SDy: Najważniejsza statystyka HR, o której nigdy nie słyszałeś

Stay on the leading edge of leading with human-centric AI. Create a free account.

To pierwszy z serii artykułów przedstawiających niektóre podstawowe zagadnienia HR, a SDy w szczególności stanowi fundament podejmowania trafnych decyzji w ramach obecnych i przyszłych ról związanych z HR. Czym więc jest SDy? SDy to statystyczna metoda obliczania różnicy w wynikach wyrażonej w dolarach między kandydatami lub osobami obecnie zajmującymi dane stanowisko. Załóżmy na przykład, że […]

Graphics of SDy: The Most Important HR Statistic You’ve Never Heard Of

To pierwszy z serii artykułów przedstawiających niektóre podstawowe zagadnienia HR, a SDy w szczególności stanowi fundament podejmowania trafnych decyzji w ramach obecnych i przyszłych ról związanych z HR. Czym więc jest SDy? SDy to statystyczna metoda obliczania różnicy w wynikach wyrażonej w dolarach między kandydatami lub osobami obecnie zajmującymi dane stanowisko. Załóżmy na przykład, że rekrutujesz na dane stanowisko i zawęziłeś wybór do dwóch kandydatów, którzy obaj potrafią wykonywać tę pracę i dobrze do niej pasują, ale jednego z nich preferujesz. Składasz ofertę pracy, a kandydat pierwszego wyboru wraca z prośbą o dodatkowe 10,000 dolarów wynagrodzenia – SDy może pomóc Ci podjąć tę decyzję.

Aby obliczyć SDy, najpierw potrzebujesz obiektywnej miary odpowiedniej do przewidywania przyszłych wyników pracy. Na przykład w procesie selekcji możesz użyć testu ogólnych zdolności umysłowych, ustrukturyzowanego wywiadu lub centrum oceny itp. – wszystkie te oceny, jeśli zostaną przeprowadzone prawidłowo, dostarczą Ci wyniku dla każdego kandydata. Na podstawie tych wyników musisz obliczyć odchylenie standardowe, co możesz zrobić, postępując zgodnie z poniższymi instrukcjami (jeśli nie są one zrozumiałe, w internecie znajdziesz wiele wyjaśnień — wystarczy wyszukać w Google „obliczanie odchylenia standardowego”):
W tym przykładzie mamy 15 kandydatów, których oceniliśmy za pomocą ustrukturyzowanego wywiadu, uzyskując 15 wyników oceny. Odchylenie standardowe możesz obliczyć ręcznie albo po prostu skorzystać z MS Excel i postępować zgodnie z poniższymi instrukcjami

Najpierw wprowadź 15 wyników ocen do programu Excel, umieszczając każdą liczbę w osobnej komórce:

95, 68, 58, 64, 84, 68, 72, 75, 59, 90, 89, 78, 82, 65, 67,

Następnie na dole tej listy po prostu wpisz formułę =STDEV(wstaw tutaj zakres, tj. =STDEV(A1: A15)), a otrzymasz odchylenie standardowe — w naszym przypadku odchylenie standardowe wynosi 11.61.

Odchylenie standardowe informuje nas, jak bardzo członkowie grupy różnią się od średniej lub wartości przeciętnej. Zazwyczaj 68% naszej próby mieści się w granicach jednego odchylenia standardowego od średniej, czyli 68% naszej próby uzyskało wyniki między 62.65 a 85.88 (co oblicza się, dodając odchylenie standardowe do średniej w celu uzyskania górnego wyniku (74.266 + 11.61 = 85.88) oraz odejmując odchylenie standardowe od średniej w celu uzyskania dolnego wyniku (74.266 – 11.61 = 62.65)).

Jeśli nadal jesteś ze mną, świetnie — za chwilę zrozumiesz, dlaczego uważam, że SDy ma tak fundamentalne znaczenie dla podejmowania trafnych decyzji w HR. SDy to oszacowanie wyników pracy pracownika oparte na 1 odchyleniu standardowym. Pozwala oszacować różnicę w wynikach pracy wyrażoną w dolarach między przeciętnym pracownikiem a pracownikiem osiągającym wysokie wyniki, określoną na podstawie ich wyniku w narzędziu oceny. A jak to wygląda w prostych słowach? Załóżmy, że mamy dwóch kandydatów: jeden uzyskał wynik 75 (czyli dość blisko średniej wynoszącej 74.266), a drugi uzyskał wynik 89 (znów dość blisko różnicy jednego odchylenia standardowego względem wyniku 75). O ile lepiej osoba, która uzyskała wynik 89, będzie wykonywać tę pracę? To właśnie oszacowuje dla nas SDy. Obliczenie odchylenia standardowego jest trudną częścią, którą można wykonać przy pomocy MS Excel. Aby obliczyć SDy, wystarczy pomnożyć roczne wynagrodzenie za dane stanowisko przez 40%, co da nam wartość SDy. Dla ułatwienia obliczeń przyjmijmy, że roczne wynagrodzenie na stanowisku, na które rekrutujemy, wynosi $100,000. Zatem SDy = 100,000 * 0.4, czyli 40,000. To naprawdę ekscytujące — wiemy teraz, że między tymi dwoma kandydatami występuje różnica w wynikach pracy wynosząca $40,000. Informacja ta jest niezwykle przydatna, ponieważ może pomóc nam ocenić kontroferty — o ile lepsze wyniki, jak przewidujemy, osiągnie nasz pierwszy wybór w porównaniu z kandydatem drugiego wyboru i czy możemy uzasadnić zaoferowanie mu wyższego wynagrodzenia niż początkowo przeznaczyliśmy na to stanowisko, czy też powinniśmy wybrać kandydata drugiego wyboru?

Na tym etapie powinienem zaznaczyć, że nie musimy korzystać wyłącznie z 1 odchylenia standardowego. Możemy na przykład mieć dwóch kandydatów, których dzieli zaledwie 0.5 odchylenia standardowego albo 0.3 odchylenia standardowego. Aby obliczyć te wartości, po prostu mnożymy 40,000 przez procent odchylenia standardowego, tj. 40,000 x 0.5 = 20,000 lub 40,000 x 0.3 = 12,000. Jeśli więc ponownie weźmiemy przykład naszych dwóch najlepszych kandydatów, ale tym razem dzieli ich zaledwie 0.3 odchylenia standardowego, a nasz najlepszy kandydat chce dodatkowych $10,000 wynagrodzenia, możemy ponownie przeanalizować sytuację i uznać, że choć najlepszy kandydat jest lepszy, nie jest o tyle lepszy od kandydata drugiego wyboru, by uzasadniało to wynagrodzenie o $10,000 wyższe niż kwota, którą najprawdopodobniej zaakceptowałby drugi kandydat.

SDy jest najczęściej stosowane w odniesieniu do kwestii selekcji i szkoleń. Na przykład w procesie selekcji można je wykorzystać do ustalenia, czy skorzystanie z zewnętrznego centrum oceny jest opłacalne w przypadku stanowiska, na które rekrutujesz. Ewentualnie: czy program szkoleniowy, któremu kazano Ci się przyjrzeć, podniesie wyniki pracy uczestników szkolenia na tyle, aby uzasadnić jego początkowy koszt?

Brendan Lys
Operating at the intersection of Human Resources and Data Science, I leverage extensive specialist experience within Human Resources, with the methodologies and approaches of Data Science. This focus on the discovery of actionable insights from data, has been applied to areas such as: remuneration & benefits, workforce planning, recruitment, health & safety, diversity, and training. But what does the application of data science to HR challenges and opportunities actually look like. Within an HR framework the data we work with typically comes directly from our HRMIS, an advantage of using data science methodologies is that we can bring in additional data either held within the organization or from external sources - data which is out of reach from a pure HR analytics approach. Consider for example position descriptions, these contain a wealth of data that we typically ignore as its not in a analysis ready format. A side project I'm working on currently (April 2019) is using text mining on job descriptions to provide insights into which job family the position may fit into. The insights of my work have been enjoyed by organizations across a diversity of sectors including: Government (Australia and New Zealand), ASX and NZX listed companies, utilities, not for profit and higher education.
Follow the author:

You may also like