3 минуты
Часто компании собирают довольно много данных о своих сотрудниках: оценки навыков и личностных характеристик при приеме на работу, промежуточные оценки по компетенциям, показатели вовлеченности, лояльности, эффективности, стаж работы и многое другое. Все это хранится в огромных массивах данных, как правило, в табличках.
А что если мы скажем, что из собранных данных с помощью статистики можно понять, что предсказывает успешность сотрудников на должности, а какие оценки можно смело сократить?

К нам обратилась компания с большой воронкой отбора стажеров на полный цикл обучения и стажировки. Данные эти собирались много лет и много потоков: инструменты отбора стажеров менялись, совершенствовались и усложнялись. Некоторые стажеры по окончанию обучения стали успешными сотрудниками, другие же — быстро ушли из компании.
Дано:
большой массив данных по стажерам.
Данные включали в себя:
  1. Оценку софт- и когнитив- скиллс:
2. Оценку хард-скиллс:
Цель:
понять, помогают ли существующие инструменты достоверно предсказать подходящего кандидата.
задачи:
  1. Оценить, насколько слаженно работает оценочный инструмент в целом.
  2. Понять, стоит ли что-либо изменить в процессе отбора и, если да, то что именно.
  3. Отобрать ключевые методики, которые лучше всего указывают на то, что перед нами хороший кандидат
Результаты:
На основе большого массива качественной информации (понимания целей каждого инструмента, понимания особенностей отбора и работы сотрудников, корпоративной культуры и т.д.) мы составили модель для анализа данных.
набор данных + выбранный критерий (outcome)
экспертный анализ и формирование модели анализа данных
статистические результаты
  1. Оценки по результатам обучения (за контрольные и экзамен) и тест на критическое мышление — верные предикторы успешного трудоустройства сотрудника.
  2. При включении в предсказательную модель оценки куратора предсказательная способность сильно падает.
  3. Все остальные параметры не влияли на предсказательную способность модели. И менее всего — входной тест на хард-скиллс.
Выводы и рекомендации:
После получения статистических показателей мы обсудили, почему статистика могла показать именно такой результат. Статистику никогда не интерпретируют в лоб, всегда нужен системный взгляд. Например, если оценка по софт скиллс не показала результат — значит ли это, что сам инструмент плохой? Или выбраны не значимые на самом деле характеристики? Или участники неверно понимают инструкцию? Или заполняют тест в стрессовых условиях? Все эти вопросы рассматриваются на этапе обсуждения результатов.
набор данных + выбранный критерий (outcome)
экспертный анализ и формирование модели анализа данных
статистические результаты
экспертный анализ результатов и выводы
  1. Можно сократить большую часть входных испытаний. Повысить эффективность отбора кандидатов на обучение поможет тест на когнитивные компетенции.
  2. Имеющиеся оценки софт-скиллс не отвечают запросам компании. Необходимо выделить и вынести на оценку такие параметры, которые действительно критичны для корпоративной среды (например, стрессоустойчивость вместо активности в коммуникации).
  3. Обучение, а также аттестационные активности в процессе обучения хорошо отвечают запросам компании и успех обучения гарантирует успех при трудоустройстве. При этом уровень знаний на входе не значим.
Анализ видеовизитки
Тест на критическое мышление (авторства BSSR&ШКМ)
Оценка мотивации (тест)
Тест на основы изучаемой специальности (при отборе в группу на обучение)
Оценки за промежуточные контрольные
Оценка за защиту проекта
Оценка куратора