Как управлять текучестью персонала с помощью Webtutor - 2

В первом сообщении (см. Как управлять текучестью персонала с помощью Webtutor (кейс)) я показал описательную / дескриптивную статистику текучести персонала. Сейчас покажу, как практически можно использовать в целях управления текучестью персонала.
Пример простой: как показать влияние на текучесть персонала каналов привлечения кандидатов. Цифры кейса настоящие, т.е. это не пример из учебника, а самый настоящий боевой пример.
Для решения этой задачи вам нужны следующие поля в Вебтютор:

1. Дата приема
2. Дата увольнения (обращаю внимание: "живых" тоже используем в анализе, дата увольнения будет пустой)
3. Причина увольнения (а именно: по чьей инициативе произошло увольнение, работодателя или работника - и нас, конечно, последнее интересует)
4. Каналы привлечения кандидатов. 

Здесь у каждой компании свои, я показываю свои, в моем примере я использовал четыре 

1. Знакомые - в результатах анализа обозначены как friend
2. Джоб сайты - js
3. Работодатель сам вышел на Вас - emp
4. Кадровое агентство - KA

Можно такую статистику собрать? 

Теперь осталось посчитать взаимосвязи: нам нужно выяснить, есть ли взаимосвязь между каналами привлечения кандидатов и текучестью персонала. Или проще: какие каналы привлечения дают меньшую текучесть.

Также обращаю ваше внимание, что такой анализ можно проводить в отношении любых признаков:

• М/Ж
• женат / не женат
• Высшее образование / не высшее
• Блондины / брюнеты
• Есть собака / есть кошка

Результаты

Сам анализ проводится в программах SPSS и/или R, Rstudio и т.п... Я покажы сразу получаемые результаты

Описательные статистики

Т.е. через job сайты пришло 208 человек, через кадровые агентства 47 и т.д...

Среднее и медиана по разным источникам трафика кадидатов

Т.е. средний стаж работы в компании пришедших через джоб сайты - 32 месяца, медиана - 23 месяца, Пришедшие по рекомендациям друзей имеют среднее - 53 месяца, медиану - 34 ммесяца

Квартили текучести по каналам привлечения

Эта статистика аналогичная вышеприведенной, только здесь даются показатели квартилей. 

Попарные сравнения

Это статистические критерии

Визуализация

Вместо таблицы дожития я хочу предложить несколько иной инструмент визуализации: нормированную гистограмму стажа уволенных по разным источникам трафика.

На диаграмме: по оси Х - стаж уволенных, по оси Y - процент уволившихся в данный период.
Т.е. 5,4 % от всего количества уволившихся сотрудников, кто пришел в компанию через job сайты, уволились в первые три месяца. Из тех, кто пришел в компанию по рекомендации друзей, уволилось в первые три месяца 4,6 %. В промежутке от 3-х до 6 -ти месяцев этот показатель для job сайтов равен 9 %, для узнавших от друзей - 7, 2 % и т.п...
Эти данные немного отличаются от приведенных в таблицах (вы легко можете посчитать первый квартиль и убедиться, что показатели по таблице и диаграмме не совпадают. Это от того, что в диаграмме я взял только уволенных, а в таблице анализ велся как по уволенным, так и по "живым" сотрудникам вместе взятым.
И сумма % не будет равна 100 % - это потому, что я не включил правый край, тех, кто проработал более 90 месяцев

Резюме

Предлагаю сделать самим.
Если вы анализировали текучесть персонала по коэффициенту текучести персонала, то считаете ли вы, что приведенный в данном посте анализ является более качественным / показательным?