Koolituse kirjeldus
Soovid arendada oskusi tööjõu planeerimisel ja analüüsimisel? Tasuta koolitusel omandad vajalikud teadmised ja praktilised töövõtted, et planeerida tööjõuvajadust, analüüsida tööjõualaseid andmeid ning toetada organisatsiooni personaliotsuseid.
Koolituse sihtrühmaks on rahvusvahelistes ja/või ekspordile orienteeritud ettevõtetes tööjõualaste suurandmetega tegelevad spetsialistid (sh personalivaldkonna töötajad, tootmis- ja teenindustöö planeerimise ja korraldamisega seotud valdkondade esindajad), kes tahavad end täiendada suurandmete analüüsi ja andmekaeve alal.
Õppe alustamise nõuded: huvi ja kokkupuude personalitööga; töötamine inimeste ja kollektiividega; üldised arvutialased teadmised.
Koolitus toimub Majandus- ja Teeninduskolledži Tammsaare 147 õppehoones arvutiklassis esmaspäeviti 02.11; 09.11;16.11; 23.11; 30.11 ja 07.12 kell 17.30 – 20.40.
Koolitaja: Egle Saska – AVARA Majandus- ja Teeninduskolledži õpetaja 30 aastase personalitöö kogemusega
Egle Saska on töötanud nii riigi- kui erasektoris ning erineva suurusega organisatsioonides (sh Eesti Raudtee, Tallinna Sadam, Tammiste Personalibüroo), samuti teenuste ekspordile suunatud ettevõtetes PCC Projekt ja Esplan. Egle on alates 2000. aastast koolitanud Majandus- ja Teeninduskolledžis ning alates 2010. aastast koolitanud koostöös erinevate organisatsioonidega sh PARE, EBS Juhtimiskoolituse Keskus, Reiting, Excellence Koolitus- ja Arenduskeskus ning Avaliku Halduse Arengukeskus. Eglel on kõrgeima taseme (7. taseme) personalijuhi kutsetunnistus. Ta on lõpetanud TTÜ majandusteaduskonna ja Tallinna Majanduskooli õiguse eriala ning kaitsnud organisatsioonikäitumise magistrikraadi Tallinna Ülikoolis. Majandus- ja Teeninduskolledži õppurid on teda mitmel korral valinud parimate lektorite sekka. Eesti Personalitöö Arendamise Ühing on teda tunnustanud aasta koolitaja tiitliga.
NB! Koolitus on osalejale tasuta tingimusel, et koolitus lõpetatakse. Vastasel juhul käsitletakse koolitusel osalemist tasulisel koolitusel osalemisena.
Koolitusele registreerumisega ei ole Te automaatselt koolitusgruppi pääsenud. Koolitusgrupi komplekteerimisel arvestame Teie kuulumisega sihtgruppi ja registreerumisel kirjutatud põhjendusega, miks vajate antud koolitust.
Koolitus viiakse läbi ESF programmi „Täiskasvanuhariduse arendamine ja mitteformaalsete õppimisvõimaluste pakkumine“.
1.Tööjõualased suurandmed
Auditoorne töö 8 h:
- Suurandmete mõiste ja omadused (3V mudel).
- Suurandmete liigid (struktureeritud, poolstruktureeritud, struktureerimata).
- Suurandmete sisemised allikad: HRIS, ATS, LMS, andmebaasid, registrid, töötajate tagasiside ja uuringud, tootmisinfo jm sisemine info.
- Suurandmete välised allikad: tööjõuturg, sotsiaalmeedia ja selle sentiment, andmebaasid, registrid, potentsiaalsete ja endiste töötajate tagasiside ja uuringud.
- Andmete puhastamine.
- Suurandmete roll tööjõu planeerimisel, värbamisel, kaasamisel ja tulemusjuhtimisel
- Ennustav tööjõu analüütika (sh regressioonianalüüs, otsustuspuud).
- Suurandmete töölaud (dashboard), KPI-de valik.
- Suurandmete visualiseerimiskeskkondade kasutamine: Excel, Power BI, Tableau.
- Ülevaade personalitarkvarast ja pilvelahendustest, mis toetavad suurandmete analüüsi: Workday, SAP SuccessFactors, Oracle HCM.
- Suurandmete kogumise eetika ja andmekaitse (GDPR).
- Kallutatuse ja eelarvamuste vältimine suurandmete tõlgendamisel.
Praktilised tööd 8 h:
- Suurandmete analüüsi praktilised ülesanded ja kaasused (sh tööjõuturu suurandmed, andmebaaside ja registrite suurandmed, tootmisinfo suurandmed, tööaja halduse suurandmed, sotsiaalmeedia suurandmed, töötajate uuringute suurandmed – nende analüüs ja kasutamine).
- Suurandmete töölaua (dashboard) koostamine.
- Tööjõu andmete andmekaeve
Auditoorne töö 4 h:
- Andmekaeve mõiste ja olulisus.
- Traditsiooniline andmete analüüs vs andmekaeve.
- Andmekaeve meetodid:
- Kirjeldav analüüs: mineviku ja tänaste andmete analüüs, mustrite ja anomaaliate tuvastamine (sh värbamises, tööjõu voolavuses).
- Uurimuslik andmeanalüüs (EDA).
- Klasterdamine.
- Masinõpe ja tööjõu andmed.
- Andmekaeve ja AI.
- Andmekaeve roll ekspordivõimaluste otsimisel ja ettevõtte tegevuse laiendamisel.
Praktilised tööd 4 h:
- Andmekaeve praktilised ülesanded ja kaasused (sh andmekaeve tööjõu voolavuse analüüsimisel, andmekaeve värbamise planeerimisel).
Teemade läbimisel käsitletakse jooksvalt ettevõtete teemakohaseid kaasuseid, näiteks:
- Heinekeni kaasus: Tööjõu ja tootmisalaste suurandmete integreerimine tööjõu planeerimisel.
- IBMi kaasus: 40 miljoni töötaja andmete analüüs müügitöö kontekstis.
- Xeroxi kaasus: Töötajate sisseelamise aja suurandmete analüüs.
- Netflixi kaasus: Suurandmed kultuurierisusi arvestava tulemusjuhtimise süsteemi loomisel.
- Walmarti kaasus: Tööjõu planeerimine suurandmete abil.
- Bank of America kaasus: Töötajate suhtlemise analüüsimine tööõhkkonna parendamisel.
- Google’i kaasus: Projekt Oxygen.
- Unileveri kaasus: Andmekaeve ja AI tööjõu värbamisel.
- Bookingi kaasus: Andmekaeve toetus eksporditurgude laiendamisel.
- mõistab suurandmete mõistet ja liike ning kasutab tööjõu planeerimisel, värbamisel, töötajate kaasamisel ja tulemusjuhtimisel nii sisemisi kui ka väliseid andmeallikaid;
- “puhastab” ja analüüsib suurandmeid, valides olulisi KPI-sid ning koostades töölaudu (dashboards) Excelis, Power BI-s ja Tableau-s;
- omandab andmekaeve alused ja selle olulisuse tööjõu andmete analüüsis, sealhulgas kirjeldav analüüs ja klasterdamine;
- kasutab andmekaeve meetodeid tööjõu voolavuse ja värbamisprotsesside analüüsimiseks;
- on teadlik andmete kogumise eetilistest aspektidest ning GDPR nõuetest, tagades vastutustundliku andmekasutuse tööjõualases analüütikas.
- Õppija koostab praktilise suurandmete analüüsi tööülesande, kasutades nii sisemisi kui ka väliseid tööjõu andmeid ning loob interaktiivse töölaua, kasutades Excelit, Power BI-d või Tableau’d. Koolitaja vaatab läbi õppija koostatud töölaua, hinnates KPI-de asjakohasust, andmete visualiseerimise täpsust ja töölauda ülesehitust.
- Õppija viib läbi andmekaeve analüüsi tööjõu voolavuse ja värbamise planeerimise kohta, kasutades klasterdamist või kirjeldavat analüüsi. Õppija tuvastab mustrid ja esitab oma tulemused lühianalüüsis. Koolitaja kontrollib, kuivõrd on õppija on mustrid ja anomaaliad õigesti tuvastanud ning kas andmekaeve meetodid on asjakohaselt rakendatud.
- Õppija esitab kokkuvõtte, milles kirjeldab andmekaitse ja eetika põhimõtteid, mida on kasutanud suurandmete kogumisel ja analüüsil. Koolitaja kontrollib, kuivõrd õppija on tõepoolest rakendanud GDPR-i ja andmekaitse nõudeid ning eetilisi kaalutlusi.