Czy nowi pracownicy są wynagradzani uczciwie?

Create Your Free Account

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

To ćwiczenie jest częścią kursu

HR Analytics: analiza danych pracowniczych w R

SkillTag.level.intermediateSkillTag.label

4.8+

W tym rozdziale poznasz zastosowanie analizy danych w obszarze zasobów ludzkich. Następnie przejdziesz do studium przypadku, w którym przeanalizujesz i zwizualizujesz dane rekrutacyjne, aby ustalić, które źródło pozyskiwania kandydatów daje najlepszych nowych pracowników. Zbiór danych używany w tym i pozostałych rozdziałach kursu jest syntetyczny – pozwala to zachować prywatność rzeczywistych pracowników.

Exercise 1: Witaj na kursie!Exercise 2: Zastosowania analityki zasobów ludzkich (HR)Exercise 3: Analiza danych rekrutacyjnych Exercise 4: Rekrutacja a jakość zatrudnienia Exercise 5: Identyfikowanie grup w danych Exercise 6: Wyniki sprzedaży według źródła rekrutacji Exercise 7: Wskaźniki odejść według źródła rekrutacji Exercise 8: Wizualizacja danych rekrutacyjnych Exercise 9: Wizualizacja różnic w wynikach sprzedaży Exercise 10: Wizualizacja różnic w rotacji pracowników Exercise 11: Wyciąganie wniosków

Gallup definiuje zaangażowanych pracowników jako osoby, które są włączone w swoją pracę, entuzjastycznie do niej nastawione i oddane zarówno jej, jak i miejscu pracy. Choć siła związku między zaangażowaniem pracowników a wynikami biznesowymi jest kwestią dyskusyjną, przyjmuje się, że bardziej zaangażowani pracownicy są bardziej produktywni i dłużej zostają w organizacji. W tym rozdziale przeanalizujesz możliwe przyczyny niższych wyników zaangażowania w jednym z działów.

Exercise 1: Analiza zaangażowania pracowników Exercise 2: Importowanie danych z ankiety Exercise 3: Który dział ma najniższe zaangażowanie?Exercise 4: Porównywanie innych czynników według działu Exercise 5: Wizualizacja danych dotyczących zaangażowania Exercise 6: Wizualizacja wielu zmiennych naraz Exercise 7: Wizualizacja wielu zmiennych jednocześnie za pomocą paneli Exercise 8: Wyciąganie wniosków z wykresów Exercise 9: Czy ta różnica jest istotna?Exercise 10: Istotność statystyczna – niezaangażowani pracownicy Exercise 11: Istotność statystyczna – dni urlopowe Exercise 12: Wyciąganie wniosków z testów

Przy każdej nowej rekrutacji pracodawca musi ustalić wysokość wynagrodzenia dla nowego pracownika. Jeśli nie zachowa ostrożności, nowi pracownicy mogą otrzymać wyższe wynagrodzenie niż osoby już zatrudnione na tym samym stanowisku – co może prowadzić do rotacji i niezadowolenia w zespole. W tym rozdziale sprawdzisz, czy nowi pracownicy rzeczywiście zarabiają więcej niż obecni, i zweryfikujesz swoje wstępne obserwacje.

Exercise 1: Czy nowi pracownicy są wynagradzani uczciwie?

Bieżące ćwiczenie

Exercise 2: Wczytywanie danych o wynagrodzeniach Exercise 3: Czy różnica jest istotna?Exercise 4: Błąd pominiętej zmiennej Exercise 5: Przykłady błędu pominiętej zmiennej Exercise 6: Jakie inne różnice istnieją?Exercise 7: Jak wygląda różnica w wynagrodzeniach teraz?Exercise 8: Czy pracownicy godzinowi zarabiają więcej?Exercise 9: Regresja liniowa Exercise 10: Wynagrodzenie nowych pracowników: prosta regresja Exercise 11: Wynagrodzenia nowych pracowników: uwzględnienie poziomów stanowisk Exercise 12: Wyciąganie wniosków z testów

Zarządzanie wynikami pozwala organizacji śledzić, którzy pracownicy wnoszą wyjątkową wartość, a którzy – poniżej przeciętnej – i odpowiednio ich wynagradzać. Niezależnie od tego, czy ocena ma formę oceny punktowej czy wyniku ankiety, i niezależnie od częstotliwości oceniania, cały proces jest do pewnego stopnia subiektywny. Organizacja powinna weryfikować, czy oceny są przyznawane na podstawie wyników pracy, a nie preferencji poszczególnych menedżerów ani ich uprzedzeń – świadomych lub nieświadomych.

Exercise 1: Łączenie danych HR Exercise 2: Wczytywanie dwóch zbiorów danych Exercise 3: Łączenie danych o wynikach pracy Exercise 4: Oceny wyników a sprawiedliwość Exercise 5: Skupienie na wysokich wynikach Exercise 6: Porównywanie rozkładów wysokich wyników Exercise 7: Sprawdzanie błędu pominiętej zmiennej Exercise 8: Regresja logistyczna Exercise 9: Regresja liniowa i logistyczna Exercise 10: Oceny wyników: prosta regresja logistyczna Exercise 11: Oceny wyników: uwzględnianie poziomów stanowisk Exercise 12: Wnioski i rekomendacje

W wielu branżach bezpieczeństwo pracy to kwestia o kluczowym znaczeniu. Bezpieczne środowisko pracy daje pracownikom poczucie komfortu i pozwala organizacji ograniczyć koszty związane z odszkodowaniami i odpowiedzialnością prawną. W tym rozdziale poszukasz wyjaśnień dla wzrostu liczby wypadków w miejscu pracy.

Exercise 1: Bezpieczeństwo pracowników Exercise 2: Importowanie i łączenie danych o wypadkach Exercise 3: Gdzie wskaźnik wypadków jest najwyższy?Exercise 4: Gdzie wskaźnik wypadkowości wzrósł najbardziej?Exercise 5: Skupienie się na interesującej lokalizacji Exercise 6: Skupienie się na miejscu problemu Exercise 7: Wczytywanie dodatkowych danych Exercise 8: Sprawdzanie pominiętych zmiennych Exercise 9: Czy ta zmiana dotyczy tylko problematycznej lokalizacji?Exercise 10: Wyjaśnienie wzrostu liczby wypadków Exercise 11: Regresja jako narzędzie do identyfikacji przyczyn zmian Exercise 12: Jakie wnioski można wyciągnąć?Exercise 13: Podsumowanie