Concentrarsi sulla sede di interesse

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Questo esercizio fa parte del corso

HR Analytics: Esplorare i dati dei dipendenti in R

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

In questo capitolo vedrai come viene usata la data science nel contesto delle risorse umane. Poi passerai a un caso di studio in cui analizzerai e visualizzerai i dati di recruiting per capire quale fonte di candidature produce, in definitiva, i migliori nuovi assunti. Il dataset che userai in questo e negli altri capitoli del corso è sintetico, per tutelare la privacy dei dipendenti reali.

Exercise 1: Benvenuto nel corso!Exercise 2: Applicazioni dell'HR analytics Exercise 3: Uno sguardo ai dati di recruiting Exercise 4: Recruiting e qualità delle assunzioni Exercise 5: Identificare gruppi nei dati Exercise 6: Numeri di vendita per fonte di recruiting Exercise 7: Tassi di abbandono per fonte di recruiting Exercise 8: Visualizzare i dati di reclutamento Exercise 9: Visualizzare le differenze di performance nelle vendite Exercise 10: Visualizzare le differenze di turnover Exercise 11: Trarre conclusioni

Gallup definisce coinvolti i dipendenti che sono partecipi, entusiasti e impegnati nel proprio lavoro e nel luogo di lavoro. C’è dibattito sulla forza del legame tra engagement e risultati di business, ma l’idea è che chi è più coinvolto sia più produttivo e resti più a lungo nell’organizzazione. In questo capitolo esaminerai i possibili motivi per cui i punteggi di engagement di un reparto sono più bassi rispetto al resto.

Exercise 1: Analizzare il coinvolgimento dei dipendenti Exercise 2: Importare i dati del sondaggio Exercise 3: Quale reparto ha il livello di engagement più basso?Exercise 4: Confrontare altri fattori per reparto Exercise 5: Visualizzare i dati sull'engagement Exercise 6: Visualizzare più variabili insieme Exercise 7: Visualizzare più variabili insieme con i facet Exercise 8: Trarre conclusioni dai grafici Exercise 9: Quella differenza è significativa?Exercise 10: Significatività statistica - dipendenti disingaggiati Exercise 11: Significatività statistica - giorni di ferie Exercise 12: Trarre conclusioni dai test

Quando si assume una nuova persona, bisogna stabilire quanto verrà pagata. Se non si presta attenzione, i nuovi assunti possono entrare con uno stipendio più alto di chi già svolge lo stesso ruolo, causando turnover e insoddisfazione. In questo capitolo verificherai se i nuovi assunti vengono davvero pagati più dei dipendenti attuali e come ricontrollare le tue prime osservazioni.

Exercise 1: Pagare i nuovi assunti in modo equo Exercise 2: Importazione dei dati sulle retribuzioni Exercise 3: La differenza è significativa?Exercise 4: Distorsione da variabili omesse Exercise 5: Esempi di distorsione da variabile omessa Exercise 6: Quali altre differenze ci sono?Exercise 7: Com’è ora la differenza retributiva?Exercise 8: I nuovi assunti a ore sono pagati di più?Exercise 9: Regressione lineare Exercise 10: Retribuzione dei nuovi assunti: una regressione semplice Exercise 11: Retribuzione dei nuovi assunti: considerare i livelli di inquadramento Exercise 12: Trarre conclusioni dai test

La performance management aiuta un’organizzazione a tenere traccia di quali dipendenti generano valore aggiuntivo o sotto la media, e a compensarli di conseguenza. Che il risultato sia una valutazione o l’esito di un questionario, e che le valutazioni siano annuali o più frequenti, il processo è in parte soggettivo. Un’organizzazione dovrebbe verificare che le valutazioni vengano assegnate in base alla performance, e non alle preferenze dei singoli manager, o persino a bias (consci o inconsci).

Exercise 1: Unire i dati HR Exercise 2: Importare i due insiemi di dati Exercise 3: Unire i dati sulle performance Exercise 4: Valutazioni delle prestazioni ed equità Exercise 5: Concentrati sui top performer Exercise 6: Confrontare le distribuzioni degli high performer Exercise 7: Verifica del bias da variabile omessa Exercise 8: Regressione logistica Exercise 9: Regressione lineare e logistica Exercise 10: Valutazioni di performance: una semplice regressione logistica Exercise 11: Valutazioni delle prestazioni: considerando i livelli di ruolo Exercise 12: Conclusioni e raccomandazioni

In molti settori, la sicurezza sul lavoro è un aspetto fondamentale. Mantenere un ambiente sicuro dà fiducia ai dipendenti e riduce i costi per indennizzi e responsabilità legali. In questo capitolo cercherai spiegazioni per un aumento degli incidenti sul lavoro.

Exercise 1: Sicurezza dei dipendenti Exercise 2: Importare e unire i dati sugli incidenti Exercise 3: Dove si registra il tasso di incidenti più alto?Exercise 4: Dove è aumentato di più il tasso di incidenti?Exercise 5: Concentrarsi sulla sede di interesse

Esercizio attuale

Exercise 6: Concentrarsi sulla sede del problema Exercise 7: Integrare più dati Exercise 8: Verificare variabili omesse Exercise 9: Quel cambiamento è isolato alla sede con il problema?Exercise 10: Spiegare l’aumento degli incidenti Exercise 11: Usare la regressione per individuare i fattori di cambiamento Exercise 12: Cosa puoi concludere?Exercise 13: Conclusione