H0H1: про HR-аналитику

Бестселлер этого года от TalentCode — программа по датасторителлингу для HR. 6 октября, последний раз в этом году: ссылка

Эффект, которого не было

Мои коллеги знают, как я люблю ссылаться на эффект Даннинга-Крюгера. В Альфа-Банке я даже распечатывал и вешал в нашем офисе мемную картинку - ту самую, что приложил к этому посту. В Яндексе рисовал на доске.

И вот, кажется, я несколько лет жил с довольно кривым представлением о том, что это вообще за эффект, и что о нем говорили его же авторы.

Началось всё с ролика Сабины Хоссенфельдер пару недель назад. Она разбирает современный переанализ данных по Даннингу-Крюгеру и довольно бодро объясняет, почему с эффектом всё не так однозначно. Но меня в итоге зацепило вообще другое.
Оказалось, Даннинг и Крюгер не говорили про ту самую кривую, которую все знают: пик глупости, потом провал в яму отчаяния, потом медленное возвращение уверенности по мере роста опыта.

Это мемный вариант!

В оригинальной работе 1999 года идея намного проще: люди с низкими результатами сильнее переоценивают себя, а люди с высокими — немного недооценивают. Скорее это про ошибку самооценки: условно: один человек реально набрал 5 баллов, а думает, что набрал 10. Другой набрал 15, а думает, что 14. Второй всё ещё считает себя сильнее первого. Просто первый намного хуже понимает, насколько именно он слаб.

Я был довольно уверен, что знаю и понимаю, что такое эффект Даннинга-Крюгера. И, как выяснилось, знал я не то.

Вот такая вам эпистемология, ребята.

#эпистемология

Способы познания

Мои читатели знают о моём философско-аналитическом пути, по которому я иду уже несколько лет. Он начался с байесовской статистики, продолжился причинно-следственным выводом и в итоге привёл меня к эпистемологии.

💎 Встречайте комбо: байесовская эпистемология.

Сейчас читаю книгу Майкла Тительбаума по этой теме и зашёл поделиться его лекцией.

Сказать, что мне это откликается - ничего не сказать. Одна из центральных мыслей лекции: данные не равны истине и даже не исчерпывают собой все основания для знания.

Я хорошо знаю это по своему опыту и уже неоднократно об этом писал и рассказывал. Разные люди могут смотреть на один и тот же график, видеть одни и те же значения - и делать совершенно разные выводы.
Обычно это воспринимают так, будто один из них обязательно ошибается. Но Тительбаум предлагает более интересную рамку: люди могут по-разному переходить от свидетельств к выводам, потому что используют разные эпистемические стандарты.
И здесь важно само слово свидетельство (evidence). Свидетельства - это не только данные и не только числа. Данные являются лишь одной из форм основания для убеждения.

Для нашей эпохи метрик, дашбордов и ИИ это, кажется, совсем не интуитивная мысль. Мы привыкли считать, что достаточно собрать правильные данные и вывод возникнет почти автоматически. Но данные не говорят сами за себя. Между данными и выводом всегда находятся модель, допущения, критерии, опыт, ценности и сам способ мышления человека.

Мне кажется, это напрямую связано и с будущим аналитики. Расчёты, визуализации и даже первичную интерпретацию всё лучше будут выполнять машины. Но аналитическая работа не заканчивается там, где посчитана метрика. Остаются вопросы: что именно мы измерили, на каких предпосылках построен вывод, какие ещё объяснения возможны и достаточно ли у нас оснований, чтобы принимать решение.

Поэтому аналитик будущего для меня - не тот, кто лучше всех считает и владеет инструментами. Это человек, который умеет разбираться в том, как из данных возникает знание и где в этом переходе мы можем ошибиться.

#эпистемология #байес

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