Как разделить умных и красивых

Кластерный анализ в HR-аналитике

Евгений Кириёк

HR BP, HR-аналитик,
автор канала «Аналитика в HR»

Представьте себе, что вам нужно определить факторы, которые влияют на мотивацию работы сотрудников вашей компании. Вы проводите открытый опрос, то есть опрос с открытой формой для ответа, куда каждый из респондентов пишет тот фактор (или факторы), который лично его мотивирует работать в компании.

На выходе вы получите очень разнородные комментарии: «Меня мотивируют деньги», «Команда, вот что для меня важно», «Мне важно работать рядом с домом», «Я влюблён в Лиду из бухгалтерии» и так далее.

Как определить, что является доминирующим фактором мотивации для большинства сотрудников: Лида из бухгалтерии, зарплата или что-то ещё? Для этого нам необходимо разделить сотрудников на группы по их доминирующей мотивации.

Рекомендации от экспертов topcareer на открытых уроках. Регистрируйтесь бесплатно →

ВЫБРАТЬ УРОК

Кластерный анализ (cluster analysis в англоязычной литературе) — это метод классификационного анализа, основное назначение которого в разбиении множества исследуемых объектов на однородные группы или кластеры, объединённые по какому-то признаку или характеристике.

Другими словами, этот метод позволяет сгруппировать наши объекты таким образом, чтобы каждый отдельный элемент в группе имел идентичную характеристику или свойство, присущее всем остальным объектам в этой группе.

Большое преимущество кластерного анализа в том, что он даёт возможность производить разбиение объектов не по одному признаку, а по ряду признаков, если это необходимо исследователю.

Кроме того, кластерный анализ, в отличие от большинства математически-статистических методов, не накладывает никаких ограничений на вид изучаемых объектов и позволяет исследовать множество исходных данных практически произвольной природы, то есть это могут быть и числовые значения, и текстовые данные, что делает этот метод анализа и группировки достаточно функциональным и широко используемым в том числе и в сфере HR-аналитики.

Существует довольно много методов кластеризации: k-средних, k-медиан, дискриминантный анализ, иерархический кластерный анализ и прочие. Мы рассмотрим один из них — иерархический кластерный анализ.

Представим себе многомерное пространство (сотрудников одной компании) в виде таблицы. Каждая строка этой таблицы — сотрудник (объект). А каждый столбец в ней — его уникальная характеристика. Наша задача — попытаться сгруппировать это множество сотрудников по определённым характеристикам. В нашем случае это стаж работы и оценка удовлетворённости.

Когда данные готовы к дальнейшей обработке, то есть содержат ряд объектов (сотрудников) и характеристик (их ещё называют векторы), мы можем переходить к дальнейшей работе.

Каждый объект в этом пространстве можно представить в виде точки. Группа точек со схожими характеристиками будет находиться рядом и формировать тот самый кластер. Несколько кластеров со схожими объектами внутри формируют группу кластеров. Группы со схожими характеристиками будут находиться рядом друг с другом, а группы с разными характеристиками будут находиться в некотором удалении друг от друга. Чем больше эти различия, тем дальше друг от друга будут находиться кластеры. Таким образом, нам остаётся только определить расстояния между точками.

Хотите усилить компетенции в управлении талантами? Забирайте в помощь памятку «Инструменты оценки потенциала сотрудников» →

Получить памятку в подарок

Для определения расстояния между точками используется несколько способов. Мы рассмотрим один из них — через определение Евклидового расстояния.

Евклидово расстояние (d (x, y)) — это геометрическое расстояние в многомерном пространстве между несколькими объектами (точками в пространстве).

Вернёмся к нашей таблице и на её основе сделаем матрицу, где рассчитаем Евклидово расстояние попарно для каждой точки (сотрудника). В Excel эта формула примет вид:

=КОРЕНЬ ((первая характеристика объекта x — первая характеристика объекта y)² + (вторая характеристика объекта x — вторая характеристика объекта y)²)

Рассчитав расстояние между каждым объектом, получим следующую матрицу:

Теперь проанализируем полученную матрицу и найдём объекты (сотрудников), которые имеют наименьшее расстояние в пространстве между собой. Очевидно, это сотрудники 6 и 1 (расстояние между ними равняется 1,00, и оно самое маленькое в матрице).

Вернёмся к таблице и рассмотрим эти объекты:

Действительно, они кажутся похожими. Стаж работы обоих 4 года, и при этом оценка удовлетворённости от них различается всего на 1 балл. Очевидно, эти объекты сформируют наш первый кластер.

Сделаем ещё одну итерацию с учётом образовавшегося кластера, при этом в новую матрицу возьмём наименьшие значения характеристик с предыдущей итерации.

На второй итерации мы видим, что наиболее близкой к нашему сформировавшемуся кластеру оказалась точка 5 (пятый сотрудник). Следовательно, мы включаем его в наш сформированный кластер, так что он примет вид — 1, 6, 5.

Посмотрим на этих сотрудников ещё раз, чтобы убедиться, что связь между ними реально присутствует:

Действительно, они по-прежнему похожи, хотя различий между объектами стало немного больше. У всех примерно одна оценка удовлетворённости и схожий стаж работы.

Сделаем ещё одну итерацию.

Других близких точек мы не наблюдаем, но мы можем увидеть иную закономерность. Несколько точек максимально удалены от нашего кластера 1,5,6. Это точка 2,3 и 4. Давайте посмотрим на них более внимательно:

Визуально объекты 3 и 4 схожи по своим характеристикам и сформируют новый кластер. Объект 2 будет находиться от них на некотором удалении, но кажется гораздо ближе к новому кластеру, чем к первому кластеру из объектов 1,5,6. Впрочем, мы можем отнести объект 2 к третьему кластеру, но, так как в нашем случае такой объект всего один, оставим его с кластером 3,4.

Таким образом, мы сформировали два кластера из объектов, расстояние между которыми близко к 7.

Первый кластер с объектами: 1,5,6
Второй кластер с объектами: 2,3,4 (впрочем, объект № 2 также возможно выделить в отдельный кластер).

Что это дает нам на практике? Понимание того, что всех наших сотрудников можно разделить на две однородные группы. Причём у каждой группы будут схожие результаты по стажу и оценке, а дальше мы можем точечно работать с каждой из этих групп и вырабатывать для них HR-решения, которые будут релевантны их условиям.

Кластерный анализ — это инструмент, позволяющий объединять объекты в группы на основе их характеристик. Для HR-аналитика это возможность работать с однородными группами сотрудников при формулировке и проверке гипотез, а также определения объектов для новых решений.

Дочитали статью до конца?
Оцените полезность рекомендаций ↓↓↓

Уважаемые читатели: полное или частичное копирование материалов сайта возможно только при указании ссылки на источник.
Просим уважительно относится к труду наших авторов.