در مقاله‌های قبلی، مثال‌های متعددی از اینکه چگونه کارمندان می‌توانند از تجزیه و تحلیل داده‌ها بهره ببرند، آورده‌ام. در این مقاله، من می‌خواهم مجموعه‌ای از تکنیک‌های مختلف و پیشرفته تجزیه و تحلیل داده‌ها را بررسی کنم تا ببینم چگونه می‌توان از آنها برای تجزیه و تحلیل داده‌های افراد برای بهبود موفقیت سازمان استفاده کرد.
علم داده به طور فزاینده ای در مشاغل، محصولات و جامعه به طور کلی گنجانده شده است. موارد استفاده در بخش‌ها پیچیده‌تر و گسترده‌تر می‌شوند (همانطور که در شکل بالا نشان داده شده است).
من به عنوان یک متخصص تجزیه و تحلیل افراد، با سازمان‌ها کار می‌کنم تا بینشی در مورد نیروی کار آنها به دست بیاورم و استراتژی‌های مؤثری برای سازماندهی برای موفقیت طراحی کنم. در حالی که موارد استفاده بالا اغلب الگوریتم‌های کاملاً پیشرفته‌ای هستند که از یادگیری ماشین برای بهبود مستمر استفاده می‌کنند، تصور چنین الگوریتمی همیشه یک یا چند تکنیک علم داده است. به هر حال، در اینجا توضیح واضحی در مورد تفاوت بین علم داده، یادگیری ماشین و – در حالی که ما در آن هستیم – هوش مصنوعی وجود دارد.
در حال حاضر، در حالی که داده ها و معیارهای منابع انسانی با برش و برش اولیه برای مدت طولانی وجود داشته است، موارد تجزیه و تحلیل افراد با استفاده از تکنیک های آماری پیشرفته هنوز یک پدیده کاملاً جدید است و تنها تعداد کمی از سازمان ها در واقع این نوع تجزیه و تحلیل ها را بر روی داده های افراد انجام می دهند. بنابراین فکر کردم که ممکن است ایده خوبی باشد که در مورد آنچه در حال حاضر انجام شده است بحث کنیم و با این جامعه از پزشکان طوفان فکری کنیم و مواردی را برای تجزیه و تحلیل افراد با استفاده از تکنیک های رایج علم داده ارائه دهیم.
بیایید الهام بگیریم!
تکنیک ها
تحلیل رگرسیون
به عنوان یکی از رایج‌ترین تحلیل‌های آماری موجود، رگرسیون برای نشان دادن رابطه بین یک یا چند متغیر زمینه و یک نتیجه در یک تابع استفاده می‌شود. هدف در اینجا پیش بینی پیشرفت آینده نتیجه بر اساس مقادیر متغیرهای زمینه است.
تفاوتی بین رگرسیون خطی و لجستیک در نحوه استفاده از رگرسیون لجستیک زمانی وجود دارد که متغیر نتیجه ماهیت مقوله ای دارد. زمانی که متغیر نتیجه پیوسته باشد از رگرسیون خطی استفاده می شود. توجه به این نکته مهم است که بر خلاف همبستگی، در رگرسیون فرض یک اثر علی یک طرفه از متغیر زمینه و متغیر نتیجه وجود دارد.
یکی از مثال‌های رایج بازاریابی، سازمان‌هایی است که تلاش می‌کنند ریزش مشتری را پیش‌بینی کنند. فرسودگی یا فرسایش نرخی است که افراد (مشتریان، کارمندان) آن را ترک می کنند. هدف آشکار در اینجا جلوگیری از پریدن آنها از کشتی است. مثال دیگر سایت های دوستیابی است که به طور منظم از تحلیل رگرسیون برای بهبود خدمات خود و ارائه تطابق بهتر برای اعضای خود استفاده می کنند.
چگونه می تواند به حل مشکلات تجاری با داده های افراد کمک کند؟
یک مثال را می توان در اثربخشی فروش یافت. اندازه گیری رابطه بین نمرات پرسشنامه های شخصیت و اعداد فروش می تواند بسیار ارزشمند باشد.
ویژگی‌های شخصیتی (مانند ویژگی‌های 5 بزرگ) به چه صورت با اعداد فروش مرتبط هستند؟ متاآنالیزها نشان می دهد که برون گرایی و وظیفه شناسی پیش بینی کننده موفقیت فروش هستند. سوال این است که آیا در بازارهایی که متخصصان فروش در آن فعالیت می کنند تفاوت هایی وجود دارد؟ با استفاده از تحلیل رگرسیون، می توانید بفهمید که آیا رابطه وجود دارد یا خیر و ویژگی های شخصیتی تا چه اندازه اثربخشی فروش را برای کارکنان شما پیش بینی می کند.
برای توضیح بیشتر در مورد تحلیل رگرسیون روی لینک کلیک کنید.
تجزیه و تحلیل طبقه بندی
طبقه بندی یکی از کاربردی ترین و شناخته شده ترین روش های علم داده است. به عبارت ساده، در طبقه بندی، برای هر مشاهده (داده) جدیدی می خواهیم پیش بینی کنیم که مشاهده متعلق به کدام دسته است. این کار با تحلیل مشاهدات تاریخی که مقوله آن شناخته شده است، انجام می شود.
برای طبقه بندی می توان از مدل های مختلفی استفاده کرد که یکی از معروف ترین آنها درخت تصمیم است. درخت تصمیم فرآیندی است که در آن به بسیاری از سوالات بله یا خیر برای تعیین دسته پاسخ داده می شود. استفاده از درختان تصمیم در مقیاس بزرگ به عنوان تکنیک جنگل تصادفی نیز شناخته می شود و این روش اغلب با مجموعه داده های بزرگ استفاده می شود. اغلب در ترکیب با رگرسیون لجستیک برای بهبود عملکرد پیش‌بینی مدل آماری در روشی به نام یادگیری گروهی استفاده می‌شود. در حال حاضر کمی بیش از حد فنی است، اما می توانید فناوری اضافی خود را در اینجا دریافت کنید.
نمونه ای از نحوه استفاده از طبقه بندی در مراقبت های بهداشتی است، که در آن از داده های تاریخی بیماران برای تجزیه و تحلیل علائم استفاده می شود تا مشخص شود (طبقه بندی) چه وضعیتی ممکن است یک بیمار جدید داشته باشد. این در حال حاضر برای پیش بینی سرطان و تعیین گروه های پرخطر استفاده می شود.
مثال دیگر در بانکداری است، جایی که مشتری متقاضی وام ممکن است بسته به ویژگی هایی مانند سن و حقوق، به عنوان ایمن یا خطرناک طبقه بندی شود. به این نوع فعالیت، یادگیری تحت نظارت نیز گفته می شود، زیرا مبتنی بر یادگیری قبلی و یک مدل از قبل آموزش دیده است. مدل داده های ساخته شده را می توان برای طبقه بندی داده های ورودی جدید استفاده کرد.
چگونه می تواند به حل چالش های سازمانی با داده های افراد کمک کند؟
یک مثال عالی می تواند پیش بینی میزان موفقیت یک تیم بر اساس ترکیب تیم و متغیرهای زمینه باشد. به عنوان سازمان، ما تمایل داریم تیم های پروژه را بر اساس تجربه، در دسترس بودن و عملکرد فردی گذشته انتخاب کنیم. روشن کردن تأثیر عوامل دیگر مانند اولویت نقش، سبک رهبری، پویایی تیم، اندازه تیم، پیشینه و عوامل زمینه ای مانند مدت زمان و بودجه بسیار ارزشمند است. این به یک مجموعه داده عظیم برای آموزش مدل نیاز دارد. تکنیک طبقه بندی در این مورد احتمالاً یک شبکه عصبی خواهد بود. تصور کنید که بتوانید پیش بینی کنید که کدام ترکیب تیمی بالاترین میزان موفقیت را با توجه به یک زمینه خاص خواهد داشت!
تجزیه و تحلیل خوشه بندی
خوشه بندی تکنیکی برای توصیف داده ها و یافتن الگوهای کلی است. زمانی استفاده می‌شود که داده‌های موجود برچسب‌گذاری نشده باشند یا به‌طور مبهم باشند و با یافتن مشاهداتی که مشابه یکدیگر هستند کار می‌کند. سپس این مشاهدات «خوشه‌بندی» می‌شوند، بنابراین گروه‌ها را می‌توان برچسب‌گذاری و دسته‌بندی کرد. خوشه بندی از این نظر مشابه طبقه بندی است. هدف آن دسته‌بندی گروه‌های خاص مورد علاقه است، اما در روش یادگیری بدون نظارت متفاوت است – به این معنی که یک نتیجه از پیش تعیین شده ندارد اما به دنبال اشتراکات در داده‌ها است. برای مقایسه کوتاه بین طبقه بندی و خوشه بندی، جدول زیر را ببینید.
نمونه‌هایی از خوشه‌بندی را می‌توان در بازاریابی یافت که در آن از این تکنیک برای کشف گروه‌های مشتریان با نیازهای مشابه استفاده می‌شود تا بتوان آنها را به طور خاص با محصولات یا خدمات هدف قرار داد. در سیاست، خوشه‌بندی برای شناسایی دسته‌های خاصی از رأی‌دهندگان استفاده می‌شود تا بتوان با پیام‌های خاصی این گروه‌ها را هدف قرار داد. این همان روشی بود که باراک اوباما تا حدی بر اساس تجزیه و تحلیل داده ها کمپین انتخاباتی کرد.
تجزیه و تحلیل خوشه ای اغلب نقطه شروع برای تجزیه و تحلیل طبقه بندی است زیرا به تعریف گروه های مورد علاقه کمک می کند.
چگونه می تواند به حل چالش های سازمانی با داده های افراد کمک کند؟
به عنوان یک سازمان، من می خواهم بدانم که برای افزایش رضایت مشتری، چه کارمندانی را باید با کدام مشتریان هماهنگ کنم
رضایت مشتری برای اکثر سازمان‌ها یک نتیجه تجاری حیاتی است، بنابراین بسیار خوب است که بدانید کدام کارمندان با کدام نوع مشتری سازگار هستند. یکی از شرکت‌های بیمه که من با آن سروکار داشته‌ام، در واقع متن کاوی را بر روی بازخورد مشتریان و کارمندان پس از تماس‌ها در مرکز تماس به‌عنوان ورودی برای تحلیل عاملی انجام داد که در آن گروه‌هایی از سبک‌های ارتباطی ترجیحی را پیدا کردند.
بر اساس این اطلاعات، آنها الگوریتمی را برای وصله مشتریان به کارمندان مرکز تماس خاص بر اساس ترجیحات ارتباطی مشتری و کارمند توسعه دادند. با استفاده از این اهرم توانستند رضایت مشتری را افزایش دهند.
تجزیه و تحلیل انجمن
تجزیه و تحلیل انجمن یا کاوی قانون انجمن (ARM) تکنیکی است که دانشمند داده را قادر می سازد تا الگوهایی را در مجموعه های بزرگی از داده ها پیدا کند. با کشف ارتباطات مرتبط بین متغیرهای مختلف در یک پایگاه داده در مقیاس بزرگ، ارزش ایجاد می کند. تفسیر الگوها آسان نیست زیرا تعداد زیادی الگو ممکن است و تداعی ها یا الگوها اغلب بی معنی هستند. به محدود کردن الگوریتم‌ها از قبل کمک می‌کند تا «نویز» داده‌ها تا حد امکان کاهش یابد.
مثال‌های رایج از خرده‌فروشی‌ها و سوپرمارکت‌های زنجیره‌ای می‌آیند که از تکنیک‌های ARM برای ایجاد طرح طبقه‌بندی خود به شکل زیر الگوهای موجود در رفتار خرید استفاده می‌کنند:
(X٪ از افرادی که آب میوه را از مارک A خریدند، شکلات را از برند B نیز خریداری کردند، بنابراین بیایید آن موارد را در همان راهرو در همان ارتفاع قرار دهیم).
بر اساس قوانین ایجاد شده، مدیر فروشگاه می تواند محصولات را به صورت استراتژیک در کنار هم یا به ترتیب قرار دهد که منجر به رشد فروش و به نوبه خود درآمد فروشگاه شود. در بانکداری از تکنیک های مشابهی برای ارائه محصولات به مشتریانی که از الگوی خرید خاصی پیروی می کنند استفاده می کنند.
چگونه می تواند به حل چالش های سازمانی با داده های افراد کمک کند؟
این تکنیک می‌تواند برای شناسایی الگوها در شیوه‌های منابع انسانی مانند حضور در هیئت مدیره، مسیرهای شغلی، آموزش و مدیریت استعداد و سپس شناسایی الگوهایی که با کارکنان شاد و مولد مرتبط هستند، استفاده شود. سپس می توان از آن برای بازخورد به سیستم منابع انسانی برای محتوای سفارشی استفاده کرد. بسیار شبیه روشی که آمازون و نتفلیکس محتوای سفارشی شده را به ما به عنوان مصرف کننده ارائه می دهند.
تجزیه و تحلیل تشخیص ناهنجاری
تشخیص ناهنجاری روشی با تمرکز بر شناخت الگوهای غیرمنتظره یا انحرافی است. اینها تکنیک هایی هستند که می توانند موقعیت های جدید را بر اساس داده های تاریخی به عنوان “انحرافی” برچسب گذاری کنند. همه چیز در مورد تشخیص موارد پرت است و هنگامی که با مجموعه داده های بزرگ سروکار دارید، به داشتن یک الگوریتم برای انجام کارهای سنگین برای شما کمک می کند.
در امور مالی، تشخیص ناهنجاری به طور گسترده ای برای شناسایی تقلب یا تراکنش های غیر معمول استفاده می شود. ممکن است روزی خودتان از یک بانک تماس گرفته باشید تا بررسی کنید که آیا تراکنش خاصی با اطلاع شما انجام شده است یا خیر. این احتمالاً بر اساس سیگنالی بود که از یک الگوریتم تشخیص ناهنجاری می آمد.
مثال دیگر نیاز به تعمیر و نگهداری در نیروگاه های هسته ای است. همانطور که ممکن است انتظار داشته باشید، هر شرایطی که از حالت عادی منحرف شود، باید فورا گزارش شود. تجزیه و تحلیل جریان ثابت داده‌های حسگر کارخانه برای ناهنجاری‌ها این امکان را فراهم می‌کند.
چگونه می تواند به حل چالش های سازمانی با داده های افراد کمک کند؟
حوادث ناشی از کار اغلب نتیجه خستگی و ساعات طولانی کار است. بررسی 12 مطالعه نشان داد که کارکنانی که بیش از 12 ساعت در روز کار می کنند، 38 درصد بیشتر از افرادی که 8 ساعت کار می کنند، در معرض خطر آسیب های شغلی قرار دارند.
10 ساعت کار در روز خطر آسیب دیدگی را 15 درصد در مقایسه با 8 ساعت کار در روز افزایش می دهد. در اینجا تجزیه و تحلیل تشخیص ناهنجاری می تواند به شناسایی کارکنانی که بیشتر از یک آستانه مشخص کار می کنند، به ویژه در مشاغل پرخطر مانند ساخت و ساز، تولید و مهندسی کمک کند. این می تواند به جلوگیری از حوادث و صدمات در محل کار کمک کند.
افکار پایانی
من متوجه هستم که بحث در مورد روش علم داده و پیوند موارد احتمالی استفاده از منابع انسانی به آنها به نوعی وارونه است. معمولاً با یک چالش تجاری شروع می کنید و یک تحلیل مفید و روش مناسب را انتخاب می کنید. اما گاهی اوقات نگاه کردن به بخش‌های دیگر و چالش‌هایی که در آنجا تا حدودی مشابه هستند و الهام گرفتن کمک می‌کند.
دانشمندان داده تمایل زیادی به آزمایش تکنیک های مختلف دارند تا یک مدل دقیق تولید کنند (همانطور که در این تحلیل گردش کار کارکنان توسط لیندون ساندمارک نشان داده شده است). اغلب نمی توان به طور دقیق پیش بینی کرد که کدام تکنیک برای ارائه پاسخ به یک سوال پیچیده تحقیقاتی بهتر است. به همین دلیل است که برای یک دانشمند داده مهم است که انواع تکنیک های مختلف را بداند. علاوه بر این، الهام گرفتن از موارد استفاده تحلیلی انجام شده در بخش‌های دیگر، برای هر متخصص تجزیه و تحلیل افراد، واقعاً سودمند است.
امیدوارم این مقاله شما را به نوعی تحریک کرده باشد و من شما را به چالش می کشم تا با موارد استفاده جدیدی که شامل داده های افراد است و به طور بالقوه به موفقیت سازمان شما کمک می کند، بیایید.
دیدگاهتان را بنویسید