HR Аналитика. Моделируем воронку подбора и прогнозируем вероятность закрытия вакансии

Почти в каждой компании есть доминирующая позиция, которая занимает самую большую долю сотрудников. Как правило, эта позиция является еще и самой важной в деятельности компании. Сейчас наглядно разберем как с ними работать.

Также каждый руководитель стремится сократить затраты - будь то финансовые, временные или другие. В идеале, процесс подбора должен быть максимально оптимизирован.

Для решения этой задачи существует определенный подход. Он хорошо известен и основан на выборе оптимального варианта из существующих, используя набор важных критериев. В этом случае прекрасно подходит метод «Дерево решений».

Дерево решений (Decision Tree) — это метод, позволяющий делать выбор на основе последовательности решений. Данный метод применяется как для задач классификации, так и регрессии. Суть алгоритма заключается в постепенном делении данных на всё более мелкие группы, пока не будет найдено решение. Название "дерево" связано с тем, что процесс можно изобразить в виде дерева, где каждая ветка представляет собой вопрос или тест, с помощью которого входные данные разделяются на подгруппы. Пройдя через цепочку подобных тестов, мы приходим к решениям (листьям), которые дают ответ на поставленный вопрос или выдают конкретный результат.

В классификации дерево решений помогает отнести объекты к определённым категориям. Оно может определить, подходит ли кандидат на определённую должность, исходя из его навыков, опыта или иных ключевых слов в резюме.

Для задач регрессии дерево решений служит инструментом для прогнозирования численных значений на основе входных данных.

Простой и знакомый пример дерева решений – это работа чат-ботов и голосовых помощников, с которыми многие из нас сталкиваются ежедневно. Допустим, вам нужно узнать баланс своего счета в телекоммуникационной компании. Автоответчик предложит выбрать: нажмите «1» для физических лиц и «2» для юридических лиц. Вы выбираете «1» и переходите на соответствующую ветку. Дальше вам будет предложено выбрать снова: «1» для вопросов по сотовой связи и «2» – по мобильному интернету. Вы вновь нажимаете «1» и переходите на новую ветку. Последний выбор: «1» для информации о балансе, «2» для вопросов о качестве связи или «3» для консультации с оператором. Нажимаете «1», и автоответчик сообщает ваш баланс. Этот пример наглядно демонстрирует, как работает и структурируется дерево решений.

В аналитике дерево решений позволяет разрабатывать бизнес-процессы и принимать решения по стандартным задачам. Наиболее интересным аспектом является возможность предсказания вероятности событий с использованием этого метода.

Чтобы на практике понять, как работает данный инструмент, давайте представим, что нам нужно провести предварительный отбор кандидата на позицию «Архитектор» с помощью метода «Дерево решений».

Этап 1. Из общего набора полученных резюме необходимо выбрать кандидатов для дальнейшего общения с рекрутерами.

Чтобы понять, кто войдет в эту выборку, необходимо сформулировать ряд требований. Заказчик указал на три обязательных условия, без которого кандидатуры не будут приняты во внимание:

• наличие высшего технического образования; • стаж работы в продажах не менее пяти лет; • навыки в BIM.

Отбор будет проводиться в соответствии с этими тремя критериями.

Этап 2. Сформировать дерево решений.

Корневым узлом у нас станет наличие высшего технического образования. Данный критерий позволит разделить всех кандидатов на две группы:

• 0 – высшего технического образования нет; • 1 – высшее техническое образование есть.

Те, кто попал в группу «0», получают отказ, те же, кто прошел в группу «1», переходят на следующий узел – «навыки в BIM».

• 0 – не владеет; • 1 – владеет.

Те, кто прошел в группу «1», переходят на конечный узел – проверку опыта работы:

• 0 – опыт работы до 5 лет; • 1 – опыт работы не менее 5 лет.

Оставшиеся кандидаты переходят на новый узел и распределяются сообразно своему опыту. Заведя наши данные в эту модель, мы обнаружили, что ни один кандидат не прошел отбора и не удовлетворяет всем требованиям заказчика

Анализируя полученные данные, можно заметить, что на последнем этапе отбора («опыт работы не менее 5 лет») остается десять кандидатов, у которых опыт в продажах менее пяти лет, но которые могли бы попасть в выборку.

После дополнительного обсуждения с заказчиком было решено снизить требование к опыту работы с «не менее 5 лет» до «не менее 3 лет». Применяя это новое условие, мы снова пропустили выборку через дерево принятия решений и в итоге получили шесть кандидатов, обладающих нужным образованием, навыкам и опытом работы не менее трех лет. Их резюме были переданы команде рекрутеров для организации интервью.

Теперь представьте, какое количество звонков пришлось бы совершить рекрутерам для создания выборки кандидатов на интервью без использования дерева решений.

Перед нами выборка из десяти кандидатов, каждый из которых обладает определенными характеристиками.

Давайте проведем краткий анализ: среди кандидатов 8 человек имеют образование (80 %), а 2 — нет (20 %). Все кандидаты без образования имеют опыт работы, однако ни один из них не был принят на работу, что означает, что вероятность найма кандидата без образования равна 0 %. Теперь рассмотрим кандидатов с образованием в зависимости от их опыта: среди них 2 человека «без опыта» (25 %), 3 человека с опытом «1–3 года» (37 %), и 3 человека с опытом «3-5 лет» (37 %). Далее разделим кандидатов каждой категории на тех, кто был принят, и тех, кто не был принят на работу. Это позволит нам построить дерево решений, которое отразит наши наблюдения.

Здесь наша цель заключается в следующем: следуя по дереву решений, определить вероятность найма каждого из трех кандидатов.

Первый кандидат проходит через корневой узел и следует по верхней ветке к узлу «Опыт работы». Там он выбирает ветку «Опыт работы 1- 3 года», что приводит к вероятности найма в 33 % (1 случай найма против 2 случаев отказа).

Второй кандидат также проходит через корневой узел, но его вероятность найма равна 0 %.

Третий кандидат проходит через корневой узел и идет по верхней ветке к узлу «Опыт работы». Далее он выбирает ветку «Опыт работы более 3 лет», и таким образом его вероятность найма составляет 100 %.

Далее мы определяем минимально возможный порог той вероятности, при которой кандидатуры будут вообще рассматриваться, – например, 80 %. Теперь специалисту необходимо просеять всех кандидатов через этот фильтр и отправить на рассмотрение рекрутерам лишь тех, у кого вероятность быть принятыми на должность составляет 80 % и выше по результатам скоринга.

Безусловно, метод «Дерево решений» не является единственным инструментом для моделирования и прогнозирования решений, но у него есть несколько значительных преимуществ. Главным из них является простота в интерпретации: даже человек без аналитического опыта легко поймет логику принятия решений, заложенную в этом методе. Это понимание способствует повышению доверия к системе и результатам её работы.

Другим важным преимуществом метода является возможность работы с разнообразными данными. Деревья принятия решений могут эффективно обрабатывать как числовую, так и категориальную информацию, что позволяет использовать их как для задач классификации, так и регрессии.

Отмечу и ограничение. Глубокие деревья, особенно те, которые содержат много уровней, могут стать трудными для интерпретации и понимания.

Благодарю всех, кто открыл и дочитал статью до конца. Буду рад вашим оценкам и комментариям!