#hr_аналитика Data point + Data point = More than two data points
Объединение данных из разных источников делает результат аналитического процесса по-настоящему полезным для решения конкретных бизнес-проблем организации, чем результаты анализа на основе каждого отдельного набора данных. Например, набор данных о кадровых перемещения сотрудников из 1C вместе с набором данных ежеквартальной оценки и результативности сотрудников приведут к большим инсайтам, чем каждый из них по отдельности. Только не забывайте о распространенном мифе: если собрать достаточно много данных – то правильное решение бизнес-проблемы найдется автоматически. Сами по себе данные изначально не содержат никакого смысла, в них нет интерпретации, они не говорят о том, какие решения необходимо принимать, но объединяя одни данные с другими, мы создаем новую информацию "для пользы дела".
Объединение данных из разных источников делает результат аналитического процесса по-настоящему полезным для решения конкретных бизнес-проблем организации, чем результаты анализа на основе каждого отдельного набора данных. Например, набор данных о кадровых перемещения сотрудников из 1C вместе с набором данных ежеквартальной оценки и результативности сотрудников приведут к большим инсайтам, чем каждый из них по отдельности. Только не забывайте о распространенном мифе: если собрать достаточно много данных – то правильное решение бизнес-проблемы найдется автоматически. Сами по себе данные изначально не содержат никакого смысла, в них нет интерпретации, они не говорят о том, какие решения необходимо принимать, но объединяя одни данные с другими, мы создаем новую информацию "для пользы дела".
#эйчар_аналитическое Один мэр как-то заявил, что "в Зимбабве жизнь похуже, чем у нас". Однако именно в Зимбабве развивается people analytics куда лучше, чем у нас. Например, есть кейс о том, что по результатам прохождения психометрических тестов можно предсказывать ДТП (количественной оценки предрасположенности водителя к авариям с использованием результатов психометрического теста). Использовалась логистическая регрессия, с итоговой точностью 72% (А - 57% водителей-аварийщиков были правильно классифицированны как "худшие", а для D - 84% хороших также верно был предсказан класс "хорошие"). Это изменило практику отбора новых водителей и определения потребностей в обучении и т.п.
Россия не Зимбабве. Ждем российских кейсов.
Россия не Зимбабве. Ждем российских кейсов.