5应用于人员分析的高级数据分析技术

在以前的文章中，我已经给出了多个例子员工如何从数据分析中受益．在本文中，我将探讨一组不同的高级数据分析技术，以了解如何使用它们来分析人员数据以提高组织的成功。

数据科学越来越多地被纳入业务、产品和社会在逃。用例在各个部门中变得越来越复杂和广泛(如上图所示)。

作为一名人员分析从业者，我与组织合作，深入了解他们的员工队伍，并设计有效的策略来组织成功。虽然上面的用例通常是相当先进的算法，使用机器学习来不断改进，但这样的算法的概念总是一个或多个数据科学技术(s)。顺便说一下，这是一个明确的解释数据科学、机器学习和人工智能之间的区别。

现在，虽然使用基本切片和切片的人力资源数据和指标已经存在很长时间了，但使用高级统计技术的人员分析案例仍然是一个相当新的现象，只有少数组织真正对人员数据进行这种类型的分析。因此，我认为讨论一下已经在做的事情，与这个从业者社区一起进行头脑风暴，并使用常见的数据科学技术为人员分析提供案例，这可能是一个好主意。

让我们受到启发吧!

技术

回归分析

作为最常见的统计分析之一，回归是用来捕捉的一个或多个上下文变量与结果之间的关系在函数中。这里的目标是基于上下文变量的值预测结果的未来进展。

当结果变量本质上是分类变量时，线性回归和逻辑回归的不同之处在于逻辑回归的使用方式。当结果变量连续时，使用线性回归。重要的是要注意，与相关性不同，在回归中，假设来自上下文变量和结果变量的单向因果效应。

市场营销中一个常见的例子是试图预测的组织客户流失．流失率，或流失率，是指个人(客户，员工)离开的比率。显而易见的目标是防止他们跳槽。另一个例子是约会网站定期使用回归分析来改善他们的服务，为他们的会员提供更好的匹配。

它如何帮助解决人员数据的业务问题?

销售效率就是一个例子。衡量个性问卷得分与销售数字之间的关系非常有价值。

性格特征(比如五大性状)与销售数字有关?荟萃分析表明外向性和尽责性是销售成功的预测因素。问题是，销售人员所从事的市场是否存在差异?使用回归分析，你可以发现两者之间是否存在关系，以及个性特征在多大程度上预测员工的销售效率。

点击链接获得更详细的解释回归分析．

分类分析

分类是应用最广泛、最知名的数据科学方法之一。简单地说，在分类方面，对于任何新的观测(数据)，我们都想预测观测数据属于哪个类别。这是通过分析已知类别的历史观察来完成的。

可以使用不同的模型进行分类，其中最著名的是决策树。决策树是回答许多“是”或“否”问题以确定类别的过程。大规模使用决策树也被称为决策树随机森林技术和这种方法经常用于大型数据集。它通常与逻辑回归结合使用，以提高统计模型的预测性能整体学习．现在有点太专业了，但你可以获得额外的技术在这里．

如何使用分类的一个例子是在医疗保健领域，其中使用患者的历史数据来分析症状，以便确定(分类)新患者可能患有哪种疾病。这已经被人们习惯了预测并确定高危人群。

另一个例子是在银行业，申请贷款的客户可能会根据年龄和工资等属性被分为安全型或高风险型。这种类型的活动也被称为监督式学习因为它是基于以前的学习和已经训练模型．所构造的数据模型可用于对新的输入数据进行分类。

它如何帮助解决人员数据带来的组织挑战?

一个很好的例子是根据团队组成和上下文变量预测团队的成功率。作为组织，我们倾向于根据经验、可用性和过去的个人表现来选择项目团队。阐明其他因素的影响将是非常有价值的，如角色偏好、领导风格、团队动态、团队规模、背景和上下文因素(如任务持续时间和预算)。这将需要一个巨大的数据集来训练模型。在这种情况下，分类技术可能是神经网络．想象一下，在特定的环境下，能够预测哪种团队组成将具有最高的成功率会产生什么样的影响!

聚类分析

聚类是一种描述数据和发现一般模式的技术。当可用数据没有(或不明确)标记时，它被使用，并通过寻找彼此相似的观察结果来工作。然后，这些观察结果被“聚类”，这样就可以对这些组进行标记和分类。在这方面，聚类类似于分类;它旨在对特定的利益群体进行分类，但其方式有所不同无监督学习这意味着它没有预先设定的结果，而是在数据中寻找共性。关于分类和聚类之间的简短比较，请参见下表。

聚类的例子可以在市场营销中找到很多，这种技术被用来发现有相似需求的客户群体，这样就可以更具体地为他们提供产品或服务。在政治中，聚类用于确定特定的选民群体，以便能够向这些群体传递特定的信息。巴拉克·奥巴马就是这样出名的竞选部分基于数据分析。

聚类分析通常是分类分析的起点，因为它有助于定义感兴趣的组。

它如何帮助解决人员数据带来的组织挑战?

作为一个组织，我想知道我应该让哪些员工与哪些客户匹配，以提高客户满意度

对于大多数组织来说，客户满意度是一个关键的业务结果，所以知道哪些员工适合哪种类型的客户是很好的。我曾经接触过的一家保险公司实际上对客户和员工的反馈进行了文本挖掘，将其作为因素分析的输入，在分析中他们发现了首选沟通风格的集群。

基于这些信息，他们开发了一种算法，根据客户和员工的沟通偏好，将客户与特定的呼叫中心员工联系起来。通过利用这一点，他们能够提高客户满意度。

关联分析

关联分析或关联规则挖掘是一种使数据科学家能够在大型数据集合中找到模式的技术。它通过发现大型数据库中不同变量之间的关联来创造价值。模式的解释并不容易，因为可能存在大量的模式，而关联或模式通常是没有意义的。它有助于提前限制算法，从而尽可能减少数据“噪声”。

常见的例子来自零售和连锁超市，它们使用ARM技术根据购物行为中的模式来创建楼层平面图:

(X%购买A品牌果汁的人也购买B品牌巧克力，所以让我们把这些商品放在同一走道的相同高度)。

根据生成的规则，商店经理可以有策略地将产品放在一起或按顺序放置，从而提高销售额，进而提高商店的收入。在银行业，他们使用类似的技术向遵循一定购买模式的客户提供产品。

它如何帮助解决人员数据带来的组织挑战?

这种技术可以用来确定人力资源实践中的模式，如入职、职业道路、教育和人才管理，然后确定哪些模式与快乐和富有成效的员工有关。然后，它可以用来反馈给人力资源系统定制的内容。就像亚马逊和Netflix为消费者提供定制内容一样。

异常检测分析

异常检测是一种专注于识别意外或异常模式的方法。这些技术可以根据历史数据将新情况标记为“异常”。这一切都是关于识别异常值，当你处理大型数据集时，有一个算法可以帮助你做繁重的工作。

在金融领域，异常检测被广泛用于识别欺诈或异常交易。有一天你可能会接到银行打来的电话，询问某笔交易是否在你知情的情况下进行。这可能是基于来自异常检测算法的信号。

另一个例子是核电站的维护需求。如您所料，任何偏离正常的情况都需要立即报告。通过分析源源不断的植物传感器异常数据，可以实现这一目标。

它如何帮助解决人员数据带来的组织挑战?

工作事故经常疲劳和长时间工作的结果。一项对12项研究的综述显示，每天工作超过12小时的员工比每天工作8小时的员工职业伤害风险高出38%。

与每天工作8小时相比，每天工作10小时会增加15%的受伤风险。在这里，异常检测分析可以帮助识别工作时间超过指定阈值的员工，特别是在建筑、制造和工程等高风险职业中。这有助于防止工作场所的事故和伤害。

最后的想法

我意识到，讨论数据科学方法并将可能的人力资源用例与之联系起来有点颠倒了。通常，你从一个业务挑战开始，选择一个有用的分析和合适的方法。但有时看看其他领域和类似的挑战会有所帮助，并从中得到启发。

数据科学家倾向于用不同的技术进行大量实验，以生成准确的模型(如下图所示)员工流失分析林登·桑德马克著)。通常不可能准确预测哪种技术将最好地为一个复杂的研究问题提供答案。这就是为什么对数据科学家来说，了解各种不同的技术非常重要。此外，对于任何人员分析从业者来说，从其他部门的分析用例中获得灵感是值得的。

我希望这篇文章在某种程度上激发了您的灵感，我希望您能够提出涉及人员数据的新用例，这些用例可能会为您的组织的成功做出贡献。