EVIDENCE-BASED MANAGEMENT:
HR ANALYTICS CASE STUDY
Michal Jirásek
Podniková informatika pro manažery

PROGRAM DNEŠNÍHO SETKÁNÍ
1.Kahoot
2.Úvod do Evidence-based management a zadání případové studie
3.Rešerše – online a offline
4.Power BI a další přehledové statistiky
5.Formulace modelů
6.SPSS Modeler a interpretace výsledků
7.Napočítání modelů a vyhodnocení

PROGRAM DNEŠNÍHO SETKÁNÍ
 Cíle dnešního setkání

 Zkušenosti s analýzou dat vs „španělská vesnice“?

 Zkušenosti z/s HR?

 Nainstalovaný software?





KAHOOT





 kahoot.it
 Pravda/Lež + Multiple-choice otázky (stačí jedna správně)
 Časový limit

EVIDENCE-BASED MANAGEMENT
 Motivace: Lidské rozhodování je zkreslené (v podnicích o nic méně)

 > Rozhodování by mělo být založeno na těch nejlepších dostupných zdrojích

PŘÍPADOVÁ STUDIE
 Jaké faktory ovlivňují odchody zaměstnanců z podniku?

 Data: Kaggle.com

 Podklady vloženy ve Studijních materiálech:
HR Analytics Case Study.pdf
Data.zip
data_dictionnary.xlsx – popis proměnných

REŠERŠE
 Jak hledáte odborné informace?
S jakými klíčovými slovy budete pracovat?

 S jakými zdroji pracujete?

 Zkuste rychle najít odpovědi na otázky (20-25 minut)

VIZUALIZACE DAT
 Proč je důležité data vizualizovat?

 Vhodné nástroje pro vizualizaci dat?

 Ukázka Power BI

POPISNÉ STATISTIKY A KORELACE
 Co nám říkají?

 Podstata regrese (OLS)?

 Jaký je jejich vztah k předpokladům a vlastnostem regrese (multikolinearita, normalita, vlivná
pozorování)

 Asociace (falešná) vs kauzalita

FALEŠNÉ KORELACE (SPURIOUS CORRELATIONS)
Image result for spurious correlations"


FALEŠNÉ KORELACE (SPURIOUS CORRELATIONS)
Image result for spurious correlations"


FALEŠNÉ KORELACE (SPURIOUS CORRELATIONS)
Image result for spurious correlations"



N
Minimum
Maximum
Mean
Std. Deviation
Age
4410
18
60
36,92
9,133
DistanceFromHome
4410
1
29
9,19
8,105
Education
4410
1
5
2,91
1,024
JobLevel
4410
1
5
2,06
1,107
MonthlyIncome
4410
10090
199990
65029,31
47068,889
NumCompaniesWorked
4391
0
9
2,69
2,499
PercentSalaryHike
4410
11
25
15,21
3,659
StockOptionLevel
4410
0
3
,79
,852
TrainingTimesLastYear
4410
0
6
2,80
1,289
YearsAtCompany
4410
0
40
7,01
6,125
YearsSinceLastPromotion
4410
0
15
2,19
3,222
YearsWithCurrManager
4410
0
17
4,12
3,567
WorkLifeBalance
4372
1
4
2,76
,706
JobInvolvement
4410
1
4
2,73
,711
PerformanceRating
4410
3
4
3,15
,361
Valid N (listwise)
4353

FORMULACE MODELŮ
 Proč se formulují modely předem?

 Co je to hypotéza?

 Proč nezahrnout všechny proměnné?

 „Overfitting“ (trénovací vs testovací množina)

FORMULACE MODELŮ
 Formulujte v týmu svůj vlastní model
 Sepište zdůvodnění, proč jste zařadili dané proměnné

 Hodnocení modelů – pravidla                                        (% správně predikovaných / %
použitých proměnných)

 Vložte do odevzdávárny (i se jmény a UČO autorů)

 45-60 minut včetně přestávky

ZPRACOVÁNÍ A ANALÝZA DAT
 Používáte nějaký statistický software?

 Jak si připravujete data?

 Jaké statistické metody používáte?

 Ukázka SPSS Modeler – „overfitting“ na neuronových sítích

INTERPRETACE STATISTIK
 Jak interpretovat statistiky

 Významnost („Significance“) vs velikost efektu („Effect size“)

 Podstata logistické regrese

LOGISTICKÁ REGRESE
https://upload.wikimedia.org/wikipedia/commons/thumb/8/88/Logistic-curve.svg/1920px-Logistic-curve.
svg.png
Job Satisfaction
Log-odds
Odds
Probability of leaving
1
-1,24
0,29
0,22
2
-1,49
0,23
0,18
3
-1,74
0,18
0,15
4
-1,99
0,14
0,12

VÝPOČET MODELŮ
 Zpětná vazba (prosím o vyplnění): bit.ly/PIPMfdb

 Vaše výsledky

 Co si odnést?