А ты точно аналитик?

Если вы думали, что HR-аналитика – это что-то сложное, про математику, анализ данных и вообще малодоступно для людей без специального образования, то это не совсем так. Безусловно полноценная работа с задачами HR-анализа требует специфических знаний и навыков, но отдельные ее инструменты и возможности доступны и без них.

Ниже вы найдете несколько эффективных и простых инструментов, которые, при правильном применении, позволят вам решить массу прикладных задач.

Ищем взаимосвязи

Вы когда-нибудь задумывались на тему, а есть ли связь между фазой луны и уровнем травматизма на предприятии или знаком зодиака и уровнем дохода сотрудника?

Понимание существования таких взаимосвязей открывает возможность влияния на характеристики, между которыми существует взаимосвязь. Обычно такие задачи решают с помощью расчета коэффициентов корреляции и стат. значимости, но мы с вами воспользуемся более простым решением – встроенной функцией в Excel.

Что потребуется: Excel и набор данных.

Как применить: у нас есть группа сотрудников каждый из которых имеет две характеристики. Количество накопленных дней отпуска и уровень стресса. Они расположены в таблице попарно.

Для поиска связи между характеристиками воспользуемся Excel функцией: =Коррел(массив 1; массив 2). В английском варианте: =correl(массив 1; массив 2).

Массив 1 и Массив 2 – это и будут наши данные по кол-ву дней отпуска и уровню стресса.

В результате такого действий мы получим цифру (на самом деле это коэффициент) от -1 до 1.

Если ваша цифра в диапазоне:

• (-1) – (-0,7) – связь есть, и она отрицательная. Это значит, что изменение одной характеристики приведет к ассиметричному изменению другой.
• (-0,6) – 0,6 – связи нет.
• 0,6 – 1 – связи есть, и она положительная. Это значит, что изменение одной характеристики приведет к симметричному изменению другой.

В нашем примере результат получился 0,9, что показывает нам положительную связь. Чем большее количество дней отпуска накоплено у сотрудника, тем будет выше его уровень стресса. Теперь, уменьшая количество накопленных дней отпуска, мы будем знать, что снижаем уровень стресса.

Распределяем по группам

Вы когда-нибудь отделяли мух от котлет? «Это просто», скажете вы: «Мухи – маленькие, а котлеты – большие». Но что, если у вас очень маленькие котлеты или очень большие мухи? Где та тонкая грань между мясистыми мухами и засиженными мухами котлетами? «Фу!», - скажете вы. «Это не такой очевидный вопрос», - отвечу я.

Часто перед HR-аналитиком стоит задача разбиения некоторого множества объектов, например сотрудников, по определенной характеристики или их группе: стаж, результативность, уровень дохода и пр.

Такие задачи, если объектов много или характеристик несколько, невозможно решить вручную перебором данных или фильтрацией. В таких случаях на помощь приходит кластерный анализ. Но выполнить его без специальных программных средств достаточно сложно, поэтому мы пойдем другим путем – используем нейросеть.

Что потребуется: ChatGPT или другая нейросеть и набор данных.

Как применить: у нас есть группа сотрудников каждый из которых имеет какую-то характеристику. Задача распределить этих сотрудников по смысловым группам.

Для начала сформулируем запрос для нейросети (например, ChatGPT), звучать он будет примерно следующим образом: Разбей объекты по кластерам на основе «характеристика». Результат в формате: объект – номер кластера. Данные для анализа в таблице ниже.

Характеристика – этот тот критерий, на основании которого будет проведена кластеризация.

Если с первого раза получить внятный ответ не получится, то можно поэкспериментировать с формулировками, но в конечном итоге мы получим примерно следующий ответ:

Таким образом, сотрудники 2, 3, 4, 5, 6, 7, 13 составят первый кластер, 8, 12 – второй и 1, 10, 12 – третий. Теперь мы можем работать только с теми сотрудниками, которые, например, входят в кластер с самыми большими значениями и т.д.

Прогнозируем

Если человек – это вершина эволюции приматов (по крайней мере нам хочется так думать), то прогнозирование – это вершина эволюции HR-аналитики. Обычно для построения комплексных моделей прогнозирования используют довольно сложные инструменты типа сценарного планирования или методов машинного обучения, но пока это все не для нас. Мы попробуем другой инструмент, не менее действенный, но чуть более простой в использовании – прогнозирование через скользящее среднее значение.

Что потребуется: Excel и набор данных по какому-то показателю за прошлый период времени.

Как применить: у нас имеются исторические данные по выработке продукции компании за год. Наша задача спрогнозировать объем выработки на следующий год, опираясь на исторические данные прошлого периода.

Для начала построим таблицу, где будет отражен период и значение показателя выработки.

Затем перейдем на вкладку Данные > Анализ данных и выберем из списка пункт «Экспоненциальное сглаживание».

• В поле «Входной интервал» выберем наш набор данных.
• В поле «Фактор затухания» укажем 0,4 (не спрашивайте).
• В поле выходной интервал укажем ячейку, где будет размещен прогноз.

C'est tout. Нажимаем «Ок» и получаем прогноз будущих периодов с учетом динамики развития процесса за прошлые периоды. (1 квартал 2024 года остался без оценки по причине недостойности данных. Для этого расчета для модели нужны данные конца 2022 года.)

Строим дашборд

Что может быть более наглядным примером использования HR-аналитики, чем красивый и информативный дашборд? Но для получения качественной визуализации требуется или хорошее владение Excel и навык построения дашборда на его основе или доступ к BI-системам, который вдобавок часто платный. Однако, есть и еще один вариант – дашборд на готовых шаблонах, например на Looker Studio. Это бесплатный, доступный всем и интуитивно понятный сервис от Google.

Что потребуется: аккаунт в Google и набор данных для построения дашборда.

Как применить: для начала необходимо загрузить данные, из которых будет построен дашборд в Google disk (убедитесь, что они не подпадают под 152-ФЗ или закодированы). Далее перейти на сайт Looker studio и подгрузить эти данные в рабочую среду нажатием одной кнопки.

Все приведенные выше инструменты – отдельные примеры из всего многообразия методов, которые существуют в HR-аналитике. Но даже этих инструментов будет достаточно чтобы качественно расширить границы своих возможностей и удивить коллег.