Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
 с	
  использованием	
  внешних	
  данных	
  
Company	
  Profile	
  
Make	
  your	
  data	
  clever	
  
Оценка	
  кандидатов	
  на	
  вакансию	
  продавца	
  
	
  с	
  и...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Make	
  your	
  data	
  clever	
  
Развитие	
  	
  бизнеса	
  	
  
на...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Прогноз	
  успешности	
  продавца	
  для	
  компании	
  
“I	
  no	
  ...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Прогноз	
  успешности	
  продавца	
  для	
  компании	
  
Помимо	
   э...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Этапы	
  проекта	
  
Определение	
   критерия	
   «плохой»/«хороший»	...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Этапы	
  проекта.	
  Хороший	
  -­‐	
  плохой	
  
Кто	
  является	
  ...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Этапы	
  проекта.	
  Обогащение	
  данных	
  
Результат:	
  список	
 ...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Этапы	
  проекта.	
  Генерация	
  признаков	
  
Из	
   всего	
   масс...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Этапы	
  проекта.	
  Моделирование	
  
Обучение	
  (6	
  тыс.	
  сотр...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Этапы	
  проекта.	
  Оценка	
  эффективности	
  
Результат:	
  решени...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Как	
  будет	
  работать	
  модель	
  
1)  Кандидат	
  заполняет	
  а...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Исходные	
  данные	
  
3200	
  сотрудников	
  
54%	
  
«хороших»	
  
...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Постановка	
  задачи	
  
Спрогнозировать,	
  насколько	
  успешным	
 ...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Решение	
  задачи	
  
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Обогащение	
  данных	
  
По	
  сотрудникам	
  были	
  получены	
  раз...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Прогнозирование	
  успешности	
  продавца	
  
На	
  основе	
  информа...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Определение	
  уровня	
  риска	
  
Было	
  создано	
  5	
  математиче...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
RISK	
   Shop	
  1	
   Shop	
  2	
   Shop	
  3	
   Shop	
  4	
  
LOW	...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Какие	
  помогли	
  внешние	
  данные?	
  
Внешние	
  данные,	
  опре...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Оценка	
  эффективности	
  
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Как	
  применять	
  модель	
  
Что	
  было	
  бы,	
  если	
  кандидат...
cleverdata.ru	
  	
  |	
  	
  info@cleverdata.ru	
  
Оценка	
  эффективности	
  
В	
  среднем	
  ежемесячно	
  принимается...
HR_Scoring_CleverDATA
Upcoming SlideShare
Loading in …5
×

HR_Scoring_CleverDATA

1,014 views

Published on

Как использовать внешние данные при найме сотрудников на работу? Какие источники данных могут быть полезны? Как строится аналитическая предиктивная модель для HR скоринга? Опыт реализации проекта от компании CleverDATA

Published in: Data & Analytics
  • Be the first to comment

HR_Scoring_CleverDATA

  1. 1.  с  использованием  внешних  данных  
  2. 2. Company  Profile   Make  your  data  clever   Оценка  кандидатов  на  вакансию  продавца    с  использованием  внешних  данных  
  3. 3. cleverdata.ru    |    info@cleverdata.ru   Make  your  data  clever   Развитие    бизнеса     на    международном     рынке   Входит  в  тройку   лидеров  российских  ИТ  компаний   43  подразделения  в  России  и  за   рубежом   Более  7000  сотрудников   100  тыс.проектов  для  10  тыс.заказчиков   MarkeXng  Data  Pla[orm   решение  для  использования   внешних  данных  в  маркетинговых   кампаниях   Разработка  и  внедрение  решений  для   предиктивной  аналитики  и  обработки   больших  объемов  данных   Собственные  центры  разработки   Партнерство  с  мировыми  лидерами   Центр  экспертизы  по  технологиям  Big   Data  и  Digital  MarkeQng   1DMP  
  4. 4. cleverdata.ru    |    info@cleverdata.ru   Прогноз  успешности  продавца  для  компании   “I  no  longer  look  at  somebody’s  CV  to  determine  if  we  will  interview  them  or  not,”   Teri  Morse,  XEROX     Компания  Xerox  осуществляет  набор  сотрудников  call-­‐centres  (штат  55  000  человек  через   предварительный  скоринг-­‐тест,  который  предсказывает,  какое  время  человек  проработает  в  компании:     •  Люди,  имеющие  1-­‐2  аккаунта  в  соц.  сетях  работают  дольше  чем  те,  кто  имеет  3-­‐4;   •  Факт  работы  на  аналогичной  позиции  не  влияет  на  успех  кандидата.   “I  don’t  know  why  this  works,”  -­‐  admits  Ms.  Morse,  -­‐“I  just  know  it  works.”     86%  компаний  из  списка  Fortune  1000    собираются  внедрить  эти  подходы  в  ежедневную   в  практику  
  5. 5. cleverdata.ru    |    info@cleverdata.ru   Прогноз  успешности  продавца  для  компании   Помимо   экстенсивного   развития   для   компаний   становится   актуальным   повышение   точности   действий,   когда   большего   результата   можно   добиться  меньшими  усилиями.     Что,   если   потенциал   кандидата,   как   продавца,   будет   известен   по   каждому   бренду   до   приема   на  работу?   Тогда   компания   начнет   нанимать   больше   хороших   продавцов,   увеличит   выручку,   снизит   нагрузку   на   HR,   уменьшит   «текучку»,   снизит   трудозатраты   на   проведение   собеседований   и   обучение  новых  кадров.   ФИО   RES   LEG   PRE   Иванов  Сергей  Петрович   Сидоров  Иван  Сергеевич   Васильев  Денис  Иванович   Воробьев  Илья  Сергеевич   Денисов  Денис  Денисович   Петров  Сергей  Иванович   Сергеев  Денис  Петрович  
  6. 6. cleverdata.ru    |    info@cleverdata.ru   Этапы  проекта   Определение   критерия   «плохой»/«хороший»   продавец,  формирование  обучающей  выборки.   Объединение   полученных   внешних   данных   с   внутренними  данными  о  сотрудниках.   Анализ   данных,   поиск   потенциальных   значимых   признаков   Очистка  данных  от  шумов,  построение  модели  на   обучающей  выборке,  тестирование  модели   Проверка   модели   на   тестовой   выборке,   оценка   эффективности.   Хороший  –  плохой   Обогащение  данных   Генерация  признаков   Моделирование   Оценка  эффективности  
  7. 7. cleverdata.ru    |    info@cleverdata.ru   Этапы  проекта.  Хороший  -­‐  плохой   Кто  является  «плохим»  продавцом?   Предложение  CleverDATA:  «плохим»  продавцом   считать  того,  кто  был  уволен  через  3  месяца.     Данный  критерий  позволит  найти:   q  сотрудников,  не  справившихся  с  планом;   q  сотрудников,  ушедших  самостоятельно;   q  уволенных  за  воровство  и  другие  нарушения.   Данный  критерий  не  чувствителен  к:   Сниженные  продажи   Воровство   Нагрузка  на  HR   Затраты  на  обучение   q  сезонности;   q  периодам  скидок;   q  бренду;   q  региону;   Результат:  список  сотрудников  с  указанным   критерием  оценки   хорошие  
  8. 8. cleverdata.ru    |    info@cleverdata.ru   Этапы  проекта.  Обогащение  данных   Результат:  список  сотрудников,  расширенный  новыми  признаками   Социальные  сети   Платежи   СМС-­‐рассылки   Дата  первого  СМС   Дата  последнего  СМС   Количество  СМС  за  период   Регион  отправителей   Категория  сообщений:   q     авто   q     финансы   q     недвижимость   q     и  т.п.   ФИО   Контактная  информация   Дата  рождения   Семейное  положение   Языки   Образование   География   Социальный  граф   Интересы   Сумма  платежей  за  период   Количество  платежей   Сумма  макс.  платежа   Средняя  сумма  платежа   Дата  последнего  платежа   Провайдер   Регион  последнего  платежа   Доминирующий  регион    
  9. 9. cleverdata.ru    |    info@cleverdata.ru   Этапы  проекта.  Генерация  признаков   Из   всего   массива   информации   о   сотрудниках   производится   генерация   новых   признаков,   которые   потенциально   могут   быть   предикторами   для   модели   оценки  успешности  кандидата.   Например:   •  из   списка   предыдущих   работодателей   можно   получить   сферу  деятельности,  размеры  компаний;   •  из   социального   графа   –   количество   друзей,   показатель   активности;   •  из  списка  посещенных  страниц  –  интересы.   Всего   может   быть   создано   более   100   новых   признаков.   Результат:  список  признаков  для  начала   обучения  модели  
  10. 10. cleverdata.ru    |    info@cleverdata.ru   Этапы  проекта.  Моделирование   Обучение  (6  тыс.  сотрудников)   Поиск   корреляций   между   признаками   сотрудников   и   известной  оценкой  кандидата  «плохой»  /  «хороший»  по   имеющейся   базе   сотрудников.   Выявление   и   устранение   взаимных  корреляций  между  признаками.   Результат:  обученная  модель,  список  значимых  предикторов   t   Поиск  значимых  признаков   Адаптация  модели   Тестовая   эксплуатация   модели   на   реальных   данных.  Корректировка   коэффициентов.        Предикторы    Все  признаки    прошлое    будущее  
  11. 11. cleverdata.ru    |    info@cleverdata.ru   Этапы  проекта.  Оценка  эффективности   Результат:  решение  об  эффективности  модели   База  сотрудников   Найденные   плохие        N      X      Y   Проверка  успешности  выявления  «плохих»  продавцов.   Критерий  эффективности  модели:  точность  модели   должна  быть  минимум  70%   В  случае  достижения  критерия    -­‐     оплата  этапа  «Пилотный  проект»  и  переход  к  этапу   «Разработка  системы».   Если  критерии  не  достигнуты,  остановка  проекта  без   оплаты.  
  12. 12. cleverdata.ru    |    info@cleverdata.ru   Как  будет  работать  модель   1)  Кандидат  заполняет  анкету  на  сайте;   2)  Данные  сохраняются  в  хранилище;   3)  Отправляется  запрос  на  внешние  данные;   4)  Внешние  данные  сохраняются  в  хранилище;   5)  Значимые  поля  передаются  в  модель;       6)  Модель   на   основе   полученных   данных   строит   прогноз  успешности  продавца;   7)  Сотрудник   HR   видит   список   кандидатов,   их   анкеты   и   прогноз   успешности   от   модели   и     принимает   решение   о   приглашении   кандидата   на  собеседование.   Веб-­‐сайт  IRG   Хранилище  DMP   Модель   IRG   1   2   3   4   5   6  
  13. 13. cleverdata.ru    |    info@cleverdata.ru   Исходные  данные   3200  сотрудников   54%   «хороших»   46%   «плохих»   Для  анализа  были  взяты   кассиры-­‐продавцы   Заказчик    определил  критерий   «хороший»  /  «плохой»  по   каждому  сотруднику   Если  сотрудник  продает  больше  среднего,  то  он  «хороший».     Если  меньше  –  «плохой».  
  14. 14. cleverdata.ru    |    info@cleverdata.ru   Постановка  задачи   Спрогнозировать,  насколько  успешным  продавцом  будет   кандидат,  основываясь  только  на  той  информации,   которую  он  оставил  в  анкете  на  вакансию   ???  
  15. 15. cleverdata.ru    |    info@cleverdata.ru   Решение  задачи  
  16. 16. cleverdata.ru    |    info@cleverdata.ru   Обогащение  данных   По  сотрудникам  были  получены  различные  внешние  данные  из  социальных  сетей,   агрегаторов  СМС-­‐рассылок,  платежных  систем.     Источник  данных   Идентификатор  для  поиска   Найдено   сотрудников   Социальные  сети   ФИО,  дата  рождения,  город   60%   СМС-­‐рассылки   Номер  телефона   94%   Платежные   системы   Номер  телефона   93%   Телефоны  предоставлены  по  75%  сотрудников  
  17. 17. cleverdata.ru    |    info@cleverdata.ru   Прогнозирование  успешности  продавца   На  основе  информации  о  сотруднике  из  внешних  источников  методами   машинного  обучения  были  найдены  зависимости  между  характеристиками   человека  и  его  успешностью,  как  продавца.  
  18. 18. cleverdata.ru    |    info@cleverdata.ru   Определение  уровня  риска   Было  создано  5  математических  моделей  по  сегментированию  сотрудников   Модель  определяет  уровень  риска  для  компании  при  найме  кандидата     Высокий  риск                                                Средний  риск                                                      Низкий  риск    
  19. 19. cleverdata.ru    |    info@cleverdata.ru   RISK   Shop  1   Shop  2   Shop  3   Shop  4   LOW   17%   19%   17%   24%   MED   54%   58%   56%   59%   HIGH   29%   22%   27%   17%   Распределение  сотрудников  по  зонам  риска     Результаты  Big  Data-­‐оценки  предоставленного  списка  сотрудников:  
  20. 20. cleverdata.ru    |    info@cleverdata.ru   Какие  помогли  внешние  данные?   Внешние  данные,  определяющие  оценку  «хороший»  /  «плохой»:     •  Оператор  связи;   •  Общая  сумма  платежей  за  телефон   •  Частый  отправитель  СМС   •  Количество  друзей;   •  Количество  альбомов;   •  Доля  постов,  состоящих  из  фотографий;   •  Количество  подписчиков          и  т.д.   Платежные  системы   СМС   Социальные  сети  
  21. 21. cleverdata.ru    |    info@cleverdata.ru   Оценка  эффективности  
  22. 22. cleverdata.ru    |    info@cleverdata.ru   Как  применять  модель   Что  было  бы,  если  кандидатов  принимали  на  работу  по  данной  системе?   MEDIUM  RISK  HIGH  RISK   LOW  RISK   ОТКАЗ   СТАНДАРТНАЯ  МЕТОДИКА   ПРИЕМА   ПРИЕМ  
  23. 23. cleverdata.ru    |    info@cleverdata.ru   Оценка  эффективности   В  среднем  ежемесячно  принимается  170  сотрудников   Стандартный  прием   Big  Data   90   хороших   80   плохих   107   хороших   63   плохих   Средняя  разница  в  валовой  прибыли  «плохого»  и  «хорошего»   продавца  составляет  360  тыс.  рублей    в  месяц.   Увеличение  прибыли  составит  6  100  000  рублей  в  месяц   без  учета  нарастающего  итога  

×