HR_Scoring_CleverDATA
2 likes1,157 views
Документ описывает использование внешних данных для оценки кандидатов на вакансии продавцов, предлагая методы предиктивной аналитики для повышения эффективности найма. С помощью машинного обучения осуществляется прогноз успешности кандидата, что позволяет снизить текучесть кадров и оптимизировать нагрузки на HR. Включение внешних данных, таких как информация из социальных сетей и платежных систем, улучшает точность оценки потенциальных сотрудников.
HR_Scoring_CleverDATA
- 1. с использованием внешних данных
- 2. Company Profile Make your data clever Оценка кандидатов на вакансию продавца с использованием внешних данных
- 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. cleverdata.ru | info@cleverdata.ru Решение задачи
- 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. 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. 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. 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. 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. cleverdata.ru | info@cleverdata.ru Оценка эффективности
- 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. 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