Маркетинговая аналитика
для пользы HR

Я стараюсь смотреть на работу с данными о людях максимально широко, потому что обычно можно подсмотреть для себя что-то интересное.

Послушала доклад про исследование потребительских привычек клиентов от команды Tinkoff Data на осенней конференции Matemarketing.

На основе данных о 27 миллионах клиентов и их транзакциях ребята могут:
1. определить соц-дем профиль покупателей для клиентов-юрлиц
2. посчитать количество покупок и покупателей и динамика трат по категориям
3. ответить на какие-то более конкретные аналитические запросы, например, имеет ли успех вышедшая на рынок новая фаст-фуд сеть и как при этом чувствуют себя оставшиеся сети, изменились ли их доли рынка?

Пока слушала поняла, что эти данные можно было бы использовать и нам, HR-ам

Например, ребята делают аналитику для предпринимателей по конкурентному анализу на основе географии расположения точек продаж и получают 2 факта:

1. Частота покупок в категориях «супермаркеты» и «фастфуд» год к году не упали или даже выросли
2. Для заведений общественного питания, продуктов и салонов красоты предлагают анализировать конкурентов в радиусе 500 метров от «своей» точки, т.к. в радиусе 4 километров располагается уже 1000 (!) торговых точек и картина становится размытой.

Если посмотреть на эти же данные глазами HR-а, и прикинуть, что в каждую торговую точку нужно минимум по 2-3 работника, то это полезные данные о конкуренции на рынке труда на конкретной территории и может стать ответом на вопрос, почему в такой-то локации узкая воронка кандидатов на входе.

Это я к тому, что, вполне возможно, в маркетинге вашей компании уже есть купленные для целей бизнеса данные, которые могут помочь в исследовании рынка труда на сложной территории или обосновании каких-то других HR кейсов.
Сходите, поинтересуйтесь 😉

Facility analytics
/ аналитика управления объектами / хозяйственная аналитика

С одной стороны, офис - это чисто утилитарная штука: здание, коммуникации, мебель, оборудование, а с другой - место, которое "обеспечивает социальное взаимодействие, возможности для творчества и сотрудничества"

Также и показатели,
кроме стоимости ремонта, количества энергозатрат и времени выполнения заявок на обслуживание, есть также показатели, смежные с HR и расширяющие people аналитику.

Например:
* самые посещаемые дни
* тепловая карта офиса (плотность бронирования рабочих мест, переговорных комнат, гостевых зон)
* утилизация рабочих мест (самые часто используемые (=удобные) рабочие места, переговорки)

Реальный кейс про расчет утилизации рабочих мест был тут: https://xn--r1a.website/whrdata/454

Кроме того, что это позволяет эффективно управлять затратами на аренду офисных помещений, эти данные также могут стать ценной базой для анализа взаимодействий:
* бывают ли участники одной команды в офисе вместе в один день
* бывают ли сотрудники в офисе одновременно со своим руководителем
* кто с кем работает рядом при свободном размещении, а кто с кем обедает

На одном из моих ооочень давних мест работы к бэйджам было привязано все:
* въезд на парковку и ее оплата
* вход во все объекты (офис и производство)
* оплата в столовой
С одной стороны это очень удобно - ты вообще ни за что не платишь, у тебя просто списывают все в день зарплаты, а с другой всегда можно понять где ты находишься и где сколько времени проводишь.

Так что с коллегами из АХУ тоже иногда полезно пообщаться :)

Написано по мотивам статьи тут

Конференция "Make your Data Speak"

Алексей Колоколов снова сделал что-то интересненькое для сообщества аналитиков: на днях он провел премию Make your Data Speak на лучший дашборд, а также сторителлинг-проект.
500 участников и 40 членов жюри с каждого континента.

Номинацию Business Dashboards вручал Pradeep Kumar, призер Information is Beautiful 2022
(я делала свой разбор этого дашборда тут)

а 2 из 3х призовых мест в номинации Business Dashboards заняли девушки с HR-дашбордами:
🥈 Sofia Semenova с HR-дашбордом в Tableau.
🥉 Natalia Veselova тоже с дашбордом по HR-аналитике, но в Power BI.

Разберу дашборд позднее, а пока просто спасибо Алексею и всей команде организаторов за вклад в развитие сообщества. И, судя по результатам, за вклад в развитие HR-аналитики тоже ;)

Факты и Контекст

У нас, аналитиков, есть такая привычка - оперировать фактами как чем-то безусловным, строить на них теории и доказательства своих идей, т.к. "они же подтверждены цифрами, а не просто какое-то там высказанное кем-то мнение".

Но дело в том, что восприятие фактов очень сильно зависит от контекста, в который они помещены.

На прошлой неделе я ездила в Стамбул, на концерт.

Факт 1:
Погода была максимально неподходящей для поддержания хорошего настроения туристов: холод, ливень, шквальный ветер, в общем ужас.

Факт 2:
Мы приехали на концерт, поэтому не могли выбирать другие дни, так что плохая погода оказалась не так уж и важна.

Факт 3:
6 февраля случилось землятресение и вслед за этим концерт отменили. В таком контексте стали не важны не только плохая погода, но и факт отмены концерта.

Таким образом, за 3 дня мой контекст поменялся 2 раза просто кардинально: от ситуации когда ожидание концерта было "основой для радости" до того когда лишившись этой "основы", мы не посчитали, что что-то потеряли.

Это я к тому, что даже если вы обладаете бесспорными фактами (такими как, в нашем случае, погода и билеты на концерт), то в зависимости от внешнего контекста они могут быть как определяющими, так и максимально незначительными.

Поэтому:
* не считайте свои факты непреложной истиной,
* следите за внешним контекстом,
* будьте готовы к изменениям

Мониторинг открытия вакансий

Один из моих аналитиков сейчас активно занимается созданием инструмента для мониторинга открытия вакансий.

Для планирования загрузки команды рекрутмента идеально когда загрузка равномерна по году:
* вакансии есть в каждом месяце года
* количество вакансий в месяц +/- одинаковое

В реальности обычно все по другому.
Например, менеджеры:
* "выкатывают" все вакансии в начале года
* или, наоборот, не создают заявки на подбор не смотря на наличие вакансий в штатке

Именно поэтому мы и делаем инструмент, чтобы смотреть на динамику открытия вакансий в течение года и за счет этого:
* мониторить загрузку команды рекрутмента (как в сторону недозагрузки, так и в сторону риска превышения capacity команды)
* давать обратную связь менеджерам о "балансе" заявок на подбор и незанятых позиций в штатном расписании
* делать прогнозы о найме и численности до конца года для последующего использования этих данных при квартальных срезах по прогнозу ФОТ

P.S. посмотрите картинку.
Там наша (HR) реальная реальность)

Годовой отчет Яндекса 2022

Яндекс опубликовал отчетность за 2022 год.

Не так много показателей о людях, но вот те, что выделены:
•  Количество сотрудников – 20800+
•  Средний возраст сотрудников - >31 года
•  Доля разработчиков – 38%
•  Доля женщин среди сотрудников – >35%
•  Доля женщин среди руководителей – 32%
•  Рост количество сотрудников год к году – 16%
•  Сумма дополнительных выплат сотрудникам – 18,5 млрд. рублей
("включая единоразовую выплату 13-й зарплаты всем сотрудникам в марте 2022 и выплаты в течение 2022 года (около 10 тысяч участников программы), компенсирующие потерю опционов")

Интересно, что в русскоязычной и англоязычной версиях презентации немного разные визуализации и разные показатели. Например, в англоязычной версии есть диаграмма о распределении численности по категориям (Sales / Product / SG&A), а в русскоязычной версии на аналогичном слайде только финансовые показатели.

Еще посты про корпоративные отчеты, если интересна эта тема:

Годовой отчет Microsoft 2020
https://xn--r1a.website/whrdata/227

Годовые и квартальные отчеты, VK
https://xn--r1a.website/whrdata/546

Квартальные отчеты Q3 2022
https://xn--r1a.website/whrdata/623

Функция СЛУЧМЕЖДУ()

Если вы когда-нибудь были озадачены созданием датасета с тестовыми данными, то знаете, что это может быть очень утомительно.

Для создания списка фамилий и имен в интернете существуют сайты-генераторы, которые формируют любые списки:
* фамилия, имена, отчества
* мужские или женские
* похожих на настоящие или сказочные

А для формирования ряда данных в excel есть формула СЛУЧМЕЖДУ (или RANDBETWEEN), которая генерит ряд случайных целых чисел из заданного интервала. Это делается очень просто, задав интервал "От" и "До" и все.
Единственный момент, ряд меняется при каждом шаге, поэтому в какой-то момент его нужно скопировать "как значения".

Планирование численности исполнителей работ на стройке

Кейс ребят из группы ПИК
(Виктория Пролетарская и Георгий Плищенко) с конференции "Матемаркетинг", 18.11.2022

о предсказании потребности в исполнителях на стройке в разрезе по отделочным работам (штукатурщики, шпаклевщики, электрики, сантехники и т.п.)

Интересно (но печально), что кейс представляли не HR-ы, а 2 руководителя отделов аналитики

Модель расчета базировалась на следующих данных:
* Технологии (профессии, скорость выполнения работ)
* Объем задания (в метрах/квартирах, переведенные в трудозатраты)
* Навыки исполнителей
* Объекты

Ребята сделали математическую модель, но она не сработала.

Оказалось, что в ней:
•  Не учтены реальности реального мира (неработающий лифт => долгий ручной подъем, проблемы с отоплением => не высохла краска)
•  Не учтены технологические перерывы между работами
•  Неправильная оценка длительности работ в заданиях
•  "Мы работаем с людьми, а, значит, нужно учитывать специфику привлечения, вывода на объекты, удержания исполнителей"

Интересно, что, по словам ребят, решение этих вопросов, лежащее на поверхности, тоже не очень помогло:
* Нормирование работ не помогло, т.к. длительность зависит от особенностей зданий
* Усреднение технологических перерывов тоже ухудшило результаты

Что сделали в итоге:
1. Измерили типовой объект: составили максимально точный график работ в человеко-часах по всем работам в разрезе профессий
2. Вывели коэффициенты для разных типовых построек на базе соотношения в % объемов работ по технологиям
3. Научились «растягивать» план по исполнителям на любые сроки (мой мозг HR не смог понять эту часть, но в презентации были пояснения)
4. Наложили графики на производственный календарь
5. Произвели мэппинг на фактические данные, т.к. они ведутся в другом виде.

В итоге получили:
* график производства по видам работ на объектах для подрядчиков
* планирование объема работ по объектам и потребности в исполнителях на 1-2 года вперед

Классный кейс. Жаль что делался совсем без участия HR :(
(я уточняла у HRD)

Красивые картинки #3.
Разбор дашборда от Натальи

Среда перед длинными выходными днями – как будто маленькая пятница, поэтому я хочу вспомнить про HR-дашборд, который я упоминала недавно в посте про конкурс.

Я совсем не знакома с Натальей, и поэтому решила пойти нестандартным путем и, вместо того, чтобы делать разбор дашборда, я попросила Наталью рассказать о своей идее и о том, как она его делала.

Ее описание не просто превзошло мои ожидания, но и показало насколько важны заинтересованность, внимательность, трудолюбие и гибкий ум.

3 интересных факта о Наталье, чтобы вам тоже захотелось почитать:
1. на момент отправки дашборда на конкурс Наталья занималась HR-аналитикой всего 3 дня
2. у Натальи только что закончился «короткий, но очень насыщенный событиями декрет»
3. выбранные Наталье цвета – это «цвета камней и лишайников из путешествия где-нибудь за Полярным кругом»

А полное описание от нее по ссылке

Если вдруг вам нравятся популярные сериалы про психологию, профайлинг, манипуляции и все такое, а "Обмани меня" (Lie to Me) и "Менталист" (The Mentalist) вы уже посмотрели, то вот еще один - "Булл" (Bull).

Команда психологов формирует двойников присяжных, проводит на них пробные суды, замеряет показатели, корректирует поведение адвоката и речь и, конечно же, выигрывают :)

Понятно, что, все немного наивно и никакой науки там нет, но people аналитика на благо подзащитных - так тоже может быть.

Хороших выходных!

Метрика ССЖ

(Этот пост я написала после просмотра какой-то серии какого-то сериала про юристов пару лет назад и все это время он пролежал у меня в черновиках, потому что я думала, что не стОит публиковать такое в канале для всегда позитивных HR-ов. А сегодня, кажется, это стало релевантно действительности...)

ССЖ (стоимость среднестатистической жизни, или VSL, Value of statistical life)
Вот такая вот метрика рассматривается в жесткой и циничной сфере юриспруденции.

«Условная расчетная экономическая величина, которая может использоваться:
• Для определения компенсационных выплат при травмировании и гибели людей на производстве, в авариях и катастрофах, при террористических актах;
• Для разработки мер безопасности;
• Для планирования деятельности правоохранительной системы, здравоохранения, аварийных служб;
• Для определения страховых сумм, страховых премий и выплат при страховании жизни и здоровья»

Для расчета предлагается использовать:
• Среднегодовой доход от трудовой деятельности
• Экономия в затратах на домашний труд (среднесуточное время, затрачиваемое на домашний труд, * заработную плату неквалифицированных рабочих)
• Дополнительный ненаследуемый доход
• «-» прогнозируемые расходы на личное потребление

Это, конечно, не считая социально-демографических факторов:
• Возраст
• Пол
• Средняя продолжительность жизни
• Состояние здоровья, в т.ч. наличие серьезных болезней

В международном опыте используют также такие понятия как:
• Упущенная выгода (lost income and lost benefits)
• Утраченные бытовые услуги (lost household services)
• Потеря общения (lost companionship)
• Потеря советов и наставлений (lost advice and counsel)
• Прочие (other)
• Расходы на похороны (funeral expenses)

Дай Бог, чтобы нам это никогда не понадобилось!

01.2021

Lean Canvas

Недавнее описание работы над HR дашбордом от Натальи напомнило мне о классном инструменте из продуктового подхода, который отлично подходит и для проектирования дашбордов тоже.

Lean Canvas — это одностраничный шаблон бизнес-плана, созданный Ash Maurya, который помогает прояснить все ключевые вопросы, связанные с продуктом.

Обратите внимание, что этот шаблон нужно заполнять не стандартно, слева направо, а в определенной последовательности.

1. Проблема
3 главные проблемы клиентов, проранжированные по важности, и их альтернативы.

2. Потребительские сегменты
Потребители, пользователи и все их роли, а также полезно выделить ранних последователей (early adopters).

3. Unique Value Proposition (UVP)
Суть продукта в нескольких словах.

4. Решение
Не спешите описывать техническое решение.
Этот пункт не случайно следует только четвертым. Большинство стартапов и продуктов начинаются именно с идеи решения. Порядок заполнения Lean Canvas заставляет в первую очередь подумать про проблему и целевую аудиторию, и уже через эту призму понять, каким именно должно быть решение.

5. Каналы
Каналы доступа к потребителям можно разделить на две группы.
Inbound (потребители находят Вас сами)
Outbound (Вы находите потребителей)

6. Доходы
Назначайте цену сразу, если Вы намереваетесь зарабатывать на продукте.

7. Расходы
Расходы на ту версию продукта, которая будет достаточно зрелой, чтобы Вы могли за нее назначить цену.

8. Ключевые метрики
Ключевые метрики должны отвечать на два вопроса:
• Движется ли продукт к целям?
• Если не движется, то что идет не так?

9. Уникальное преимущество (Unfair Advantage)
«Уникальное преимущество — это то, что не может быть легко скопировано или куплено.» (Jason Cohen, A Smart Bear blog).

Заполнение Canvas-а стикерами – это еще далеко не все. Впереди предстоит работа по валидации продуктового видения, ведь каждый стикер на Lean Canvas — это всего лишь предположения, которые требуют проверки на реальных клиентах / заказчиках / пользователях.

HR-Афиша на весну
(Март, Апрель)

Весна, традиционно, сезон для конференций, в том числе про аналитику и автоматизацию в HR:

🗓 28.02.2023
HR МЕТРИКИ И АНАЛИТИКА 2023
от Quorum
http://hrtransformation.online/hrmetrix2023

🗓 14.03.2022
ЦИФРОВИЗАЦИЯ HR от CNews
https://events.cnews.ru/events/cifrovizaciya_hr.shtml

🗓 15-16.03.2022
HRMExpo PROЛюдей
https://hrexpo.pro/

🗓 16.03.2023
COMPENSATION & BENEFITS 2023
от Quorum
http://hrtransformation.online/km2023

🗓 16.03.2023 года
XI Практический HR форум «МОТИВАЦИЯ - 2023» и
Премия «Хрустальная пирамида»
от LBS INTERNATIONAL CONFERENCES
https://hrsummit.ru/motivation

🗓 05.04.2023
Online Demo Day — Цифровизация в HR от Люди и коммуникации
https://hrdigital-conf.ru/

🗓 13.04.2023
HR Mobile от MK Group
https://www.mk-conference.ru/hrmobile

🗓 27.04.2023
HR IT DAY 2023 от Tadviser
ссылка

Модель расчета численности
в ресторанах быстрого обслуживания

Кейс про расчет численности работников на стройке напомнил мне мой собственный опыт расчета целевой численности для ресторанов быстрого обслуживания.

В нашем случае это была совместная работа с командой финансовой аналитики.

Шаг #1 - разделение ресторанов на группы в зависимости от:
• Формата расположения
• Объема товарооборота
• Трафика гостей

Шаг #2 – планирование численности с учетом:
• Группы ресторана из п.1
• Стандартов обслуживания
• Стандартов безопасности
• Графика работы ресторанов
• Производственного календаря
• Географического расположения и, соответственно, норм по отпускам

Шаг #3 – планирование целей по затратам на персонал, с учетом:
• Целевых значений по численности из шага 2
• Ставок / окладов в регионах
• Ставок с учетом категории ресторана (с учетом надбавки за интенсивность)

Кстати, в том, что касается оперативного управления численностью, в этой сфере есть свои особенности и принято считать так:
1. Численность менеджерского персонала – в штатных единицах и количестве человек
2. Численность линейного персонала – в цифре производительности, равной выручка / количество человеко-часов.

Еще одной особенностью является то, что управление численностью происходит максимально оперативно:
* цели на некоторые (например, новые) объекты корректируются каждый месяц, а
* промежуточные итоги подводятся каждую неделю.

Геопространственная аналитика в HR

Подсмотрела в канале у Юры ссылку на статью про использование геопространственной аналитики в People Analytics от аналитика, Steven Shoemaker

Там есть описание, не буду его переписывать, посмотрите в первоисточнике.

Я пока не очень понимаю как можно использовать эти данные, кроме чего-то типа статистики опозданий и скорости выгорания в зависимости от удаленности проживания.

Но вот в рознице у нас не раз возникали мысли на тему аналитики геолокации, правда тогда мы не умели такое делать, а было бы интересно подтвердить наше экспертное мнение реальными данными, ведь расположение розничного объекта непосредственно влияет и на его укомплектованность и на его затраты на персонал.

Например:

1. Мы точно знали, что есть прямая связь между сложностью набора команды и удаленностью расположения объекта от ближайшей станции электрички /автобуса.

2. Мы точно знали, что набирать сотрудников в магазины на западе Москвы сложнее, чем в магазины на востоке Москвы (для тех, кто не знает -стоимость жилья и аренды квартир на западе значительно дороже, чем на востоке, т.е. целевая аудитория работников розницы живет в «дешевых, бедных» районах)

3. Мы всегда мечтали, чтобы перед заключением договора на строительство или аренду места для будущего магазина кто-то изучал обстановку не только с точки зрения покупательской способности, но и с точки зрения оценки численности проживающих вокруг потенциальных кандидатов и транспортной доступности для сотрудников, передвигающихся «своим ходом» (магазины в «поселках для богатых» - onelove)

4. «Сложные» с точки зрения локации объекты требовали не только дополнительных усилий для поддержания в них укомплектованности, но и:
* дополнительных затрат на доставкe сотрудников
* невозможность гибкого планирования cмен,
* надбавки, чтобы «замотивировать» сотрудников работать не в магазине рядом с метро, а зачем-то ехать от этого метро еще 20 минут даже если ехать надо на корпоративном такси.

В общем, интересная тема эта геопространственная аналитика в HR :)

Ошибки визуализации

Готовили презентацию с некоторыми аналитическими данными и очередной раз встретила одну и ту же ошибку в представлении данных распределения численности кого-то по стажу.

Разные данные, разные аналитики, а ошибка одна и та же:

почему то при распределении численности по стажу интервалы буквально на автомате делятся на периоды:
от 0 до 1 года
от 1 года до 2х
от 2х до 3х
от 3х до 5и
от 5 до 10
от 10 до 15
и далее пятерками

Знакомо?

По факту получается, что даже если в каждом "микроинтервале" 0-1, 1-2, 2-3, 3-4 и т.д. будет одно и то же количество человек, то при распределении по "составным" интервалам, перечисленным выше, используются разные периоды - где-то 1 год, где-то 2, а где-то 5. Поэтому данные искажаются.

В примере, на первой диаграмме выше, построенной "на автомате" создается впечатление, что численность сотрудников, со стажем работы 5-10 и 10-15 лет выше, чем численность сотрудников в других группах по стажу.
А на диаграмме ниже видно, что это не так, и количество сотрудников в каждом из одинаковых интервалов одинаково.

Изменение ролей в HoReCa

Вы обратили внимание как буквально за пару лет изменилось наше привычное ранее поведение при посещении баров и ресторанов?

Раньше: книга меню, заказ через официанта, чаевые наличными.
Сейчас: меню в приложении или онлайн с доступом через QR код, заказ приносит официант или можно самостоятельно забрать у бара, оплата чаевых онлайн.

Таким образом, в HoReCa значительно меняются:
• скорость обработки заказов, заказы и, вообще, все процессы в заведении
• численность официантов и их фонд оплаты труда

Приложения обещают, что увеличивают количество заказов от гостей и средний чек, хотя тут хотелось бы посмотреть на цифры.

А с точки зрения HR, это отлично олицетворяет изменение привычных ролей и обязанностей (да, это происходит не только в офисе и у ИТ-шников 😊), и задач самих HR.

Вот пример.

Обязанностями официанта ранее было консультирование гостей по меню, составу блюд и т.п., а также предложение дополнительных блюд и увеличение тем самым среднего чека, в случае с заказами через приложение, официант становится скорее «раннером» (от слова run), т.е. занимается только доставкой.

Обязанности, в свою очередь, значительно влияют на требования к знаниям и навыкам сотрудников: им не нужно знать меню, не нужно обучаться стандартам сервиса и обслуживания, таким образом это влияет и не учебную программу и процессы обучения сотрудников HoReCa.

Меняются системы ->
Меняются процессы ->
Меняются организационные структуры и роли ->
Меняются задачи для HR

7 вопросов при расчете сроков подбора

Расчет метрик оценки эффективности процесса подбора персонала - одно из самых распространенных направлений работы с HR-метриками.
Но как бы просты они не казались на первый взгляд, за каждой метрикой в подборе скрывается много сложностей.

Например, при внимательном расчете срока закрытия вакансии может потребоваться ответить на очень много специальных вопросов.

Например:

1. Что считать датой начала работы над вакансией: создание заявки на подбор или ее подтверждение?
Руководитель считает, что он сказал "надо нанять" и срок пошел, рекрутер не начнет найм пока не выяснит все  требования и условия работы.

2. Вакансия перешла от рекрутера 1 к рекрутеру 2.
Срок для менеджера один, он не останавливается, а для нового рекрутера начался заново.

3. Вакансия перешла от менеджера 1 к менеджеру 2.
Формально для рекрутера срок идет, а вот требования у нового менеджера могут измениться так, что, в реальности, для рекрутера это новый поиск.

4. Во время работы над вакансией произошло изменение организационной структуры и позиция перешла в другое подразделение. Как считать срок закрытия в рамках компании - понятно, а как считать для каждого подразделения?

5. Как считать период, когда работа над вакансией приостановилась?
Например, менеджер пересматривает планы, структуру или что-то такое. Вычитать это время из срока работы над вакансией? В идеале закрывать ее и потом открывать новую, но кто же так делает в реальности...

6. Считать ли в срок закрытия вакансии время отработки кандидатом? Ведь оно может составлять не только 2 недели, но и любое другое, по договоренности.

7. Рекрутер работал над вакансией, а ее закрыли внутренним кандидатом. Считать такие закрытия для расчета среднего срока или нет?

Аналитика подбора - это очень тонкая вещь, при настройке ее в любой ATS системе надо 10 раз все перепроверить.