Привет ,
Благодаря моему опыту в сфере HR-консалтинга, у меня была возможность работать с многочисленными профессионалами в области управления персоналом по всему миру. Благодаря моей работе и учебе я вскоре понял, что процесс приема на работу является отправной точкой для любого исследования, связанного с разнообразием. Возможности человеческих предубеждений, которые могут быть связаны с процессом найма, многочисленны. Я надеюсь, что моя работа поможет установить, что это несложное исследование, которое нужно будет предпринять в конце концов.
Цель:
Используя экспериментальный набор данных для этого тематического исследования, ключевыми целями моей работы является изучение только стадии составления короткого списка процесса найма и:
- Провести предварительный анализ данных о найме, чтобы определить модели пола, этнической принадлежности на этапах найма.
- Выясните, влияют ли пол и этническая принадлежность на процесс отбора кандидатов
- Примените машинное обучение, чтобы предсказать, кто будет включен в финальный список, и определите ключевые факторы
- Рекомендовать обновления стратегии найма на основе полученных результатов
Обзор DataSet:
Набор экспериментальных данных содержит следующие поля:
- Код кандидата: уникальный идентификатор для каждого приложения в системе.
- Пол: присвоены коды 1 для мужчин и 2 для женщин.
- ATSIyn: присвоено 1 = Да, если кандидат является аборигеном или жителем островов Торресова пролива. Присвоено 2 = Нет, если кандидат является общим заявителем
- Shortlistedyn: присваивается 0 в случае отклонения и 1 в случае включения в окончательный список.
- Опрошенный: присваивается 0, если не опрашивали, и 1, если опрашивали.
- FemaleONpanel: назначается 1 для мужской панели и 2, если на панели присутствовала женщина.
- OfferNY: присваивается 1, если кандидату было сделано предложение, и 0, если не предлагалось.
- AcceptNY: присваивается 1 в случае принятия и 0 в случае отклонения.
- JoinYN: присваивается 1, если присоединился, и 0, если не присоединился.
Исследовательский анализ данных для изучения моделей пола и этнической принадлежности:
Среди претендентов преобладают кандидаты-женщины, представленные 72,1%.
Кандидаты, являющиеся аборигенами или жителями островов Торесса пролива, составляют чуть менее половины (43,2%) от общего числа кандидатов.
88 из 280 претендентов были отобраны для следующего этапа после отбора резюме.
Были опрошены 55 отобранных кандидатов.
В 22 из 55 проведенных интервью в комиссии участвовали женщины.
Из 55 проведенных интервью было сделано 28 предложений.
Уровень принятия оферт составил 64%. К компании присоединились 18 соискателей, принявших предложение.
Узнайте, влияют ли пол и этническая принадлежность на процесс отбора кандидатов:
По данным предварительного исследования, приведенного выше, гендерное и этническое представительство в пуле соискателей составляет 72% и 43% соответственно. Если оставить в стороне все внешние условия, объективный процесс приема на работу должен привести к примерно одинаковому представительству отобранных кандидатов по признаку пола и этнической принадлежности. Это цель исследования в этом разделе.
Анализ предвзятого отношения к этнической принадлежности при отборе кандидатов
Представленность заявителей по этнической принадлежности, как указано выше, составила 43,2%. Однако, согласно нижеприведенным данным, представительство этнической принадлежности в отобранных в окончательный список кандидатах упало до 15% (19/88). Похоже, это свидетельствует о том, что при составлении короткого списка предпочтение отдается обычным кандидатам.
График с воздушным шаром предполагает, что общие кандидаты, вероятно, будут включены в окончательный список.
Используя статистический анализ (хи-квадрат), можно установить, что существует значительный разрыв между ожидаемым и наблюдаемым количеством кандидатов этнического происхождения, включенных в окончательный список. В приведенном ниже случае только 19 были включены в шорт-лист (наблюдались), в то время как ожидаемое число должно было составлять 38.
Вероятность того, что предпочтение кандидатам из общей категории в процессе составления короткого списка происходит по счастливой случайности или удаче, была сведена на нет очень низким значением хи-квадрат 23,184, p <0,0001.
Анализ гендерных предубеждений при отборе кандидатов
Представленность женщин в пуле кандидатов, как обсуждалось выше, составляла 72%. Однако на основании данных, приведенных ниже, представительство женщин в отобранных в короткий список кандидатах упало до 56,7% (50/88) при значительном количестве отказов - 152. Это, по-видимому, свидетельствует о предвзятом отношении к кандидатам-мужчинам в окончательном списке. процесс.
Сюжет с воздушным шаром подтверждает высокий процент отказа от кандидатов-женщин на этапе составления короткого списка на собеседовании.
Используя статистический анализ (хи-квадрат), можно установить, что существует разрыв между ожидаемым и наблюдаемым количеством кандидатов-женщин, включенных в окончательный список. В приведенном ниже случае только 50 были включены в шорт-лист (наблюдались), в то время как ожидаемая цифра должна была быть 63.
Вероятность того, что предпочтение кандидатам-мужчинам в процессе составления короткого списка происходит по счастливой случайности или удаче, была сведена на нет очень низким значением хи-квадрат 13,905, p <0,0001.
Примените машинное обучение, чтобы спрогнозировать отбор кандидатов и определить ключевые факторы:
В приведенном выше анализе пол и этническая принадлежность оценивались отдельно. Однако, если большинство заявителей с этническим происхождением оказываются женщинами, было бы неверно предполагать, что и пол, и кандидаты с этническим происхождением сталкиваются с предвзятостью. По этой причине в этом разделе анализ для прогнозирования включения кандидатов в окончательный список будет учитывать обе переменные.
Способ сделать этот анализ - логистическая регрессия. Логистическая регрессия - это алгоритм машинного обучения, который можно использовать для прогнозирования вероятности попадания кандидата в шорт-лист в процессе подачи заявки. Алгоритм будет использован для изучения нашего набора данных, чтобы определить основные факторы, влияющие на включение кандидатов в короткие списки.
Результаты анализа машинного обучения показывают, что и пол, и ATSIyn (аборигены или жители островов Торреса) являются важными предикторами для отбора кандидатов.
Таким образом, согласно результатам, вероятность попадания в шорт-лист кандидатов-мужчин в 3,3 раза выше, чем у кандидатов-женщин. Кандидаты из общей категории в 4,5 раза чаще попадают в шорт-лист, чем кандидаты из числа аборигенов или жителей островов Торресова пролива.
Подготовьте стратегию найма, чтобы компенсировать предвзятость:
Анализ данных показал, что на основе синтетического набора данных предвзятость по признаку пола и этнической принадлежности присутствует на этапе составления короткого списка в процессе найма в компании.
Чтобы компенсировать предвзятость, рекомендуемой стратегией было бы внедрение процесса слепой проверки, при котором информация об имени, поле и этнической принадлежности кандидата скрыта от внутреннего или внешнего рекрутера, который просматривает заявление о приеме на работу в процессе составления короткого списка.
Ссылки и ссылки на код и набор данных:
Я был глубоко вдохновлен работой этих двух студентов в этой области, и это послужило отправной точкой для моего интереса к дальнейшим исследованиям в этой области. Ссылка на видео здесь, чтобы вы могли посмотреть на нее.
Используемый набор данных и тематическое исследование проиллюстрировано в книге Мартина Р. Эдвардса и Кирстен Эдвардс в книге «Прогнозная HR-аналитика - освоение HR-метрики». Код R был разработан мной.
Набор данных и код R доступны в моей учетной записи github. Ссылка приведена ниже:
Спасибо :)
