Что еще можно сделать с помощью тестов в компании
Напомню про готовую интеграцию Webtutor и системы тестирования Лаборатории Гуманитарных Технологий и хочу показать, какую красотулину можно сделать на основе тестов
С данными этого кейса я выступал на разных конференциях и на своем вебинаре
Пост про то, какие результаты можно получать в прогнозе эффективности кандидатов.
В описании анализа я буду некоторые шаги опускать, поскольку. в противном случае, будет длинно.
Первым шагом нам необходимо выявить взаимосвязь между показателем эффективности (продажами) и результатами теста и наличием опыта.
Мы выявили корреляцию: эффективность коррелирует с показателями теста и наличием опыта.
Взаимосвязь между тестом IQ и продажами
Корреляция есть, но как теперь ее использовать при прогнозе? Мы говорим, что бизнес определяет точку нулевой эффективности на уровне 80 (рублей, % и т.п..).
Мы строим прогнозную модель (на картинке визуализация)
Итоговая точность модели - 81, 5 %. Т.е. мы ошибаемся в каждом пятом случае. Это неплохая точность, наверное. Но мы в данном случае отвечали по сути на вопрос, кого не стоит пускать в нашу компанию. Нам стоило бы ответить на вопрос о более широкой градации: не просто подходит / не подходит, а насколько эффективно будет продавать.
Для этого существует инструмент Regession Tree.
Нет смысла рассказывать смысл стат анализа, покажу сразу некоторые результаты.
Программа выделяет группы работников и показывает их медианные значения.
На левом графике показано, что медианное значение продаж работников без опыта составляет 80 с копейками, медианное значение работников с опытом составляет 90 с копейками.
На правом графике видно, про программа выделяет три группы работников:
Дерево читается так.
Пост про то, какие результаты можно получать в прогнозе эффективности кандидатов.
Описание
У нас есть собранные данные по нашим работникам:- результаты теста способностей при приеме на работу
- ответ на вопрос рекрутера "Есть ли у вас аналогичный опыт работы"
- показатели продаж за полгода работы
В описании анализа я буду некоторые шаги опускать, поскольку. в противном случае, будет длинно.
Первым шагом нам необходимо выявить взаимосвязь между показателем эффективности (продажами) и результатами теста и наличием опыта.
Мы выявили корреляцию: эффективность коррелирует с показателями теста и наличием опыта.
Взаимосвязь между тестом IQ и продажами
Корреляция есть, но как теперь ее использовать при прогнозе? Мы говорим, что бизнес определяет точку нулевой эффективности на уровне 80 (рублей, % и т.п..).
Мы строим прогнозную модель (на картинке визуализация)
Итоговая точность модели - 81, 5 %. Т.е. мы ошибаемся в каждом пятом случае. Это неплохая точность, наверное. Но мы в данном случае отвечали по сути на вопрос, кого не стоит пускать в нашу компанию. Нам стоило бы ответить на вопрос о более широкой градации: не просто подходит / не подходит, а насколько эффективно будет продавать.
Для этого существует инструмент Regession Tree.
Нет смысла рассказывать смысл стат анализа, покажу сразу некоторые результаты.
Программа выделяет группы работников и показывает их медианные значения.
На левом графике показано, что медианное значение продаж работников без опыта составляет 80 с копейками, медианное значение работников с опытом составляет 90 с копейками.
На правом графике видно, про программа выделяет три группы работников:
- с IQ до 92 баллов - их медианное значение продаж - 82,
- до 92 до 103 баллов - значение медианы продаж 92,
- и свыше 103 баллов - эта продают в медиане на 101.
Дерево читается так.
- Те кандидаты, кто имеет IQ менее 92 баллов и не имеет опыта продаж, имеет медианное значение продаж - 69 рублей. И таких работников у нас 20 %.
- IQ менее 92 балла и наличие опыта - 84 рублей. И таких работников - 15 %
- IQ меньше 103 и больше или равно 92 балла и отсутствие опыта - 82 рубля, 14 %
- IQ меньше 103 и больше или равно 92 балла и наличие опыта - 92 рубля и 34 % (каждый третий фактически)
- IQ больше или равно 103 балла - 101 рубль и 17 %