Lineární a logistická regrese

Ve videu jsi viděl/a, že u některých datových sad vede použití logistické regrese k modelu, který data vystihuje mnohem lépe než lineární regrese. Když pomocí regrese porovnáváš něco o dvou skupinách (proměnná, kterou porovnáváš, je závislá proměnná), správně zvolený model ti poskytne přesnější výsledky.

Za jakých okolností bys měl/a použít logistickou regresi místo lineární?

Toto cvičení je součástí kurzu

HR Analytics: Exploring Employee Data in R

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

HR Analytics: Exploring Employee Data in R

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

V této kapitole dostaneš úvod do toho, jak se datová věda využívá v oblasti lidských zdrojů. Pak se ponoříš do případové studie, kde budeš analyzovat a vizualizovat data o náboru, abys zjistil/a, který zdroj kandidátů přináší nejkvalitnější nové zaměstnance. Datová sada použitá v této i dalších kapitolách kurzu je syntetická, aby bylo zachováno soukromí skutečných zaměstnanců.

Exercise 1: Vítej v kurzu!Exercise 2: Využití HR analytiky (analytiky lidských zdrojů)Exercise 3: Prozkoumání náborových dat Exercise 4: Nábor a kvalita nových zaměstnanců Exercise 5: Identifikace skupin v datech Exercise 6: Prodejní čísla podle zdroje náboru Exercise 7: Míra odchodu podle zdroje náboru Exercise 8: Vizualizace dat o náboru Exercise 9: Vizualizace rozdílů v obchodní výkonnosti Exercise 10: Vizualizace rozdílů v míře odchodů Exercise 11: Závěry z analýzy

Gallup definuje angažované zaměstnance jako ty, kteří jsou zapojeni do své práce a pracoviště, nadšení pro ně a oddaní jim. O síle vztahu mezi angažovaností zaměstnanců a obchodními výsledky se vedou diskuse, základní myšlenka ale je, že angažovanější zaměstnanci jsou produktivnější a v organizaci zůstávají déle. V této kapitole prozkoumáš možné příčiny toho, proč jsou skóre angažovanosti jednoho oddělení nižší než ve zbytku firmy.

Exercise 1: Analýza zapojení zaměstnanců Exercise 2: Import dat z průzkumu Exercise 3: Které oddělení má nejnižší míru zapojení?Exercise 4: Porovnání dalších faktorů podle oddělení Exercise 5: Vizualizace dat o angažovanosti Exercise 6: Vizualizace více proměnných najednou Exercise 7: Vizualizace více proměnných najednou pomocí facetů Exercise 8: Vyvozování závěrů z grafů Exercise 9: Je ten rozdíl skutečně významný?Exercise 10: Statistická významnost – neangažovaní zaměstnanci Exercise 11: Statistická významnost – dny dovolené Exercise 12: Vyvozování závěrů z testů

Když zaměstnavatel přijme nového zaměstnance, musí stanovit jeho plat. Pokud není při tom dostatečně obezřetný, může se stát, že noví zaměstnanci nastoupí s vyšším platem, než mají stávající kolegové na stejné pozici – to pak vede k nespokojenosti a odchodu zaměstnanců. V této kapitole ověříš, zda noví zaměstnanci skutečně dostávají vyšší plat než stávající, a naučíš se, jak svá počáteční zjištění zpětně ověřit.

Exercise 1: Spravedlivé odměňování nových zaměstnanců Exercise 2: Načtení dat o odměňování Exercise 3: Je rozdíl statisticky významný?Exercise 4: Zkreslení vynechanou proměnnou Exercise 5: Příklady zaujatosti způsobené vynechanou proměnnou Exercise 6: Jaké další rozdíly existují?Exercise 7: Jak teď vypadá rozdíl v odměňování?Exercise 8: Vydělávají hodinově placení zaměstnanci více?Exercise 9: Lineární regrese Exercise 10: Plat nových zaměstnanců: jednoduchá regrese Exercise 11: Odměňování nových zaměstnanců: zohlednění pracovních úrovní Exercise 12: Závěry z testů

Řízení výkonu pomáhá organizaci sledovat, kteří zaměstnanci přinášejí nadprůměrnou nebo naopak podprůměrnou hodnotu, a podle toho je odměňovat. Ať už jde o hodnocení formou číselné škály nebo dotazníku, ať jsou zaměstnanci hodnoceni jednou ročně nebo častěji, celý proces je do určité míry subjektivní. Organizace by proto měla ověřovat, zda jsou hodnocení udělována skutečně na základě výkonu – a ne podle preferencí konkrétních manažerů, nebo dokonce jejich předsudků (vědomých i nevědomých).

Exercise 1: Spojování HR dat Exercise 2: Načtení dvou datasetů Exercise 3: Spojování výkonnostních dat Exercise 4: Hodnocení výkonu a spravedlivost Exercise 5: Zaměření na nejlepší zaměstnance Exercise 6: Porovnání rozdělení výkonných zaměstnanců Exercise 7: Kontrola zkreslení vynechanou proměnnou Exercise 8: Logistická regrese Exercise 9: Lineární a logistická regrese

Aktuální cvičení

Exercise 10: Hodnocení výkonu: jednoduchá logistická regrese Exercise 11: Hodnocení výkonu: zohlednění pracovních úrovní Exercise 12: Závěry a doporučení

V mnoha odvětvích je bezpečnost na pracovišti klíčovým tématem. Bezpečné pracovní prostředí posiluje důvěru zaměstnanců a zároveň snižuje náklady spojené s odškodněním pracovních úrazů a právní odpovědností. V této kapitole budeš hledat vysvětlení pro nárůst pracovních úrazů.

Exercise 1: Bezpečnost zaměstnanců Exercise 2: Import a spojení dat o pracovních úrazech Exercise 3: Kde je nejvyšší míra nehod?Exercise 4: Kde vzrostla míra úrazů nejvíce?Exercise 5: Zaměřujeme se na místo zájmu Exercise 6: Zaměřme se na problémové místo Exercise 7: Přidání dalších dat Exercise 8: Kontrola vynechaných proměnných Exercise 9: Je tato změna izolovaná na problémové místo?Exercise 10: Vysvětlení nárůstu pracovních úrazů Exercise 11: Regrese jako nástroj pro identifikaci příčin změny Exercise 12: Co z toho plyne?Exercise 13: Závěr