por aproximadamente 2.500 solicitudes en total. |
| Los parámetros de distribución para la respuesta de la aplicación varían sustancialmente. |
| Si se normaliza |
| Pueden adaptarse a perfiles comunes. |
| Y esos modelos concisos que resultan de los perfiles comunes facilitan la generación de modelos sintéticos de requisición aleatoria. |
| Esto permitiría a una persona realizar algún tipo de análisis o determinación del alcance. |
| Probabilidades |
| sobre diferentes circunstancias. |
| Creo que es importante mencionar que los modelos de llegada de aplicaciones pueden llenar un vacío importante para comprender el ciclo de vida completo del empleado porque brindarán una perspectiva para los gerentes de contratación y los profesionales de personal con respecto a esos sesgos de patrones. |
| Se pueden utilizar en modelos basados en agentes o eventos discretos como una forma de generar solicitantes si desea hacerlo de una manera que sea realista. |
| Y |
| Quizás lo más importante, desde una perspectiva económica, |
| Es una forma de enmarcar el costo por solicitante en función de las características del trabajo y otras variables ajustables y fuera de nuestro control (factores externos). |
| Eso, entonces, daría una mejor comprensión de qué esperar en términos de qué tan rápido se podrían llenar los puestos, qué tan rápido se podrían llenar las vacantes y cuánto costaría hacerlo. |
| dependiendo de las relaciones con la publicidad y demás. |
| Con esto concluye lo que quería presentar hoy y |
| Solo diré que si tienes alguna pregunta, debes tener la información de contacto de este sitio. |
| video, o donde está colocado, y no dudes en comunicarte. |
| Christy España | Bueno, eso estuvo genial. |
| Sí, excepto por la parte donde mi cosa no funcionó porque arruiné la DEMO. |
| Pero eso fue bueno, seguro, fue un buen SALVAMIENTO. Finalmente me di cuenta de lo que estaba haciendo. |
| Sí, JMP no hará cosas estúpidas, no importa cuánto quieras que las haga. |
