H0H1: про HR-аналитику

Bayesium – LLM чат-бот. Часть 3. Создаём Telegram чат-бота

2025-02-15T16:05:04.165Z

Будучи вдохновлённым статьёй Кита МакНалти [1], я решил развить изложенную в ней идею и создать чат-бота в Telegram, который будет отвечать на вопросы, опираясь исключительно на книги по байесовской статистике.

В предыдущих частях серии мы создали локальную базу данных с книгами по байесовской статистике [2] и настроили LLM с использованием RAG-фреймворка, которая даёт ответы на вопросы на основе этих книг [3]. В завершающей статье мы настроим более дружелюбный интерфейс для работы, воспользовавшись возможностями Telegram чат-ботов.

Создать бота в Telegram очень просто, для этого находим поиском BotFather и командой /newbot даём жизнь новому боту. Далее выбираем имена и получаем токен, который понадобится для дальнейшей работы. Вызовите команду /mybots, если хотите кастомизировать бота, установить логотип, дать описание и прочее.

Пример создания бота Bayesium

Теперь настала пора открыть Python и реализовать логику работы чат-бота. В этой статье я рассмотрю только вопросы настройки бота, поэтому, для краткости, код по LLM из предыдущей статьи [3] не будет повторен.

Мы будем работать с API Telegram для этого в первый раз устанавливаем, а далее подключаем необходимые пакеты.

# Установка необходимых пакетов:
# pip install python-telegram-bot


# Подключаем пакеты для работы с Telegram
import logging
from telegram import Update
from telegram.ext import ApplicationBuilder, CommandHandler, MessageHandler, ContextTypes, filters

# Для работы с регулярными выражениями
import re


Также для работы бота нам понадобится использовать асинхронные функции, для чего воспользуемся следующей библиотекой 

# Импорт и применение nest_asyncio для обеспечения корректной работы асинхронного кода
import nest_asyncio
nest_asyncio.apply()

Для соблюдения авторских прав и личного использования бот будет отвечать только на мои сообщения. Для этого укажем мой Telegram ID.

# ID пользователя, которому разрешено использовать бота
ALLOWED_USER_ID = 164935376

Настало время определить поведение традиционной для телеграм-бота команды /start. Напишем для этого следующую фукнцию:

async def start(update: Update, context: ContextTypes.DEFAULT_TYPE) -> None:
    """
    Обрабатывает команду /start:
      - Проверяет, является ли пользователь авторизованным.
      - Отправляет приветственное сообщение.
    """
    user_id = update.effective_user.id
    if user_id != ALLOWED_USER_ID:
        await update.message.reply_text("Извините, но вы не можете воспользоваться этим ботом.")
        return

    await update.message.reply_text(
        "Привет! Я Байезиум - бот по байесовской статистике. 
         Задай мне вопрос, и я отвечу на основе книг Ричарда МакЭлрита и 
         Джона Крушке"
    )

Потерпев поражение в битве с markdown форматированием сообщений, я создаю дополнительную функцию, которая будет переводить текст в HTML. Это позволяет красиво отображать блоки кода (сниппеты) в сообщениях:

def format_code_for_telegram(text: str, parse_mode: str = "HTML") -> str:
    """
    Форматирует текст для Telegram с использованием HTML:
      - Экранирует специальные HTML-символы.
      - Преобразует блоки кода, выделенные с помощью ```...```, в HTML-теги <pre><code>...</code></pre>.
    """
    if parse_mode == "HTML":
        # Экранирование символов &, <, >
        text = text.replace("&", "&amp;").replace("<", "&lt;").replace(">", "&gt;")
        # Замена блоков кода на HTML-формат
        text = re.sub(r"```(\w+)?\n(.*?)```", r"<pre><code>\2</code></pre>", text, flags=re.DOTALL)
        return text
    else:
        return text

Следующая функция является ключевой: она принимает вопрос пользователя, передаёт его в LLM-модель (функция ask_question, реализованная в [3]) и возвращает ответ.

async def handle_message(update: Update, context: ContextTypes.DEFAULT_TYPE) -> None:
    """
    Обрабатывает входящие сообщения:
      - Проверяет авторизацию пользователя.
      - Извлекает текст вопроса из сообщения.
      - Уведомляет пользователя о начале обработки.
      - Вызывает функцию ask_question для получения ответа.
      - Форматирует ответ и отправляет его обратно пользователю.
    """
    
    user_id = update.effective_user.id
    if user_id != ALLOWED_USER_ID:
        await update.message.reply_text("Извините, но вы не можете воспользоваться этим ботом.")
        return

    question = update.message.text
    print(f"DEBUG: Received message - {question}")
    logging.info(f"DEBUG: Received message - {question}")

    # Информируем пользователя о том, что запрос обрабатывается
    await update.message.reply_text("Осуществляется обработка вашего вопроса, пожалуйста, ожидайте...")

    try:
        # Выполнение функции ask_question в отдельном потоке, чтобы не блокировать event loop
        answer = await asyncio.to_thread(ask_question, question)
        print(f"DEBUG: Answer generated - {answer}")
        logging.info(f"DEBUG: Answer generated - {answer}")

        # Форматирование ответа для корректного отображения в Telegram
        formatted_answer = format_code_for_telegram(answer, parse_mode="HTML")
    except Exception as e:
        logging.error(f"Error in ask_question: {e}")
        formatted_answer = "Извините, что-то пошло не так во время исполнения запроса"

    # Отправка отформатированного ответа пользователю
    await update.message.reply_text(formatted_answer, parse_mode="HTML")

Ниже приведён последний фрагмент кода для запуска бота:

async def main() -> None:
    """
    Основная функция:
      - Создает экземпляр приложения Telegram-бота.
      - Регистрирует обработчики команд и сообщений.
      - Запускает цикл поллинга для получения обновлений.
    """
    application = ApplicationBuilder().token("<ВАШ API KEY>").build()

    # Регистрация обработчика команды /start
    application.add_handler(CommandHandler("start", start))
    # Регистрация обработчика для всех остальных сообщений
    application.add_handler(MessageHandler(filters.ALL, handle_message))

    # Запуск бота в режиме поллинга
    await application.run_polling()

if __name__ == '__main__':
    # Настройка логирования для отслеживания событий и ошибок
    logging.basicConfig(
        format='%(asctime)s - %(name)s - %(levelname)s - %(message)s', level=logging.INFO
    )

    import asyncio
    # Запуск основной функции с использованием asyncio
    asyncio.run(main())

Теперь настало время перейти в Telegram и задать вопрос. Например, можно спросить: "Как правильно учесть post-treatment эффект? Приведи пример кода на R." Бот обработает запрос и вернёт ответ, сгенерированный на основе специализированных книг.

Пример разговора с ботом Bayesium в Telegram

Для постоянной работы бота его можно запустить на сервере. Пример настройки серверного окружения для запуска Telegram-бота доступен в одной из моих статей [4].

Подводя итог серии, можно сказать, что, расширив идею Кита МакНалти, мне удалось создать чат-бота, который, опираясь на специализированные книги по байесовской статистике, даёт ответы в удобном интерфейсе Telegram. Дальнейшим развитием модели могла бы стать поддержка контекста во время диалога, однако моя серия статей закончится на этом месте, и я оставляю такую возможность другим энтузиастам.

Код доступен на моём GitHub.

Ссылки

Bayesium – LLM чат-бот. Часть 2. RAG-фреймворк: как настроить LLM для работы со специализированной базой знаний

2025-02-08T13:24:05.080Z

В предыдущей статье [2] мы создали локальную базу данных с книгами по байесовской статистике. В этой части переходим к основной задаче – настройке LLM с применением RAG (Retrieval-Augmented Generation). Коротко напомню: наша цель – настроить LLM таким образом, чтобы ответы формировались строго на основе книг, которые мы разместили в базе данных.

В оригинальной статье МакНалти LLM разворачивается локально на машине, что требует значительных вычислительных ресурсов. Мы же пойдём другим путём и воспользуемся безсерверными (serverless) и бесплатными моделями. Известными платформами для такой задачи являются Hugging Face [3] и OpenRouter [4]. В нашем случае мы будем работать с OpenRouter.

Стартовая страница https://openrouter.ai/

После регистрации на платформе необходимо создать API-ключ. Важно! Сохраните данные о ключе в отдельном документе – после первого показа вы уже не сможете их просматривать.

Особенность платформы OpenRouter в том, что она позволяет легко отличить бесплатные модели от платных по ключевому слову free. Для чат-бота Bayesium я остановился на модели «Llama 3.1 70 B». Сейчас на OpenRouter бесплатно доступна ультрасовременная китайская модель DeepSeek, но для нашей задачи такая мощность не требуется, а стоять в очереди, которая неизбежна из-за хайпа и высокой нагрузки на DeepSeek, совсем не хочется.

Переходим к настройке RAG в Python.

# Установка необходимых пакетов:
# pip install openai

# Импортируем библиотеку для работы с ChromaDB
import chromadb
from chromadb.utils import embedding_functions
from chromadb.utils.batch_utils import create_batches

# Импортируем клиент OpenAI для работы с API OpenRouter
from openai import OpenAI

Теперь прочитаем наши книги с локальной базы для теста, которую развернули в прошлой статье.

# Указываем путь к локальной базе данных ChromaDB
CHROMA_DATA_PATH = "chroma_data_bayesium/"
# Используем предобученную модель для получения эмбеддингов
EMBED_MODEL = "all-MiniLM-L6-v2"
# Название коллекции, в которой хранятся документы
COLLECTION_NAME = "bayesium"

# Инициализируем клиента ChromaDB для работы с персистентным хранилищем
chromadb_client = chromadb.PersistentClient(path=CHROMA_DATA_PATH)

# Переинициализируем функцию эмбеддинга с использованием выбранной модели
embedding_func = embedding_functions.SentenceTransformerEmbeddingFunction(
    model_name=EMBED_MODEL
)

# Получаем уже созданную коллекцию с книгами по байесовской статистике
collection = chromadb_client.get_collection(
    name=COLLECTION_NAME,
    embedding_function=embedding_func  
)

Создаём клиента OpenAI для доступа к API OpenRouter.

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="<ВАШ API KEY>", 
)

Ниже представлена функция, которая принимает вопрос, выбирает n наиболее подходящих документов из базы и передаёт их LLM для генерации ответа. При этом в ответе будет содержаться информация о книге и главах (из метаданных), на основе которых был сформирован ответ.

Обратите внимание, что книги на английском языке, поэтому весь процесс (поиск по схожести и формирование запроса) происходит на английском.

def ask_question(question: str, n_docs: int = 3) -> str:
    """
    Функция для обработки вопроса.
    
    Аргументы:
      question (str): Текст вопроса.
      n_docs (int): Количество документов, извлекаемых из базы для формирования ответа.
      
    Возвращает:
      str: Сгенерированный ответ LLM.
    """
    
    # Получаем коллекцию из базы ChromaDB
    collection = chromadb_client.get_collection(
        name=COLLECTION_NAME,
        embedding_function=embedding_func  
    )
    
    # Выполняем поиск по схожести: получаем n_docs наиболее релевантных документов
    results = collection.query(
        query_texts=[question],
        n_results=n_docs
    )
    
    # Формируем контекст с текстом документа и соответствующими метаданными (глава, источник)
    context_with_metadata = ""
    referenced_chapters = set()  # Множество для хранения уникальных названий глав
    referenced_sources = set()   # Множество для хранения уникальных источников

    # Проходим по найденным документам
    for i, document in enumerate(results['documents'][0]):
        # Получаем метаданные для текущего документа
        metadata = results['metadatas'][0][i]  
        chapter = metadata.get('chapter', 'Unknown Chapter')  
        referenced_chapters.add(chapter) 
        source = metadata.get('source') 
        referenced_sources.add(source)
        
        # Формируем строку с информацией о документе
        context_with_metadata += f"Document {i+1} (Chapter: {chapter}):\n"
        context_with_metadata += f"{document}\n"
        context_with_metadata += "-" * 50 + "\n"

    # Объединяем названия глав и источники в строку для дальнейшего упоминания в ответе
    chapters_list = ", ".join(referenced_chapters)
    sources = ", ".join(referenced_sources)

    # Формируем окончательный запрос для LLM, включающий вопрос и контекст
    prompt = f"""
    You are an expert on statistics and its applications to analytics.
    Here is a question: {question}
    Answer it strictly based on the following information:
    {context_with_metadata}
    When providing the answer, reference the chapters used by stating "This information is from {chapters_list} by {sources}".
    If the context does not provide enough information, say "I cannot answer this question based on the provided context."
    """

    # Оборачиваем запрос в формате сообщений для модели
    messages = [
        {"role": "user", "content": prompt}
    ]

    # Отправляем запрос на генерацию ответа LLM с помощью OpenRouter
    completion = client.chat.completions.create(
        model="meta-llama/llama-3.1-70b-instruct:free", 
        messages=messages,
        max_tokens=1000,
        temperature=0.25
    )

    # Возвращаем сгенерированный ответ
    return completion.choices[0].message.content

Протестируем модель вопросом о том, как построить модель в R используя функцию ulam(), эта информация описана в книге МакЭлрита Statistical Rethinking [5].

question = "Give an example of regression using the Ulam function in R."

answer = ask_question(question)
print(answer)

Пример ответа на вопрос

Подражая Киту МакНалти зададим вопрос о том, чего точно нет в содержании этих книг: например, как построить дашборд?

question = "Give an example how to create a dashboard"

answer = ask_question(question)
print(answer)

Пример ответа на вопрос

Мне очень понравился этот ответ, нам не только рассказали, что в книгах такой информации нет, но рекомендовали R, ggplot2 и Shiny. Очень круто!

Лично мне неудобно отправлять запросы через интерфейс Jupyter, поэтому, учитывая, что я много времени провожу в Telegram, в следующей статье я расскажу, как настроить полноценного чат-бота на основе данной модели.

Код доступен на моём GitHub.

Ссылки

Keith McNulty. How I Created an AI Version of Myself
Ботвин А.Ю. Bayesium – LLM чат-бот. Часть 1. Сбор и подготовка данных
https://huggingface.co/
https://openrouter.ai/
McElreath R. Statistical rethinking a bayesian course second edition

Bayesium – LLM чат-бот. Часть 1. Сбор и подготовка данных

2025-02-01T19:36:09.468Z

Если вы следите за моим каналом, то, возможно, помните, что 2023 год был посвящён байесовской статистике. Основное внимание я уделял двум выдающимся книгам: Doing Bayesian Analysis Джона Крушке [2] и несравненной Statistical Rethinking Ричарда МакЭлрита [3] — моей «библии» по статистике.

Однако время идёт, и, хотя эти книги остаются для меня важными, обращаться к ним ежедневно уже не получается. Что-то неизбежно забывается, и на помощь приходят технологии LLM, которым посвящён этот год на канале.

Можно было бы просто использовать любую доступную LLM-модель (например, DeepSeek) для ответов на вопросы, но мне важно получать ответы исключительно на основе этих двух книг, да ещё и с указанием глав и источников. Именно такую возможность предоставляет фреймворк RAG (Retrieval Augmented Generation) [4], который позволяет создавать контекст для генерации ответов на основе заданных материалов.

В оригинальной статье Кит МакНалт использовал свою книгу, размещённую на GitHub. В моём случае источниками являются PDF-файлы, поэтому в первой части этой серии мы разберёмся, как обработать их и загрузить в базу данных.

Начнём с моей любимой книги Ричарда МакЭлрита, поскольку её обработка оказывается самой простой. Главы в файле оформлены с помощью закладок, что упрощает задачу и избавляет нас от необходимости ручной разметки по страницам.

McElreath R. Statistical rethinking a bayesian course second edition

Перед запуском кода убедитесь, что все книги находятся в рабочей директории. Далее открываем Python и приступаем к работе.

# Устанавливаем необходимые библиотеки (если они ещё не установлены):
# pip install pymupdf
# pip install langchain-community
# pip install chromadb
# pip install sentence-transformers
# pip install --upgrade torch torchvision torchaudio

import fitz               # PyMuPDF для работы с PDF
import pandas as pd       # Для работы с датафреймами
import re                 # Для работы с регулярными выражениями

from langchain_community.document_loaders import DataFrameLoader  # Загрузчик для работы с DataFrame
from langchain.text_splitter import RecursiveCharacterTextSplitter   # Разбиватель текста на части

import chromadb            # Для работы с базой данных векторных эмбеддингов
from chromadb.utils import embedding_functions
from chromadb.utils.batch_utils import create_batches

import uuid                # Для генерации уникальных идентификаторов

Перечислим все названия книг. Последний файл – это решения к книге Джона Крушке.

rethinking_directory = "McElreath R. Statistical rethinking a bayesian course second edition.pdf" 
doingbayesianda_directory = "Krushcke J.K. DoingBayesian DataAnalysis.pdf" 
doingbayesianda_solutions_directory = "Krushcke J.K. DoingBayesian DataAnalysis. Solutions.pdf"

После установки и подключения всех необходимых для работы библиотек напишем такую функцию, которая будет читать PDF файл и использовать закладки как название глав.

def read_pdf(pdf_path):
    """
    Читает PDF-файл и извлекает текст по главам на основе закладок.
    
    Аргументы:
    - pdf_path: путь к PDF-файлу.
    
    Возвращает:
    - main_chapters: словарь, где ключом является название главы, а значением – текст этой главы.
    """
    
    doc = fitz.open(pdf_path)         # Открываем PDF-документ
    bookmarks = doc.get_toc()           # Получаем оглавление (закладки)
    
    main_chapters = {}                # Словарь для хранения глав
    current_main_chapter = None       # Текущая основная глава
    
    # Проходим по всем закладкам
    for i, bookmark in enumerate(bookmarks):
        level, title, page_start = bookmark 
        page_start -= 1  # Переводим страницу в 0-индексацию
        
        # Определяем конец главы: до следующей закладки или до конца документа
        page_end = bookmarks[i + 1][2] - 1 if i + 1 < len(bookmarks) else len(doc)
        
        chapter_text = ""
        # Собираем текст со страниц от начала до конца главы
        for page_num in range(page_start, page_end):
            chapter_text += doc.load_page(page_num).get_text()
        
        # Если уровень закладки равен 1, это основная глава
        if level == 1:
            current_main_chapter = title
            main_chapters[current_main_chapter] = chapter_text.strip()
        # Если это подпункт, добавляем его к текущей главе
        elif current_main_chapter:
            main_chapters[current_main_chapter] += "\n\n" + chapter_text.strip()
    
    return main_chapters

Сначала прочитаем книгу и исключим все не относящиеся к содержательному материалу главы (например, титульные страницы, оглавление, библиографию и т.д.).

# Читаем книгу Ричарда МакЭлрита
rethinking_raw = read_pdf(rethinking_directory)

# Определяем названия глав, которые необходимо исключить
rethinking_chapters_exclusion = [
    'Cover', 
    'Half Title', 
    'Title Page', 
    'Copyright Page', 
    'Table of Contents', 
    'Preface to The Second Edition', 
    'Preface', 
    'Endnotes', 
    'Bibliography', 
    'Citation Index', 
    'Topic Index'
]

# Фильтруем главы, оставляя только содержательные
rethinking_raw = {title: text for title, text in rethinking_raw.items() if title not in rethinking_chapters_exclusion}

# Записываем результаты в DataFrame для дальнейшей обработки
rethinking_df = pd.DataFrame(list(rethinking_raw.items()), columns=["chapter", "text"])
rethinking_df['source'] = 'McElreath R.'  # Добавляем информацию об авторе

# Выводим DataFrame для проверки результата
rethinking_df

Теперь повторим аналогичную процедуру для книги Джона Крушке.

# Читаем книгу Джона Крушке
doingbayesianda_raw = read_pdf(doingbayesianda_directory)

# Определяем названия глав, которые необходимо исключить
doingbayesianda_chapters_exclusion = [
    "1. Front-Matter_2015_Doing-Bayesian-Data-Analysis-Second-Edition-",
    "2. Copyright_2015_Doing-Bayesian-Data-Analysis-Second-Edition-",
    "3. Dedication_2015_Doing-Bayesian-Data-Analysis-Second-Edition-",
    "32. Bibliography_2015_Doing-Bayesian-Data-Analysis-Second-Edition-",
    "33. Index_2015_Doing-Bayesian-Data-Analysis-Second-Edition-"
]

# Фильтруем главы
doingbayesianda_raw = {
    title: text 
    for title, text in doingbayesianda_raw.items() 
    if title not in doingbayesianda_chapters_exclusion
}

# Записываем результаты в DataFrame
doingbayesianda_df = pd.DataFrame(list(doingbayesianda_raw.items()), columns=["chapter", "text"])
doingbayesianda_df['source'] = 'Krushcke J.K.' # Добавляем информацию об авторе

# Выводим DataFrame для проверки результата
doingbayesianda_df

Названия глав в книге Джона Крушке выглядят не так красиво, как в книге МакЭлрита. Для приведения их к единому стилю воспользуемся функцией, использующей регулярные выражения.

def pretty_chapter_title(input_string):
    """
    Приводит название главы к более читабельному виду.
    
    Аргументы:
    - input_string: исходная строка с названием главы.
    
    Возвращает:
    - cleaned_string: очищенная и форматированная строка.
    """
    # Удаляем ведущие цифры и точку (например, "1. ")
    cleaned_string = re.sub(r"^\d+\.\s*", "", input_string)
    # Удаляем всё, что идёт после символа подчеркивания (например, "_2015_...")
    cleaned_string = re.sub(r'_.*$', '', cleaned_string)
    # Заменяем дефисы на пробелы
    cleaned_string = cleaned_string.replace("-", " ")
    # Добавляем двоеточие после слова "Chapter" и номера
    cleaned_string = re.sub(r"Chapter (\d+)", r"Chapter \1:", cleaned_string)
    # Исправляем возможное отсутствие апострофа (например, "John s" -> "John's")
    cleaned_string = re.sub(r"(\w) s ", r"\1's ", cleaned_string)
    return cleaned_string.strip()

# Применяем функцию к столбцу с названиями глав в DataFrame книги Крушке
doingbayesianda_df['chapter'] = doingbayesianda_df['chapter'].apply(pretty_chapter_title)

# Выводим DataFrame для проверки результата
doingbayesianda_df

Теперь названия глав в обеих книгах унифицированы. Последний файл – решения к книге Джона Крушке не столь удобен, так как в нём нет закладок и нам придется воспользоваться постраничной разметкой.

def read_pdf_by_pages(pdf_path, chapter_ranges):
    """
    Читает PDF-файл и извлекает текст по заданным диапазонам страниц для каждого раздела.
    
    Аргументы:
    - pdf_path: путь к PDF-файлу.
    - chapter_ranges: список кортежей, где каждый кортеж содержит:
        (название раздела, номер стартовой страницы, номер конечной страницы).
        Нумерация страниц начинается с 1.
    
    Возвращает:
    - main_chapters: словарь, где ключ — название раздела, а значение — текст, извлечённый из указанного диапазона страниц.
    """
    
    # Открываем PDF-документ с помощью PyMuPDF (fitz)
    doc = fitz.open(pdf_path)
    main_chapters = {}  # Словарь для хранения результатов
    
    # Проходим по каждому разделу, определённому в chapter_ranges
    for chapter_title, start_page, end_page in chapter_ranges:
        chapter_text = ""  # Инициализируем переменную для накопления текста раздела
        # Обратите внимание: страницы в PyMuPDF индексируются с 0, поэтому вычитаем 1 из start_page.
        for page_num in range(start_page - 1, end_page):
            # Получаем текст со страницы, удаляем лишние пробелы и добавляем символ перевода строки для разделения страниц
            text = doc.load_page(page_num).get_text()
            chapter_text += text.strip() + "\n"
        # Сохраняем текст раздела в словаре с ключом chapter_title
        main_chapters[chapter_title] = chapter_text.strip()
    
    return main_chapters

# Задаём диапазоны страниц для каждой главы
chapter_ranges = [
    ("Chapter 2. Solutions", 5, 6),
    ("Chapter 3. Solutions", 7, 9),
    ("Chapter 4. Solutions", 10, 16),
    ("Chapter 5. Solutions", 17, 31),
    ("Chapter 6. Solutions", 32, 41),
    ("Chapter 7. Solutions", 42, 51),
    ("Chapter 8. Solutions", 52, 58),
    ("Chapter 9. Solutions", 59, 70),
    ("Chapter 10. Solutions", 71, 80),
    ("Chapter 11. Solutions", 81, 86),
    ("Chapter 12. Solutions", 87, 94),
    ("Chapter 13. Solutions", 95, 104),
    ("Chapter 14. Solutions", 105, 110),
    ("Chapter 15. Solutions", 111, 113),
    ("Chapter 16. Solutions", 114, 122),
    ("Chapter 17. Solutions", 123, 131),
    ("Chapter 18. Solutions", 132, 141)
]

# Читаем PDF-файл с решениями к книге Джона Крушке, используя указанные диапазоны страниц
doingbayesianda_solutions_raw = read_pdf_by_pages(doingbayesianda_solutions_directory, chapter_ranges)

# Преобразуем полученный словарь в DataFrame для удобного анализа и дальнейшей обработки
doingbayesianda_solutions_df = pd.DataFrame(list(doingbayesianda_solutions_raw.items()), columns=["chapter", "text"])
doingbayesianda_solutions_df['source'] = 'Krushcke J.K.' # Добавляем информацию об авторе

# Выводим DataFrame для проверки результата
doingbayesianda_solutions_df

Ниже приведён пример того, как можно очистить текст от нежелательных артефактов (например, колонтитулов, нумерации страниц и прочего), используя регулярное выражение. В данном случае мы определяем шаблон, который соответствует содержимому колонтитулов, и удаляем его из столбца text.

# Определяем регулярное выражение для удаления колонтитулов,
# в котором содержатся фрагменты: название книги, год, нумерация страниц и номера глав.
footnote_pattern = r"(Solutions to Exercises in Doing Bayesian Data Analysis 2nd Ed\. by John K\. Kruschke © 2015\.\s*Page \d+ of \d+\s*Chapter(s)? \d+)"

# Удаляем найденные шаблоны из столбца 'text'
doingbayesianda_solutions_df["text"] = doingbayesianda_solutions_df["text"].str.replace(footnote_pattern, "", regex=True)

Соединяем все три документа в один датафрейм.

books = pd.concat([rethinking_df, doingbayesianda_df, doingbayesianda_solutions_df], ignore_index=True)

Далее мы разворачиваем локальную базу данных для наших книг, в которую добавляем документы батчами и используем косинусную меру для оценки схожести эмбеддингов, что впоследствии повлияет на корректность ответов нашего чат-бота. В этой части мы повторяем код из оригинальной статьи Кита МакНалти [1] лишь с небольшими видоизменениями.

# Загружаем данные из объединённого DataFrame с нашими книгами.
loader = DataFrameLoader(books, page_content_column="text")
data = loader.load()

# Разбиваем документы на чанки для лучшей генерации эмбеддингов и поиска релевантного контекста
chunk_overlap — перекрытие между чанками.
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=150)
docs = text_splitter.split_documents(data)
len(docs)
# 4135

# Определяем путь для хранения локальной базы данных Chroma.
CHROMA_DATA_PATH = "chroma_data_bayesium/"
# Используем модель для генерации эмбеддингов.
EMBED_MODEL = "all-MiniLM-L6-v2"


# Создаем клиент ChromaDB, чтобы данные сохранялись локально.
chromadb_client = chromadb.PersistentClient(path=CHROMA_DATA_PATH)

# Задаем имя коллекции, в которой будут храниться текстовые чанки наших книг.
COLLECTION_NAME = "bayesium"

# Определяем embedding_function на базе модели SentenceTransformer.
embedding_func = embedding_functions.SentenceTransformerEmbeddingFunction(
    model_name=EMBED_MODEL
)

# Создаем коллекцию в ChromaDB. Обратите внимание, что в metadata указываем использование косинусной меры, что улучшает точность поиска схожих эмбеддингов.
collection = chromadb_client.create_collection(
    name=COLLECTION_NAME,
    embedding_function=embedding_func,
    metadata={"hnsw:space": "cosine"},
)

# Определяем метаданные 
# В метадате передается информация об авторе, названии главы и индексе чанка.
custom_metadata = [
    {
        'source': doc.metadata.get('source', 'Unknown'),
        'chapter': doc.metadata.get('chapter', 'Unknown'),
        'chunk_index': index
    } 
    for index, doc in enumerate(docs)
]

# Далее мы записываем полученные текстовые чанки в базу данных батчами. 
# Функция create_batches автоматически разбивает данные на группы, которые потом загружаются в коллекцию.
batches = create_batches(
    api=chromadb_client,
    ids=[f"{uuid.uuid4()}" for i in range(len(docs))], 
    documents=[doc.page_content for doc in docs], 
    metadatas=custom_metadata  # Use the customized metadata
)

# Добавляем данные в коллекцию батчами. 
for batch in batches:
    print(f"Adding batch of size {len(batch[0])}")
    collection.add(
        ids=batch[0],     
        documents=batch[3], 
        metadatas=batch[2] 
    )

Сделаем тестовый запрос чтобы проверить, что документы собираются по схожести.

question = "How to use ulam()?"

collection.query(
        query_texts=[question],
        n_results=5
    )

Мы закончили с подготовкой данных, в следующей статье мы научим LLM-модель давать ответы на основе этих трех книг.

Код доступен на моём GitHub.

Ссылки

Keith McNulty. How I Created an AI Version of Myself
Krushcke J.K. DoingBayesian DataAnalysis
McElreath R. Statistical rethinking a bayesian course second edition
RAG (Retrieval Augmented Generation) — простое и понятное объяснение

Как я настроил саммаризацию постов с помощью YandexGPT

2025-01-19T11:39:30.091Z

В этой статье я расскажу, как с помощью продуктов Яндекса настроить хранение, автоматическое создание краткого содержания (саммаризацию) и визуализацию постов телеграм-канала. Для меня, как автора одного из таких каналов и довольно педантичного человека, это эффективный способ систематизировать работу с контентом. Кроме того, это интересная возможность на практике познакомиться с LLM от компании Яндекс — YandexGPT.

Lego HR-аналитики используют YandexGPT

Получение данных из Telegram

Начнем с того, что научимся парсить телеграм-посты. Это единственная часть повествования, где я буду использовать стороннее решение, не относящееся к продуктам Яндекса.

Я использую tdl ("Telegram Downloader, but more than a downloader") [1]. Обратитесь к документации [2] для самостоятельной настройки этого инструмента на своей машине.

После настройки переходим в Python и читаем сообщения канала за всё время.

# Подключаем библиотеку subprocess
import subprocess

# Создаем функцию для выполнения команд tdl из Python
def run_tdl_export():
    command = [
        "tdl",
        "chat",
        "export",
        "-n",
        "quickstart",
        "-c",
        "<YOUR TELEGRAM CHANNEL ID>", #id вашего телеграм канала
        "--all",
        "--with-content",
        "-o",
        "C:/db/tg.json" #директория и файл, в который записан результат
    ]

    subprocess.run(command)

# Запускаем исполнение
if __name__ == "__main__":
    run_tdl_export())

Данные записываются в файл формата JSON. Теперь прочитаем их с помощью Python.

# Подключаем библиотеку json
import json

# Читаем файл из нашей директории
with open('C:\\db\\tg.json', 'r', encoding='utf-8') as f:
    data = json.load(f)

Пример загруженных данных

Для удобства представления я хочу трансформировать JSON в пандас датафрейм и добавить несколько полезных колонок.

#Подключаем необходимые библиотеки
import pandas as pd
import re
import datetime as dt


# Создаем ряд вспомогательных функций

# Функция для конвертации Unix-времени в ISO-формат
def convert_unix_to_date(timestamp):
    dt_object = dt.datetime.utcfromtimestamp(timestamp)
    formatted_date = dt_object.strftime('%Y-%m-%d')
    return formatted_date
    
# Функция для извлечения хештегов в виде списка
pattern = re.compile(r'#(\w+)')

def find_hashtags(text):
    return [hashtag.lower() for hashtag in pattern.findall(str(text))]
    
# Функция для извлечения хештегов в виде строки
def find_hashtags_string(text):
    return ', '.join([hashtag.lower() for hashtag in pattern.findall(str(text))])
    
# Ручной классификатор тем на основе ключевых фраз
def text_category(text):   
    phrases_categories = {
        'регрессиада': 'Регрессиада',
        'вы возглавляете hr-аналитику. что теперь?': 'Вы возглавляете HR-аналитику. Что теперь?',
        'анализ hr вакансий': 'Анализ HR вакансий',
        'hr дашборд в excel': 'HR дашборд в Excel',
        'байесовский фреймворк и hr задачи': 'Байесовский фреймворк и HR задачи',
        'нормальное распределение': 'Обзорная статистическая серия',
        'логарифмирование и преобразование переменных': 'Обзорная статистическая серия',
        'доверительные интервалы': 'Обзорная статистическая серия',
        'корреляция. теория': 'Обзорная статистическая серия',
        'корреляция. практика': 'Обзорная статистическая серия',
        'статистическая значимость и размер эффекта. теория': 'Обзорная статистическая серия',
        'статистическая значимость и размер эффекта. практика': 'Обзорная статистическая серия',
        'как перестать бояться и полюбить r': 'Как перестать бояться и полюбить R'
    }
    text_lower = text.lower()
    
    for phrase, category in phrases_categories.items():
        if phrase in text_lower:
            return category
        
    return None 
    
# # Трансформируем данные в Pandas DataFrame
df = pd.json_normalize(data['messages'])

df['date'] = df['date'].apply(convert_unix_to_date) #Конвертация даты
df['title'] = df['text'].apply(lambda x: str(x).split('\n')[0]) #Первая строка текста как заголовок
df['link'] = 'https://t.me/h0h1_hr_analytics/' + df['id'].astype(str) #Генерация ссылки
df['hashtags'] = df['text'].apply(find_hashtags) #Хештеги как список
df['hashtags_string'] = df['text'].apply(find_hashtags_string) #Хештеги как строка
df['refreshed_date'] =  dt.datetime.now().strftime('%Y-%m-%d %H:%M:%S') #Дата обновления
df['series'] = df['title'].apply(text_category) #Категория текста

Пример датафрейма

Генерация саммари с YandexGPT API

Для дальнейшей работы потребуется создать Яндекс ID и выполнить ряд настроек в сервисе Yandex Cloud. Вы можете обратиться к официальной документации, однако более быстрым и понятным вариантом я считаю первую часть статьи [3], где автор подробно описал все шаги в удобном формате.

К слову, во второй части этой статьи показано, как работать с API YandexGPT через HTTP-запросы. Мы же пойдем другим путем и будем использовать SDK для упрощения интеграции.

# Подключаем необходимые библиотеки
from __future__ import annotations
from yandex_cloud_ml_sdk import YCloudM

# Настраиваем модель YandexGPT через SDK
sdk = YCloudML(
    folder_id="<YOUR FOLDER ID>", # Замените на ваш ID каталога в Yandex Cloud
    auth="<YOUR TOKEN>"           # Укажите ваш токен аутентификации
)

model = sdk.models.completions("yandexgpt") # Инициализируем модель YandexGPT
model = model.configure(temperature=0.5) # Регулируем "креативность" модели

Я хочу написать такую фукнцию, которая будет делать короткое саммари не более 200 символов на основе текста моих постов (YandexGPT не всегда будет удерживать требование к длине, но нарушения не критичны).

# Подключаем библиотеку time
import time

# Генерация саммари для всех постов
def get_summary(text, delay=1):
    
    if not text:
        return ""
    try:
        time.sleep(delay) # Небольшая задержка для распределения запросов
        messages = [
            {"role": "system", "text": "Сделай очень краткий пересказ текста. Длина не более 200 знаков."},
            {"role": "user", "text": text},
        ]
        result = model.run(messages)
        for alternative in result:
            return alternative.text.strip() # Возвращаем первое подходящее саммари
    except Exception as e:
        print(f"Error processing text: {e}")
        return "" # Возвращаем пустую строку в случае ошибки

Прежде, чем вызвать функцию помните, что использование API YandexGPT производится на платной основе! С тарифами можно ознакомиться на странице документации [4], а на странице биллинга вашего сервиса вы можете отслеживать текущие затраты.

Чтобы минимизировать расходы, я напишу вторую функцию. Она будет генерировать саммари только для новых постов, избегая повторной обработки старых записей. Такой подход позволит сохранить бюджет и оптимизировать использование API.

# Генерация саммари только для новых постов
def conditional_summary(row, delay=1):
    if row['is_new']: # Проверяем, является ли пост новым
        time.sleep(delay)
        return get_summary(row['text'], delay=0)
    else:
        # Возвращаем существующее саммари для старого поста
        return current_table.loc[current_table['id'] == row['id'], 'summary'].values[0]

В первый раз применим нашу функцию для всех данных и запишем результат в новую колонку. В моем примере 205 телеграм постов, время работы функции заняло шесть минут, а стоимость составила 56 рублей.

df['summary'] = df['text'].apply(get_summary)

Преьвю саммаризацит постов в колонке summary

Хранение в ClickHouse

Поскольку большую часть проекта я решил реализовать с помощью продуктов Яндекса, результаты будем хранить в базе данных ClickHouse — одном из моих любимых инструментов. Однако вы, конечно, можете выбрать любое другое решение, которое вам больше по душе.

Разворачивается кластер также в среде Yandex Cloud, для чего вы можете обратиться к официальной документации или описанию с картинками от другого автора [5]. Отдельная благодарность сотруднику моей команды - Диме Майорову, который помог мне настроить ClickHouse еще в 2023 году.

После выполнения шагов по настройке базы, возвращаемся в Python и записываем результат в таблицу. Я выбрал путь полной перезаписи каждый раз, так как он для меня более удобен, но вы можете предусмотреть иную реализацию.

# Подключаем библиотеку clickhouse_connect
import clickhouse_connect

# Аутентификация и подключение к базе данных
client = clickhouse_connect.get_client(
    host='<YOUR HOST>',          # Хост ClickHouse-сервера
    port=<YOUR PORT>,            # Порт ClickHouse-сервера
    database='<YOUR DATABASE>',  # Имя базы данных
    username='<YOUR USERNAME>',  # Имя пользователя
    password='<YOUR PASSWORD>',  # Пароль пользователя
    client_cert_key='<YOUR CERTIFICATE ROOT>'  # Корневой сертификат для безопасного соединения (если требуется)
)

# Создаем таблицу, если она не существует
create_table_query = """
    CREATE TABLE IF NOT EXISTS tg_topics (
        id Int32,
        type String,
        file String,
        date Date,
        text String,
        title String,
        link String,
        hashtags Array(String),
        hashtags_string String,
        summary String,
        refreshed_date DateTime,
        series String
    ) ENGINE = MergeTree()
    ORDER BY id
"""

client.command(create_table_query)

# Очищаем таблицу
truncate_query = "TRUNCATE TABLE tg_topics"
client.command(truncate_query)

# Подготовка данных и запись в базу
csv_data = df.to_csv(index=False)
insert_query = f"INSERT INTO tg_topics FORMAT CSV {csv_data}"
client.command(insert_query)

Теперь мы можем добавить условия для генерации саммари только для новых постов. Идея заключается в том, чтобы для уже обработанных постов извлекать результаты из базы данных по их id.

# Считываем текущие записи из базы данных
read_query = "SELECT * FROM tg_topics"
current_table = client.query_df(read_query)

# Получаем список уже существующих ID
existing_ids = set(current_table['id'].tolist())

# Определяем, какие посты новые
df['is_new'] = ~df['id'].isin(existing_ids)

# Генерируем саммари
df['summary'] = df.apply(conditional_summary, axis=1)

Эти шаги необходимо вынести в начало выполнения скрипта, чтобы обеспечить корректное определение новых постов и исключить повторную обработку старых данных. Для получения полного финального кода вы можете обратиться к готовому скрипту в моем GitHub репозитории [6].

Визуализация в DataLens

Для визуализации данных мы воспользуемся еще одним продуктом Яндекса, а именно DataLens. У меня есть небольшой видеоурок, где я даю краткий курс по работе с этим инструментом [7]. Кроме того, вы можете обратиться к официальным справочным материалам и видео.

Вначале создадим подключение ClickHouse к нашей базе данных заполнив все необходимые плейсхолдеры.

В моей базе данных всего две таблицы, одна с постами телеграм-канала и вторая с HR-вакансиями HH. Настроим датасет на основе подходящей таблицы, все посты, которые не содержат тегов - я исключаю.

Переименуем часть полей на русский язык для более удобного отображения в будущем дашборде.

Создаю два дополнительны поля:

Тема: используя выражение URL([link], LEFT([title], 100)), мы создаем кликабельное название поста. Таким образом, при клике на название пользователь будет перенаправлен на сам пост.
hashtag_filter: поле, созданное с помощью функции UNNEST([Хештеги для фильтров]), позволяет настраивать фильтрацию по хештегам. Именно поэтому мы храним хештеги как в виде списка, так и в виде строки.

Далее я воспользуюсь обычной таблицей для визуализации.

Осталось только вынести таблицу на дашборд [8] и добавить необходимые фильтры.

Если вас интересует вопрос, как сделать весь процесс по сбору и хранению данных автоматическим, то вы можете воспользоваться моей статьей из серии про парсинг вакансий HH, где я разбираю этот аспект [9].

Ссылки

Детерминанты поведения и их эффективность как цели вмешательств по изменению поведения

2024-12-26T17:14:01.898Z

Перевод статьи Determinants of behaviour and their efficacy as targets of behavioural change

Приложение к статье

Долорес Альбаррасин

Бита Фаяз-Фархад

Хавьер Гранадос Самайоа

Беспрецедентные социальные, экологические, политические и экономические вызовы — такие как пандемии и эпидемии, деградация окружающей среды и насилие в обществе — требуют анализа способов продвижения поведения, которое приносит пользу как отдельным людям, так и обществу в целом. В данном обзоре мы обобщаем данные междисциплинарных метаанализов индивидуальных и социально-структурных детерминант поведения (например, убеждений и норм) и эффективности вмешательств, направленных на изменение поведения, на которые они ориентированы.

Мы обнаружили, что во всех сферах вмешательства, направленные на изменение индивидуальных детерминант, можно ранжировать по увеличению их воздействия следующим образом: те, которые ориентированы на знание, общие навыки, общие установки, убеждения, эмоции, поведенческие навыки, поведенческие установки и привычки. Вмешательства, направленные на изменение социально-структурных детерминант, можно ранжировать по увеличению их воздействия следующим образом: юридические и административные санкции; программы, повышающие институциональное доверие; вмешательства, направленные на изменение предписывающих норм; напоминания и мониторинг; вмешательства, связанные с описательными нормами; материальные стимулы; обеспечение социальной поддержки; и политика, увеличивающая доступ к определенному поведению.

Мы наблюдаем аналогичные закономерности в изменении здоровья и экологического поведения. Таким образом, политикам следует сосредоточиться на вмешательствах, которые позволяют людям преодолевать препятствия для осуществления желательного поведения, а не на целевых, но малоэффективных детерминантах поведения, таких как знание и убеждения.,

Введение

В течение последних пяти лет человечество столкнулось с исключительными социальными, экологическими, политическими и экономическими вызовами, включая пандемии и эпидемии, угрозами естественной среде обитания и климату, общественным, государственным и полицейским насилием. Наука об изменении поведения может выявить эффективные вмешательства, способные изменить модели поведения, играющие ключевую роль в решении этих кризисов. Таким образом важно понимать в какой степени коррекция дезинформации, модификаций культурных убеждений или изменение норм и законов, например, способствует увеличению уровня вакцинации или сокращению энергопотребления.

В предыдущих работах была предложена таксономия инструментов, доступных для изменения поведения. Например, обзоры и экспертные оценки были использованы для классификации вмешательств, направленных на изменение поведения, определяя их соответствие принципам изменения поведения, затем размещая их на мониторах, которые позволяют практикам визуализировать доступные в их распоряжении инструменты. Однако, несмотря на описательную ценность, эта таксономия не предоставляет информации о сравнительной эффективности различных подходов. Вмешательство, основанное на «принципах по изменению поведения» не гарантируют успеха, более того оставляет вопрос эффективности открытым.

Другое исследование предоставило оценки эффективности конкретных стратегий в различных моделях поведения, но эти оценки, в основном, получены путем сравнения с контрольной группой, чем с другими стратегиями. Например, ранее вышедшие обзоры эффективности реализации намерений (формирование планов «если - то» для выполнения поведения) или обращения к нормативным аспектам не информативны с точки зрения того, что реализация намерений более или менее эффективна, чем тренинг поведенческих навыков, или превосходят ли вмешательства, направленные на повышение видимости групповых норм, программы, укрепляющие доверие к институтам.

Существующие обзоры, сравнивающие эффективность вмешательств среди различных целей, типично ограничиваются определенными областями, таким как здоровье, смягчение последствие изменения климата и профилактика и лечение вируса иммунодефицита человека (ВИЧ). Такое традиционное сосредоточение на отдельных поведенческих областях может возникать в силу того, что финансирование исследований часто распределено по проблемам (например, тематическое распределение в Национальном институте здоровья США — основном агентстве, финансирующем медицинские исследования) или потому что ученные часто подготовлены в узких дисциплинах и предполагают, что каждая проблема уникальна.

С теоретической точки зрения, понимание широкого спектра областей поведения критично для создания обобщаемой модели изменения поведения. С практической точки зрения, новые вызовы в области изменения поведения будут продолжать возникать. Например, до пандемии COVID-19 не существовало исследований о том, как способствовать массовому ношению масок, соблюдению социальной дистанции или выполнению мерам по изоляции. Таким образом, обзор целей изменения поведения в различных областях необходим для принятия обоснованных решений в области общественного здравоохранения в беспрецедентных ситуациях.

В этом обзоре мы обобщаем разрозненные исследования, чтобы упростить принятие решений о выборе целей изменения поведения при разработке вмешательств. Во-первых, мы определяем лаконичный набор индивидуальных и социально-структурных детерминант поведения на основе существующих теорий, дополняя их обширным обзором литературы и проверкой авторов, чтобы убедиться, что итоговые группы являются значимыми, лаконичными и относительно однородными. Затем мы подводим итоги метааналитических данных о корреляциях между каждой естественно существующей детерминантой (например, знанием) и поведением, а также о размерах эффекта экспериментальных и квазиэкспериментальных тестов эффективности вмешательств, направленных на эту детерминанту (например, вмешательств, предоставляющих информацию для повышения уровня знаний). В заключение мы организуем подходы к вмешательствам в эмпирическую модель изменения поведения на основе их эффективности, чтобы представить общие принципы, которые могут информировать выбор подходов для новых или недостаточно изученных моделей поведения.

Наш обзор включает все выявленные метаанализы прогнозов поведения или эффективности вмешательства в различных областях (дополнительный материал 1), основанные на чётко классифицируемых детерминантах, целях изменений и поведенческих результатах. Однако, хотя вмешательства, направленные на изменение определенной цели, предполагают изменение именно этой цели, они могут оказывать широкий спектр эффектов. Например, вмешательство, которое сообщает, что соседи потребляют меньше энергии, может влиять как на описательные нормы, так и на позитивные установки в отношении экономии энергии. Проверка всех возможных механизмов воздействия выходит за рамки данного обзора.

Мы сосредоточились на том, какие цели могут быть наиболее эффективными, что является первым критически важным вопросом при разработке программы изменения поведения. Например, решение о том, следует ли формировать нормы в пользу вакцинации, бороться с теориями заговора о вакцинации или увеличивать количество пунктов вакцинации, имеет ключевое значение для управления пандемией в области общественного здравоохранения. Однако реализация вмешательств после выбора цели изменений поднимает иной круг вопросов, которые выходят за рамки данного обзора. Хотя мы кратко описываем, что обычно делают вмешательства, читателям рекомендуется изучить первичную научную литературу для определения наиболее успешных вмешательств в рамках выбранной цели. Ведь изучение руководств по вмешательствам критически важно для их точного выполнения в рамках программ.

Детерминанты поведения

Индивидуальные факторы занимают центральную роль в прогнозе поведения и моделях изменения, таких как подход обоснованных действий, модель «информация–мотивация–поведенческие навыки» и социально-когнитивная теория. Эти модели совместно предлагают, что знания (набор фактор об объекте поведения, обычно воспринимаемых с уверенностью, даже если они могут быть фактически неверными), убеждения (суждения о вероятности связи объекта с определенным атрибутом или результатом), общие и поведенческие установки (оценки объектов или поведения по шкале «позитивное–негативное»), эмоции (чувства связанные с объектом или поведением), общие и специфические навыки (когнитивные навыки, связанные с самоконтролем, или специфические когнитивные и моторные навыки в определенной области) и привычки (повторяющееся, автоматизированное поведение, сохраняющееся даже при отсутствии вознаграждения) являются важными детерминантами поведения и/или потенциальными целями для изменения поведения.

Например, согласно подходу обоснованных действий, убеждения о том, что выполнение поведения приведет к определенным результатам, и оценка этих результатов влияют на установки и последующие намерения выполнять поведение. Согласно модели «информация–мотивация–поведенческие навыки», информация включает знания о рассматриваемом поведении, мотивация включает установки, нормы и намерения, а поведенческие навыки охватывают рутинные действия, способствующие поведению, и связанные с ними ощущения самоэффективности или восприятия поведенческого контроля. Эмоции, привычки, общие установки и общие навыки входят в состав интегральной модели предсказания и изменения поведения и доказали свою важность для саморегуляции. Они также рассматриваются как внешние переменные в рамках подхода обоснованных действий

Одной из проблем существующих моделей предсказания и изменения поведения является относительное игнорирование социальных и структурных факторов. Например, хотя подход обоснованных действий предполагает, что социальные нормы влияют на намерения, намерения по-прежнему считаются индивидуальным фактором.

Аналогичным образом несмотря на то, что социально-когнитивные теории подчеркивают влияние других факторов на модели поведения, она также включает самоэффективность и личную свободу действия, которые являются индивидуальными факторами.

Тем не менее несколько теорий указывают на важные социально-структурные детерминанты поведения, которые могут стать целями изменения поведения. Например, существует теоретическое различие между предписывающими нормами (восприятие степени, в которой другие поддерживают поведение человека) и описательными нормами (субъективные оценки частоты определенного поведения в конкретной популяции), и эти две нормы не всегда коррелируют друг с другом (r = 0.1–0.4). что привело нас к решению разделить формальные правовые и административные санкции (правовые и административные инструменты для запрета или наказания поведения) и институциональное доверие (справедливость или честность в рамках организации или государственного органа, что увеличивает доверие и снижает настороженность). Доверие часто может быть достигнуто неформальными способами, такими как демонстрация доброжелательности. Кроме того, материальные стимулы (предоставление финансовых или нефинансовых вознаграждений) могут влиять на мотивацию к выполнению поведения и являются теоретически важными факторами поведения.

Литература также указывает на другие социально-структурные факторы, которые могут быть особенно важны для определения поведения и его изменения. Например, многочисленные исследования показывают, что социальная поддержка влияет на поведение человека и повышает осуществимость поведения через доступ и создание условий, способствующих автоматическому выбору желаемого поведения (материальные или логистические ресурсы, облегчающие выполнение поведения) или использование мониторинга и напоминаний (физические или цифровые инструменты, которые отслеживают выполнение поведения и напоминают пользователям о необходимости его выполнить) является важным аспектом проектирования вмешательств

В итоге классификация индивидуальных и социально-структурных детерминантов поведения, которую мы используем в последующих разделах, является более комплексной и теоретически обоснованной, чем классификации "подталкиваний" и значительно более лаконичной и теоретически обоснованной, чем классификации техник изменения поведения.

Индивидуальные детерминанты и вмешательства

Индивидуальные детерминанты поведения включают знания, убеждения, установки, эмоции, навыки и привычки (Таблица 1). В этой секции мы объединяем результаты метаанализов корреляционных исследований, измеряющих детерминанты вместе с соответствующим поведением (Дополнительная таблица 1), а также метаанализы рандомизированных контролируемых, квази-экспериментальных и лабораторных исследований вмешательств, направленных на изменение поведения, основанных на этих детерминантах (Дополнительная таблица 2). Детерминанты обсуждаются в порядке от наименее до наиболее эффективных, если они становятся целью вмешательства.

При сравнении размеров эффекта в различных исследованиях читателям следует учитывать их значение (Таблица 2) и ограничения интерпретации. Например, в корреляционном исследовании, отношение шансов равно 2 между знанием и поведением означает, что при увеличении меры знания на одну единицу вероятность выполнения поведения удваивается. Однако корреляционные исследования не дают информации о том, насколько изменение знания приведет к изменению поведения. Аналогичным образом в контексте вмешательства, отношение шансов равное 2 означает, что вероятность выполнения поведения вдвое выше после воздействия вмешательства, основанного на знаниях, по сравнению с контрольной группой. Однако в обоих случаях конечное значение размера эффекта зависит от базовой вероятности выполнения поведения. Отношение шансов 2 подразумевает гораздо большую экономию энергии, если 30% участников контрольной группы экономят энергию, чем если это делают только 3%.

Знания

Знания связывают объект или поведение с определённым признаком или событием с абсолютной уверенностью и часто передаются формально через образовательные усилия. Например, знание о существовании вакцины против COVID-19 или о вкладе человеческой деятельности в изменение климата принимается многими людьми и поддерживается государствами. Связь между знаниями и поведением часто изучаются в рамках концепции «грамотности», которая включает совокупность фактов и ментальных моделей в определённой области. Например, финансовая грамотность (знание человека в области финансов) коррелирует с желаемым финансовым поведением на уровне r = 0.29. Однако связь между финансовой грамотностью и поведением крайне мала (r = 0.09), если поведение измеряется после оценки грамотности, а не до неё.

Существует также обширное исследование связи грамотности и поведения в области здоровья и экологии, но эффекты невелики (Дополнительная таблица 1). Например, связь между грамотностью в вопросах гигиены полости рта и посещением стоматолога практически отсутствует (ОШ = 1.25), так же как связь между знанием о ВИЧ и фактическим использованием презервативов (r = 0.06), слабая связь наблюдается между грамотностью в вопросах переработки и фактической переработкой отходов (r = 0.20), а также между знанием об изменении климата и адаптивным поведением в ответ на изменения климата, например, поддержкой экологических политик или переездом (r = 0.14). Одно из возможных объяснений слабой корреляции между знанием и поведением (Рис. 1а) заключается в том, что знания могут быть слабо связаны с изучаемым поведением. Например, знания об алкоголе и его воздействии могут не иметь значения, если употребление алкоголя связано с нормативными или другими убеждениями.

Вмешательства, направленные на знания, включают образовательные подходы (например, систематические инструкции для отдельных лиц или групп) и другие дидактические подходы, направленные на устранение дефицита знаний. Метаанализы поведенческих эффектов показывают, что эти вмешательства производят незначительные эффекты (Рис. 2b). Например, образовательные подходы имеют незначительный эффект на смягчение изменение климата (d = 0.09). Аналогично, метаанализ вмешательств в вакцинацию показал, что ни предоставление общей информации, ни попытки исправить дезинформацию не увеличивают уровень вакцинации (ОШ = 1.04 и ОШ = 0.94, соответственно).

Важно отметить, что некоторые размеры эффектов, полученные на основе корреляционных данных, больше, чем наибольшие эффекты, достигнутые в рамках исследований вмешательств. Таким образом, использование корреляционных данных для вывода о вмешательствах может привести к выбору неэффективных программ. Более того, эффективность знаний как цели изменения крайне мала. С этой точки зрения создание кампаний или программ для увеличения объёма знаний, скорее всего, приведёт к разочарованию со стороны политиков и граждан.

Общие навыки

Широкий набор поведенческих и когнитивных навыков (например, способность удерживать внимание во время задач или подавлять искушения, когда поведение требует высокого уровня самоконтроля) является слабым предиктором поведения (Рис. 1а). Например, навыки просоциального поведения незначительно коррелируют с получением работы во время подросткового возраста (ОШ в целом = 1.03), а навыки исполнительного функционирования (включающие контроль тормозящих импульсов и когнитивную гибкость) коррелируют с отсутствием контроля в питании только на уровне r = –0.14.

Множество программ по изменению поведения подчеркивают необходимость тренировки общих навыков, так как это может помочь людям контролировать нежелательное поведение. Другие вмешательства основываются на принципах осознанности, исходя из предположения, что осознанность может снижать агрессию и другие импульсивные виды поведения. Метаанализ вмешательств, основанных на осознанности, для детей и подростков показал небольшой эффект в снижении негативного поведения (d = 0.21). В целом влияние вмешательств, направленных на общие навыки, незначительно (Рис. 1b).

Таблица 1. Индивидуальные детерминанты поведения и связанные с ними измерения и вмешательства

Общие установки

Психологи давно рассматривают вопрос о том, предсказывают ли общие установки по отношению к объектам (например, отношение к переработке отходов) поведение (например, фактическую переработку отходов). Повествовательный обзор, проведённый в конце 1970-х годов, показал, что из 54 исследований связи между общими установками и поведением 25 не выявили значимых результатов, а те, что их выявили, редко демонстрировали размер эффекта, превышающий r = 0.40. Недавние метаанализы предлагают, что отношения между общими установками и поведением довольно слабые (d = 0.22 и r = 0.14), в тоже же время другие работы утверждают, что эта связь горазо сильные (r = 0.39).

Интересным аспектом изучения общих установок является предложение измерять не только традиционные установки, которые используются в описанных выше метаанализах, но и имплицитные установки. Методы измерения имплицитных установок предназначены для оценки относительно автоматических оценочных реакций посредством спонтанных суждений участников или заданий с ограничением по времени. Например, в тесте имплицитных ассоциаций измеряются установки, сравнивая время, необходимое для соотнесения объекта с концепцией «хорошо», и время для соотнесения объекта с концепцией «плохо».

Однако и эти методы демонстрируют слабые или средние ассоциации с поведением. Например, в области употребления веществ выявлена умеренная связь между имплицитными установками в отношении легальных и нелегальных психоактивных веществ и их употреблением (r = 0.27).

Хотя общая связь между общими установками и специфическими видами поведения является средней по размеру (рис. 1a), размер эффекта вмешательств, направленных на изменения общих установок, незначителен (рис. 1b). Например, метаанализ массовых медиакомпаний, направленных на пропаганду здоровья, показал незначительный эффект на изменение поведения (r = 0.05). Более того, метаанализ установил, что хотя различные методы приводили к изменениям в имплицитных установках, эти тренинги оказывали минимальное влияние на поведение. Например, вмешательства, направленные на ослабление ассоциаций между объектом и конкретной оценкой, имели незначительное влияние на поведение (g = –0.10).

Очевидно, что люди сообщают об общих установках, которые коррелируют с их поведением, даже если попытки изменить эти установки имеют гораздо меньшую эффективность, чем предполагают корреляционные данные. Возможно, люди рационализируют своё поведение, когда сообщают об общих установках (в соответствии с исследованиями когнитивного диссонанса и самовосприятия), даже если эти установки не играли причинной роли в формировании поведения. В любом случае общие установки являются относительно незначительными целями для изменений.

Убеждения

Так же, как и знания, конкретные убеждения об объекте или поведении положительно связаны с выполнением поведения. (Рис. 1а). Однако размер эффекта варьируется в зависимости от областей, при этом эффекты больше в экологическом контексте, чем в сфере здоровья. Например, метаанализ детерминант переработки отходов показал средние корреляции между ожиданием позитивных эмоций от переработки или негативных эмоций от её отсутствия и фактической переработкой (r = 0.26) (отметим, что ожидания эмоций — это убеждения в вероятности переживания определённых эмоций, а не сами эмоции). Напротив, корреляции между использованием презервативов и воспринимаемой привлекательностью презервативов (r = 0.14), убеждением, что использование презервативов защищает от ВИЧ (r = 0.10), и убеждением, что покупка презервативов вызывает стыд, являются слабыми или незначительными (r = –0.05).

Конкретные убеждения также изучались в контексте теории заговоров. Интуитивно кажется, что вера в теории заговора о COVID-19 может сильно влиять на вероятность таких действий, как ношение маски или соблюдение социальной дистанции. Однако эффекты мало чем отличаются от знаний и других убеждений (Дополнительная таблица 1). Например, метаанализ перекрёстных лаг-корреляций на основе 17 выборок оценил влияние убеждений в теории заговора на рискованное поведение, связанное с COVID-19, как β = 0.09, а обратный эффект от поведения на убеждения оказался аналогичным по величине. Таким образом, даже такие драматические убеждения оказывают незначительное влияние на поведение.

Другие часто изучаемые убеждения связаны с культурой. Эти убеждения включают суждения, связанные с религиозностью, духовностью, модой, потреблением пищи, межличностными отношениями и относительным статусом различных социальных групп, включая взаимодействие внутри групп и между ними. Культурные убеждения могут выступать барьерами для действия, если рекомендованное поведение противоречит этим убеждениям. Например, культурные убеждения могут препятствовать участию в общественном страховании здоровья, если в культуре существует мнение, что подготовка к болезни притягивает саму болезнь. Аналогично, культурные убеждения о потреблении пищи, определяющие, какие продукты являются здоровыми или нездоровыми, могут препятствовать управлению диабетом, если они противоречат рекомендациям медицинских работников.

Количественные обзоры оценили связь между различными видами культурных убеждений и поведением. Например, враждебный сексизм (совокупность негативных убеждений о роли женщин в обществе и их отношении к мужчинам) имеет среднюю корреляцию с насилием мужчин по отношению к женщинам (z = 0.26), тогда как связь доброжелательного сексизма (убеждений, что женщины обладают положительными качествами, но нуждаются в защите) с таким насилием незначительна (z = 0.05). Что касается религиозных убеждений, большая религиозность коррелирует с меньшей вовлечённостью в преступное поведение (r = –0.12), а сочетание религиозности и духовности связано с меньшей физической агрессией (r = –0.12), меньшей сексуальной агрессией и насилием в семье (r = –0.05), хотя эти корреляции слабые. Более общая религиозная вовлечённость ассоциируется с меньшей вовлечённостью в деструктивное поведение (z = –0.17) и большим вовлечением в конструктивное поведение (z = 0.20). Однако некоторые христианские группы философски противятся, как они считают, ненужным медицинским вмешательствам, что приводит к различиям в уровне вакцинации между религиями.

Культурные убеждения имеют важное значение для многих видов поведения. Например, в США у испаноязычных людей самые низкие показатели курения среди всех расовых и этнических групп, что, вероятно, связано с меньшей степенью аккультурации (то есть сохранением родного языка и культурных ценностей в сравнении с доминирующей культурой) по сравнению с другими группами. Кроме того, распространённость рискованного поведения, включая курение, ожирение и нездоровые привычки питания и питья, выше среди американцев второго поколения, родившихся в США, чем среди иммигрантов первого поколения (r = 0.01–0.28). Кажется, что люди, проживающие в США, но родившиеся в других странах (например, в Мексике и Китае), сохраняют более тесные связи со своими традиционными культурами, которые способствуют более здоровому выбору образа жизни. Этот «иммигрантский парадокс» описывает ситуацию, когда иммигранты, практиковавшие здоровое питание в своих странах, отказываются от него по мере аккультурации в новой стране проживания.

Когда существующие вмешательства не удовлетворяют потребности расовых и этнических меньшинств, могут быть разработаны программы, адаптированные к их культуре, путём изменения содержания, языка, способа доставки или других компонентов вмешательства, либо разработаны новые программы, учитывающие культурный контекст и проблемы группы. Однако влияние культурно адаптированных вмешательств на здоровье, по-видимому, незначительно (g = 0.1–0.20). Например, вмешательства, направленные на борьбу с гипермаскулинностью (мачизм) среди испаноязычных подростков, успешны в снижении вероятности рискованного поведения, связанного с ВИЧ, на 32% по сравнению с участниками контрольных групп. В то же время культурная адаптация вмешательства против употребления психоактивных веществ для латиноамериканских подростков показала незначительный эффект (g = 0.06). Фактически, пять из семи эффектов таких культурных адаптаций были незначительными (Дополнительная таблица 2).

Как и в случае знаний и общих установок эффекты для убеждений, полученные на основе корреляционных данных (Рис. 1а), больше, чем максимальные эффекты, достигнутые в исследованиях вмешательств (Рис. 1b). Например, уверенность в своей способности развиваться в определённой области (установка на рост) связана с улучшением успеваемости в учебных заведениях. Соответственно, были разработаны вмешательства для изменения установок с целью улучшения академической успеваемости. Однако метаанализ этих вмешательств выявил незначительный эффект на поведение как в экспериментах, успешно изменивших установки (d = 0.04), так и при учёте всех экспериментов (d = 0.05).

Таблица 2. Интерпретация размера эффектов.
d или g — стандартизированная разница средних; r — коэффициент корреляции Пирсона; z, стандартизированный r коэффициент.

Рис. 1 Диапазон размеров эффекта в метаанализах изменения поведения. a, b, Диапазон (минимум - красный; максимум – желтый) и среднее значение (линия) размера эффекта (отношение шансов) для метаанализа индивидуальных (Дополнительная таблица 1) и социально структурных (Дополнительная таблица 3) детерминант изменения (панель a) и в метаанализах вмешательств нацеленных на индивидуальные (Дополнительная таблица 2) и социально-структурные (Дополнительная таблица 4) детерминанты (панель b). Включены только метаанализы, исключающие экстремальные случаи публикационной предвзятости (Дополнительная заметка 1). Средние значения отношения шансов представлены над средней линией. Отношение шансов <1.44 незначительный эффект, >=1.44 и <=2.48 малый эффект, >=2.48 и <4.27 средний эффект, >=4.27 большой эффект.

Эмоции

Переживание страха перед изменением климата или отвращение к определённой группе людей — это примеры эмоций. Эмоциональные обращения часто используются для повышения чувствительности аудитории к рискам, связанным с объектом или событием, и включают обсуждение угрозы, создаваемой проблемой, или восприимчивости аудитории к этой угрозе. Эмоции занимают центральное место в моделях изменения поведения (например, в модели убеждений в области здоровья). Однако корреляции между негативными эмоциями и/или восприятием риска и поведением, как правило, слабые или незначительные. Например, тревожность по поводу COVID-19 имеет слабую корреляцию с поведением, направленным на защиту от COVID-19 (r = 0.12), хотя корреляция со страхом более сильная (r = 0.24). Аналогично, связь между воспринимаемым риском изменения климата и прошлым адаптивным поведением составляет всего r = 0.10, а связь между воспринимаемым риском заражения ВИЧ и использованием презервативов — лишь r = 0.06. Результаты для других форм воспринимаемой угрозы аналогичны. (Дополнительная таблица 1). Например, в области использования презервативов корреляции между беспокойством или тревогой и воспринимаемой серьёзностью ВИЧ составляют r = 0.09 и r = 0.02 соответственно.

Социальные эмоции (эмоции, выполняющие в первую очередь социальные функции и связанные с реакциями на то, как человек воспринимается другими, например, гордость, благодарность, вина, гнев и зависть) привлекли внимание исследователей, изучающих межличностное поведение. Например, склонность людей испытывать гнев во время вождения имеет слабую связь с превышением скорости (r = 0.12), но более сильную связь с совокупностью высокорисковых моделей вождения (r = 0.39). Другие примеры, Зависть слабо отрицательно связана с позитивным поведением на рабочем месте, таким как обращение за помощью (r = –0.21 до 0.05; медиана r = –0.03), но более сильно связана с негативным поведением, таким как грубость (r = 0.27–0.33; медиана r = 0.29). Чувство вины связано с более активным участием в экологически благоприятном поведении (r = 0.30); благодарность связана с просоциальным поведением (r = 0.26); эмоциональное переживание межличностного притяжения коррелирует с совокупностью таких видов поведения, как количество разговоров, кивки головой и расстояние между сидящими (r = 0.20); эмоциональные предубеждения сильнее связаны с дискриминационным поведением (медиана r = 0.35), чем стереотипы и другие убеждения. Хотя социальные эмоции не всегда устойчиво связаны с покупательским поведением (r благодарность = 0.50; r гордость = 0.07; r вина = –0.01; r гнев = –0.19), они демонстрируют средние и большие корреляции с поведением, связанным с обменом информацией (r благодарность = 0.74; r гордость = 0.32; r вина = 0.54; r гнев = –0.38). Однако эти сильные связи с обменом могут частично объясняться низкой «стоимостью» такого поведения (реализуется как жалобы и сарафанное радио в исходном метаанализе) по сравнению с покупательским поведением.

В целом, вызов эмоций влияет на поведение (g = 0.31). Хотя установлено, что негативные эмоции практически не влияют на потребление пищи (g = 0.02), положительные эмоции увеличивают потребление пищи (g = 0.24). Аналогично, сообщения, направленные на вызов страха, оказывают небольшой эффект (Дополнительная таблица 2). Например, сообщение пациентам уровня их генетического кардиометаболического риска не влияет на изменения в питании или снижении веса. Более того, несмотря на редкие заявления о «обратном эффекте», комплексный метаанализ экспериментов с использованием обращений к страху показал, что эффекты информации о риске и страха положительные, но незначительные по величине (d = 0.20 и d = 0.14 соответственно). Кроме того, вызов как предвосхищающих эмоций (например, страха и тревоги; d = 0.21), так и предвосхищаемых эмоций (например, сожаление, вина и стыд; d = 0.30) вызывает положительные, но небольшие изменения в поведении. В целом эффекты эмоций остаются небольшими.

Многие вмешательства нацелены на использование социальных эмоций для изменения поведения. Особенно популярны вмешательства, направленные на благодарность, в рамках литературы по позитивной психологии. Однако общие эффекты таких вмешательств малы. Например, метаанализы выявили незначительный эффект вмешательств, направленных на благодарность, на физическую активность (d = 0.10) и просоциальное поведение (d = 0 и d = 0.12), а также более сильный, но всё ещё небольшой эффект на поведение, выражающее благодарность (например, написание благодарственного письма; d = 0.40).

Как и в случае с другими индивидуальными детерминантами, рассмотренными выше, размеры эффекта эмоций сильнее в корреляционных исследованиях, чем в исследованиях вмешательств. Хотя доступные данные показывают средние корреляции между эмоциями и поведением (Рис. 1а), попытка сделать эмоции целью вмешательств может привести к разочарованию, так как эффективность вмешательств на основе эмоций невелика (Рис. 1b).

Поведенческие навыки

Конкретные поведенческие навыки демонстрируют среднюю корреляцию с реальным поведением (Рис. 1а). Например, матери, которые обладают навыками обсуждения методов контрацепции с дочерями, в 5.69 раз чаще вакцинируют своих дочерей против вируса папилломы человека (ВПЧ), чем матери, у которых такие навыки отсутствуют. Кроме того, конкретные поведенческие навыки часто отражаются в ощущении людьми степени контролируемости поведения (воспринимаемого поведенческого контроля). Например, согласно метаанализам, воспринимаемый поведенческий контроль имеет сильную связь с переработкой отходов (r = 0.39), а уверенность в способности отказаться от алкоголя (самоэффективность отказа) имеет средние корреляции с частотой употребления алкоголя (r = –0.35), количеством потребляемого алкоголя (r = –0.29) и запойным пьянством (r = –0.32).

Вмешательства, направленные на поведенческие навыки, включают использование аргументов для выполнения набора навыков, наблюдение за выполнением поведения ролевой моделью, практику выполнения поведения с обратной связью и выполнение домашних заданий, связанных с этим поведением. Например, словесные аргументы могут использоваться для того, чтобы побудить людей обеспечить ресурсы и преодолеть препятствия на пути использования презервативов во время секса. Более практические вмешательства по обучению навыкам включают ролевые игры с применением презервативов. Подростки могут практиковаться в отказе от приглашений покурить сигареты или выпить алкоголь, а взрослым могут преподавать, как избегать употребления алкоголя до или во время секса, или как контролировать своё эмоциональное состояние, чтобы избежать рискованных сексуальных ситуаций. Метаанализы таких вмешательств показали, что обучение поведенческим навыкам приносит значительные результаты в изменении поведения. Например, тренинг навыков коммуникации эффективно увеличивает количество обсуждений безопасного секса с партнёрами (d = 0.35) и использование презервативов (d = 0.39). Организационные тренинги, охватывающие различные аспекты, такие как межличностная коммуникация, также приводят к значительным улучшениям в рабочем поведении (d = 0.62), особенно при использовании программированного обучения (d = 0.94), которое подразумевает пошаговую подачу информации, где каждый шаг требует правильного ответа перед переходом к следующему. Хотя общий размер эффекта вмешательств остаётся небольшим (Рис. 1b), поведенческие навыки являются одной из наиболее перспективных целей для изменения поведения и показывают более значительные эффекты, чем общие навыки (d = 0.62 против d = 0.30).

Поведенческие установки

Исследования детерминант установок включают анализы ассоциаций с поведенческими установками, а также косвенные измерения поведенческих установок (убеждения о последствиях поведения, взвешенные по оценке этих последствий). Общий метаанализ недавно сформированных установок оценил, что связь между установками по отношению к поведению и фактическим поведением велика (r = 0.58). Эти результаты подтверждаются метаанализами в других областях. Например, существует средняя корреляция между установками к поведению по защите от солнца и фактическим поведением защиты от солнца (r = 0.31), высокая корреляция между установками к использованию автомобилей и фактическим использованием автомобилей (r = 0.41), высокая корреляция между установками к потреблению органических овощей и их фактическим потреблением (r = 0.44), высокая корреляция между установками к использованию презервативов и их фактическим использованием (r = 0.38). Аналогично, косвенные измерения установок демонстрируют среднюю корреляцию с использованием презервативов (r = 0.31). Таким образом, поведенческие установки в целом являются более точными предикторами поведения, чем общие установки, знания и конкретные убеждения (Рис. 1а).

Вмешательства, направленные на изменение поведенческих установок, включают медиасообщения или личные обсуждения преимуществ изменения поведения, а также мотивационные интервью, направленные на снижение амбивалентности установок в отношении определённого поведения. Однако вмешательства, направленные на изменение установок по отношению к поведению, обычно являются комплексными и включают другие стратегии, такие как воздействие на нормы и воспринимаемый поведенческий контроль. В результате многие исследования вмешательств предоставляют мало информации о конкретном влиянии изменений поведенческих установок. Лабораторные эксперименты, нацеленные на изменение поведенческих установок для влияния на поведение, показали большие эффекты на поведение (d = 1.10 и d = 0.79), однако эффекты реальных вмешательств обычно малы (Дополнительная таблица 2). В целом, эффекты вмешательств, направленных на поведенческие установки, остаются небольшими (Рис. 1b).

Как и в случае других индивидуальных детерминант, различия в размерах эффекта между корреляционными и экспериментальными исследованиями значительны. Важно отметить, что корреляционные исследования, находящие самые сильные ассоциации, измеряли поведение в лабораторных условиях и включали поведение, которое существует только в этих условиях (например, голосование в поддержку вымышленной политики в рамках эксперимента). Следовательно, такие эксперименты слабо представляют сложные решения, которые люди принимают, когда установки сосуществуют с другими факторами.

Привычки

Прошлое поведение является важным предиктором будущего поведения. Например, использование презервативов в прошлом имеет среднюю корреляцию с их использованием в настоящем (r = 0.36), а поведение по переработке отходов в прошлом показывает сильную корреляцию с переработкой в будущем (r = 0.41) и с восприятием себя как человека, занимающегося переработкой (r = 0.48).

Привычки во многих анализах отождествляются с прошлым поведением. Однако современные теории определяют привычки как повторяющиеся действия, обладающие автоматизмом, совершающиеся без осознания и трудные для прекращения, даже если они больше не приносят пользы человеку. Метаанализ ассоциаций между привычками медицинских работников (например, мытьё рук), измеренными шкалами автоматизма, показал среднюю связь с выполнением этих действий (r = 0.33). Другой метаанализ обнаружил сильную корреляцию между автомобильными привычками и использованием автомобиля (r = 0.50). В результате, привычки имеют большую связь с поведением (Рис. 1а).

Вмешательства, способствующие формированию привычек, включают обучение прекращению поведения перед лицом искушений, создание регулярной среды для формирования привычек и отвлечение людей от поведенческих сигналов. Например, когнитивное обучение в лабораторных условиях, направленное на подавление реакции на сигналы, связанные с едой, отвлечение внимания, переоценку пищевых желаний и использование других когнитивных стратегий контроля, оказывает небольшой эффект на потребление пищи (g = 0.27), при этом переоценка (g = 0.45), модификация внимания (g = 0.44) и отвлечение (g = –0.31), оказывают наиболее значительное влияние. Аналогично, метаанализ показал, что обучение остановке реакции (d = –0.39) и модификация внимания (d = –0.51) оказали небольшое и среднее воздействие на поведение, связанное с питанием, соответственно.

Обучение обращению привычки также используется для снижения тиков. В этой процедуре пациентов учат идентифицировать случаи возникновения тика, события, которые его вызывают, и применять конкурирующую, несовместимую реакцию. Например, если стресс или голод усиливают тики, активация антагонистических мышц в момент ожидания тика может устранить его (d = 0.94). Это вмешательство изменяет моторные ассоциации с внешними стимулами и, таким образом, уменьшает поведение, которое выполняется, несмотря на нежелательные последствия.

Вмешательства для устранения привычек впечатляют, поскольку они направлены против хронических, автоматизированных склонностей, которые трудно устранить. Как и во многих других случаях, эффекты, выявленные в корреляционных исследованиях, значительно сильнее, чем эффекты, полученные в исследованиях вмешательств. Тем не менее, тренировка привычек явно многообещающая и, среди всех индивидуальных целей, демонстрирует наибольшее влияние на изменение поведения (Рис. 1b). Однако вмешательства сталкиваются с трудностью выявить поведение до того, как оно станет автоматизированным.

Социально-структурные детерминанты и вмешательства

Социально-структурные детерминанты поведения включают правовые и административные санкции, доверие, предписывающие нормы, мониторинг и напоминания, описательные нормы, материальную мотивацию, социальную поддержку и доступ (Таблица 3). Хотя эти детерминанты отражают социальные и средовые условия, часто их измерение полагается на самоотчёт. Например, описательные нормы отражают то, как часто другие выполняют поведение, но данные корреляционных исследований представляют восприятие респондента относительно того, что делают другие. В этом разделе мы обобщаем результаты метаанализов корреляционных исследований, которые измеряют детерминанты вместе с соответствующим поведением (Дополнительная таблица 3), и метаанализов рандомизированных контролируемых исследований, квазиэкспериментальных исследований и лабораторных исследований вмешательств, основанных на этих детерминантах (Дополнительная таблица 4).

Детерминанты обсуждаются в порядке от наименее до наиболее эффективных в контексте вмешательств. Как отмечалось ранее, при сравнении размеров эффекта между исследованиями читателям следует учитывать их значение (см. Таблицу 2) и ограничения интерпретации.

Правовые и административные санкции

Мы не обнаружили метаанализов корреляций между поведением и правовыми, административными санкциями. В контексте вмешательств политики, направленные на запрет нежелательного поведения и связывающие его с санкциями (например, ограничение возможности работать или путешествовать для тех, кто отказывается от вакцинации), подвергались критике за их потенциал вызывать психологическую реактивность (негативную эмоциональную реакцию, вызванную угрозами свободе или её фактической утратой). Люди обычно считают, что обладают определённым уровнем свободы, и стремятся контролировать свои действия. Когда они сталкиваются с событиями, ограничивающими их восприятие свободы, это может побудить их восстановить её, действуя вопреки ограничениям. Соответственно, хотя теория устрашения остаётся краеугольным камнем политики уголовного правосудия, инициативы, основанные на устрашении, показывают лишь малые или средние эффекты на поведение (r = 0.22–0.33). Тем не менее обязательные меры иногда оказываются эффективными, как это показано на примере успеха обязательных требований к вакцинации от COVID-19 во многих регионах. В совокупности, однако, юридические и административные санкции оказывают незначительный эффект на поведение (Рис. 1b).

Доверие

Межличностное доверие представляет собой сочетание установок, эмоциональных реакций и убеждений о других (например, медицинских работниках или политиках), которое снижает настороженность и увеличивает уязвимость. Например, доверие к человеку, который передаёт сообщение, влияет на его убедительность. Доверие часто изучалось в контексте кооперативных игр, где доверие к партнёру по игре сильно предсказывает альтруистическое поведение (r = 0.58). Доверие также исследуется в организационных контекстах: внутригрупповое доверие связано с лучшей командной производительностью (r = 0.30), а доверие к лидерам — с лучшей производительностью выполнения задач (r = 0.26) и более высоким уровнем организационного гражданского поведения (r = 0.30).

Бихевиористов также интересуют институциональные формы доверия, такие как доверие к учёным и государственным институтам. Один метаанализ показал, что экологически ориентированное поведение коррелирует с доверием к правительственным институтам (r = 0.17), к экологическим организациям (r = 0.38), к промышленности (r = 0.14) и к учёным (r = 0.33). Эти ассоциации, как правило, сильнее для публичного поведения (например, поддержки экологических политик), чем для частного поведения (например, оформления медицинской страховки).

Особые факторы могут изменять силу и направление этих связей. Например, были обнаружены слабые корреляции между доверием к правительственным институтам и соблюдением поведенческих рекомендаций по COVID-19 (r = 0.11) или вакцинацией от COVID-19 (r = 0.10). Однако доверие к бывшему президенту Дональду Трампу отрицательно коррелировало со всеми поведенческими мерами профилактики COVID-19. В целом между всеми формами доверия и поведением существует средняя корреляция (Рис. 1а).

Вмешательства, направленные на повышение доверия к институтам сосредоточены на повышении воспринимаемой справедливости и доброжелательности властей или организаций, а также на программах, способствующих распределительной и процедурной справедливости. Вмешательства, направленные на повышение доверия к медицинским властям, приводят к незначительным улучшениям поведенческих результатов (g = 0.13). Вмешательства, нацеленные на увеличение распределительной справедливости на рабочем месте, показывают незначительный эффект на производительность труда (ОШ = 1.20), тогда как вмешательства для повышения процедурной справедливости оказывают небольшой положительный эффект на рабочее поведение (ОШ = 1.49). В целом вмешательства, направленные на повышение доверия к институтам, оказывают незначительный эффект (Рис. 1b).

Таблица 3. Социально-структурные детерминанты поведения, связанные меры и вмешательства

Предписывающие нормы

Несколько теорий поведения в области здоровья (например, теории разумного действия и запланированного поведения, а также теория нормативного фокуса) сходятся во мнении, что социальные нормы влияют на поведение. Предписывающие нормы (восприятие степени, в которой другие поддерживают поведение человека) имеют слабую связь с такими видами поведения, как сдача крови (r = 0.17), переработка отходов (r = 0.21) и сексуальное поведение подростков (r = 0.22). В целом, однако, корреляция между предписывающими нормами и поведением является средней по величине (Рис. 1а).

За последние пять десятилетий социально-нормативные вмешательства (например, сообщения, которые передают, что другие одобряют конкретное поведение) использовались для изменения экологического поведения, практик воспитания детей, поведения в области здоровья и других рискованных форм поведения. Цель этих вмешательств — заставить людей почувствовать, что другие одобряют предлагаемый курс действий. Обобщение таких вмешательств в различных областях показало слабый эффект на поведение (d = 0.34). Влияние вмешательств, направленных на предписывающие нормы, также было изучено в контексте экологического поведения, выявив незначительный эффект (d = 0.10). Примечательно, что эти вмешательства могут быть эффективны, поскольку люди не всегда знают истинные предписывающие нормы. Например, если большинство студентов много пьют, потому что считают, что их сверстники одобряют употребление алкоголя, то информация о том, что большинство их сверстников, наоборот, не одобряют это, может уменьшить употребление алкоголя. В целом, однако, вмешательства, направленные на предписывающие нормы, оказывают слабое влияние на поведение (Рис. 1b).

Мониторы и напоминания

Мы не обнаружили метаанализов, изучающих корреляции между поведением и мониторингом или напоминаниями. В контексте вмешательств мониторинг и напоминания могут потенциально делегировать функции контроля и напоминаний окружающей среде, что, в свою очередь, снижает вероятность срывов самоконтроля. Ручные напоминания (например, таблицы отслеживания и бумажные планировщики) могут способствовать проведению различных медицинских обследований, включая обследования на рак молочной железы, шейки матки и толстой кишки (ОШ = 1.63, ОШ = 1.10 и ОШ = 1.85 соответственно). Однако они не оказывают влияния на профилактический уход в целом (ОШ = 0.99) и имеют незначительный эффект на вакцинацию (ОШ = 0.95). Часто использование как ручных, так и компьютерных напоминаний оказывается наиболее эффективным (обследование на рак толстой кишки: ОШ = 2.57; все виды профилактического ухода:ОШ = 2.23). В целом, мониторинг и напоминания оказывают слабое влияние (Рис. 1b). Таким образом, они могут быть полезной стратегией вмешательства, особенно в сочетании с другими стратегиями.

Описательные нормы

Описательные нормы играют важную роль в формировании социальных процессов, которые влияют на широкий спектр поведения. Хотя описательные нормы не коррелируют с поведением сдачи крови (r = 0.03), они коррелируют с переработкой отходов (r = 0.33), сексуальным поведением подростков (r = 0.40), потребительским поведением (r = 0.31) и началом курения (ОШ = 1.88-2.53). В целом, существует средняя корреляция между описательными нормами и поведением (Рис. 1а).

Большинство нормативных вмешательств направлены на то, чтобы убедить участников в том, что другие уже ведут себя соответствующим образом. На самом деле простое сообщение о существующих социальных нормах изменяет поведение в различных условиях, особенно когда желаемое поведение очень распространено. Например, студенты колледжей, как правило, переоценивают количество алкоголя, которое потребляют их сверстники, и нормативные вмешательства, которые исправляют это искажение, снижают употребление алкоголя. Действительно, метаанализы подходов к изменению описательных норм показали слабые эффекты для употребления алкоголя (d = 0.29) и использования презервативов (d = 0.36).

Другие нормативные вмешательства включают предоставление сравнительной обратной связи, например, графика, который показывает потребление энергии в сравнении с соседями. Хотя людям часто не нравится такая обратная связь, приложения для тренировок, которые предоставляют сравнительную информацию, оказываются весьма эффективными (d = 0.96).

Наличие ролевых моделей, на которых можно равняться и у которых можно учиться, является особенно действенным нормативным вмешательством (d = 0.51). Этот вывод согласуется с доказательствами того, что вмешательства, проводимые фасилитаторами, демографически схожими с участниками, более успешны в повышении использования презервативов, чем вмешательства, проводимые фасилитаторами из других демографических групп. В целом вмешательства, направленные на изменение описательных норм, оказывают небольшое влияние на поведение (Рис. 1b).

Материальная мотивация

Корреляционные данные о влиянии материальной мотивации показывают, что их использование для биохимически подтверждённых образцов приводит к среднему увеличению отказа от курения (отношение риска = 2.58). Другие эффекты, однако, незначимы. Однако другие эффекты незначительны. Например, получение государственных субсидий минимально связано с экологически безопасным применением пестицидов (g = 0.12).

Многие политики, направленные на продвижение желаемого поведения, используют принципы бихевиоризма, связывая положительное поведение со стимулами (например, предоставление финансовых стимулов для вакцинации). Однако общая эффективность стимулов невелика (Рис. 1b). Например, финансовые стимулы предлагались во многих странах, чтобы поощрить вакцинацию против COVID-19, но, согласно метаанализу, их эффект был незначительным (ОШ = 1.44). Финансовые стимулы также использовались для снижения потребления энергии, где их эффект был слабым (d = 0.36), и для уменьшения употребления психоактивных веществ, где эффект был средним (d = 0.70).

Социальная поддержка

Социальная поддержка (предоставление информационной, инструментальной или финансовой помощи для облегчения выполнения определённого поведения) изучалась в контексте стресса и здоровья, а также сложных форм поведения, требующих внешних советов и помощи, таких как снижение веса, соблюдение медикаментозного лечения и экономия ресурсов. Социальная поддержка отличается от норм тем, что она направлена на достижение конкретной поведенческой цели. Например, социальные нормы могут касаться одобрения другими здорового питания, тогда как социальная поддержка подразумевает, что другие готовы предоставить советы или помощь в достижении конкретной диетической цели. Существуют различные ассоциации между социальной поддержкой и поведением. Например, соблюдение медицинских рекомендаций на 1.74 раза выше у пациентов из сплочённых семей и на 1.53 раза ниже у пациентов из семей с высоким уровнем конфликтов. Более того, занятия физической активностью облегчаются поддержкой со стороны семьи и значимых людей (d = 0.36 and d = 0.44), а также лидеров и участников групповых занятий (d = 0.31 and d = 0.32)

Существует значительная связь между эмоциональной, материальной и информационной поддержкой и качеством заботы о детях, оказываемой матерями (r = 0.31, r = 0.27 и r = 0.31 соответственно).

Эти вмешательства часто принимают форму групп поддержки, которые способствуют изменениям поведения, таким как модификации диеты или физической активности, необходимые для снижения веса. Такие вмешательства связаны с небольшими положительными эффектами на соблюдение режима приёма антиретровирусных препаратов (ОШ = 1.66) и снижение уровня суицидов (ОШ = 0.48). Вмешательства социальной поддержки, основанные на публичных обязательствах по выполнению поведения (которые могут повысить мотивацию человека к выполнению поведения, а также получить социальную поддержку), связаны с небольшими (d = 0.26) до средних (g = 0.58) улучшениями в поведении, связанном с сохранением ресурсов.

Доступ

Согласно социальной когнитивной теории, характеристики окружающей среды могут ограничивать поведение и, таким образом, играть важную роль в качестве детерминант поведения. Например, повышение цены на пестициды снижает их экологически безопасное использование (d = –0.36). Аналогично, демографические переменные, связанные с социальным положением человека, имеют различные корреляции с поведением. Например, здоровое поведение во время беременности коррелирует с уровнем дохода (r = 0.26), наличие контейнера для переработки и владение домом коррелируют с переработкой отходов (r = 0.16 и r = 0.24, соответственно). В целом связь между доступом и поведением является небольшой (Рис. 1а).

Некоторые вмешательства, направленные на доступ, фокусируются на изменении системы в целом. Вмешательства по снижению неравенства привлекательны из-за значительных различий в поведении, которое приносит пользу как отдельным людям, так и обществу в целом. Например, исследователи тестировали структурные и общественные вмешательства, такие как микрофинансирование, которое включает выдачу небольших кредитов для развития бизнеса в качестве источника дохода. Однако рандомизированные контролируемые испытания воздействия микрокредитов показали незначительный эффект на контроль женщин над семейными расходами (d = –0.01). В области здравоохранения более широкие структурные и общественные вмешательства также имеют небольшой эффект (коэффициенты риска = 1.20 для использования презервативов и 0.90 для количества партнёров).

Другие меры политики улучшают доступ, изменяя условия окружающей среды для создания возможностей изменения поведения. Например, вмешательства, обеспечивающие доступ к вакцинации за счёт предоставления транспорта или пунктов вакцинации вблизи пользователей, удваивают охват вакцинацией. Политики, которые проектируют ситуации, направляющие поведение, такие как установка желаемого поведения по умолчанию в формах донорства органов, оказывают значительное влияние (d = 0.68). Введение налогов на алкоголь для снижения его потребления даёт значительные результаты (ОШ = 5.92). В целом вмешательства, направленные на увеличение доступа, имеют значительное влияние на поведение (Рис. 1b).

Рис. 2. Модели эффективности вмешательств для изменения поведения. a-c, Выводы нашего синтеза метаанализов вмешательств, направленных на изменение поведения для всех типов поведения (панель a), поведение в области здоровья (панель b) и экологическое поведение (панель c).На всех панелях индивидуальные цели изменений представлены слева, а социально-структурные цели изменений — справа. Вертикально цели изменений организованы от наименее до наиболее эффективных на основе средних размеров эффекта для каждой поведенческой цели (Рис. 1b; Дополнительные рис. 1 и 2), и сгруппированы по уровням воздействия: незначительное, малое, среднее или большое (Таблица 1). В анализ включены только метаанализы, исключающие значительные предвзятости публикаций (Дополнительная заметка 1).

Выводы и дальнейшие перспективы исследования

Наш обзор показывает, что: знания, общие навыки, общие установки, убеждения, правовые и административные санкции, а также доверие имеют незначительное влияние в качестве целей вмешательства; эмоции, поведенческие навыки, поведенческие установки, предписывающие нормы, мониторинг и напоминания, описательные нормы и материальная мотивация оказывают слабое влияние; привычки и социальная поддержка оказывают среднее влияние и доступ оказывает значительное влияние (Рис. 2а). Разумеется, некоторые виды поведения, группы населения и контексты могут быть уникальными. Таким образом, ни один обзор или метаанализ не может предсказать результат вмешательства во всех контекстах. Тем не менее наш обзор показывает, что определённые переменные, хотя и кажутся важными, могут не изменять поведение и не должны быть основной целью вмешательства. Кроме того, различия в размерах эффекта между корреляционными и интервенционными исследованиями указывают на то, что корреляционные исследования часто плохо подходят в качестве основы для определения детерминант, которые следует учитывать во вмешательствах.

Основная цель нашего обзора заключалась в том, чтобы предложить синтез данных по всем видам поведения. Чтобы определить степень обобщаемости этих выводов, мы изучили детерминанты для поведения в области здоровья (Рис. 2b) и экологического поведения (Рис. 2c). Эти области были выбраны, поскольку они оценивались в большинстве метаанализов (Дополнительная заметка 2). Распределение индивидуальных детерминант для поведения в области здоровья совпадает с распределением для всех видов поведения. Для экологического поведения распределение схожее, однако данные менее полные. Данные об эффективности вмешательств, связанных с социально-структурными факторами здоровья и экологического поведения, являются более ограниченными, но всё же дают важные выводы. В обоих случаях вмешательства, нацеленные на описательные нормы, материальные стимулы, социальную поддержку и доступ, кажутся многообещающими. Напротив, вмешательства, направленные на повышение институционального доверия в области здравоохранения, а также на юридические и административные санкции или предписывающие нормы в области экологии, вероятно, недостаточны для достижения значимых изменений.

Таким образом, для преодоления следующей пандемии и текущего кризиса изменения климата требуются не знания, а активные подходы, которые позволяют людям обходить препятствия, получать поддержку и обеспечивать доступ к ресурсам, способствующим положительному поведению во всех группах. Например, кампания по вакцинации против COVID-19 в США была нацелена на повышение уверенности в вакцинах (общие установки). Однако наш обзор показывает, что было бы более целесообразно сосредоточиться на обеспечении доступа к вакцинации, а также на обучении поведенческим навыкам, укреплении норм, использовании социальной поддержки и материальной мотивации. Наш обзор также предполагает, что обучение поведенческим навыкам должно быть эффективным для изменения поведения, связанного с борьбой с изменением климата. Однако в этом случае фактические убеждения также оказывают небольшое влияние, что говорит о том, что преобладающий акцент на повышении осведомлённости о климатических изменениях и их последствиях, хотя и недостаточный, не является бесполезным.

Следующим шагом для исследователей должно стать связывание этих выводов с конкретным содержанием вмешательств и политиками. Например, рандомизированные контролируемые испытания должны проверять различные методы изменения описательных норм или конкретные подходы к обеспечению доступа к поведению. Важно, чтобы исследователи и политики прекратили повторять программы, которые, как правило, оказываются неуспешными. Например, хотя стандартная информация о поведении должна быть представлена аудитории, незнакомой с этим поведением или его целями, запуск масштабных усилий по проверке эффективности вмешательств для повышения доверия к институтам или исправления дезинформации кажется бесполезным, если целью является изменение поведения. Наконец, необходимы дополнительные испытания, проверяющие различные цели вмешательства, чтобы будущие обзоры могли основываться на более полных данных с учётом специфики популяций и контекстов. Такие контроли невозможны, когда разные эксперименты тестируют разные цели изменений.

Исследователям также следует изучать наивные представления о поведенческих изменениях среди политиков и их избирателей. Если политики считают, что знания являются основополагающими для изменения поведения, они будут продолжать внедрять хорошо задуманные, но неэффективные вмешательства. Аналогично, если политики рассматривают все цели изменений как равноценные возможности, не учитывая их относительную эффективность, их выбор, вероятно, будет ошибочным. Понимание этих наивных концепций и того, как они трансформируются в инициативы по изменению поведения, имеет решающее значение для обеспечения того, чтобы доказательные данные, подобные представленным здесь, формировали практику поведенческих изменений.

Любой обзор литературы имеет ограничения. Во-первых, наш обзор специально не учитывал, какие каналы могут использоваться для передачи знаний или изменения убеждений и предписывающих норм. Например, индивидуализированные знания могут быть переданы через консультацию с диетологом, в школах или через массмедиа. В этих ситуациях, даже если убеждения существуют на уровне индивидов, вмешательства могут работать на уровне индивида, школы или сообщества. Аналогично, политики, направленные на увеличение доступа к услугам, могут быть реализованы на уровне организаций, округов, штатов, национальных правительств или групп стран, подписывающих международные соглашения. Вопрос о том, какой уровень или комбинация уровней обеспечит наиболее эффективные вмешательства, остаётся важной темой для будущих исследований.

Во-вторых, выбор синтезировать метаанализы мог внести предвзятость в наши выводы, поскольку одни области исследованы метаанализами больше, чем другие. Тем не менее метаанализ остаётся единственным методом, который позволяет сравнивать исследования с использованием разных метрик. Метанализ первого порядка для такой обширной литературы о вмешательствах может быть амбициозной целью для этой области, которая станет осуществимой с использованием новых форм автоматизации. До тех пор наш обзор метаанализов остаётся полезным и применимым на практике. Изменение поведения, вероятно, останется одним из ключевых инструментов для решения вызовов, стоящих перед человечеством, и нам необходимо разработать более точные и действенные рекомендации для его продвижения.

Опубликовано 3 мая 2024.

Как получить общий балл по тестам

2024-08-11T12:36:50.861Z

Недавняя рабочая задача вернула меня в мир оценки персонала и вдохновила на написание этой практической статьи. Сегодня мы обсудим, как получить общий показатель на основе результатов прохождения набора оценочных методик. Методы, которые мы рассмотрим в статье, применимы не только для оценки персонала, но и в любой ситуации, где необходимо объединить несколько переменных в одну.

Стоит отметить, что интернет изобилует описанием методов, про которые мы будем говорить и примерами их расчёта в Python или R. В этой статье я хочу, с одной стороны, рассмотреть их в контексте HR, а с другой — предложить простой вариант решения в Excel, который не требует знания языков программирования.

Задачу получения общего показателя на основе исходных переменных можно решить множеством способов. Мы же воспользуемся наиболее простым из них — объединением нормализованных переменных. Нормализовать шкалы также можно различными методами; мы рассмотрим два из них: стандартизацию (z-преобразование) и минимакс нормализацию.

Представим, что для оценки персонала мы используем три разных методики. Для упрощения я буду называть их тестами, хотя строгость методологии оценочных инструментов в данном случае будет несколько упрощена. У каждого теста своя шкала баллов:

Первый тест: от -5 до +5;
Второй тест: от 1 до 5;
Третий тест: от 0 до 100.

Тестирование персонала мы запустили совсем недавно и планируем использовать его результаты для принятия решений по сотрудникам. На данный момент у нас есть всего двадцать наблюдений, но уже сейчас видно, как сложно сформировать общую картину. С ростом объёма данных это станет ещё труднее.

Вымышленные данные оценки персонала

Стандартизация

Первый способ, который поможет нам получить общий балл тестирования — это стандартизация. Для этого исходные баллы по шкалам преобразуются в z-оценки [1], которые показывают отклонение исходного значения от среднего. 99% z-оценок лежат в интервали от -3 до +3. Да-да, это всё на основе нормального распределения, как вы уже могли догадаться [2]!

Математически z-оценка — это отношение разницы между значением переменной и её средним значением к стандартному отклонению этой переменной. После стандартизации всех шкал мы можем складывать, вычитать, находить среднее между ними и выполнять другие операции, которые нам недоступны на исходных данных.

Формула стандартизации переменной

Откроем Excel и приступим к расчётам. Получим для первого теста среднее значение и выборочное стандартное отклонение.

Теперь для каждого значения первого теста получим z-оценку по формуле.

Повторяем эти шаги для второго и третьего теста, после чего можем получить общий балл, например, рассчитав среднее значение трёх z-оценок.

Для человека, далекого от статистики, работа с z-оценками может оказаться непривычной поэтому давайте переведем их в Т-баллы [3].

Формула получение T-баллов

Т-баллы измеряются от 0 до 100, но основная масса наблюдений падает в диапазон от 20 до 80. Однако в нашей таблице видно, что T-баллы находятся в диапазоне от 40 до 65. Это связано с тем, что стандартизация предполагает нормальное распределение исходных данных [2]. В нашем случае распределение данных явно не является нормальным, и это приводит к искажению средних значений и стандартного отклонения. Один из вариантов — накапливать большую выборку и производить расчёт параметров на её основе. Друго вариант - это использовать известные популяционные средние значения и стандартные отклонения, если провайдер оценочных методик публикует/предоставляет такие данные.

Минимакс нормализация

Другой вариант нормализации — это перевести исходные шкалы в диапазон, где минимальное значение соответствует 0, а максимальное — 1. Сделать это можно, найдя отношение разницы между исходным и минимальным значением к разнице между максимальным и минимальным значениями.

Формула минимакс-нормализации

В нашем случае находить минимальное и максимальное значение по тестам не нужно, так как они известны априори на основе диапазонов исходных тестовых шкал. Давайте нормализуем первый тест.

Проделаем это для оставшихся двух тестов и получим интегральный показатель, но на этот раз учтем новую вводную — у тестов разный вес: первый и второй дают вклад по 30% каждый, третий даёт 40% в итоговую оценку.

В этом случае перевод в T-баллы нецелесообразен. Просто умножим общий балл на 100 для того чтобы получить итог.

В данном случае преимущество минимакс-нормализации заключается в том, что нам известны максимумы и минимумы, чего в других задачах может не быть. Однако по сравнению со стандартизацией этот метод имеет недостаток: он не сохраняет нормальное распределение данных, если такое имелось, а значит, не позволяет отличить выбросы от более характерных результатов.

Вывод

Выбор способа зависит от цели и доступной информации. Если у нас есть большая выборка или заранее известны параметры среднего значения и стандартного отклонения, то стандартизация выглядит более привлекательной, так как сохраняет свойства изначального распределения и позволяет адекватно учитывать выбросы.

В свою очередь, минимакс-нормализация хорошо подходит для случаев, подобных рассмотренному в статье, когда минимальные и максимальные значения известны заранее и неизменны. Также этот способ, на мой взгляд, имеет более простую интерпретацию. Однако у него есть и недостаток — теряется возможность корректно учитывать выбросы.

Скачать Excel со всеми формулами и расчётами

Ссылки

Цепочка поставки данных о людях, One Model и сила слова "Нет"

2024-07-27T18:26:48.910Z

Машинная расшифровка и перевод на русский язык подкаста Directionally Correct #97 - Richard Rosenow - People Data Supply Chain, One Model, and The Power of No

Введение

Добро пожаловать на Directionally Correct, подкаст про HR-аналитику с Коулом и Скоттом. Сегодняшний гость - Ричард Розенау, Вице-президент по стратегии HR-аналитики в One Model. Благодарим наших спонсоров, One Model. One Model помогает лидерам крупных организаций принимать последовательно блестящие кадровые решения, раскрывая аналитическую ценность данных, разбросанных по вашему бизнесу. Платформа аналитики людей One Model берет на себя всю тяжелую работу по извлечению, очистке, моделированию, аналитике и отчетности данных о рабочей силе предприятия. One Model стала пионером в организации данных о людях и совершенствовала этическое использование ИИ и науки о данных для лидеров, которым нужны прозрачные и объяснимые системы поддержки принятия решений. HR и бизнес-команды доверяют точным отчетам, анализам и возможностям повествования. Дата сайентисты, инженеры и специалисты по HR-аналитике ценят сочетание управления и гибкости, которое не может предложить ни одна другая платформа для анализа рабочей силы. Чтобы узнать больше, забронируйте демонстрацию в One Model. Directionally Correct: все мнения являются нашими собственными и не отражают мнение других организаций.

Начало

Скотт Хайнс: Он начал говорить о силе слова "нет". Это похоже на то, что вам нужно защищать свое время и заниматься своими делами, и есть польза в том, чтобы говорить "нет". Все об этом, и это имеет смысл. Это хороший совет не браться за то, что не приносит вам радости. Но я думаю, что в обществе есть эпидемия "нет". Трудно заставить людей делать что-то, что не в их собственных интересах.

Коул Нэппер: И не только это, когда это часть их работы. Я могу понять, если кто-то говорит, что хочет, чтобы ты пришел на его вечеринку, а ты не хочешь идти, так что ты говоришь "нет". Это не твоя работа. Но если это твоя работа, и ты говоришь, что не будешь заниматься этим, это что-то вроде, что? Какая наглость.

Скотт Хайнс: Нам нужна какая-то вступительная музыка, музыка для выхода Ричарда.

Коул Нэппер: Тебя все время просят делать что-то, как ты говоришь "нет"? Ты часто используешь "нет"?

Ричард Розенау: Я не использую его так часто, как следовало бы. Я позволяю вещам ускользать, и я их упускаю, и потом я чувствую себя виноватым навсегда. Но я должен говорить "нет" большему количеству вещей, наверное, должен. Я думаю, что есть осторожность, как, например, найти кого-то еще, чтобы соединить их. Я часто отправляю людей к Коулу, просто говорю, поговорите с ним вместо этого.

Коул Нэппер: Он не врет.

Ричард Розенау: На нет, я стараюсь говорить "да" на все, что занимает меньше 10 минут. Это своего рода правило.

Коул Нэппер: О, Боже, но 10 минут складываются, не так ли?

Ричард Розенау: Да, складываются.

Скотт Хайнс: Да, мне нравится это правило. Кажется, что 80% успеха - это просто присутствие, верно? Есть так много людей, которые не появляются. И просто установить эту одну связь или помочь кому-то несколько минут - это много добра, которое вы делаете.

Ричард Розенау: У меня много гостинга, когда я не ответил людям, что преследуют меня в этот момент. Все эти сообщения в LinkedIn и студенты, которым я действительно должен был написать. Да, должно быть лучшее решение. Если вы его найдете, дайте мне знать.

Коул Нэппер: Но твоя социальная капитальная книга должна быть в порядке. Ты делаешь это уже много лет, если не больше десятилетия, так что, думаю, у тебя все в порядке, Ричард.

Ричард Розенау: Окей, спасибо, я ценю это. Я отпущу этих призраков.

Скотт Хайнс: Я чувствую это в сообщениях LinkedIn. Несколько раз в месяц, когда я захожу туда, я смотрю и думаю, о боже, там много всего происходит. Гостинг — это кульминация слова «нет». Это как "нет" среди "нет".

Ричард Розенау: Да, и я стараюсь напоминать себе, что со мной тоже так часто бывало. В начале своей карьеры я обращался ко всем, честно. Я обращался к такому же количеству людей, как и сегодня, но никто не знал, кто я, поэтому никто не отвечал. Я тоже напоминаю себе это. Люди заняты, они знают, что заняты, и надеюсь, что они не принимают это на свой счет.

Коул Нэппер: Ну, Ричард, ты сейчас занят, занимаясь кроссфитом?

Ричард Розенау: Возможно. Привет Давиду, местному члену команды Коула, который заставил меня заняться кроссфитом. Я был там один день, и это был легкий день, и, думаю, я не мог ходить следующие три дня. Я должен вернуться к этому снова, и это социальное давление может действительно заставить этому случиться.

Коул Нэппер: Это как мое любимое утро. Я получаю сообщение от парня, и это фотография его и Ричарда, просто потных после кроссфита. Я думаю, да, это идеально.

Ричард Розенау: Да!

Скотт Хайнс: Это вся суть кроссфита, верно? Одно дело поднимать тяжести в одиночку, но социальное давление - это то, что действительно делает кроссфит успешным.

Ричард Розенау: О, и это то, что мне нужно, честно. Я думал об этом какое-то время. В моем районе есть тренажерный зал, и так получилось, что этот парень жил в городе, и он сказал, что идет. Я подумал, хорошо, я должен пойти на этой неделе, потому что это была неделя бесплатного членства. Но да, я вернусь в какой-то момент. Вы можете удержать меня на этом.

Коул Нэппер: Теперь Ричард станет накачанным. Он начнет носить гири и поднимать шины, просто станет супер накачанным к 2025 году. Переворачивать шины на улице.

Скотт Хайнс: Да, как якорные цепи, просто тянуть их вокруг шеи. Они выглядят безумно. Я прохожу мимо зала кроссфита по утрам, и они в этом.

Ричард Розенау: Думаю, они стали лучше, потому что мода на кроссфит прошла. Думаю, те, кто в этом сейчас, занимаются этим надолго, и они немного успокоились. Так что я хорошо провел время, и они были очень дружелюбны.

Коул Нэппер: Ну, Ричард, как One Model может помочь с кроссфитом? Можете ли вы нам помочь?

Ричард Розенау: Вы пытаетесь связать эти вещи?

Коул Нэппер: Я стараюсь изо всех сил.

Ричард Розенау: Ох, я принудительно свяжу их. Думаю, есть сообщество аналитиков людей, которое поможет вам оставаться верным своим целям и достичь их дружелюбно, не слишком агрессивно. Не знаю, как связать это вместе, но мы все станем сильными вместе.

Скотт Хайнс: Подождите, что такое One Model?

Ричард Розенау: Да, One Model - это платформа HR-аналитики. Я часто говорю об этом, что мы охватываем всю операционную модель аналитики людей. Мы извлекаем данные, создаем архитектуру, моделируем, готовим их, храним. У нас есть наш красивый фронтенд, модель безопасности, вы называете это, и мы фактически идем довольно далеко в науку о данных. Не столько собственные алгоритмы науки о данных, сколько у нас есть платформа для разработки моделей. Это больше похоже на MLOps, чем на что-то, что говорит вам, что делать, но это было захватывающее путешествие. Мы существуем уже около 10 лет, и, думаю, мы почти выходим из тени в последние несколько лет, потому что у нас действительно не было маркетинговой команды до около двух лет назад. Так что это было захватывающее время, чтобы быть здесь.

Коул Нэппер: Ну, ты присоединился к нам почти два года назад, верно? Какова твоя роль там и чем ты занимаешься с тех пор, как в последний раз был в подкасте?

Ричард Розенау: Да, это была действительно интересная кульминация. Я присоединился к вам, возможно, через неделю после того, как принял предложение, так что я все еще был свежим и восторженным, просто разбирался во всем. Прошло примерно полтора года, почти два года. У меня здесь интересная работа, и я думаю, что часто получаю вопрос: "Чем ты на самом деле занимаешься?" Потому что я думаю, люди видят меня на LinkedIn и кажется, что что-то происходит. Но у меня действительно уникальная роль. Я работаю горизонтально по всей компании, заполняя многие пробелы. Я привношу перспективу практикующего специалиста. Можно сказать, что я как бы евангелист снаружи. Я также занимаюсь отношениями с аналитиками и многими нашими общественными мероприятиями. Чем больше я думал об этом в прошлом году, тем больше понимал, что, возможно, пришел в One Model как любительский аналитик, и думаю, что One Model нанял меня как внутреннего аналитика. Я занимаюсь многим: от поддержки выхода на рынок до соединения людей с этой областью. Да, это было очень весело. Это очень уникальная роль.

Коул Нэппер: И когда ты говоришь "аналитик", ты имеешь в виду не аналитика данных, а отраслевого аналитика, верно?

Ричард Розенау: Да, и это было на самом деле очень увлекательной частью работы, особенно в части взаимодействия с аналитиками. Я не знаю, насколько глубоко специалисты по HR-аналитике вникают в этот мир, но есть целая группа людей, которые пишут, думают и исследуют мир HR-технологий. Например, на конференции HR Tech, наверное, около 200 человек просто там для того, чтобы изучать, думать, писать, исследовать, а затем помогать устанавливать связи между покупателями и продавцами. Этот мир был для меня новым, поэтому я с большим удовольствием его изучаю. Люди, которые слушают это, возможно, знают Стейсию Гарр, Стейси Харрис, есть несколько аналитиков, которые действительно погружаются в пространство HR-аналитики. Но для обычного практикующего специалиста это может быть нечто, что он не видит каждый день.

Коул Нэппер: У нас была Стейсия из RedThread в гостях в подкасте. Она отличная, и мне нравится, что она является сторонником проведения исследований в сообществе HR-аналитиков, и делает это правильно.

Ричард Розенау: Да, абсолютно. Я ценю, какие шаги она предпринимает, чтобы быть своего рода "Швейцарией" в этом, и действительно заниматься исследованиями ради исследований и предоставлять их правильно. Да, Стейсия феноменальна.

Коул Нэппер: Ну, расскажи нам об этом. Ты упомянул, что One Model выходит из своего скрытого этапа, больше занимается платформой данных и архитектурой данных. Можешь рассказать об этом подробнее? Что происходит и что делает вас особенными?

Ричард Розенау: Да, здесь интересная история. Я следил за One Model последние 10 лет. Я всегда был в пространстве платформ данных как практик. Я был покупателем One Model до того, как пришел сюда. Я знаю платформу и команду уже некоторое время. Если вернуться назад, была компания Inform, затем InfoHRM, и там есть некоторая история, в которую я хочу погрузиться в какой-то момент. Возможно, я напишу книгу только для себя, но я хочу отследить, куда все эти информеры пошли. Среди них были Ник Гарбос, Эль Адамсон, Джордан Петтман, многие из этих людей отслеживают свою историю до этой компании. Inform действительно была первой платформой аналитики рабочей силы. Inform была приобретена SuccessFactors, которые затем были приобретены SAP и стали SAP Workforce Analytics. Некоторые из этих информеров сказали: "Эй, давайте начнем заново. Давайте запустим One Model." Так что One Model действительно родилась из этого пространства. Наш CEO, Крис Батлер, был феноменален в построении этой компании. У него есть опыт работы в области инженерии данных. Мы действительно начали с извлечения данных. Многие начали с визуализации - если дать им чистые данные, они их визуализируют для вас. One Model сказал: "Эй, настоящая проблема здесь - это доступ к данным, их очистка, архитектура и подготовка." Мы работаем внутри компании, поэтому это больше о подключении напрямую к Workday, Greenhouse, Qualtrics, извлечении этих данных и приведение их к унифицированной модели данных, делая их доступными в качестве их модели данных. Это не единый шаблон с нашей стороны, это действительно одна модель данных на компанию. Но это способ начать с проблемы, которая заключается в том, что вы никогда правильно не извлекали свои данные, до визуализации, науки о данных и всех последующих замечательных вещей. Немного этой истории говорит о том, откуда мы пришли и почему мы сейчас на сцене.

Скотт Хайнс: Я имею в виду, ты как хипстер архитектуры данных, звучит так, да?

Ричард Розенау: Думаю, это так, и это забавно, потому что нас часто воспринимают именно так. У нас определенно есть бэкграунд ботаников и история, и мы будем глубоко погружаться в SQL со всеми. Иногда мы избегали некоторых наших глубоких сильных сторон, потому что у нас есть этот красивый фронтенд, все, что мы делаем на панели управления, UX/UI - это было большим улучшением и инвестициями. Но да, ничего не волнует нас больше, чем решение основной проблемы, и архитектура данных - это она абсолютно.

Коул Нэппер: Как глубоко специалисты по HR-аналитике и даже HR или HR-директор должны знать о архитектуре данных?

Ричард Розенау: О, я активно бью в этот барабан. Это вопрос, который я задавал многим людям, потому что специалисты по HR-аналитике, если спросить их об этом, часто скажут все. Все мои проблемы исходят из архитектуры данных; мой HR-директор должен знать об этом. У меня есть немного противоположное мнение: я думаю, что HR-директор не должен знать об архитектуре данных или должен знать только минимально необходимую версию. Они должны знать как можно меньше, чтобы помочь вам, но их работа настолько широка и велика. Им действительно нужно управлять со своими коллегами и управлять советом директоров. HR-аналитика, наша дисциплина, должна сдерживать часть этого. Но это трудно, потому что вы оказываетесь в этой невидимой области работы, которую нужно выполнить, чтобы выполнить свою работу, о которой HR не знает и не заботится. Но архитектура данных настолько критична для правильного выполнения HR-аналитики, что это может быть действительно опасное место для команд.

Скотт Хайнс: Вопросы настолько технические, и нужно идти так глубоко, чтобы понять их. Вы не хотите, чтобы HR-директор шел так глубоко, верно? В вашем случае, у них есть другие проблемы, с которыми нужно справляться. Какой процент из тех HR-директор, с которыми вы взаимодействовали, даже знают, что у них есть платформа данных?

Ричард Розенау: О, это трудно, потому что HR-аналитика уже на один шаг дальше от того, что знает HR. Мы проводим много обучения, привлекая многих людей к тому, что такое аналитика и какие выгоды она приносит. Я думаю, архитектура действительно на два шага дальше от того, где HR чувствует себя комфортно, и это не их вина. HR имеет свою работу, занимаясь другими вещами, и они должны выполнять эту работу. Но эта идея, что у нас есть наша техника, у нас есть наша аналитика, мы должны быть в порядке, а затем, о нет, есть целая область между ними, где мы неправильно извлекали данные. Мы должны сделать их доступными, создать их. Это очень далеко друг от друга. HR-директора, которые пришли из HR-аналитики, имеют признание в этом, но должно быть лучшее решение, чем нарабатывать стаж в HR-аналитики для получения образования в этой области.

Скотт Хайнс: Даже специалисты по HR-аналитике не обязательно обладают навыками для решения глубоких технических вопросов, связанных с настройкой таблиц SQL и реляционных баз данных и всем этим. Опять же, вам не нужно, чтобы HR-директор занимался этим или понимал эти вопросы. Наймите умных людей для этого.

Коул Нэппер: Думаю, это продолжающиеся дебаты в этой области. Должны ли они вообще знать? Должны ли это быть партнерские команды? Должны ли это быть технологии, которые делают это за них? Думаю, это продолжающиеся дебаты.

Скотт Хайнс: Они должны знать достаточно, чтобы понять, что данные могут сделать для них и где они замедляются из-за отсутствия правильных вещей.

Ричард Розенау: Мы действительно начинаем это видеть. Интересная вещь в управлении этой доской вакансий с One Model — для тех, кто не знает, у нас есть доска всех вакансий по США, Великобритании, Австралии и Канаде. Мы сканируем их каждые три недели. Сейчас у меня есть список из около 4700 вакансий за последний год и полтора, которые были размещены. Мы на самом деле видим, что дисциплина данных начинает отделяться от HR-аналитики, и думаю, что так всегда должно было быть. Часто HR-аналитики — это бывшие консультанты, IO психологи, BI специалисты, возможно, HR специалисты, которые пришли в эту область. Ни одна из этих дисциплин не имеет богатого образования в инженерии данных в своей основе. Так что мы начали видеть, как некоторые команды фактически начинают нанимать руководителя по данным о людях отдельно от HR-аналитики, отдельно от HR tech, который отвечает за эту область. Думаю, что настоящий ускоритель был во всех этих компонентах генеративный ИИ, потому что команды по HR-аналитик кричали об этом годами, не добиваясь большого прогресса в плане настройки фундамента данных. Но вы действительно застряли, если не извлекли свои данные, не настроили их, не подготовили. Для вас нет ген ИИ. Вы просто не можете двигаться вперед. Поэтому думаю, что многие команды HR начинают сталкиваться с этим и понимать, что в этой области может быть больше, чем говорил специалист по HR-аналитике. Может быть, мне нужно инвестировать немного больше, и может быть, это не совсем HR tech. Поэтому я выступаю за развитие этой области.

Скотт Хайнс: Или это как мусор на входе, мусор на выходе, как вы упомянули, верно? Если у вас плохая система ввода, лучшая генерирующая модель в мире не поможет вам вообще.

Ричард Розенау: Совершенно верно. В последнее время мы говорили о цепочке поставок данных о людях. Общаясь с многими лидерами HR-аналитик, большая часть моей работы здесь, в One Model, заключается в общении с многими специалистами по HR-аналитике. Думаю, я разговариваю с около 300 или 400 в год, просто смотря на мой календарь и отматывая назад. Я много раз предлагал это Коулу.

Коул Нэппер: Мало кто мог бы пожаловаться на то, каков этот опыт.

Ричард Розенау: Лидеры HR-аналитики сразу же идут за данными, но потом понимают, что данные — не проблема. Техника на самом деле никогда не была правильно настроена. Затем они понимают, что техника — не проблема. Мы никогда не стандартизировали и не записали наши операции. Затем они понимают, что это не операции. У нас на самом деле нет HR стратегии. Так что этот поток от стратегии, операций, техники, данных, аналитики, мы видим это постоянно в компаниях как поток, который действительно стоит выделить и отслеживать. Часто мы думаем, что это техническая проблема. Это не техническая проблема. Ваши рекрутеры делают все, что хотят. Они никогда на самом деле не придерживались того, что вы хотите делать в своей ATS. Так что ваши данные плохие, поэтому вы не можете делать аналитику. Это действительно принесло многим HR командам ясность, чтобы начать через эту структуру стратегии, операций, техники, данных, аналитики пытаться понять, что происходит в их организации.

Скотт Хайнс: Если вы хотите выглядеть умным на встрече, всегда возвращайтесь к миссии, видению и стратегии компании. Все должно исходить оттуда. Вся организация должна быть настроена на этом, включая их системы HR-аналитики.

Ричард Розенау: Просто скажите это, ударьте по столу и выходите.

Скотт Хайнс: Абсолютно, эффект "микрофон упал".

Коул Нэппер: Ричард, я видел, как ты несколько раз делал презентацию о цепочке поставок данных о людях, и знаю, что у тебя есть визуализация для этого. Как это связано с карьерным путем в HR-аналитики, и что там происходит?

Ричард Розенау: Это была другая действительно увлекательная часть доски вакансий. Когда я ищу вакансии, я занимаюсь этим на заднем плане, потому что автоматизировать это слишком сложно: слова встречаются повсюду, названия должностей разные. Мы еще не полностью сформировали как функцию, чтобы точно знать, какой термин поиска должен быть. Я начал видеть все больше таких вакансий, как директор по операциям, и большая часть их работы связана с HR-аналитики. Вы начинаете видеть руководителя служб, и большая часть их работы связана с аналитикой и технологиями. Вы начинаете видеть лидера HR, и половина их работы связана с HR-аналитикой. Я думаю, что происходит, так это то, что мы действительно видим, как формируется зонтичная функция над этими компонентами цепочки поставок. Итак, мы видим руководителей, и вы называете это, это эти 60-символьные названия должностей, включающие операции, технологии и аналитику, и это повсюду. Я начал называть это руководителем систем рабочей силы. Это системное мышление. Это все горизонтальные структуры компании, работающие вместе. Вы будете видеть это все чаще. Начинайте искать, и вы увидите это повсюду. У них есть руководители операций, технологий, стратегии и аналитики, которые подчиняются одному человеку. Думаю, это работа в HR, и это стало работой в HR, потому что работа HR-директора стала слишком большой. Итак, мы видим этого лейтенанта по горизонталям, который может фактически управлять этой системой горизонтально. Чем больше мы начинаем искать, тем больше видим, что этот человек может быть ответственным за HR-аналитику по всей компании или у них есть лидер, который подчиняется им. Они могут делать вещи по-другому, чем когда лидер HR-аналитики подчиняется непосредственно руководителю HR.

Скотт Хайнс: У нас также становится все больше источников данных. Они становятся все более распространенными. Вы получаете все эти различные источники данных, которые нужно как-то агрегировать и пытаться привести к общей системе, особенно если данные беспорядочные, пытаясь как-то понять это. Вам нужен кто-то, кто будет отвечать за это.

Ричард Розенау: И это политика и приоритизация, и политика в самом добром смысле этого слова, не в уничижительном. Вам нужно навигировать политику между L&D, технологиями, TA и компенсациями, и кто на самом деле получает свои данные первым. Когда это лидер HR-аналитики сам по себе, который наполовину отвечает за данные, это становится неприятным. Люди начинают раздражаться друг на друга. Развивается много трений. Когда у вас есть эта роль над командой операций, технологий, данных и аналитики, этот человек может принимать решения. Они могут вступать в борьбу с множеством этих вертикалей, которые исторически имели много власти в HR, чтобы сделать вещи, будь то руководитель TA, руководитель компенсации, вы называете это. Иметь кого-то на том же политическом уровне действительно защищает и поддерживает лидера HR-аналитики так, как мы, возможно, не ожидали, но должны ожидать, чтобы иметь этот уровень защиты.

Скотт Хайнс: Или команды имеют свои маленькие "феодальные владения" над своими данными. Они не хотят делиться ими, или они имеют их в своем формате. Вам нужен кто-то, кто придет и поборет их.

Ричард Розенау: И это управление системой данных в целом. Вот где это историческое управление HR через эти вертикали начинает разваливаться. Мы на самом деле не испытываем HR в вертикалях как сотрудники. Я не только занимаюсь рекрутингом, потом только L&D, потом только своими повседневными операциями. Я работаю и затрагиваю множество различных вещей по пути. Данные текут через весь этот процесс. Если вы не управляете этим с точки зрения системного мышления, вы получаете эти вертикали, которые принимают очень изолированные решения, которые иногда могут вызвать проблемы повсюду.

Коул Нэппер: Ну, и скажи мне вот что, Ричард. В рамках этой цепочки поставок данных о людях или функции систем рабочей силы, не только лидера, но и всей функции под ним, должны ли там быть инженеры по данным? Должны ли быть инженеры по данным в HR?

Ричард Розенау: Это сложный вопрос. Я думаю, что должен быть лидер стратегии данных, и я думаю, что должны быть стратеги данных. Я провел опрос, может быть, год назад, где пытался выяснить, есть ли руководители HR-аналитики, которые пришли из инженерии данных, потому что я знаю, что есть руководители HR-аналитики, которые приходят из консалтинга и исследований и BI и из различных областей. У них разный опыт. Я не смог тогда найти ни одного инженера данных, который бы возглавил команду HR-аналитики. Их карьерный путь просто совсем другой. Они не хотят однажды пойти в HR. Они хотят заниматься более сложной инженерий данных. С тех пор я встретил одного. Так что я знаю одного человека, который как-то пошел по этому пути, но я отслеживал это и искал этих людей в течение года. Думаю, это говорит о том, что если в этой области действительно нет карьерного пути, если вы размещаете их в этой организации, они застревают. У них нет наставничества. Им приходится уходить, чтобы развивать свою карьеру. Думаю, это проблема сама по себе. Думаю, владение данными и изоляция ресурсов для этого — это немного другой вопрос, потому что HR исторически обжигался снова и снова на общих услугах, где мы говорим: «окей, все кладут свои ресурсы в центр». Маркетинг, продажи, HR, все вкладывают, а потом никто не получает поддержки обратно. Мы знаем, что, когда дело касается политики, мы находимся на самом низком уровне. Мы знаем, что нас будут кормить в последнюю очередь. Итак, если я отдам вам свои ресурсы, мы знаем, что они исчезнут. Я думаю, что именно здесь HR, если вы хотите действительно добиться результатов, вам нужно найти какой-то способ изолировать ресурс или найти услугу или платформу, которая может вам в этом помочь. Но я думаю, что инженеров по обработке данных как талант очень сложно продать в рамках HR-функции.

Коул Нэппер: Ну, есть ли какие-то платформы, которые вы знаете, что могут помочь?

Ричард Розенау: Абсолютно. Это ключевая часть One Model. Это большая часть того, почему я пришел сюда тоже, потому что когда я был в Airbnb...

Скотт Хайнс: Посмотри, как гордится Коул собой на секунду, Ричард. Посмотри, как гордится Коул. Он очень горд. Это был хороший ход.

Коул Нэппер: Я пытался найти менее очевидный способ упомянуть это, но вы знаете, что...

Ричард Розенау: Это был волейбол. Он подал мне мяч. Когда я покупал платформу по HR-аналитике, я знал, что не смогу найти инженера данных в свою команду, потому что инженера данных сложно найти. Если мы можем найти инженера данных, то поместите его в основное дело, потому что этот талант редок. Думаю, он становится все реже, когда дело касается машинного обучения или ИИ, что бы это ни было. Поэтому мы выбрали One Model, потому что вы получаете эту услугу, а также платформу, чтобы справиться с этим архитектурным вопросом. Затем я смог нанять консультантов, стратегов, кого угодно. Это сделало огромную разницу в плане профиля талантов, которые у меня были, и моей способности управлять как лидера HR-аналитики.

Коул Нэппер: Ну, и ты приходишь, это не то, что ты работал у поставщика всю свою карьеру. Ты был в области HR-аналитики достаточно долго и сделал много работы в этой области. Мы затронули ранее наличие архитектуры данных для внедрения ИИ, особенно генеративного ИИ. Что происходит в этой области, связанной с ген ИИ и, возможно, даже ИИ агентами? Я слышу о этих вещах, они реальны? Это что-то или это просто больше хайпа? Что там происходит?

Ричард Розенау: Абсолютно. Думаю, это скачок, до которого мы все еще догоняем, потому что думаю, что теперь все уже довольно комфортны с ChatGPT или должны быть. Если вы на работе и слушаете это, и как-то вы еще не на ChatGPT или Claude или что-то другое, что там есть, вам нужно привыкнуть к аспекту чат-бота. На платформах HR tech почти у всех есть чат-бот. Думаю, HR tech в этом году будет наполнен чат-ботами, которые взаимодействуют с вещами. Это улучшение, это хорошо для HR. Что меня действительно волнует, и я видел некоторые ранние демо, мы исследовали и тестировали, и идем по пути, это как мы можем обучить агентов, что, по сути, означает взять LLM и поместить его в небольшого робота. Этот маленький робот выполняет задачи за вас. Мы видели некоторые действительно хорошие статьи о переводческой компании. Они обучили около 20 различных агентов работать вместе как небольшая переводческая фирма. У них был старший редактор, младший редактор, QA специалист, языковой эксперт и CEO. Они принимали запросы, переводили документы и сравнивали это с человеческими оценщиками. Интересно было то, что они приблизились к некоторым формальным показателям, но, когда у них были человеческие оценщики, которые выбирали между переводами людьми и переводами этой компанией, они на самом деле чаще выбирали компанию. Это меня удивило, потому что...

Скотт Хайнс: Подожди, у тебя есть виртуальный агент CEO, виртуальный агент переводчик, все эти разные агенты, и как они работают вместе.

Ричард Розенау: Я пришлю тебе статью, это увлекательно. Они также поместили действительно милую маленькую 2D графику этих маленьких персонажей в стиле пиксельного искусства Nintendo. Это способ олицетворить это для читателя статьи, но они действительно взаимодействуют друг с другом и проверяют друг друга. У них есть небольшие личности, которые были определены. Это абсолютно увлекательное исследование в этой области. Я вернусь к этому, Коул. Мы начали изучать, как мы можем помочь дополнить то, что мы делаем на заднем плане. У нас есть инженеры по данным, у нас есть команды, которые работают над данными, мы извлекаем ваши данные из Workday, готовим их к использованию. Как мы можем дополнить и ускорить этот процесс с помощью агентов? Были некоторые невероятно захватывающие демо. У меня нет ничего, что мы могли бы объявить или поделиться публично, но если вы не следили за тем, что происходит в пространстве агентов, вам стоит это сделать. Думаю, мы увидим совершенно другой мир в HR-аналитике через примерно полтора года.

Скотт Хайнс: Я видел моделирование на основе агентов для предсказания распространения болезней в организациях или в разных меньших настройках. Обычно они были ограничены вычислительной мощностью, это требует много элементов, много предположений. Но это дико, о чем ты говоришь, это просто дико.

Ричард Розенау: Это хорошее замечание, Скотт, потому что есть великая история и исследования, поддерживающие моделирование на основе агентов. Думаю, социологическая программа Мэдисона делает много работы с инструментами на основе агентов, но это почти как отдельная научная дисциплина, до и после LLM. Что эти LLM смогли сделать, так это действительно дать этим агентам не только предварительно закодированные ответы или взаимодействия, где, например, если ты сталкиваешься со мной, я получаю единицу вместо нуля. Но на самом деле закодировать их с небольшим человеческим фоном, чтобы они могли взаимодействовать и иметь разговоры. Есть несколько статей, которые я обязательно пришлю вам, чтобы вы могли включить их в шоу-ноты или распространить. Это было захватывающе видеть.

Скотт Хайнс: Мы недалеки от "Мира Дикого Запада", где у них есть мега-компьютер, и они просто, по сути, все выясняют.

Ричард Розенау: Давайте, сделаем это. Я устал от этой симуляции, почему бы и нет? Пусть они делают работу.

Коул Нэппер: Ричард, сколько времени пройдет, пока не появится полностью агентная модель HR-аналитики? У тебя есть твой агент лидер HR-аналитики, твой агент команды BI, твои агент консультант и так далее. Сколько времени пройдет, пока это не случится, и как люди вписываются в эту команду?

Ричард Розенау: Это вопрос. Это происходит. Думаю, это шире, чем просто HR-аналитика. Любой, кто занимается интеллектуальной работой сегодня, должен рассмотреть или подумать о том, как использовать агентов для масштабирования и выполнения этой работы в большом объеме. Думаю, идея... Может быть, это горячий вопрос? Я всегда был неоднозначным по поводу технологий коучинга. Я не был уверен, куда идет технология коучинга, или я не очень вникал в это пространство. Я был больше сосредоточен на рекрутинге, других инструментах. С появлением некоторых из этих ИИ инструментов и того, что они могут делать для коучинга человека и поддержки человека, мне пришлось вернуться в это пространство намного больше. Я начал следить за работой Ванессы, работой NYU в области коучинга. Они проводят огромное количество исследований и понимают это. Чтобы вернуться к этому, думаю, что человек будет иметь целую команду, которая будет работать с вами, чтобы сделать вас лучшим, кем вы можете быть. Лучшим, кем вы можете быть, может больше не быть лучшим человеком, который пишет SQL. Это может быть лучшим человеком, который выполняет очень человеческую задачу на работе, которая предоставляет смысл или цель или креативность для улучшения человечества. Это будет выглядеть очень по-разному в ближайшие пару лет.

Скотт Хайнс: Много мыслей на эту тему, но думаю, что по мере того, как мы становимся все более ориентированными на генеративные технологии, все могут отправить электронное письмо, которое отлично составлено и идет прямо к сути. Думаю, люди начнут жаждать сообщества и настоящего человеческого контакта, настоящего взаимодействия. Это может вернуть людей в офис. Когда все имеют электронные письма, которые не кажутся настоящими, вы хотите настоящего взаимодействия в этот момент.

Ричард Розенау: Человек, это просто трудно тоже, потому что, если я соберу людей в комнате без компьютера сегодня и попытаюсь выполнить работу, мой мир станет очень трудным. Я буду забывать вещи, не смогу делать заметки, не смогу поделиться экраном. Если вы доведете это до крайней степени, я знаю, что это не то, что вы говорите, Скотт, но, если бы нас троих собрали в комнате, и нам пришлось бы создать проектный план и довести его до завершения без использования компьютеров, мы бы уже были в беде. Думаю, это будет ощущаться так, когда мы доберемся до этого, типа "оставим AI дома и просто соберемся". Мы просто соберемся и скажем: "Люди, мы тупее, чем мы были дома со своим ИИ, который нам помогал".

Скотт Хайнс: Никто не будет читать или верить автоматически генерированным письмам, верно? Или, типа, ты отправляешь свое автоматическое письмо, я использую своего автоматического читателя писем, чтобы прочитать его и сделать резюме.

Ричард Розенау: Да, это ставит под вопрос сам акт отправки письма, потому что один из способов, как я об этом думал, это мы выделяем мысль. У нас есть мысль в голове, которую я хочу кому-то передать, мне нужно выбрать инструмент для этого, чтобы отправить, будь то электронное письмо, Slack, аудио, подкаст, это медиум, через который я передаю эту мысль. Что генеративный AI позволил нам сделать, так это сказать: "Окей, у меня есть мысль, но раньше у меня были проблемы с определенными инструментами. Можешь ли ты взять эту мысль, поместить ее в инструмент и передать ее наилучшим образом?" Идеально, чтобы мысли, которые были лучше раньше, но, возможно, имели трудности с достижением людей или трудности с передачей, возможно, кто-то просто не чувствовал себя комфортно в правильных способах, возможно, эти мысли теперь будут достигать. Думаю, это, вероятно, самый оптимистичный способ взглянуть на это, это немного демократизация инструмента, чтобы позволить мыслям достигать людей, которым они нужны.

Скотт Хайнс: Так ты бы слушал подкаст "Directionally Correct" на основе агентов?

Ричард Розенау: Я обсуждал возможность транскрибирования всех ваших прошлых эпизодов. Думаю, если кто-то слушает это и у него есть возможность сделать это, свяжитесь с нами, потому что я думаю, что автоматически генерированные Коул и Скотт были бы увлекательны.

Коул Нэппер: Думаю, если ты знаешь предприимчивого человека там, не отставай, тебе не нужно это делать, у нас все в порядке. Нам пока не нужно это, и никаких писем о нарушении авторских прав. Я обдумывал мысль, которую ты высказывал, Ричард, об инструменте обмена, и думал в своей голове: "Какой инструмент обмена мне нравится больше всего или я считаю наиболее эффективным для меня?" И думаю, что это другие люди, которые общаются со мной, вероятно, лично. Итак, для меня кажется, что олицетворение ИИ является наиболее эффективным, потому что я ненавижу электронные письма, ненавижу Slack, ненавижу все другие формы общения. Почему бы не создать ИИ-персону, которая затем общается эффективно, как бы делал человек?

Ричард Розенау: Уверен, что сегодня существует стартап, который говорит: "Мы будем читать ваши электронные письма, мы поставим виртуального помощника, который просто расскажет вам резюме и спросит вашего ответа". И если это поможет нам пройти через день, если этот стартап не существует, вырежьте эту часть сегмента и давайте сделаем его, потому что я думаю, что это невероятно — иметь такого рода помощника, который может взаимодействовать совершенно по-другому, не нужно заходить и физически вводить кучу вещей в определенные места, чтобы передавать информацию.

Скотт Хайнс: Думаю, это была оригинальная мечта, скажем, как у Amazon Alexa, верно? У тебя есть это маленькое устройство в доме, которое говорит: "У тебя сегодня прием к врачу, будет 72 градуса, а, кстати, твое любимое шоу будет сегодня вечером." И вот все твои электронные письма, кстати. Это еще не полностью реализовано, но мы не можем быть далеко от этого.

Ричард Розенау: Да, это определенно сталкивается с проблемами конфиденциальности, управления и безопасности, как и все. Где, типа, готов ли я передать все свои электронные письма этому новоиспеченному стартапу, которым управляют Коул, Скотт и Ричард? Невероятно. Вам нужно сначала заработать немного доверия. Стартап с Коулом, Скоттом и Ричардом, это смешно. Думаю, ИИ должен стать намного лучше, прежде чем мы сможем начать это. Нам нужен ИИ, чтобы построить вещи для нас. Шаг первый: ИИ, стань лучше.

Коул Нэппер: Одна из вещей, которые ты мне прислал некоторое время назад, и о чем мы могли бы поговорить сегодня, Ричард, это твой интерес к этнографии и социальным наукам в последнее время, верно? Ты отправил мне скриншот из книги о практической этнографии, который был увлекательным, и думаю, это связано с этим пунктом о том, как, если ты исследователь и изучаешь организации и их использование данных, особенно данных и HR-аналитики, они называют это ритуальным собранием вокруг цифр, верно? И мне кажется, что ИИ может убить это ритуальное собрание вокруг цифр, которое мы сейчас делаем. Как ты думаешь, это потенциальный исход? И затем, возможно, ты можешь связать это с тем, чем ты занимался в последнее время в области этнографии?

Ричард Розенау: Да, это увлекательно, и большой привет Сэм Ладнер, она социолог, этнограф, бывший исследователь в Workday, она недавно начала работать сама по себе. Но она написала эту книгу "Практическая этнография: руководство по проведению этнографии в частном секторе", это феноменальное чтение, по-настоящему. Думаю, эта книга немного переписала мой мозг, когда дело касается HR-аналитики, и у меня появилось больше понимания для заинтересованных сторон после её прочтения. Часть, о которой говорит Коул, это то, как проводить этнографию в бизнесе и как отчитываться о том, что ты делаешь со временем. И она описывает эти встречи, когда группа людей в отеле собирается вместе, и, например, кейтеринг, ресепшн, служба техобслуживания — все делятся своими цифрами о том, что происходит в их бизнес-линии. Оказывается, что никто из них на самом деле не понимает цифры друг друга, но они знают по тону, манере общения, всё ли хорошо, плохо или в порядке. Но более важной частью было именно это ритуальное собрание как людей вокруг костра, чтобы обсудить, что происходит в бизнесе. Мы используем цифры, чтобы заполнить некоторые пробелы, но ритуал был более важной частью. И это как будто оставило след в моей голове. Я подумал: "О, Боже мой, всё, что я делаю, многое из того, что я делал в прошлом в области HR-аналитики и отчетности, когда ты начинаешь видеть это через эту призму, ты понимаешь, что людям нужны ритуалы для комфорта, и им нужно понимать вещи через эту чрезвычайно человеческую линзу". Это действительно изменяет взгляд на твою способность как лидера HR-аналитики помочь им, потому что иногда им нужна не цифра, а факт, что они знают, что ты знаешь, что это за цифра, уверенность, которую ты приносишь. Когда ChatGPT только появился на сцене, многие люди подумали: "О, Боже, мне нужно это изучить", а я подумал: "О, нет, он заберет всё, что осталось". Думаю, в историческом плане специалисты по HR-аналитике действительно получили благословение от организационной психологии, психологии труда и людей на этом подкасте, и эта глубина психологии труда, которую мы имеем в функции, мы упустили некоторые другие аспекты социальных наук. Поэтому я думаю о социологии, антропологии и их способности опираться на очень строгий качественный подход к пониманию и понимание данных, типа что такое культура и что система культуры значит. Думаю, в ближайшие несколько лет это станет более заметным. Поэтому я долгое время старался продвигать идею привлекать больше социологов, больше антропологов, потому что в конце концов мы будем изучать, как люди работают, как сделать работу лучше для людей и что работа значит для людей. Это очень четко в области социологии и антропологии. Очень длинный ответ, Коул, но я очень рад поговорить об этом.

Скотт Хайнс: Ну, еще раз, я думаю, это усилит нашу дружбу, нашу способность собираться вместе, потому что мы не хотим просто сидеть и смотреть в компьютер все время. Нет культуры, когда вы не взаимодействуете с людьми, верно?

Коул Нэппер: Да, мы можем пригласить социологов и антропологов как раз вовремя, чтобы агенты забрали их работу, так что это будет хорошо. Но я просто думаю об этом, возвращаясь к ритуальному обмену информацией. Я просто думаю, что мы все, как пещерные люди, видим зеленое на дашборде и говорим "хорошо", а потом видим красное и говорим "плохо".

Ричард Розенау: Для следующей презентации поменяйте их местами и посмотрите, что будет. Это вызовет бунт.

Коул Нэппер: Давайте устроим матрицу несоответствий.

Матрица несоответствий

Мы хотели бы еще раз поблагодарить One Model, пионера в области ИИ и HR-аналитики, за спонсорство эпизода, а теперь вернемся к матрице несоответсвий.

Коул Нэппер: Я не думаю, что этот сегмент существовал в прошлый раз, когда ты был в подкасте, так что это должно быть весело, да.

Скотт Хайнс: Тебе приходилось сталкиваться с давлением матрицы несоотвествтий, Ричард?

Ричард Розенау: Нет, но я бы рекомендовал Скотту отключить видео, потому что, видимо, у тебя есть какие-то признаки.

Коул Нэппер: О, я слушаю слишком внимательно, вижу. Ну, это только для рулетки исследований.

Скотт Хайнс: Я даже не знаю, что мы делаем, хорошо, хорошо. Наш редактор испортил эту игру, так что она больше не появится. Надо прятать лицо за бумагу, когда делаешь это, он испортил игру для всех. Давайте сделаем немного суперслучайного.

Коул Нэппер: Ответь правильно один раз, один раз, и Скотт выбрасывает игру.

Скотт Хайнс: Ну давай, это не потому, что ты ответил правильно, это потому, что я почувствовал, что было вмешательство. Хорошо, Ричард, давай немного суперслучайного, у нас мало времени, будем краткими. Ты человек, который наклеивает наклейки на машину?

Ричард Розенау: Единственная наклейка, которую я имею, это "Ребенок на борту". У нас есть двое маленьких детей. У нас нет двух младенцев на борту, но у нас есть одна наклейка, которая была для первого ребенка, и я думаю, что она покрывает второго.

Коул Нэппер: Это наклейка с изображением Карлоса из фильма "Мальчишник"?

Ричард Розенау: Откуда ты знаешь? Нет, нет, я думал...

Скотт Хайнс: Ты угадал, это было круто.

Коул Нэппер: Я видел такие по городу.

Скотт Хайнс: Я не знаю, то ли это, но чувствую, что у тебя слишком много наклеек, это как патология.

Ричард Розенау: Да, вообще нет, я не человек, который наклеивает наклейки на машину.

Скотт Хайнс: Ты был популярен в школе?

Ричард Розенау: В определенной группе, даже это мне неудобно говорить. Я был в марширующем оркестре и хоре, и я был настоящим ботаником, как можно себе представить.

Скотт Хайнс: Коул, ты был популярен? Ты был популярным парнем?

Коул Нэппер: Черт возьми, нет, чувак, я был в эмо-группе, это антипод популярности.

Скотт Хайнс: Разве это не было популярно в то время, эмо?

Коул Нэппер: Нет, там, где я жил, это не было популярно. Мы сейчас собираемся, чтобы нас травил Скотт?

Скотт Хайнс: Чем ты владеешь, что тебе нужно выбросить, что-то слишком старое, что нужно выбросить?

Ричард Розенау: У меня так много вещей. Мы часто переезжали, я переезжал каждый год около 10 лет, и я ритуально избавлялся от вещей тогда. Мы живем в этом доме уже пару лет, и у нас двое маленьких детей. Мы просто утопаем в вещах. В какой-то момент нам придется переехать, чтобы заставить нас избавиться от вещей.

Скотт Хайнс: У тебя по всему дому разноцветные пластиковые штуки?

Ричард Розенау: Это невероятно, просто хруст игрушек "Щенячьего патруля" у меня под ногами повсюду.

Скотт Хайнс: Великое дело — перевозить коробку из одного дома в другой и никогда не открывать её.

Ричард Розенау: Да, у меня еще есть несколько таких.

Коул Нэппер: Хорошо, хочешь поговорить о чем-то ботаническом, Ричард?

Ричард Розенау: Абсолютно.

Всезнайка

Коул Нэппер: В духе музыки и ностальгии и того, что мы делали, когда были моложе, думаю, эта первая статья от тебя, Скотт, о силе ностальгии.

Скотт Хайнс: Сила ностальгии: возраст и предпочтения популярной музыки. Итак, Ричард, какая у тебя была любимая песня в подростковом возрасте? У тебя есть любимая песня или группа?

Ричард Розенау: Это плохой вопрос для меня, потому что я в каком-то смысле оторван от музыки. Возможно, это один из моих больших недостатков, я просто не слушаю много музыки. Это будет ужасный факт, но у меня был CD с лучшими хитами группы Styx. Почему бы и нет? Я слушал его много, и это полностью оторвало меня от моего поколения в плане музыки.

Скотт Хайнс: "Come Sail Away", почему бы и нет?

Ричард Розенау: Абсолютно, абсолютно.

Скотт Хайнс: Это классика.

Коул Нэппер: Это Styx, верно?

Ричард Розенау: Найдите меня в караоке.

Скотт Хайнс: Если я передам тебе шнур AUX в машине, и на заднем сиденье будет пара человек, ты не тот парень, нет, они будут слушать "Directionally Correct". Эта статья исследовала предпочтения слушателей к музыке разных эпох. Они использовали тысячу человек, которые оценили 34 песни с 1950 по 2016 годы, все это были хиты топ-10 Billboard. Они рассчитали возраст респондентов на момент выхода песни. Если ты родился в 1970 году, а песня вышла в 2000 году, тебе будет плюс 30. Если ты родился в 2000 году, а песня вышла в 1970 году, тебе будет минус 30. Они использовали методологию двухлинейной регрессии, чтобы определить U-образные кривые, действительно ботанские вещи, но я настоятельно рекомендую людям взглянуть на это. Это похоже на систему Робин Гуда, о которой я никогда не слышал и не полностью понял. Они обнаружили, что высшие оценки для песен приходятся на возраст 16 с половиной лет с постепенным снижением после этого. У них есть действительно крутая визуализация, я просто перейду в ручной режим. Так что есть научное объяснение, почему песни, когда ты был подростком, были просто лучше. Это синдром "старых добрых дней".

Ричард Розенау: Когда я прочитал это, я сразу же начал беспокоиться о том, как это будет использовано маркетинговыми и политическими командами. Возможно, это связано с предстоящими выборами, но я подумал: "О нет, мне не нужно, чтобы кто-то еще манипулировал мной каким-либо образом, который я едва могу контролировать". Я уверен, что эта статья попадет в руки маркетингового директора, и он будет думать: "Мы будем точно настраивать, как обращаться к этой демографической группе".

Скотт Хайнс: Ну, в любом случае, все ориентировано на подростковую аудиторию, верно?

Коул Нэппер: У меня есть твое решение, Ричард, просто не слушай ничего нового.

Ричард Розенау: Я там, я прямо там.

Скотт Хайнс: Думаю, самое страшное в этой статье то, что она также указывает на то, что есть небольшая группа людей, которым нравится Скриллекс. Они думают, что это лучшая музыка на свете, просто потому что им было 16, когда он появился, и теперь им всем около 30 лет.

Коул Нэппер: Мне нравится статья, которая говорит, что раньше они думали, что это 23 года или 19 лет, а потом поняли, что это 17 лет. Но у меня вопрос к тебе, Скотт: почему ты думаешь, что это 17 лет? Что такого в этом возрасте или временном промежутке, потому что опять же, визуализация, которую ты только что показал, это довольно крутая кривая. Это не похоже на 18 или 19 лет, это 17, видимо, по какой-то причине. Почему ты так думаешь?

Скотт Хайнс: Думаю, одна из причин — это свободное время. Люди более склонны слушать музыку в это время. Думаю, должно быть какое-то исследование о том, что эмоции сильнее в этом возрасте. У тебя развивается лобная кора, и ты начинаешь замечать противоположный пол и все такое. Думаю, музыка просто ставит временной штамп на твою жизнь. Мы все знаем эту песню, как для Ричарда это "Come Sail Away".

Коул Нэппер: Это как отпечаток 17-летних лет.

Ричард Розенау: Я думаю о том, где еще это может обобщаться. 17 лет — это также время, когда ты получаешь свою первую работу. Но не многие люди тоскуют по дням работы в "Венди" или как спасатель. Может быть, они есть, но интересно, возможно, твой менеджер в то время или твое предпочтение к типу работы, которую ты делал, создали какую-то связь.

Коул Нэппер: Ты думаешь, это как импритинг, как будто есть момент развития, когда что-то отпечатывается на тебе и остается навсегда? Слышал, что у многих животных их мать оставляет отпечаток на них, и если человек разговаривает с этим животным в определенном возрасте, оно думает, что человек — их мать. Может быть, с музыкой происходит что-то подобное. Это дико, я бы никогда не подумал об этом.

Скотт Хайнс: Не знаю, есть ли прямой аналог в организациях, но возможно, какой-то предприимчивый диссертационный студент найдет способ это исследовать. Есть ли в организациях фундаментальные моменты, когда люди отпечатываются с этим временным штампом, возможно, на ранних этапах их пребывания, или через шесть месяцев происходит какое-то организационное событие, которое становится более значимым для них?

Ричард Розенау: Интересно, это ли причина, почему Apple завоевал такую долю рынка, когда у всех нас были Apple в наших школах. И как это связано с их продвижением в области образования. Какие еще бренды делают это? Coca-Cola и Pepsi действительно борются за рынок 17-летних, а потом им все равно на всех остальных, потому что мы уже отпечатаны.

Скотт Хайнс: Должен сказать, что Dr Pepper только что занял второе место после Pepsi. Большой привет Dr Pepper. В справедливости ради, только около семи человек по всей стране пьют его, потому что все остальные пьют Coca-Cola. Dr Pepper для вас, Техас.

Коул Нэппер: Ну что, кто-нибудь из вас использовал мышиного джигглера на работе?

Ричард Розенау: Я не использовал, и думаю, мне повезло работать в компаниях, где мне не приходилось этого делать.

Коул Нэппер: Была недавняя история, кажется, с Wells Fargo, где некоторых сотрудников уволили за использование мышиных джигглеров на работе. У нас есть статья от Axios о том, почему работодатели сталкиваются с сотрудниками, использующими мышиные джигглеры. Я не думаю, что статья хорошо объясняет, почему это происходит, но она поднимает несколько сложных моментов. Один из них — это феномен работы из дома, и впервые в истории менеджеры не могли смотреть за плечами сотрудников в офисе, чтобы увидеть, работают ли они на самом деле. И потому организации начали внедрять механизмы отслеживания, чтобы видеть, работают ли люди. И потому эти хитрые сотрудники начали использовать эти инструменты, чтобы казаться работающими.

Скотт Хайнс: Или ты просто никогда не бываешь неактивным, верно?

Коул Нэппер: Да, и есть еще мониторы нажатий клавиш, чтобы увидеть, сколько клавиш они нажимают. Это просто, я даже не знаю, что сказать об этом, это так дико, что этот ряд домино продолжается до того момента, когда, кажется, организации используют инструменты, чтобы следить за тем, используют ли люди мышиные джигглеры. Теперь у нас есть контрнаблюдение, чтобы убедиться, что люди не используют мышиные джигглеры. Я не знаю, каков следующий шаг здесь, что происходит, как вы думаете?

Ричард Розенау: Я постараюсь быть осторожным в том, как я это скажу, потому что я очень поддерживаю работников, и я думаю, что корпорации допустили много злоупотреблений. Думаю, это решение было чрезмерным. Однако, я хочу проявить некоторую милость к тому, что некоторые из этих проблем могут быть реальными для команд HR и людей, работающих в этих компаниях. Пример, который я привожу: я разговаривал с кем-то в Миннеаполисе на прошлой неделе, который работал в контактном центре до пандемии и продолжал работать во время пандемии. Одна из вещей, с которыми они столкнулись, это когда работники говорили: "Мой компьютер не работает", и затем начиналась игра: "Вы его включили? Что произошло?" Возможно, им нужно было отправить компьютер обратно, и проходило две недели, прежде чем компьютер возвращался, и тогда работник мог снова начать работать. Некоторые сотрудники поняли это и говорили: "Эй, я могу получать деньги, ничего не делая две недели, если скажу, что мой компьютер не работает". Так что я думаю, что здесь есть небольшая доля правды с обеих сторон, это эскалировало эту войну с мышиными джигглерами и проверкой движений мыши. Мы зашли слишком далеко, нужно остановиться и разобраться, как мы работаем как компания и как культура. Но я думаю, что некоторые проблемы могут быть реальными в плане способности манипулировать системами, которые существуют.

Коул Нэппер: Да, я согласен, сколько еще пинг-понга между работниками и работодателями должно произойти, прежде чем мы начнем вживлять людям микрочипы, чтобы видеть, думают ли они о работе, когда говорят, что думают о работе.

Скотт Хайнс: Это абсурдно, это не хороший знак, да, эта холодная война или гонка вооружений между сотрудниками и работодателями. Я понимаю обе стороны: если вы ожидаете, что я буду здесь определенное время, то, угадайте что, вы получите это время, хотя бы фиктивное время. Для работодателей это одна из причин, почему они хотят вернуть людей в офис, потому что думают, что они не работают, что, конечно, подразумевает, что они не работают. Но если мы вернемся к основам, если люди достигают своих целей, то это должно быть хорошо. Если цели не соответствуют, то у вас есть другие проблемы. Это должно быть настоящим корнем оценки эффективности, а не на основе того, есть ли маленькая красная точка весь день.

Ричард Розенау: Вернемся к HR-аналитике. Думаю, многое, что касается рабочей силы, мы исторически недоинвестировали в понимание результатов и полагались просто на присутствие. Это причина, почему HR-аналитика получила большой инвестиционный импульс во время пандемии: все ушли домой, и генеральный директор спросил, продуктивны ли они. Буквально никто не мог ответить. Мы наняли много специалистов по HR-аналитике, многие команды HR-аналитики начали свою работу, чтобы попытаться разобраться в таких вещах, как: "Эй, как на нас повлияло прекращение работы в офисе и переход на удаленку?" Это действительно важный вопрос, который стоит попытаться ответить. Неспособность ответить на него была шокирующей, но это возвращает нас к систематическому недоинвестированию в нашу рабочую силу и технологии и инструменты, которые мы используем. Я уже говорил, что мы пытаемся заниматься биологией с помощью увеличительного стекла. Конечно, у вас возникают трудности, потому что мы не построили эти технологии правильно, чтобы действительно оценить, что происходит. Вы не сможете продвинуться дальше, если не пойдете по этому пути сумасшедшей холодной войны активности вместо результатов. Но мы должны действительно сосредоточиться на результатах.

Скотт Хайнс: Особенно для работников умственного труда. Сколько раз я закрываю ноутбук или просто даю ему перейти в режим ожидания, пока читаю книгу о R с маленькой птичкой на обложке? Это все равно учебный материал, связанный с работой, такой же, как посещение учебного курса, но это не учитывается. Мне нужно включить мышиный джигглер, чтобы получить за это кредит, видимо.

Коул Нэппер: Лучшая часть того, что ты только что упомянул, это то, что мы все знаем, что это за маленькая птичка, как только ты её упомянул.

Скотт Хайнс: У меня есть один с птицей, другой со змеей и еще один с этим маленьким Бором на боку.

Ричард Розенау: Хороший брендинг, хороший брендинг.

Скотт Хайнс: У меня есть скучный, просто оранжевый.

Ричард Розенау: Это забавно, потому что большая часть моей работы заключается в том, что я каждое утро выхожу на прогулку. Я стараюсь выйти на улицу, увидеть солнечный свет, и я много думаю о работе, когда иду. Абсолютно. Как работник умственного труда, в той роли, в которой я нахожусь, мне нужно думать и синтезировать множество разных перспектив, чтобы попытаться понять что-то. Я не могу просто двигать мышью весь день.

Скотт Хайнс: Я называю твои утренние прогулки "мозговым джигглером". Как тебе это?

Коул Нэппер: Скажи мне вот что: если вернуться до пандемии, возможно, это было актуально, а возможно, и нет. Но допустим, ты был в офисе и тебе нужно было немного "встряхнуть мозг" днем, чтобы размяться. Было ли культурно приемлемо для тебя выйти на 30-минутную или часовую прогулку, а потом вернуться? Было ли такое когда-нибудь?

Ричард Розенау: Возможно, это зависит от того, где ты работаешь. Я был в Facebook до пандемии, и там было много пешеходных дорожек, они действительно это поняли. Думаю, они это поняли. Но это если рассматривать офис как технологию, которую мы создали для работы с людьми и поддержки людей. Некоторые компании это поняли и построили вокруг этого, другие просто сказали: "Окей, какой эталон? Мне нужен офис, я построю офис, вот тебе теннисный стол", и они не совсем поняли, как использовать это для продуктивности.

Скотт Хайнс: Снова возвращаясь к миссии, видению и стратегии, которые влияют на культуру. Многие организации говорят: "Эй, мы будем крутыми, мы поставим капсулы для сна". Но культурно неприемлемо спать в капсуле для сна посреди дня. Я даже не знаю, для чего это.

Ричард Розенау: Да, но думаю, что в некоторых командах разработчиков программного обеспечения капсулы для сна были бы эффективны, они были бы действительно полезны. Но если их поставить в бухгалтерский отдел...

Скотт Хайнс: Это зависит от культуры и стратегии.

Ричард Розенау: Да, но даже внутри компании, если поставить это у бухгалтеров, это будет ужасно.

Скотт Хайнс: У меня есть быстрая история. Скажем, компания X. Меня позвали для работы в колл-центре. Это огромный этаж колл-центра, размером с 10 футбольных полей. Конечно, этого не существует сейчас после пандемии, но прямо посреди этого пространства они сделали зону для своих высокооплачиваемых разработчиков программного обеспечения с теннисными столами и бесплатными закусками, и все это было прямо в середине колл-центра. Работникам колл-центра не разрешалось заходить в эту зону. Это было просто ужасно.

Коул Нэппер: Ты упомянул это, вероятно, полтора-два года назад. Я рассказывал эту историю, наверное, 20 раз с тех пор, потому что это было так дико.

Скотт Хайнс: Это основополагающий момент: "Боже мой, что здесь происходит?"

Коул Нэппер: Это ужасная культурная установка норм, я никогда не слышал ничего подобного до или после.

Ричард Розенау: Даже если бы они имели приличие разделить это, это все равно было бы плохо. Даже если бы это был другой офис для разработчиков программного обеспечения, это все равно было бы плохо - предоставлять это там, но не контактному центру.

Коул Нэппер: Я представляю, как кто-то из работников колл-центра берет сникерс из корзины с закусками, и кто-то приходит и хлопает его по руке, говоря: "Это не для тебя, это для инженера".

Скотт Хайнс: Возвращаясь к мышиным джигглерам, некоторые основные принципы ИО-психологии применимы в любой ситуации. Это чувство справедливости, автономии, например, когда ты дома и хочешь сходить в магазин на пять минут между встречами. Нам не нужно микроскопа, как ты упомянул ранее. В большинстве случаев достаточно основных психологических принципов, чтобы заботиться о людях и относиться к ним как к людям.

Ричард Розенау: Почему это не получает больше внимания? Знаю, это основной вопрос для ИО-психологии в целом. Это вопрос маркетинга или брендинга? Почему простые вещи часто не принимаются во внимание? Может, они не так просты, может, они просто известны, но не просты в исполнении.

Скотт Хайнс: Да, легко критиковать задним числом. Измерять время движения мыши проще. Например, если у Коула мышиный джигглер работал 2,5 часа в день, это неприемлемо по какому-то произвольному порогу.

Коул Нэппер: Не измеряй то, что имеет значение, измеряй то, что удобно. Думаю, это часто к этому сводится. Честно говоря, мы, ИО-психологи, говорим об этом с самого начала времен — это проблема критериев. Очень трудно измерить производительность или просто определить, что такое производительность. Затем ты можешь перейти к закону Гудхарта, который гласит, что когда мера становится целью, она перестает быть хорошей мерой, и это ведет к каскаду событий. Это приводит к множеству споров о том, можно ли измерить качество найма, потому что у всех есть свои представления об этом.

Скотт Хайнс: Всем стоит внимательно слушать первые три-шесть месяцев учебы в аспирантуре. Там закладываются самые ценные основы. Все остальное — это...

Коул Нэппер: Не так важно.

Скотт Хайнс: Ты все равно забудешь.

Коул Нэппер: Говоря о забывании вещей, наша последняя тема — о изменении поведения и о том, закрепляются ли изменения или люди возвращаются к старым привычкам. Этот парень, Мэтт Фернес, сделал пост в LinkedIn об статье из Nature Reviews and Psychology под названием "Детерминанты поведения и их эффективность в качестве целей для интервенций по изменению поведения". Это ужасное название, потому что на самом деле это крупнейший метаанализ инициатив по изменению поведения на рабочем месте, когда-либо проведенный, и какие типы интервенций имеют наибольший или наименьший эффект. Они разделили это на два типа интервенций: индивидуальные факторы и социально-структурные факторы. Начну с социально-структурных факторов, потому что самый большой эффект имел доступ — есть ли у вас доступ к тому, что вам нужно для изменения. Далее идут описательные нормы и социальная поддержка. На индивидуальном уровне наиболее удивительным было то, что не вошло в список: изменения в знаниях, навыках, установках, убеждениях. Все то, чему обычно обучают, не имело большого влияния. Два самых значительных фактора — это привычки и поведенческие навыки. Я думал, что это интересное исследование. Майк дает хороший обзор, говоря, что мотивация, навыки и знания переоценены. Мы должны больше сосредоточиться на привычках и сделать правильное поведение легким с помощью материальных стимулов, социальной поддержки и доступа. Это действительно интересное исследование, рад, что оно было проведено. Как вы отреагировали на это?

Ричард Розенау: Да, удивительно, что некоторые вещи оказались незначительными. Думаю, это самая большая часть этого исследования — "О, Боже мой, многое из этого не имеет значения или не кажется важным". Например, что приходит на ум, это переработка отходов. Любой, кто вырос в 90-е, был научен, что ты — проблема, выключай свет, и мы спасем планету. Эмоциональное стыжение за то, что не перерабатываешь отходы или не заботишься о планете. Но правда в том, что, если бы мы хотели изменить что-то, нам следовало бы просто обеспечить доступ. Самое главное — это дать людям датчики движения для света, сделать переработку легкой, и мы могли бы действительно изменить ситуацию.

Коул Нэппер: Ричард, если бы ты выключил воду, когда чистил зубы, и не оставлял ее включенной, все в мире было бы в порядке, и дельфинов было бы больше.

Скотт Хайнс: Думаю, у Ричарда мысли пошли в то же направление, что и у меня, но немного по-другому. Что здесь отсутствует, так это социальное давление. Социальное давление делать правильные вещи, например, убирать тележку из магазина или ходить на кроссфит каждое утро. Это не социальная поддержка, это совершенно другое.

Ричард Розенау: Да, другая вещь, о которой я подумал, конечно же, связана с HR. Мы говорим о том, что HRBP должны быть ориентированы на данные, что эти чертовы HRBP просто не заботятся, у них нет знаний, у них нет коучинга. Нам нужно, чтобы они стали ориентированы на данные. Оказывается, доступ к данным имеет значение. Если у вас нет доступа к данным или аналитическим инструментам, удачи вам — вы не станете ориентированными на данные. Поэтому аргумент о том, что я не буду инвестировать в вас, потому что вы не стараетесь, теряет смысл, когда вы смотрите на такое исследование.

Скотт Хайнс: Это предшествующее условие, верно?

Коул Нэппер: Нужно сделать так, чтобы это было самым легким, это компонент доступа. Нужно стимулировать их делать это, нужно давать им деньги за использование дашбордов, или нужно сделать это привычкой. Часто это упускается из виду — если это не институционализировано в рамках ведения бизнеса через ритуальный обмен информацией, то это не приживется.

Ричард Розенау: Я бы хотел увидеть команду HR-аналитики, которая платит HRBP за просмотр панелей управления. Если кто-то хочет попробовать такую интервенцию, давайте поговорим, думаю, это интересно. Их интерпретации коэффициентов шансов удивительны.

Скотт Хайнс: Они говорят, что коэффициенты от 2,48 до 4,26 — это средний эффект. По сравнению с чем? С кем-то, кто совершенно мертв? Что это вообще?

Ричард Розенау: Скотт, давай углубимся в это, потому что это отличный статистический момент, который я не совсем понимаю.

Скотт Хайнс: Я просто читаю это, и это огромные коэффициенты шансов.

Коул Нэппер: Думаю, дело в том, что некоторые из этих коэффициентов действительно малы, и люди, вероятно, тратят миллиард долларов на изменения, которые на самом деле ничего не дают.

Скотт Хайнс: Мы уже знаем, что передача навыков после тренинга составляет максимум 5%. Мы говорим об этом годами. Тренинговые инициативы действительно не работают без какого-либо социального компонента для формирования привычки в рабочей группе.

Коул Нэппер: Есть также данные о том, что определенный процент слияний и поглощений проваливается из-за культурного сопротивления, органического отторжения. Или, по крайней мере, они не достигают того эффекта, который ожидали. Это имеет значительное влияние. Поэтому думаю, это исследование интересно не только для HR-аналитики, но и для организаций в целом.

Ричард Розенау: Думаю, это изменит то, что вы спрашиваете в опросах, когда пытаетесь понять изменения. Например, вопрос "У вас есть доступ к инструментам, необходимым для работы?" должен быть включен во все опросы вовлеченности, чтобы попытаться понять, возможно, не в таком формулировке, но что-то, что касается доступа к необходимым ресурсам. Мы редко спрашиваем об этом так же часто, как спрашиваем о том, как люди себя чувствуют или об их удовлетворенности.

Скотт Хайнс: "Почему вы не продуктивны?" — "У меня нет ноутбука". Это то же самое.

Коул Нэппер: Да, нужно отправить ноутбук обратно, и тогда они пришлют его обратно через две недели. В течение этих двух недель тебе платят.

Скотт Хайнс: Я использую свой мышиный джигглер, когда он прибудет.

Коул Нэппер: Думаю, мы официально замкнули круг, и это хорошее место, чтобы остановиться. Ричард, приятно было снова видеть тебя в подкасте, и большое спасибо вам, ребята из One Model, за спонсорство подкаста. Было интересно узнать больше о том, что у вас происходит, и просто провести веселую и интересную беседу сегодня. Есть ли последние слова для Ричарда, Скотт?

Скотт Хайнс: Да, Ричард, ты был отличным другом подкаста, и твое присутствие добавляет ему особый шарм. Спасибо большое. Как люди могут связаться с тобой, если захотят?

Ричард Розенау: Прежде всего, спасибо вам обоим за то, что вы делаете. Этот подкаст стал частью разговора в этом пространстве, и люди его слушают. Спасибо за все, что вы делаете. Если хотите меня найти, я на LinkedIn. Меня несложно найти, я много там пишу. Также у One Model есть блог, где много замечательных людей пишут и думают об этом пространстве и делятся на этом блоге тоже.

Скотт Хайнс: Убедитесь, что задаете Ричарду вопросы, которые займут не более 10 минут.

Ричард Розенау: Правильно, иначе я перейду к следующему.

Коул Нэппер: Извините, надо двигаться дальше. Я даже не знал, что вокруг этого подкаста есть свой фольклор. Думаю, мы это обсуждали, но это, вероятно, еще не вышло. Иногда мы забываем, что люди действительно слушают подкаст, поэтому это иногда странно. Ричард, было здорово видеть тебя здесь, и вы слушали подкаст Directionally Correct с Коулом и Скоттом, а сегодня у нас был гость Ричард Розенау.

Directionally Correct посвящен вам, нашим слушателям, чтобы помочь вам обучаться и развлекаться, эффективно занимаясь HR-аналитикой. Поддерживая этот подкаст, вы помогаете нам продолжать предоставлять ценные инсайты и знания нашим слушателям. Пожалуйста, рассмотрите возможность стать патроном подкаста. Ссылка на регистрацию находится в заметках к шоу или на сайте patron.podbean.com/directionallycorrect. Спасибо за вашу поддержку.

История HR-аналитики

2024-06-30T08:07:17.015Z

В 2015 году Джош Берзин опубликовал статью «Гики приходят в HR: аналитика персонала уже здесь» [1], которую принято считать официальным признанием становления новой профессии. Тем не менее история HR-аналитики начинается гораздо раньше. Интересно, что в том же году Дейв Ульрих и Джонатан Феррар публикуют довольно критичную статью «Учимся на практике: как HR-аналитике не стать причудой менеджмента» [2], в которой указывают на негативные тенденции и большое число проблем в профессии, что свидетельствует о том, что сама профессия уже существовала к тому моменту.

Эпохи становления и развития

В вышедшей в свет в 2021 году книге [3] Джонатан Феррар и Дэвид Грин предлагают периодизацию развития HR-аналитики в виде пяти эпох:

1. Эпоха открытий (1910-2010) – берет свое начало от работы Ф. Тейлора 1911 года, в которой исследовался вопрос оптимизации и повышения эффективности сотрудников на производстве. Дальнейшим развитием эпохи принято считать возникновение индустриальной и организационной психологии после Второй мировой войны, которая и по сей день существенная часть HR-аналитики. В 80-90-е годы происходит общая трансформация HR функции: с административной функции фокус смещается на подбор, обучение, развитие персонала и пр. Первое десятилетие 21 века связано с накоплением данных, проведением опросов, формированием HR-отчётности.

Для того чтобы составить более полное представление об этой эпохи я добавлю от себя ещё ряд знаковых работ, которые оказали влияние на аналитику и HR. Книга Майкла Льюса Moneyball [4] – на примере бейсбола, ознаменовавшая использование статистического подхода для подбора игроков вместо традиционных, не научных методов, применяемых ранее. Думаю, что многие видели фильм «Человек, который изменил всё», где показана эта история.

Работы Жака Фитц-энца [5] и Джека Филлипса [6] в которых рассматривается ROI HR инициатив, пробрасывается мост между HR-метриками и финансовыми показателями организации.

2. Эпоха реализации (2010-2015) – переход к этой эпохе знаменуют финансовый кризис и появление концепции Big Data. Крупные мультинациональные компании создают первые команды HR-аналитики, которые сфокусированы на создании отчётности, дашбордов, продвинутой аналитики и предиктивных моделях. В 2015 году в свет выходит книга Ласло Бока, на тот момент HR-директора Google – «Работа – рулит!» [7], которая собрала весь опыт этой эпохи и на долгое время стала чуть ли не единственным руководством для практиков. Тем не менее основной проблемой стало то, что большая часть команд застряла на уровне подготовки отчётности, что характеризует отрасль как незрелую, не приносящую стратегическую ценность.

Добавлю от себя, что кризис незрелости был увековечен Уэйном Ф. Касио и Джоном Будро в их книге [8]. Сегодня этот феномен нам известен под названием «Стена Будро», где на оси Y отображена ценность, а на оси X – HR-мероприятия: выполнение ad-hoc запросов, бенчмаркинг, дашборды и системы данных, скоркарты расположены до стены и стратегическое влияние, изменения, анализ причинности – за непреодолимой стеной.

Оригинальное изображение из книги WayneFCascio, JohnBoudreau. Investing in People: Financial Impact of Human Resource Initiative

3. Эпоха инноваций (2015-2020) – характеризуется появлением новых моделей и подходов, которые должны отвечать на новые вызовы со стороны бизнеса, а также притоком новых людей в профессию. Появляются новые технологии для работы с Big Data – инструменты по сбору данных из медиа и социальных сетей. Происходит осознание того, что процветание команд лежит в области глубокого понимания бизнес-проблем, а не в области данных. Смещается фокус с науки на бизнес и с исследований на конкретные действия. HR-аналитика из функции поддержки становится стратегической функцией.

4. Эпоха ценности (2020-2025) – ценность HR-аналитики признается бизнесом. Появляется большое число вендоров, создающих платформы и продукты в области HR-аналитики. Ещё одним драйвером развития отрасли становится глобальная пандемия COVID-19, заставившая HR-аналитиков находить ответы на большое число таких кризисных вопросов, с которыми ранее практики не сталкивались. Осознается потребность инвестирования в обоих направлениях: как в людей, так и в технологии. В эту эпоху на профессию влияют восемь трендов: быстрое развитие технологий, рост конкуренции, повышение требований к навыкам, потребительские ожидания сотрудников, экспоненциальный рост данных о людях, демографические изменения рабочей силы, новые модели работы, изменение регулирования окружающей среды.

5. Эпоха совершенства (2025-2030) – полное раскрытие мощи HR-аналитики, достигаемое за счёт включения функции в деятельность организации на всех уровнях: от самого нижнего до правления компании.

Когда авторы издали книгу, миру ещё не был явлен ChatGPT и прочие AI-подобные инструменты, поэтому я позволю себе добавить мнение Макса Блумберга о том, что будет происходить с профессией в ближайшем будущем [9]. Он отмечает, что большая часть рутины: подготовка данных, дашбордов и расчёта метрик будет происходить без участия HR-аналитика. Поэтому HR-аналитики должны сфокусироваться на том, что AI пока не умеет: стратегическое управление, понимание бизнеса, использование эмоционально интеллекта при работе с людьми, подготовка решений.

Мое внимание также привлекает точка зрения Линдона Сандмарка [10]. В статье утверждается, что будущее HR-аналитики состоит в том, чтобы HR могли выполнять анализ самостоятельно, при этом им будут помогать современные инструменты. В то время как отдельная функция HR-аналитики будет избыточна, так как это излишние затраты для организации.

Роль психологии

Как было упомянуто ранее, большую роль в становлении HR-аналитики сыграла психология. И это неудивительно, так как объект изучения у них один и тот же – это человек. Многие западные и российские HR-аналитики выходцы из психологии, в том числе и я сам. Поэтому мне особенно интересно рассмотреть этот аспект внимательнее.

Как отмечает Эрик ван Вульпен [11] в ту же эпоху, в которую работал Ф. Тейлор, американский психолог Э. Мейо провел свой известнейший эксперимент на фабрике «Western Electric», в котором изучалось влияние освещения на эффективность сотрудников. Главным открытием эксперимента стал эффект Хоторна – суть которого в том, что интерес к исследованию приводит к намеренно искаженному поведению участников. Сотрудники работали продуктивнее, зная про эксперимент, а не по причине воздействием разного уровня освещения. Таким образом стало понятно, что на эффективность людей влияют не только технические факторы, но и социально-психологические. Далее свет увидели немало психологических теорий мотивации людей, которые вытекают из этого открытия: Маслоу, МакГрегор и другие.

Индустриальная и организационная психология (ИОП) появилась на заре XX века. ИОП проводит исследования и применяет принципы психологии к миру работы [12]. В качестве самого первого примера связи ИОП и HR-аналитики я бы привел издание психологом Мюнстербергом книги «Психология и производственная эффективность» в 1913 году, в которой рассматривались вопросы отбора и обучения сотрудников [13].

Моментом зарождения ИОП, а следовательно HR-аналитики, в СССР можно назвать работу психотехников в период с 1910 по 1930 годы. Психологи рассматривали вопросы психологии труда, профориентации и профотбора. К сожалению, деятельность в этом направлении в СССР была приостановлена на долгие годы из-за постановления ЦК ВКП(б) «О педологических извращениях в системе Наркомпросов» и последующих за ним репрессий [14].

Возрождение этого направления в СССР начинается с середины 60-х годов. Создаются и успешно функционируют службы инженерных психологов на предприятиях и производстве [15]. Несмотря на то, что эти структуры в основном были ликвидированы в 90-е годы, что-то осталось или было восстановлено. Многие мои старшие коллеги и я сам, зашли в профессию HR-аналитики именно так. К примеру, я был принят в 2014 году в HR ООО «Сибирская генерирующая компания» на должность психолога. И вопреки образу психолога в масс-медиа, вопросы консультирования сотрудников не были в списке моих задач. Я занимался в широком смысле вопросами инженерной и организационной психологии, оценкой персонала, эффективностью программам обучения и отчётностью.

Роль функции HR

Становление HR-аналитики нельзя рассматривать только вне развития психологии, но и вне развития функции HR в целом. Базаров Т.Ю. отмечает, что долгое время HR воспринималась как маргинальная кадровая служба, сфокусированная на административных вопросах и что глобальная трансформация началась в 80-е годы [16].

Надим Хан и Дейв Миллнер [17] дают следующее представление о стадиях развития HR-функции с течением времени:

Отдел кадров – административная роль.
Операционная служба HR – поддерживающая роль.
Внедрение управление талантами – поддерживающая роль.
Служба кадров, ориентированная на бизнес – стратегическая роль.

Оригинальное изображение из книги Хан Н., Миллнер Д. HR-аналитика. Практическое руководство по работе с персоналом на основе больших данных

Схема показывает переход от административной функции к стратегической, таким образом, на каждой следующей ступени повышается ценность HR-функции.

У Эрика ван Вульпена мы находим, как изменения в HR и HR-аналитике связаны между собой: дело в том, что претензия на стратегическую функцию действительно сформировалась в 80-е годы, тогда же появляется роль HR бизнес-партнера, к примеру. Но несмотря на это HR оставался все также функцией поддержки, у которой теперь помимо вопросов кадрового администрирования появились вопросы приёма, увольнения, обучения и развития сотрудников. Тем не менее радикального изменения веса функции не случилось. В то время как появлению HR-аналитики приписывают то, что она позволила принимать решения, основанные на данных и научном подходе, что явилось предпосылкой превращения HR в стратегическую функцию [11]. Таким образом стратегические амбиции HR позволили создать роль HR-аналитика, которая должна помочь достичь желаемого статуса.

Современная Россия

Всякий, кто был у истоков HR-аналитики в России твердо ответит, что главный драйвер и апологет развития этого направления в нашей стране – это Эдуард Бабушкин, чье влияние на раннем этапе становления отрасли трудно переоценить.

В его блоге мы находим анонс вебинара по матстатике в HR, назначенного на 6 марта 2012 года [18]. Допускаю, что могли быть и более ранние события, но предлагаю рассматривать эту дату как изначальную точку отсчёта.

Источник

Эдуард Бабушкин был первым, кто проводил обучения по HR-аналитике тогда, когда это ещё не стало мейнстримом. Его можно считать учителем первого поколения HR-аналитиков. На том этапе истории, помимо проводимого обучения и публикуемых статей, его большим вкладом стало создание сообщества HR-аналитиков в социальных сетях. К этому сообществу я присоединился в 2015 году, читая посты авторы, применяя, описанные коллегами методы на работе. Примечательно, что тогда HR-аналитиков было так мало, что мы буквально все друг друга знали лично, а большая часть из нас даже не называлась так, потому что выполняемые функции уже существовали, но роль как отдельная должность ещё не выделилась или была большой редкостью.

Также, ориентируясь на разные аспекты HR-аналитики, влияние на развитие отрасли оказали и продолжают оказывать консалтинговые компании, такие как: TalentCode, ЭКОПСИ, Deynekina HR&BA и др.

Я не могу доподлинно назвать, какая компания была самой первой в России, в которой была создана отдельная должность HR-аналитика. Но могу утверждать, что одна из первых команд по HR-аналитике была создана в «Альфа-Банке» в апреле 2017 под руководством Людмилы Роговой – моего главного учителя в профессии. К команде «Альфа-Банка» я присоединился в 2018 году, где моя должность не только подразумевала выполнение аналитических функций, но и в явном виде называлась «HR-аналитик», тогда это всё ещё была большая редкость.

Конец 2010-х начало 2020-х годов характеризуется экспоненциальным интересом к HR-аналитике:

Появляется большое число провайдеров, предоставляющих обучение. Помимо ранее упомянутых консалтинговых компаний, которые продолжили работать, к ним присоединились: Нетология, SkillBox, OTUS, TopCareer и многие другие, предлагая широкий спектр обучения по разным аспектам HR-аналитики. При этом сложно сказать был ли на рынке реальный запрос на такой объем обучения или это связано с общим хайпом вокруг этой темы в тот момент.
HR-аналитика выходит на академический уровень. В некоторых ВУЗах создаются магистерские программы. К примеру, в «Высшей школе экономики» (изначальная программа была позднее закрыта) [19], в Альметьевском государственном университете [20]. Появляются публикации в научных журналах, примеры: [21], [22], [23].
Открывается больше вакансий HR-аналитиков, но важно понимать о каких цифрах идет речь. Так выглядит динамика вакансий за период с 2017 по 2020 год на основе совместного исследования hh.ru и Deynekina HR&BA [24]:

Источник

С июня 2023 года я веду самостоятельный сбор вакансий с сайта hh.ru, результаты которого доступны в публичном дашборде [25].

Здесь учитываются уникальные вакансии по ключу за месяц. К сожалению, повторная публикация одной и той же вакансии часто создает новые записи с новым ключом, так что мы должны признать некоторое искусственное завышение.

Период с июня 2023 по май 2024

Кроме того, HR-аналитика по-прежнему остается преимущественно московской функцией:

Период с июня 2023 по май 2024

Более комплексный анализ положения дел по вакансиям мы можем найти в ежемесячном обзоре рынка труда HR-Tech и HR-аналитики от Сергея Андреева. Приведу количество вакансий за май в разрезе топ-работодателей [26]:

Ссылки

Josh Bersin. The Geeks Arrive In HR: People Analytics Is Here
Thomas Rasmussen, Dave Ulrich. Learning from practice: how HR analytics avoids being a management fad
Jonathan Ferrar, David Green. Excellence in People Analytics
Moneyball // Википедия. URL: https://en.wikipedia.org/wiki/Moneyball (дата обращения: 22.06.2024).
Jac Fitz-Enz. The ROI of Human Capital: Measuring the Economic Value of Employee Performance
Jack J. Phillips. Accountability in human resource management
Laszlo Bock. Work Rules!
Wayne F Cascio, John Boudreau. Investing in People: Financial Impact of Human Resource Initiative
Max Blumberg. Saving your People Analytics Career in the Face of AI
Lyndon Sundmark. PeopleHR Analytics - What Is your Paradigm
Erik van Vulpen. The Basic principles of People Analytics
I-O Psychology Trends // psychlearningcurve.org. URL: https://psychlearningcurve.org/i-o-psychology-trends/ (дата обращения: 22.06.2024)
Workplace Psychology // pressbooks.pub. URL: https://pressbooks.pub/workplacepsychology/chapter/psy104_ch01/ (дата обращения: 22.06.2024)
Психотехника // Википедия. URL: https://ru.wikipedia.org/wiki/Психотехника (дата обращения: 22.06.2024)
Толочек В.А. Парадоксы развития отечественной индустриальной организационной психологии // Организационная психология. 2017. Т. 7, № 4. С. 129-144.
Базаров Т.Ю. Управление персоналом
Хан Н., Миллнер Д. HR-аналитика. Практическое руководство по работе с персоналом на основе больших данных
Эдуард Бабушкин. HR-матстатистика // edwvb.blogspot.com. URL: https://edwvb.blogspot.com/2012/02/hr-06032012.html (дата обращения: 22.06.2024)
Программа магистратуры "Управление персоналом" // Высшая школа экономики. URL: https://www.hse.ru/ma/ppadhr/ (дата обращения: 22.06.2024).
Higher Oil School // Альметьевский государственный нефтяной институт. URL: https://hedclub.com/ru/publication/higher_oil_school_almetyevsk_state_oil_institute_acquaintance_65 (дата обращения: 22.06.2024).
Волкова А.С. HR-аналитика в России: современное состояние, проблемы и пути их решения // Вопросы инновационной экономики. 2020. Т. 10, № 2. С. 22-30.
Тихонов А.И. Применение инструментов HR-аналитики в российских компаниях // Московский экономический журнал. 2020. № 1. С. 45-52.
Роль HR-аналитики в повышении эффективности деятельности кадровой службы // Вестник экспертного совета. 2021. № 4 (27). С. 33-40.
Обзор рынка труда HR-Tech и HR-аналитики за май 2024 // hh.ru. URL: https://hh.ru/article/28098 (дата обращения: 22.06.2024)
Дашборд вакансий HR-аналитиков // h0h1-hr-analytics.shinyapps.io. URL: https://h0h1-hr-analytics.shinyapps.io/HR-analysts_vacancies/ (дата обращения: 22.06.2024).
Обзор рынка труда HR-Tech и HR-аналитики за май 2024 // LinkedIn. URL: https://www.linkedin.com/pulse/обзор-рынка-труда-hr-tech-hr-аналитики-за-май-2024-serhey-andreev-lxase/ (дата обращения: 22.06.2024).

Профиль HR-аналитика

2024-06-23T09:12:25.778Z

Наконец-то я довел до ума профиль HR-аналитика! Теперь это не только четыре роли: Методолог, Исследователь, Дизайнер и Техник.
Но и три уровня владения ролями: Новичок, Профессионал, Эксперт, где каждый следующий уровень профессионализма предполагает овладение предыдущим.

Эта матрица позволяет оценить какие компетенции нужны и важны для сбалансированного аналитика. А также понять на каком уровне развития вы сейчас находитесь или кто конкретно нужен в вашей компании на данном этапе. Кроме того, в последнее время мы наблюдаем тренд на "отехничивание" профессии, когда делается ставка на специалистов с ролью Техника. Благодаря схеме видно, что это явно не панацея, потому как роль Техника (бесспорна важная) занимает только четверть от всего профиля аналитика.

Я бы хотел выразить благодарность всем HR-аналитикам, которые подключились и дали обратную связь по профилю. Особая благодарность Галине Дейнекиной за самые объемные предложения по улучшению и конструктивные замечания.

Регрессиада. Часть 4. За пределами корреляции

2024-05-25T08:32:10.604Z

Мы все привыкли к выражению, что корреляция не равна каузации, и это действительно так. Но что, если я скажу, что с помощью регрессий, байесовской статистики и DAG мы можем попытаться установить причинно-следственные связи? Даже в неэкспериментальном исследовании, так как в бизнес-практике мы чаще сталкиваемся именно с ними.

DAG (directed acyclic graph) – это направленный ациклический граф, центральный инструмент в причинно-следственном анализе, предложенный и разработанный Иудеем Перлом [1]. К первоисточнику отсылаю самых смелых, так как там много сложной математики и философии. Мы же будем полагаться на переработку этой темы Ричардом МакЭлритом [2].

Введение

Руководство компании «Линейные уравнения» хочет понять, является ли участие в проекте кадрового резерва причиной перевода сотрудника на руководящую должность, когда такая возможность возникает. Известно, что для того, чтобы стать участником кадрового резерва, необходимо иметь высокие оценки за предыдущее ревью. Также известно, что переводы на руководящую должность могут происходить и без участия в кадровом резерве, но при условии наличия высоких оценок за ревью.

На этот раз для того, чтобы ответить на вопрос, аналитикам недостаточно построить только одну регрессию, так как наличие связи ничего не скажет о причинности. Кроме того, в нашей модели есть конфаундер, так как оценки влияют на участие в резерве и на перевод.

В нашем распоряжении 1000 наблюдений за длительный период. Данные выглядят следующим образом:

Глядя на сводку, допустимо предположить, что все сотрудники с высокими оценками могли бы получить повышение вне зависимости от участия в кадровом резерве, так как перевод может состояться при достижении одного из условий, а сам факт высокой оценки — это предпосылка включения в резерв. Как же изолировать каузальный эффект участия в кадровом резерве? Разобраться во всём этом нам помогут DAG и байесовская регрессия.

Совсем немного математики

Прежде, чем переходить к DAG, давайте определимся с каким видом регрессионной модели мы столкнулись в этот раз. Факт перевода на руководящую должность – это бинарная переменная, которая может принимать только два значения: перевод состоялся или не состоялся; да или нет; 0 или 1 и т.д. Для того чтобы работать с таким типом зависимой переменной нам понадобится (биномиальная) логистическая регрессия.

На первый взгляд немного устрашающе, но на самом деле ничего страшного. Наша зависимая переменная представлена в виде логарифма отношения шансов наступления события, для краткости называемым логитом. Это также одна из функций связи семейства GLM моделей. Интерпретация бета-коэффициентов будет похожей на ту, что мы уже использовали в прошлый раз для регрессии Пуассона [3]. При изменении переменной x на одну единицу, шансы наступления события изменяются на b процентов при условии, что другие переменные в модели остаются неизменными. Поскольку мы имеем дело с логарифмом, также как и в случае регрессии Пуассона, на этапе интерпретации мы их экспонируем.

Лично я нахожу интересным график логистической функции и её производной. Из которого видно:

все значения y ограничены на отрезке от 0 до 1;
функция нелинейна;
скорость изменения не равномерна.

Практика

Рисуем DAG

Мы начнем с того, что построим DAG, так как любое исследование причинно-следственных связей должно начинаться именно с него. DAG – это такой граф, на котором мы отражаем все наблюдаемые и/или ненаблюдаемые переменные, которые имеют определённого рода отношения с зависимой переменной и друг с другом. На основе такого графа становится понятно, где есть конфаундеры и какие переменные должны быть учтены в регрессии, а какие нет.

Эмпирический подход, когда аналитик решает просто добавить все имеющиеся переменные или, наоборот, случайным образом исключить какие-то из них, в корне неверен!

Любой практик, который строил модель регрессии, мог заметить, что при наличии определенного набора переменных в модели они могут менять свою статистическую значимость при добавлении или удалении каких-либо других переменных. Во многом это порождается проблемой конфаундеров. Один из самых наглядных способов идентифицировать эту проблему – это DAG.

В нашем распоряжении следующие переменные:

rotation – факт перевода: перевод состоялся или не состоялся;
pool – факт участия в кадровом резерве: да или нет;
mark – оценка по результатам ревью от 1 до 5.

Построим DAG.

# Подключаем необходимые библиотеки
library(tidyverse)  
library(dagitty) 
library(ggdag)

# Определяем DAG на основе известных условий
dag <- ggdag::dagify(
  rotation ~ pool,
  rotation ~ mark,
  pool ~ mark,
  
  exposure = 'pool',
  outcome = 'rotation'
)

# Визуализируем
p <- ggdag::ggdag(dag, node_size = 20) + theme_dag()

p$layers[[3]]$mapping <- 
  aes(colour = case_when(
    name == "rotation" ~ "Зависимая",
    TRUE ~ "Независимая"
  ))

p + geom_dag_edges() + 
  scale_color_manual(values = c("Независимая" = "#288ba8", "Зависимая" = "#F0A70B")) +
  theme(legend.position = "bottom", 
        legend.title = element_text(size = 11))

Как мы видим, оценки влияют на кадровый резерв, а тот в свою очередь на переводы, это конфаундер именуемой трубой [4]. Также оценки напрямую влияют на факт перевода. Из этого следует, что в нашей модели регрессии должны присутствовать оба фактора.

Определившись с DAG, мы готовы приступить к построению модели логистической регрессии, но вначале загрузим данные и посмотрим на них.

Строим модель логистической регрессии

Загрузим данные с моего GitHub и взглянем на них.

# Загрузка данных
url <- "https://raw.githubusercontent.com/alexander-botvin/h0h1_about_hr_analytics/main/Regressions/example_three.csv"
data <- read.csv(url)

# Структура данных
str(data)

'data.frame':	1000 obs. of  4 variables:
 $ X       : int  1 2 3 4 5 6 7 8 9 10 ...
 $ mark    : int  4 5 3 5 1 4 2 2 1 3 ...
 $ pool    : chr  "Нет" "Нет" "Нет" "Да" ...
 $ rotation: chr  "Перевод состоялся" "Перевод не состоялся" "Перевод не состоялся" "Перевод состоялся" ...

На основе сводки видно, что данные требуют определённого преобразования:

Переменные должны быть перекодированы как факторы. В том числе оценки mark мы тоже интерпретируем как уровни переменной, а не как целые числа.
Для классического фреймворка было бы достаточно этого, но для байесовского фреймворка Ричарда МакЭлрита переменная, отражающая перевод на должность, должна быть строго представлена в виде 0 или 1.

В этот момент может возникнуть вопрос: если зависимая переменная числовая, то почему не использовать множественную линейную регрессию? Ответ прост, нормальное распределение, которое находится под капотом множественной линейной регрессии не имеет никаких ограничений на принимаемые значений, в то время как нас интересует результат равный 0 или 1.

Выполним соответствующие преобразования данных.

# Трансформируем переменные в факторы и вручную выставим уровни
data$pool <- factor(data$pool, c('Нет', 'Да'))
data$mark <- factor(data$mark, c('1', '2', '3', '4', '5'))
data$rotation <- factor(data$rotation, c('Перевод не состоялся', 'Перевод состоялся'))

# Зависимая переменная в виде 0 или 1
data$rotation_num <- as.numeric(data$rotation) - 1

Принцип построения байесовской модели точно такой же, как в прошлой статье [3], только на этот раз мы используем биномиальное распределение [5] вместо распределения Пуассона. На уровне модели регрессии логистическая функция определяет вероятность того, что изъятое значение из биномиального распределения равно 1. Да-да, это как с вероятностью выпадения орла или решки при подбрасывании монетки.

Для интерсепта и бета-коэффициентов мы используем широкие априорные распределения, так как у нас нет ранее известной информации.

Также стоит отметить, что в этот раз все наши переменные категориальные. Мы обсуждали такие переменные и как они могут быть обработаны на уровне моделей во второй статье серии [6]. Если мы работаем во фреймворке rethinking, то мы используем индексные переменные, так что для каждого индекса высчитывается свой бета-коэффициент. Например, наша переменная оценки имеет 5 уровней, значит наш коэффициент будет определяться так: b_mark[mark], где название коэффициента может быть произвольным, в то время как ссылка на индексную переменную должна совпадать с одноимённым полем в датафрейме.

Зададим модель:

library(rethinking)

model <- ulam(
  alist(
    rotation_num ~ dbinom(1, p),
    logit(p) <- a + b_pool[pool] + b_mark[mark],
    
    a ~ dnorm(0, 10),
    b_pool[pool] ~ dnorm(0, 1),
    b_mark[mark] ~ dnorm(0, 1)    
  ),
  data = data,
  chains = 4, cores = 4, 
  iter = 5000, warmup = 1000,
  messages = FALSE, refresh = 0
)

В этот раз сразу посмотрим на графике на экспонированные коэффициенты. Кроме того, потребуется немного кода, чтобы вернуть коэффициентам те названия уровней, которые есть в нашем датафрейме, так как индексные переменные автоматически изменили их на натуральные числа.

# Обратите внимание, что когда мы работаем с категориальными переменными,
# то мы должны использовать дополнительный аргумент depth=2
summary_model <- precis(model, depth=2)

# Экспонируем коэффициент
summary_df <- as.data.frame(summary_model)[,c('mean', '5.5%', '94.5%')]
summary_df[] <- lapply(summary_df, function(x) if (is.numeric(x)) exp(x) else x)

# Собираем оригинальные названия уровней переменных
mark_labels <- paste("b_mark[", 1:length(levels(data$mark)), "]: ", levels(data$mark), sep = "")
pool_labels <- paste("b_pool[", 1:length(levels(data$pool)), "]: ", levels(data$pool), sep = "")
labels <- c(mark_labels, pool_labels)

# Сопоставляем названия переменных
rownames(summary_df)[4:8] <- mark_labels
rownames(summary_df)[2:3] <- pool_labels

Мы готовы построить график.

library(ggplot2)

ggplot(summary_df, aes(y = rownames(summary_df), x = mean)) +
  geom_point() + 
  geom_errorbarh(aes(xmin = `5.5%`, xmax = `94.5%`), height = 0.5, size = 1) +
  labs(x = "Estimate", y = "Term") +
  scale_y_discrete(limits = rev(rownames(summary_df))) +
  theme_minimal() + 
  theme(legend.position = "bottom", panel.grid.major.x  = element_blank() , panel.grid.minor.x  = element_blank()) + geom_vline(xintercept  = 1, colour = "red")

Поскольку коэффициенты были экспонированы, то граница выставлена в значение 1, так как exp(0) = 1

Мы видим, что участие в кадровом резерве имеет бета-коэффициент около 3.2, а правая граница 89% интервала превышает 10! То есть, в среднем, участие в кадровом резерве повышает шансы на перевод на (3.2 – 1) * 100% = 220%, по сравнению с теми, кто не участвует! Также мы видим, что высокие оценки тоже играют свою роль: оценка равная 5 дает однозначный вклад в шанс перевода, оценка равная 4 имеет некоторую степень неопределенности, так как левый хвост пересекает 1.

Итак, глядя на коэффициенты модели, готовы ли мы утверждать, что участие в кадровом резерве — это причина переводов? Нет, ещё не готовы.

Делаем причинно-следственный вывод

Для того чтобы найти ответ на вопросы о причинах и следствиях, мы должны проанализировать фактическое и контрфактическое состояние.

Фактическое состояние — это то, что мы имеем. К примеру, результат нашей модели и/или прогноз на её основе.
Контрфактическое состояние — что было бы, если. В нашем кейсе мы можем задаться вопросом: что было бы с переводами, если бы все люди, которые были в кадровом резерве, не приняли бы участия в нём?

Начнем с того, что посчитаем оба состояния.

# Создадим функцию, которая будет генерировать прогноз
simulation <- function(model, pool, mark){
  p <- link(model, data = data.frame(pool = pool, mark = mark))
  return(apply(p, 2, mean))
}

# Симулируем фактическое состояние
factual <- simulation(model, data$pool, data$mark)

# Симулируем контфрактическое состояние,
# будто бы в кадровом резерве никто не состоял
data$new_pool <- factor('Нет', levels = levels(data$pool))
counterfactual  <- simulation(model, data$new_pool, data$mark)

# Для удобства добавим обе вероятности в исходный датфрейм
data$factual <- factual
data$counterfactual <- counterfactual

Построим график распределения вероятности получить перевод для этих двух сценариев.

# Перейдем от широкого формала таблицы к длинному
library(reshape2)
long_data <- melt(data[, c('factual', 'counterfactual')])

ggplot(long_data, aes(value, fill = variable)) +
  geom_density(alpha = 0.5) +
  xlim(c(0, 1)) +

  scale_fill_manual(labels = c("Фактическое", "Контрфактическое"), values = c("red", "blue")) +
  labs(x = "Вероятность перевода",
       y = "Плотность",
       fill = "Состояние") +
  theme_minimal() + 
  theme(legend.position = "bottom", panel.grid.major.x  = element_blank() , panel.grid.minor.x  = element_blank(), panel.grid.major.y  = element_blank() , panel.grid.minor.y  = element_blank())

График говорит о том, что если бы все люди, которые на самом деле были участниками кадрового резерва, в какой-то альтернативной реальности ими не были, то вероятность получить повышение оказалась бы для них гораздо ниже (обычно решение об отнесении к классу определяется границей в 0.5). Так на основе нашего графика мы бы сказали, что практически не один из сотрудников не получил бы перевод в контрфактическом состоянии, не смотря на высокие оценки.

Таким образом, учитывая факторы оценок и кадрового резерва, построив фактический и контрафактический сценарий, мы можем утверждать о том, что факт участия в кадровом резерве действительно является причиной успешных переводов сотрудников в компании «Линейные уравнения».

Для тех, кому хочется больше подробностей, на тему причинно-следственного вывода, то вновь и вновь отсылаю к МакЭлриту [2] и Гельману [7].

Заключение

Безусловно канонически верный способ сделать причинно-следственный вывод – это организация и проведение эксперимента, в котором определены зависимая и независимая переменная, учтены артефакты, использовано случайное назначение участников в группы и так далее. К большому сожалению, в бизнес-практике это далеко не всегда представляется возможным, а в российской HR-аналитике скорее редкость. Тем не менее мы можем приблизиться к осознанию причин исследуемого феномена полагаясь на не экспериментальные данные, учёт конфаундеров и инструменты.

Это последняя статья в моей серии про регрессии, но на этом тема регрессий точно не заканчивается. Осталось огромное множество аспектов, которых мы не коснулись: взаимодействия переменных, сравнение моделей, модели со смешанным эффектом, проблема пропущенных значений и многое, многое другое. Я надеюсь, что мои статьи вдохновят вас продолжить это путешествие в мир регрессионного анализа самостоятельно.

Ссылки

Judea Pearl. Causality Models Reasoning and Inference
Richard McElreath. Statistical Rethinking
Ботвин А.Ю. Регрессиада. Часть 3. Мир полон неопределенности
Ботвин А.Б. Конфаундеры. Труба.
http://www.machinelearning.ru/wiki/index.php?title=Биномиальное_распределение
Ботвин А.Ю. Регрессиада. Часть 2. Метрики лгут
Andrew Gelman. Regression and Other Stories