• 数据清理
    用数据驱动的方法来了解员工流失率 A data-driven approach to understanding employee turnover 用数据驱动的方法来了解员工流失率 杰森-麦克弗森 数据不仅可以帮助您了解员工离开企业的原因,还可以让您有机会更主动地解决未来的问题。通过将你的员工反馈数据与你的员工流失数据联系起来,你可以了解到哪些因素可能促使人们在未来离开你的组织,以及你的组织中可能出现的问题领域(如部门、职能或人口统计)。 如果你想了解人们离开你的组织的原因,可以考虑使用以下四步数据驱动的方法来理解和解决人员流动和流失的问题。 1. 清洗你的数据并关注正确的人 首先,你需要清理你的数据,确保你的数据集中有正确的人。 最重要的是要关注和了解那些自愿和遗憾离开的人。这些是你最想了解的人,因为他们是你想留住的人。 你不想让那些因为表现不佳而非自愿离开的人,或者那些搬家或退休的人搅乱这些数据。这些人的数据看起来与那些自愿离开的人非常不同。事实上,他们往往看起来很像公司里的其他人员,包括那些留下来的人。因此,包括那些非自愿离开的人可能会混淆你的预测模型。 为了创建你的基本数据集,第一步是看看你的离职调查的结果,并确保你有你需要的数据。离职调查数据应该能够告诉你谁离开了。它还应该在某种程度上表明,离开是自愿的,还是不自愿的。如果是自愿的,那么这个人可能被认为是一个令人遗憾的离职者。如果你没有离职调查数据,来自人力资源信息系统的数据也可以发挥作用。 在这个过程中,最重要的步骤莫过于通过从数据集中删除非自愿离职者来清理你的数据。 2. 包括广泛的关联数据 对于那些自愿离开的人,你通常可以在离职数据中看到主要的趋势。 例如,离职数据是否显示许多人因类似的原因而离职,或者类似的角色或人口统计学群体更频繁地离职? 然后,你可以将这些数据与他们之前的调查回答和反馈联系起来。找到所有可能与你的离职数据有关的信息是很重要的。考虑一下你还有哪些关于他们的数据--他们的年龄,他们的培训情况,他们曾经的晋升。然后,将这些信息与他们的反馈或调查数据结合起来,寻找联系。 反馈数据可以很好地说明一个人在早期的感受。例如,一个很好的预测离职率的方法是问人们他们认为自己什么时候会离开,或者他们是否能在两年后看到自己在这个组织里,后者是我们推荐的员工参与问题之一。 当人们在调查中提供这种反馈时,他们往往会说实话,所以如果有人说他们可能会离开--他们实际上更有可能。这一点至少在一年内保持不变。 在看你的调查数据时,我们总是建议在分析中考虑其他四个具体领域--领导力、学习和发展、一致性和薪酬。 人们如何看待领导力,在他们决定留在或离开一家公司时,会起到重要作用。学习和发展也常常是组合的一部分。关于学习和发展的问题表明,人们是否认为他们在组织中有机会发展他们的职业。即使在人们不相信的行业,如零售业,这也是留住员工的一个主要动力。员工参与度调查也可以给你一个指示,表明某人是否感到与组织同步。 3. 使用正确的统计技术来识别模式 为了说明统计方面的挑战,考虑到对许多公司来说,在任何一年中,只有10-20%的人可能会流失。在这10-20%中,你只想了解那些自愿和遗憾离开的人。这就是为什么你需要能够预测相对罕见结果的统计模型。 最近,我们有一个大型数据集,其中包括数千名离开一个组织的人。我们尝试了几种不同的方法来查看这些调查--随机森林、决策树、逻辑回归和其他算法。最终,我们发现随机森林对这种类型的工作最为有效。 随机森林是决策树的一个延伸。本质上,它包含多个决策树。因此,这种技术不是找到一棵树,而是找到许多最好的树,并将它们结合起来预测一个结果。随机森林在挑选非线性效应和不寻常的组合方面有相当好的预测效果--尽管它们可能很难解释。 我们发现其他有用的技术是生存分析和抽样程序,如ROSE技术(代表随机过度抽样的例子)。这些类型的程序为较少的流失案例提升和调整你的训练数据,以帮助你的模型。 这些并不是每个人都熟悉的工具或技术,但我们的人员科学团队很乐意帮助任何对使用它们有疑问的人。然而,只要看看令人遗憾的流失群体和留下来的人在以前的调查中如何回应的简单差异,就可以发现相当强大的洞察力。 4. 在团体层面上解决问题,而不是个人层面上的问题 与其预测某个特定的人是否会离开你的组织,不如尝试在群体层面上识别和解决这个问题。例如,如果你的模型显示某个角色(如销售经理或工程经理)处于风险之中,你可能会仔细研究该群体的留任问题并采取相应的行动。从这个意义上说,这些数据可以非常强大,因为它使你有可能在你的组织内找到你可以帮助的高危群体。 然而,你能做的最糟糕的事情是开始针对你预测会离开的个人。如果你使用数据来预测个人,你有可能犯一个大错误。人们可能会觉得自己是目标,或者认为你一直在看他们的个人数据。这有可能损害你和你的反馈过程的可信度。那些可能选择留下的人也可能因此而改变主意。没有比离职预测成为自我实现的预言更糟糕的结果了。 最好的预测流失率的因素往往很简单 最好的预测因素往往包括最明显的问题。例如,我们的一个标准基准问题只是问人们,他们是否能看到两年后自己还在公司。 令人惊讶的是,很多人都非常诚实地回答了这个有点直接的问题。在数以千计的公司中,我们发现,那些说两年后看不到自己在公司的人,在未来一年内离开的可能性要高出2.6倍。因此,无论我们使用何种具体的统计技术,这个问题都可以被认为是一个强有力的离职预测因素。 为了说明这一点,下面你可以看到来自一家匿名公司的一些真实数据,显示了一些关键群体的百分比,这些人说他们可以在两年内看到自己在这家公司。 总的来说,你可以看到超过75%的同意或强烈同意该声明的人实际留下来。另一方面,超过50%的强烈反对者和35%的不同意者实际上离开了公司。 通过考虑流失的关键预测因素并遵循这四个步骤,你可以确定你的组织中存在流失风险的群体或领域。这种分析也将帮助你确定人们可能选择离开的原因,以便你能够正面解决这些问题。
    数据清理
    2021年09月14日
  • 数据清理
    预测性销售工具People.ai获3000万美元B轮融资,A16Z领投 肮脏的数据意味着肮脏的生意。然而,销售操作仍然主要基于销售代表完成的不完整的手动输入活动记录。任何从事销售工作的人都可以证明,经理们在监督过程中需要浪费数小时在任务记录上。但是,如果一家公司能够自动跟踪员工达成交易的步骤,释放销售代表的时间表来让他们完成实际工作呢?为了实现这一目标,People.ai已经获得了3000万美元的融资。 People.ai是一家跟踪销售团队和客户之间每一个沟通接触点的初创公司,它希望能够解决这一问题。现在,该公司(也是最年轻的Y Combinator毕业生,名列该加速器最成功创业公司名单)吸引了Andreessen Horowitz的注意,并获得了3000万美元投资来推进这项任务。参加这一轮的还有A轮融资投资者Lightspeed Venture Partners、GGV Capital和Y Combinator。除了投资之外,Andreessen Horowitz的一般合伙人Peter Levine也加入了People.ai的董事会。 该初创公司由Oleg Rogynskyy所创立,此前已融资700万美元。它最初是作为一种软件,旨在为销售经理提供一份预测性行动手册,以找到达成交易的最佳方式,但投资者有一个长期的总体计划。 虽然这种实时数据映射技术类似于微软或Salesforce的收购目标,但Andreessen喜欢建立像Skype、Airbnb和GitHub这样的大规模软件专营权也不是什么秘密。随着我们进入2018年第四季度,早期SaaS投资正在稳定,公共云股价正在飙升。Salesforce继续向人工智能销售概念注入更多资金,为像People.ai这样的初创企业繁荣发展铺平了道路。但是,在退出战略方面,卖身给大型企业并不是它的目标。 虽然Rogynskyy表示他最终想让公司上市,但People.ai首先需要巩固自身业务,为企业提供人工智能解决方案。为此,这位创始人表示,他们将利用B轮融资大约一半的资金用于业务扩张和获取客户(Andreessen的网络无疑会催化这一过程),另一半资金将用来推动业务中的数据科学和工程进展。这家旧金山公司还在波士顿和洛杉矶开设了办事处,并正考虑在加拿大建立一个以工程为中心的团队。 People.ai与Lyft、Palo Alto Networks和New Relic等公司进行合作,帮助销售和客户支持团队提高绩效。但它到底是如何运作的呢?该公司建立了一种机器学习技术,旨在完美地填充销售人员完成交易过程的CRM记录。这项技术扫描电子邮件、电话和日历会议,以展示优秀员工在交易的每个阶段花费了多少时间,以及陷入困境的代表可能偏离了通常成功的方法。销售人员是否在交易的一个阶段过于分散?没有花足够的时间与产品经理、高管或其他决策者交谈?他们是否首先关注正确的线索?这些都是People.ai的算法想要回答的问题。 “我们扩大了业务范围,不仅仅是与销售人员合作。我们现在与每个接触客户互动的人合作,包括营销人员、内部销售工程师、客户成功和销售支持服务。Rogynskyy解释道:“People.ai不仅捕捉销售人员的活动,而且现在还让团队对整个团队中客户发生的一切有了360度的了解。” 随着数据清理,管理者面临着一个更大的问题。虽然公司不应该因为多年不完整的CRM记录而盲目行事,但像这样的自动化软件会将人的因素从业务中移除。如果管理者有洞察力纯粹基于数据而不是不可估量的定性软技能或个人风格来奖励个人,这样的产品可能会在内部重新定义组织的最佳实践。 投资者认为People.ai是下一代SaaS的基础公司,可以在现有劳动力中提供更高的效率。有一些方法可以从这些交流中筛选出最佳实践,并在整个组织中传播,Andreessen认为在这一方面,People.ai是领先的。“现在,企业中的每个组织都在通过电子邮件和人工输入来收集数据,我们相信这不仅可以在销售方面,而且可以在人力资源、服务、市场营销和金融方面使用与销售完全相同的算法。”   原文链接:预测性销售工具People.ai获3000万美元B轮融资,A16Z领投
    数据清理
    2018年10月26日
关于我们  | 商务合作  | 加入我们  | 那年今日  | 招聘科技峰会精彩回顾  | 上海科技峰会回顾  | 首届HR区块链峰会  | 2017HRTech年度颁奖  | people analytics  | 候选人体验大奖  | HR科技极客大奖  | 深圳科技峰会精彩回顾  | HR共享服务平台  | 三支柱论坛2018  | 2018数字人力资源科技奖榜单  | 2018 数字人力资源科技奖  | 北京2018HRTechCon精彩回顾  | 2018HRTechXPO  | 2018TOP100人物榜单  | 2019年度活动计划  | 2018年度大奖揭晓  | 2018投融资报告  | 2017投融资报告  | INSPIRE 2019精彩回顾  | 2019海外活动计划  | 2019北京招聘科技论坛精彩回顾  | 2019深圳人力资本分析峰会精彩回顾  | 2019中国人力资源科技峰会上海精彩回顾  | 2019HR科技极客大奖  | 北京HRTechXPO未来馆精彩回顾  | 深圳·2019招聘科技创新论坛精彩回顾  | 2019候选人体验大奖榜单  | 中国人力资源科技云图  | 招聘科技云图  | 2019上海招聘科技创新论坛精彩回顾  | 深圳7月19日HRTechXPO精彩回顾  | 2019HRPA上海站精彩回顾  | 2019中国人力资源科技创新奖  | 深圳·2019中国人力资源科技年度峰会精彩回顾  | 2019北京HR科技峰会精彩回顾  | 2019数字人力资源科技奖榜单  | 2019HRTechChina TOP人物榜单  | 2019HRTechTOP人物列表  | 2020中国人力资源科技十大趋势  | 2019HRTechXPO-上海精彩回顾  | 2020HRTechChina品牌活动计划  | 2020HRTech云图入口  | 共同战疫专题  | 2019年度评选榜单  | 2020招聘科技创新虚拟峰会精彩回顾  | 助力企业共同抗疫专题  | 2020年度候选人体验大奖(中国地区)榜单揭晓  | 2020HRTech虚拟峰会精彩回顾  | 提交业务需求  | HR专业直播  | 2020HR科技年度峰会·上海精彩回顾  | 2020HR科技年度峰会·深圳  | 2020中国人力资源科技创新奖榜单  | 2020员工体验中国峰会上海精彩回顾  | 2020数字人力资源科技奖(DigitalHRTech® Awards 2020)获奖榜单重磅揭晓  | 2020中国人力资源科技影响力TOP人物揭晓  | 2020中国人力资源科技影响力TOP人物榜单  | 北京·2020中国人力资源科技年度峰会  | 上海站精彩回顾-2020HRTechXPO未来人力资源科技论坛  | 影响力品牌50强  | 2020HRTechXPO未来人力资源科技论坛·北京站精彩回顾  | HR科技云图认证服务  | EXInstitute.cn  | 2021年度HRTech活动计划安排与评选奖项计划  | 中国人力资源科技发展十大趋势  | 2020年度大奖榜单  | 员工体验研究院  | 2021HRTech创新品牌30强榜单  | 员工体验指数测评  | 2021升级版员工体验旅程图下载  | 2021员工体验大奖榜单  | 2021员工体验中国指数:73.4  | 2021候选人体验大奖榜单  | 2021HR科技创新奖榜单  | 2021人力资本分析大奖揭晓  | 2021数字人力资源科技大奖榜单  | 2021HRTechChina影响力TOP人物榜单  | 详细榜单-2021HRTech影响力TOP人物榜单  | 2022年论坛活动计划  | 中国人力资源科技影响力品牌50强(Brands 50 HRTechChina Influence)榜单  | 2022年度中国人力资源科技发展十大趋势  | 2021中国人力资源科技年度大奖榜单  | 订阅HRTech资讯邮件  | HR科技云图