@lilia_urmazova огромное спасибо за вашу работу над mentorpiece.org и за ваши бесплатные учебники. Очень многое разделяю и поддерживаю!
В то же время, Иван справедливо заметил, что возросший процент трудоустроившихся может быть связан с увеличением числа мотивированных кандидатов на одно место. Если в 2022 году мотивированных было 0.5 на место, а сейчас 1.5, то только мотивированные попадают на курс. Возможно, влияние "мультипликации знаний" минимально, и все дело в изначальном таланте.
Я слышал, что в 2023 году вы начали отсеивать мотивированных людей с IT-бэкграундом, которые затем успешно заканчивали другие курсы и находили работу. Это подтверждает, что важно рассматривать изначальную мотивацию и талант. Интересно было бы увидеть данные по курсовой воронке, включая количество заявлений и конверсию на каждом этапе.
Суть в том, что когортный метод, который вы используете, подвержен влиянию внешних факторов (изменившийся за год рынок труда), изменений в программе, личных особенностей студентов (нельзя исключить что в 2023 вы стали людей более адаптированых к поиску работы).
Я бы предложил использовать A/B тестирование для проверки гипотезы о влиянии мотивации на трудоустройство. Например, можно случайно разделить студентов на 2 группы - с высокой и низкой мотивацией, и тогда если остальные условия будут равными, влияние искажений будет минимальным.
На уже существующих временных данных можно попробовать уменьшить влияние искажений, используя метод псевдокогорт. Буду рад поучастовать в вашем проекте на добровольных началах, сам интересуюсь образованием в сфере тестирования и немного аналитикой.
@lilia_urmazova огромное спасибо за вашу работу над mentorpiece.org и за ваши бесплатные учебники. Очень многое разделяю и поддерживаю!
В то же время, Иван справедливо заметил, что возросший процент трудоустроившихся может быть связан с увеличением числа мотивированных кандидатов на одно место. Если в 2022 году мотивированных было 0.5 на место, а сейчас 1.5, то только мотивированные попадают на курс. Возможно, влияние "мультипликации знаний" минимально, и все дело в изначальном таланте.
Я слышал, что в 2023 году вы начали отсеивать мотивированных людей с IT-бэкграундом, которые затем успешно заканчивали другие курсы и находили работу. Это подтверждает, что важно рассматривать изначальную мотивацию и талант. Интересно было бы увидеть данные по курсовой воронке, включая количество заявлений и конверсию на каждом этапе.
Суть в том, что когортный метод, который вы используете, подвержен влиянию внешних факторов (изменившийся за год рынок труда), изменений в программе, личных особенностей студентов (нельзя исключить что в 2023 вы стали людей более адаптированых к поиску работы).
Я бы предложил использовать A/B тестирование для проверки гипотезы о влиянии мотивации на трудоустройство. Например, можно случайно разделить студентов на 2 группы - с высокой и низкой мотивацией, и тогда если остальные условия будут равными, влияние искажений будет минимальным.
На уже существующих временных данных можно попробовать уменьшить влияние искажений, используя метод псевдокогорт. Буду рад поучастовать в вашем проекте на добровольных началах, сам интересуюсь образованием в сфере тестирования и немного аналитикой.