Статистика в microsoft sql server

5 распространенных ошибок при размещении резюме на hh.ru Отклик на все вакансии в компании-мечте

Рекрутеру также видны все отклики: старые, новые, на какие вакансии в рамках компании. Если вы откликнулись на все сразу – и на секретаря, и на менеджера, и на руководителя, то вывод напрашивается один: вам все равно, какая вакансия

Привлекать внимание к себе таким образом нельзя, вы рискуете получить пометку «откликается на все подряд»

5. Отсутствие контактных данных и имени

Если вы боитесь, что вас вычислит текущий работодатель или вас начнут доставать звонками с неинтересными предложениями, настройте резюме так, чтобы его видели только те, кому вы откликнулись сами.

Но если вы открыто ищете новую работы, не усложняйте себе и рекрутеру жизнь, пишите все контакты сразу. В таком случае шанс, что рекрутер с вами свяжется, выше.

Копирование и любая переработка материалов с сайта neohr.ru запрещены

Как же понять, что мы хотим считать?

Пришел продакт-менеджер с задачей подсчитать результаты эксперимента

количество переходов на вакансии из письма;
отклики после перехода

Напомню, что все, что у нас есть, — это access log и база. Нам надо в терминах переходов по ссылкам сформулировать наши метрики.

Количество откликов после перехода

Тут мы могли бы просто посчитать количество откликов на вакансии из рассылки, но тогда статистика была бы неверной, потому что на отклики могло повлиять что-то еще, кроме нашего письма, к примеру, на вакансию была куплена реклама в ClickMe, и поэтому количество откликов сильно выросло. У нас есть два варианта, как сформулировать количество откликов:

Отклик — это POST на hh.ru/applicant/vacancy_response/popup?vacancy_id=26646861, у которого referer hh.ru/vacancy/26646861?utm-source=email_campaign_123.
Нюанс такого подхода в том, что если пользователь перешел на вакансию, а потом походил по сайту немного и потом откликнулся на вакансию, то мы его не засчитаем.
Мы можем запомнить id пользователя, который перешел на hh.ru/vacancy/26646861, и посчитать по базе количество отзывов на вакансию в течение дня.

Выбор подхода определяется бизнес-требованиями, обычно достаточно первого варианта, но все зависит от того, что ждет продакт-менеджер.

Статистика по вакансии hh.ru: основные показатели и их значение

При поиске работы или рассмотрении карьерных возможностей на популярном ресурсе hh.ru многие пользователи обращают внимание на раздел «Статистика по вакансии». Этот раздел предоставляет ряд важных показателей, которые помогают оценить актуальность, популярность и конкурентность вакансии

Основные показатели статистики по вакансии включают:

Число просмотров	Этот показатель указывает, сколько раз данная вакансия была просмотрена пользователями на hh.ru. Чем выше это число, тем больше интереса она вызывает у потенциальных соискателей.
Число откликов	Откликами считаются действия пользователей, направленные на связь с работодателем в ответ на данную вакансию. Этот показатель свидетельствует о том, насколько вакансия привлекательна для соискателей и сколько реальных кандидатов она привлекает.
Средняя зарплата	Этот показатель позволяет оценить финансовые условия предлагаемой вакансии. Он позволяет сравнить зарплатные предложения разных компаний и сфер деятельности, а также выявить свое место относительно среднестатистических значений.
Конкурентность	Данный показатель выражается в соотношении числа просмотров вакансии к числу откликов. Чем выше это соотношение, тем больше конкуренция на рынке труда и тем сложнее будет привлечь наиболее квалифицированных кандидатов.

Понимание и анализ данных показателей статистики по вакансии позволяет соискателям принимать более обоснованные решения при выборе работодателя и профессиональной карьеры.

Устранение неполадок

Если у вас возникли трудности с добавлением или отладкой структурированных данных, вам помогут ресурсы и сведения, доступные по приведенным ниже ссылкам.

Если вы используете систему управления контентом (CMS) или поручили настройку сайта другому человеку, обратитесь за помощью к нему или разработчику CMS. Не забудьте переслать ему сообщения о проблеме, полученные вами в Search Console.
Google не гарантирует показ вашего контента в результатах поиска, которые формируются на основе структурированных данных.
Возможные причины, по которым ваши материалы могут не показываться в виде расширенных результатов, перечислены в общих рекомендациях по использованию структурированных данных.
Ознакомьтесь со и проверьте, всё ли у вас правильно.
Если мы вручную приняли меры в отношении страницы, недопустимые структурированные данные на ней будут игнорироваться до тех пор, пока вы не исправите код. При этом сама страница может появляться в результатах поиска и дальше. Чтобы устранить , воспользуйтесь отчетом о мерах, принятых вручную.
Ещё раз изучите , чтобы выяснить, соответствует ли им ваш контент. Проблема может быть связана со спамом в контенте или разметке,
а не с ошибками в синтаксисе. Тогда ее не получится выявить с помощью инструмента проверки расширенных результатов.
Узнайте, что может стоять за .
Робот Googlebot сканирует и индексирует страницы не сразу после обновления контента. С момента публикации страницы может пройти несколько дней, пока Google обнаружит и просканирует ее. Мы собрали на отдельной странице ответы на часто задаваемые вопросы о сканировании и индексировании.
В случае необходимости задавайте вопросы на форуме Центра Google Поиска

Результат подсчетов

В нашем примере есть 2 группы и 2 метрики, которые формируют воронку. Рекомендации по оформлению результатов

Не перегружайте деталями, пока это не требуется. Просто и меньше — это лучше (к примеру, тут мы могли показывать каждую вакансию отдельно или клики по дням)

Сфокусируйте внимание на чем-то одном.
Детали могут понадобиться в процессе демо-результатов, поэтому подумайте, какие вопросы могут задать, и подготовьте детали. (В нашем примере детализация может быть по скорости перехода после отправки емейла — 1 день, 3 дня, неделя, группировка вакансий по профобласти)
Помните про статистическую значимость

К примеру, изменение на 1% при количестве переходов 100 и кликах 15 незначимо и могло быть случайным. Пользуйтесь калькуляторами

Автоматизируйте максимально, потому что считать придется несколько раз. Обычно в середине эксперимента уже хочется понять как идут дела. После эксперимента могут возникнуть вопросы и придется что-то уточнить. Таким образом, считать придется 3–4 раза, и, если каждый расчет — это последовательность из 10 запросов и потом ручное копирование в excel, будет больно и потратите много времени. Изучите python, это сэкономит кучу времени.
Используйте графическое представление результатов, когда это оправданно. Встроенные средства hive и zeppelin позволяют из коробки строить простые графики.

Считать различные метрики приходится довольно часто, потому что мы практически каждую задачу выпускаем в рамках А\Б-эксперимента. Сложного в расчетах ничего нет, после 2-3 экспериментов приходит понимание, как это делать. Помните, что access-логи хранят много полезной информации, которая может сэкономить компании деньги, помочь вам продвинуть свою идею и доказать, какой из вариантов изменений лучше. Главное — суметь эту информацию добыть.

Сохраняем вакансии в базу данных

Теперь сохраним некоторую информацию по вакансиям в БД. Этот шаг можно не выполнять и реализовать работу с данными сразу из файлов, но лично мне нравиться работать с SQL и «покрутить» данные именно в SQL. Тем более в дальнейшем их будет проще получать.

У меня локально установлена СУБД PostgreSQL, поэтому для подключения к БД из Python должен быть установлен драйвер psycopg2.

Создадим 2 таблицы следующей структуры:

В таблице vacancies будут храниться идентификатор вакансии, ее наименование и описание. Первичный ключ (PK) – id.
В таблице skills идентификатор вакансии и наименование навыка, требуемого для этой вакансии. PK – все столбцы.

Следующий скрипт заполнит эти таблицы:

# Библиотека для анализа данных, представляющая данные в табличном виде называемом DataFrame
# Вся мощь данной библиотеки нам здесь не понадобиться, с ее помощью мы положим
# данные в БД. Можно было бы написать простые insert-ы
import pandas as pd

import json
import os

# Библиотека для работы с СУБД
from sqlalchemy import engine as sql

# Модуль для работы с отображением вывода Jupyter
from IPython import display

# Создаем списки для столбцов таблицы vacancies
IDs = [] # Список идентификаторов вакансий
names = [] # Список наименований вакансий
descriptions = [] # Список описаний вакансий

# Создаем списки для столбцов таблицы skills
skills_vac = [] # Список идентификаторов вакансий
skills_name = [] # Список названий навыков

# В выводе будем отображать прогресс
# Для этого узнаем общее количество файлов, которые надо обработать
# Счетчик обработанных файлов установим в ноль
cnt_docs = len(os.listdir('./docs/vacancies'))
i = 0

# Проходимся по всем файлам в папке vacancies
for fl in os.listdir('./docs/vacancies'):
    
    # Открываем, читаем и закрываем файл
    f = open('./docs/vacancies/{}'.format(fl), encoding='utf8')
    jsonText = f.read()
    f.close()
    
    # Текст файла переводим в справочник
    jsonObj = json.loads(jsonText)
    
    # Заполняем списки для таблиц
    IDs.append(jsonObj)
    names.append(jsonObj)
    descriptions.append(jsonObj)
    
    # Т.к. навыки хранятся в виде массива, то проходимся по нему циклом
    for skl in jsonObj:
        skills_vac.append(jsonObj)
        skills_name.append(skl)
    
    # Увеличиваем счетчик обработанных файлов на 1, очищаем вывод ячейки и выводим прогресс
    i += 1
    display.clear_output(wait=True)
    display.display('Готово {} из {}'.format(i, cnt_docs))


# Создадим соединение с БД
eng = sql.create_engine('postgresql://{Пользователь}:{Пароль}@{Сервер}:{Port}/{База данных}')
conn = eng.connect()

# Создаем пандосовский датафрейм, который затем сохраняем в БД в таблицу vacancies
df = pd.DataFrame({'id': IDs, 'name': names, 'description': descriptions})
df.to_sql('vacancies', conn, schema='public', if_exists='append', index=False)

# Тоже самое, но для таблицы skills
df = pd.DataFrame({'vacancy': skills_vac, 'skill': skills_name})
df.to_sql('skills', conn, schema='public', if_exists='append', index=False)

# Закрываем соединение с БД
conn.close()

# Выводим сообщение об окончании программы
display.clear_output(wait=True)
display.display('Вакансии загружены в БД')

Внедрение HR аналитики

Если вы прониклись идеей анализа данных и готовы призвать на помощь «умные» инструменты, то теперь самое время начать. Переходим от теории к практике и рассмотрим 7 этапов внедрения hr-аналитики:

Определение целей, которые компания планирует достичь. Например, снизить текучесть, повысить производительность, сократить срок найма.
Выявление данных, которые отвечают на ваши бизнес-вопросы. На основе какой информации вы будете делать анализ? Здесь нужно определить имеющиеся данные, далее понять, какой информации не хватает и найти источники, из которых можно ее получить. На этом этапе также выбираются подходящие метрики HR-аналитики.
Сбор и обработка данных. На третьем шаге приступаем к выбору инструментов анализа и сбору данных. Частью этого процесса является реализация ETL: извлечение, обработка и загрузка. Для автоматизации и сокращения трудозатрат можно использовать IMB Websphere DataStage и Cognos Data Manager, или Microsoft SQL Server Integration Services.
Ожидание – реальность. Полученные результаты сопоставляются с реальным положением дел. На этом этапе могут добавляться новые данные, если это необходимо.
Презентация выводов и возможных путей использования результатов при принятии решений.
Внедрение результатов в бизнес-операции и оценка произошедших изменений.
Дальнейший систематический анализ, определение новых направлений для исследования. Одним циклом дело не ограничивается, HR-аналитика должна выполняться регулярно, чтобы компания могла получить видимый результат.

Когда смотришь на эти семь шагов, кажется, что HR-аналитика – это не так сложно, как может казаться со стороны. Кроме того, доступно множество автоматизированных сервисов, которые решают проблему сбора и анализа статистических данных. А HR-специалисты получают больше времени на общение с соискателями и персоналом.

Автоматизация HR-аналитики

У HR-отделов за годы работы копится огромное количество данных о персонале, но большая их часть никак не используется. Кому-то не хватает времени, чтобы заниматься сбором информации, кто-то не знает, как подступиться к разработке hr-метрик. А в большинстве случаев это связано с низким уровнем автоматизации HR подразделений. Выбрать за вас программу мы не сможем, но сориентируем по нескольким системам, которые облегчают труд hr-аналитика.

BI технологии. Системы Business Intelligence позволяют собирать и исследовать данные из множества источников. Можно получить доступ к нужной информации с телефона или ПК из любой точки мира без помощи программистов, контролировать значимые для бизнеса показатели и оперативно строить отчеты.
Для компаний с маленькой численностью и бюджетом подойдут программные продукты под конкретные задачи. Например, вы начинаете с автоматизации адаптации, а потом подключаете составление отчетов. Так работает Zenefits: не нагружает вас большими тратами и кучей функций, которые на текущей стадии развития не нужны.
Продукты для крупного бизнеса отличаются комплексным подходом. Автоматизация hr-функции охватывает сразу и подбор, и обучение, и оценку, и аналитику. Дорого? – Да. Удобно? – Зависит от конфигурации.

Примеры таких систем: SAP SuccessFactors, WebTutor, Oracle HRMS, 1С: ЗиУП, Potok, Hurma.

Облачные сервисы – те же HRM-системы, но не требующие установки. Подойдет в ситуации, когда в компании много удаленщиков или фрилансеров, которые работают на своих ПК. Им не придется устанавливать отдельные программы — достаточно просто авторизоваться. Так работает, например, Yaware.
Специализированный сервис TrenData People Analytics – это платформа HR-аналитики. Это сервис, который используется в США и нацелен именно на предиктивную аналитику, прогнозное моделирование. Компании получают объемную картинку тенденций и трендов за счет объединения и анализа данных из нескольких программных приложений.

Что нужно, чтобы сделать дашборд

Сначала — определите цель дашборда и показатели, которые будете отслеживать.Дальше определите, откуда брать данные. Идеально — подтягивать из ATS-, CRM- и ERP-систем, таких как Битрикс, 1С, SAP и других подобных. Однако, для этого в компании должны быть автоматизированы процессы. Кроме того, некоторые данные — например, результаты опросов вовлечённости в бесплатных сервисах, — в любом случае придётся собирать вручную.Следующий этап — определите, кто будет делать дашборд. Если в HR-отделе есть человек, который умеет работать в Power BI — логично поручить задачу ему. Он сможет собрать дашборд на основе табличных данных. Такой дашборд нужно будет актуализировать вручную.Чтобы создавать дашборды, которые обновляются автоматически, нужно настроить интеграцию с различными системами. Здесь вам не обойтись без IT-отдела, потому что именно он заведует всеми программами и доступами. Договоритесь с руководителем IT, чтобы он выделил вам ресурсы, и подготовьте подробное техническое задание. В задании пропишите всё, что должно быть в дашборде, включая фильтры.

HR метрики

Каковы общие источники данных для HR-аналитики?

Общие источники данных включают внутренние данные, демография персонала, заработная плата, данные социальных сетей, производительность и вовлечённость.

Внешние источники данных могут включать данные рынка труда, данные о населении, данные LinkedIn и многое другое. Можно использовать любые данные, относящиеся к конкретному проекту. Они и называются метриками. Их может быть и 20 и 30 и 100…

Для лучшего понимания метрик распишем их в в виде таблицы и разнесем по основным функциональным направлениям HR деятельности:

Рекрутинг:– Стоимость найма;– Время закрытия вакансий;– Источники притока кандидатов.	Чтобы начать работу с HR-аналитикой, вам необходимо объединить HR-данные из разных систем. Допустим, вы хотите измерить влияние вовлечённости сотрудников на финансовые показатели. Чтобы измерить эту взаимосвязь, вам нужно объединить ежегодный опрос вовлечённости с данными о вашей эффективности. Таким образом, вы можете рассчитать влияние вовлеченности на финансовые показатели различных подразделений или отделов.В итоге организация получит модель компетенций и визуал идеального сотрудника для конкретной должности или, напротив, список качеств, которые помешают кандидату органично влиться в работу.
Общие данные по работе с персоналом:– Коэффициенты текучести;– Сумма убытков от текучести кадров;– Фонд оплаты труда: факт и прогноз;– Средний срок работы в компании;– Половозрастная структура персонала.	Ключевые области HR будут меняться в зависимости от информации, полученной в результате HR-аналитики. Изменятся такие функции, как подбор персонала, управление эффективностью, обучение и развитие.Эти метрики помогут отобразить ситуацию с персоналом. Например, можно увидеть количество найма/увольнений в определенном отделе. Также статистика покажет усредненный портрет работника и поможет в рекрутинге в составлении текста и условий вакансий или при общении с кандидатами. Задав правильный вопрос, Вы должны выбрать правильные данные из разных систем. Затем эти данные объединяются, очищаются и анализируются. Этот анализ приводит к инсайтам.
Оценка эффективности управления персоналом– Соответствие средней зарплаты уровню рынка;– Объем и частота сверхурочной работы;– Выполнение бюджета.	И если вы знаете, что заставляет ваших сотрудников работать, вы можете создать лучшую рабочую среду и определить будущих лидеров. Представьте, что вы можете предсказать, какие сотрудники с наибольшей вероятностью покинут компанию. Эта информация помогает в долгосрочном планировании управления преемственностью — она способствует стратегическому кадровому планированию.Если ТОП-менеджеры не удовлетворены работой рекрутеров, например из-за срывов сроков подбора, а hr директор не видит полноты картины — имеет смысл обратиться к этой области. Хватает ли бюджета на все источники подбора? Конкурентна ли заработная плата в компании? Эти и другие факторы можно выявить с помощью hr-аналитики.
Обучение– Количество обученных и расходы на обучение;– Количество получивших повышение работников;– Затраты на аттестацию;– Доля прошедших и проваливших оценку сотрудников.	Представьте, что вы можете рассчитать влияние вашего бюджета на обучение на развитие бизнеса. Или представьте, что вы можете предсказать, какие новые сотрудники станут вашими лучшими исполнителями через два года. Или что вы можете предсказать, какие новые сотрудники покинут вашу компанию в первый год. Наличие этой информации изменит ваши процедуры и решения по найму и отбору.Этот блок даст ответ на вопрос окупаемости вложений в обучение. Например, влияет ли количество высококвалифицированных работников в определенном отделе на общие результаты работы компании.
Вовлеченность и удовлетворенность– Степень удовлетворенности работой;– Индекс лояльности;– Выявление аспектов, которые увеличивают вовлеченность сотрудников.	Начните с простого вопроса, например: «Кто из сотрудников обладает наибольшим потенциалом для карьерного роста и лидерства?» Ответить на этот вопрос можно с помощью довольно простой статистики. Это помогает количественно оценить взаимосвязь между способностями людей и организационными результатами. Таким образом, аналитика может помочь вашей организации отслеживать невыходы на работу, текучесть кадров, выгорание, производительность и многое другое.HR-специалисты и руководители получают информацию, какие проблемы беспокоят персонал и могут действовать на опережение при планировании HR-активностей.

Почему дашборды, а не отчёты

Бывает нелегко убедить руководство и IT выделить ресурсы и внедрить HR-дашборды: ведь есть же отчёты. Вот 4 аргумента, которые помогут.1. Всё ясно с первого взгляда. В дашборде всегда крупно выделяются основные цифры, данные визуализированы на графиках и диаграммах, поэтому всё понятно с первого взгляда. Отчёты в таблицах быстро понять не получится, нужно вчитываться. Чтобы упростить отчёт, приходится вычленять из него главное и визуализировать — а это дополнительное время и дополнительная работа.2. Данные обновляются регулярно и автоматически. Большинство дашбордов строятся на данных из автоматизированных систем. Как только данные поступают в систему, они отражаются в дашборде. Отчёты же нужно выгружать или собирать вручную, затем отправлять коллегам и руководству. Обычно отчёты готовятся не каждый день и даже не каждую неделю — можно упустить момент.3. Видны взаимосвязи между показателями. На дашборде отображаются сразу несколько метрик и фильтров. Можно отфильтровать данные по городам, подразделениям, должностям и другим параметрам и посмотреть ситуацию в разных разрезах, сопоставить разные метрики между собой и увидеть взаимосвязи. Чтобы реализовать то же самое в отчёте, понадобится очень много времени.4. Дашборд всегда доступен и актуален. Можно дать всем коллегам ссылку на него, чтобы она всегда была под рукой. Отчёты в почте легко сохранить не туда и потом долго искать, а найдя, долго пытаться понять, что это за отчёт.

Основные требования

Ниже приведены навыки и умения, которыми, по мнению работодателей, должны обладать сотрудники, претендующие на должность аналитика данных (расположены по убыванию популярности):

работа в команде;
аналитическое мышление;
английский язык;
управление проектами;
работа с большим объемом информации;
деловая переписка;
ведение переговоров;
организаторские навыки;
анализ данных;
аналитические исследования;
бизнес-анализ;
финансовый анализ;
работа с базами данных;
разработка технических заданий;
подготовка презентаций;
оптимизация бизнес-процессов;
бюджетирование;
управленческая отчетность;
финансовая отчетность;
постановка задач разработчикам;
моделирование бизнес-процессов.

Также перечислим инструменты, владение которыми требуется при найме на должность аналитика (расположены по убыванию популярности):

MS Excel;
MS PowerPoint;
SQL;
MS Outlook;
MS Word;
MS Visio;
1С: Предприятие 8;
Python;
MS Access;
Atlassian Jira;
VBA;
MS Project;
BPMN;
UML;
SAP;
HTML;
CRM.

Создание таблицы с данными по оттоку клиентов

Для взаимодействия с PostgreSQL из Python мы будем использовать драйвер , который можно установить следующей командой:

Note

Перед установкой новых пакетов не забудьте активировать виртуальное окружение.

Теперь скачаем файл с данными, которые потребуются для выполнения примеров:

Создадим таблицу, содержащую данные по оттоку клиентов:

Посмотрим на первые 5 строк:

Посмотрим на распределение данных по целевой переменной :

Note

Для более красивого вывода табличных данных можно воспользоваться модулем . Чтобы установить модуль воспользуйтесь командой .

Посмотрим на распределение пользователей по переменной . Нормализуем значения, чтобы посмотреть не абсолютные частоты, а относительные:

Что изменилось для соискателей:

В первую очередь при поиске работодателя ценятся финансовые показатели, такие как высокий уровень компенсации (92%) и стабильность компании (89%)
И только потом люди обращают внимание на хорошие отношения с коллегами (81%) и руководством (80%), возможность обучения (78%) и другие качества.
Растет степень важности баланса между работой и личной жизнью – это отметили более 76% опрашиваемых. При этом 48% готовы сменить место работы, если этот баланс будет нарушен.

4 из 10 соискателей для трудоустройства предпочитают крупные компании, а 20% выбирают государственные органы.
38% россиян готовы стать самозанятыми, из них 11% предпринимают шаги к переходу в указанный статус, а 27% только рассматривают эту возможность.

96% респондентов занимаются профессиональным саморазвитием, из них 36% готовы уделять этому несколько месяцев в год или больше.
40% опрашиваемых готовы переехать в другие регионы и крупные города для увеличения заработной платы. При этом наиболее предпочтительными оказались Москва и Санкт-Петербург.

19% респондентов работают эффективнее при изменении их эмоционального состояния, причем среди них больше мужчин, нежели женщин.
Наибольшему влиянию эмоционального состояния на готовность к работе отметили работники в сфере информационных технологий, телекоммуникаций и потребительских товаров. Меньше всего этому влиянию подвержены сотрудники отраслей энергетики, строительства и недвижимости.
Только 6% работодателей заботятся о ментальном здоровье работников

При этом 55% отметили готовность уделить внимание этому аспекту при необходимости.

Полный вариант первой части исследования по итогам опроса соискателей представлен в Telegram-канале агентства Яков и Партнеры.

Какие предложения работы есть на сайте?

Сервис интересен всем, кто ищет работу, независимо от возраста пола, образования и опыта. Здесь найдутся вакансии для каждого. Это своего рода игра, в которой побеждают все.

Непосредственно на главной странице отражены самые интересные и высокооплачиваемые предложения. Это не только руководящие должности, но и места менеджеров компаний, водителей, экспедиторов, рабочих в таких энергокомпаниях как Газпром или Роснефть, специалистов информационных технологий для поисковика Яндекс, продавцов сетевых супермаркетов и многое другое.

Соискателям предлагается также работа на дому, с неполной занятостью. Удобный свободный график подойдет для женщин, занимающихся воспитанием детей.

Также сервис Хенд Хантер предлагает данные о предприятиях, которые ищут сотрудников. Их можно подобрать по названиям, либо по отраслям хозяйственной деятельности.

Соискатель должен быть уверен, что предложение, в котором описывается удаленная работа или на предприятии и в организации предварительно изучается специалистами сервиса.