H0H1: про HR-аналитику

Есть, чем поделиться Habr провел очередной конкурс Технотекст и выложил результаты. Мне чертовски приятно: моя статья «Конфаундинг, или как аналитику попасть в ловушку» победила в номинации «Аналитика» среди частных авторов. Для меня это особенно ценно, потому что статья была не про модный инструмент, не про очередной дашборд и не про «как мы всё посчитали и стали молодцами». Она была про менее удобную, но гораздо более важную вещь — про настоящую аналитику и качество вывода. Спасибо Habr, жюри и всем, кто читал статью, сохранял и обсуждал.

Руководство по каузальному мышлению Сходил в отпуск и дочитал ещё одну книжу по одной из любимых мной тем. Книга Квентина Галлеа — это ещё одна попытка рассказать про современный причинно-следственный анализ без сложных формул и кодинга. Такие материалы, на мой взгляд, важны: они помогают популяризировать тему и постепенно формируют сообщество людей, которые мыслят в каузальной парадигме. Что примечательного в этой книге? 🟡Будущее принадлежит людям, которые мыслят каузально. Автор утверждает, что наиболее продвинутые организации будут не просто внедрять ИИ-системы для прогнозов, а строить каузальные системы — такие, которые могут объяснять, проверять гипотезы и учиться. ИИ автоматизирует прогнозы. Следующий фронтир — каузальное мышление. 🟡Много примеров из бизнеса и исследований. Книга изобилует примерами из бизнес-среды и прикладных исследований. Больше всего мне понравилась ссылка на исследование применения ИИ в HR-рекрутменте. В нём показано, что более качественная помощь ИИ может негативно повлиять на совместный результат человека и системы: человек начинает слишком сильно полагаться на подсказки и буквально «засыпает за рулём». Заставляет о многом задуматься, правда? 🟡Автор предлагает простой каузальный фреймворк: 1.  Что является контрольной группой или прокси-контрфактом? Определите, какое сравнение проводится, и оцените его качество. 2.  Есть ли что-то ещё? Ищите скрытые факторы — конфаундеры или обратную причинность, — которые могут определять наблюдаемый результат. 3. Каково направление смещения? Определите, усиливают ли эти скрытые факторы истинный эффект или, наоборот, ослабляют его. 4.  Уточнение и итерация. Усильте анализ, подбирая более качественные сравнения или, при необходимости, выделяя отдельные подгруппы. 5. Можно ли экстраполировать? Оцените, можно ли надёжно перенести полученные выводы на другой контекст или на будущее. 🟡Мне понравилось, что в книге вводится понятие ошибки третьего рода: правильный ответ на неправильный вопрос. Это хорошая отсылка к ошибкам первого и второго рода из статистики, но с более управленческим и исследовательским смыслом. Иногда проблема не в том, что мы плохо посчитали. Проблема в том, что мы с самого начала решали не ту задачу. 🟡Ещё узнал, что феномен, при котором метрика становится целью и с этого момента перестаёт быть хорошим показателем, называется законом Гудхарта (Goodhart’s law). Вообще, то, как некоторые метрики создают ритуализованное поведение, — это отдельная и очень интересная для меня, как психолога-наблюдателя, тема. Я бы рекомендовал эту книгу в первую очередь тем, кто хочет лёгкого и быстрого входа в тему каузальности. Из всего, что мне попадалось, это пока самый простой и дружелюбный заход. #книги

HR-аналитика: как превратить управление персоналом на основе данных и генеративного ИИ в бизнес-актив В книге People Analytics: Using data-driven HR and Gen AI as a business asset Коул Неппер, опираясь на свой опыт и интервью из подкаста Directional Correct, рисует образ будущего HR-аналитики в эпоху ИИ. Но гораздо интереснее, чем хайповое название, — его философия трансформации функции HR-аналитики. Она мне откликается, потому что наша команда живёт в этой парадигме ещё до появления ИИ. 💰 Суть проста: HR-аналитика должна перестать быть центром затрат и стать центром создания прибыли. Это больше не пассивная функция по созданию дашбордов. Это функция, без которой менеджмент не может принимать решения. ИИ в этой модели — не замена, а усилитель. На этом пути Неппер выделяет несколько ключевых шагов: 🟡 Фокус на бизнес-эффекте. Каждая аналитическая инициатива должна отвечать на вопрос: как она создаёт финансовую ценность? 🟡 Gen AI как ускоритель, а не замена. ИИ не заменит HR-аналитику — он устранит неэффективности, которые её сдерживали. 🟡Аналитика как механизм принятия решений. Данные больше не должны быть второстепенными — они должны в реальном времени определять стратегию. 🟡 Решение значимых задач. Вместо создания всё новых отчётов мы должны отвечать на ключевые бизнес-вопросы. Отдельно интересное наблюдение: рост команд HR-аналитики в прошлом во многом был обусловлен низкими процентными ставками. Эта эпоха закончилась. Теперь важен не размер команды, а её способность создавать измеримый результат. Не уверен, что это полностью применимо к нашему контексту — у нас редко бывают команды по +30–50 человек. Но сама логика понятна: масштабироваться нужно не людьми, а инструментами. И, пожалуй, главная аксиома из книги, которая стала для меня новым рабочим правилом: Не стоит браться за проект, пока стейкхолдеры не возьмут на себя обязательство действовать на основе его результатов. И если честно — слишком часто HR-аналитика до сих пор делается ради HR, а не ради бизнеса. #книги

Исследование рынка аналитиков 2025 Вышло свежее исследование рынка аналитиков от NEWHR. Всем рекомендую ознакомиться. В опросе — 1493 человека из 14 специализаций аналитики Выделяют 3 сегмента: 🟡дата-, продуктовые, BI- и маркетинговые аналитики 🟡системные и бизнес-аналитики 🟡новое - руководители аналитики Основные выводы 🟠Зарплаты: растут, но рынок — нет. У большинства специалистов доход растёт, но рынок в целом стагнирует. Рост — это в основном: индексации и внутренние повышения. Это не рост рынка, это перераспределение внутри него 🟠Деньги — главный фактор. Все разговоры про «миссию», «культуру» и «ценности» — вторичны, если не закрыт базовый уровень 🟠Российский и зарубежный рынки расходятся. Рынок становится более замкнутым и локальным. 🟠Поиск работы стал сложнее. Рынок кандидата в целом мертв. Конкуренция растёт, срок поиска: 3–6 месяцев. 🟠Репутация работодателей. Avito — лидер привлекательности, хуже всех — VK и Sber. Yandex за год потерял 18 пунктов и вошёл в антитоп. Моя личная боль😢 🟠ML/AI — уже must-have. AI активно изучают, но: основная работа аналитиков — всё ещё дашборды и ad-hoc 🟠Грейд = не только деньги. Грейд — это уже про жизненную опциональность, а не только зарплату Очевиден тренд на рост требований к аналитикам и усиливающуюся конкуренцию. Это ставит перед специалистами новые вызовы и в очередной раз подтверждает простую, но неприятную истину: чтобы оставаться на месте, нужно постоянно бежать. И, кажется, скорость этой гонки только растёт. #исследование

И ещё одна

Читаю очередную книжку про People Analytics, расскажу попозже. Пока поделюсь одной картинкой

Я прочитал второе издание Handbook of Regression Modeling in People Analytics Мой интерес к этой книге был вызван прежде всего новыми главами, посвящёнными байесовской статистике и causal inference. Эти две темы — наряду с вопросами эпистемологии — являются тем, чему я как аналитик уделяю наибольшее внимание в последние несколько лет. Для своего канала я уже писал ряд статей, где рассматривал байесовскую статистику и causal inference в контексте HR-аналитики. Однако книга Кита МакНалти — пожалуй, первый пример, когда значимая фигура в мире HR-аналитики официально вводит эти современные методы в наше ремесло. И это меня очень радует! Заодно убеждаюсь, что выбранный мной фокус внимания был верным. Несколько дней назад также появился записанный мастер-класс Кита Он посвящён применению байесовской статистики для анализа малых выборок — по сути, это наглядная демонстрация идей из книги. К сожалению, качество записи довольно плохое. Но мне очень понравился один его небольшой квиз. Я взял из него два варианта ответов и немного переформулировал их — получилось очень ёмкое объяснение различия между классической и байесовской статистикой. #книги

Влияние ИИ на рынок труда: новый метод измерения и первые данные Немножко хайповых тем для канала. Anthropic — те самые создатели Claude — выпустили исследование про влияние ИИ на рынок труда и предложили методологию, которая должна позволить отслеживать этот эффект в динамике. Ключевые выводы исследования: 🟣Авторы ввели новый показатель риска вытеснения работников искусственным интеллектом — наблюдаемое воздействие/степень подверженности (observed exposure). Он объединяет теоретические возможности LLM и данные о реальном использовании, при этом больший вес придается автоматизации (а не аугментации) и применению в рабочих задачах. 🟣ИИ пока далёк от достижения своего теоретического потенциала: фактический охват задач составляет лишь небольшую долю от того, что в принципе возможно. 🟣Профессии с более высоким уровнем наблюдаемой экспозиции, согласно прогнозам Бюро трудовой статистики США, будут расти медленнее до 2034 года. 🟣Работники в наиболее подверженных воздействию профессиях с большей вероятностью старше, чаще женщины, более образованы и имеют более высокий доход. 🟣Авторы не обнаружили систематического роста безработицы среди работников из наиболее подверженных профессий с конца 2022 года, однако есть некоторые признаки того, что найм молодых работников в этих профессиях замедлился. Статья в целом интересная и полезная как методологическая рамка для будущих исследований. Но остаются вопросы. Во-первых, неизбежно возникает вопрос ангажированности: исследование делает компания, которая сама разрабатывает LLM. Во-вторых, авторы отдельно обсуждают контрфакты, но, честно говоря, я так и не понял, что именно имеется в виду. Никакого явного контрфактического сценария в работе нет — есть лишь сравнение профессий с высокой и низкой подверженностью ИИ. Оставлю на канале оригинальную статью для тех, кому хочется больше деталей. #LLM

# Прогнозная модель vs Причинная модель Работаю с прогнозированием каждый день и регулярно вижу одну и ту же проблему: бизнес просит инструмент для принятия решений, а команда в ответ обучает прогнозную модель. Кажется логичным, но проблема в том, что это разные задачи. Делюсь своим подходом как я ставлю в inDrive экспертизу по casual forecasting Прогнозная модель отвечает на вопрос «Сколько заказов будет в городе, если тренд сохранится?». Бизнес спрашивает другое: «Что произойдет с поездками, если мы снизим комиссию для водителей на 10%?». Первое — forecasting. Второе — causal inference ## Почему нельзя «просто подставить новую комиссию в модель» Почему не работает «просто подставить новую комиссию в модель»? Прогнозная модель минимизирует ошибку между историей и предсказанием. Она эксплицитно учится воспроизводить паттерны, а не изолировать влияние объясняющей переменной на целевую. Когда вы меняете комиссию на входе, удерживая остальные признаки, то вы предполагаете, что модель корректно разделила эффекты комиссии, сезонности, промо и конкурентов. Это не так Классическое ML отлично отвечает на вопрос: «что будет?». Но бизнес почти всегда спрашивает другое: «что сделать, чтобы стало лучше?». И вот тут предиктивные модели упираются в потолок потому что прогноз это про мир «как он есть» а решение — это вмешательство: мы меняем цену, бюджет и пр. ## Проблема эндогенности Есть и более фундаментальная проблема: эндогенность. Прогнозная модель не отличает «мы снизили комиссию» от «комиссия снизилась потому что на рынок пришел конкурент и демпингует». А для what-if сценариев это критично потому что бизнесу важен причинный эффект, а не корреляция ## Типовой пример В городе одновременно растут заказы и падает комиссия. Прогнозная модель видит корреляцию и «запоминает»: низкая комиссия = много заказов. Но на самом деле заказы выросли из-за маркетинговой кампании, а комиссию снизили в ответ на вход конкурента. Если вы используете эту модель для решения «давайте снизим комиссию и получим рост заказов» — вы получите неверный ответ ## Что бизнес на самом деле хочет Бизнес не хочет дашборд с прогнозами. Точнее сказать сначала он хочет дашборд с прогнозами и хорошие метрики на ретроспектиных данных, но по мере развития проекта он начинает хотеть хочет инструмент управления. «Куда направить маркетинговый бюджет?», «Какой канал реально приносит конверсии?» Это не задачи прогнозирования. Это про causal inference, оценку причинного эффекта и выбор действий ## Как выглядит причинная модель на практике На практике это выглядит так: модель строится специально под задачу. Например, комиссия -> количество заказов с контролем confounders. Каузальная модель медленнее в разработке, требует экспертизы в дизайне исследования и не дает красивых метрик на тесте. Но именно она отвечает на вопрос, который бизнес на самом деле задает ## Как их использовать вместе Прогнозная модель хороша для планирования, причинная — для управления. У меня воркфлоу такой: forecasting для операционных задач (планирование), causal inference для стратегических решений (ценообразование, распределение бюджетов и пр.). Для простых задач планирования хватает прогноза. Для решений, где мы что-то меняем, всегда нужна причинная модель Прогнозы полезны для планирования, но если цель управленческие решения, то бизнесу нужен не прогнозная, а причинная модель

Заимствовал с канала Душно про дату. Разделяю содержание поста