Анализ карьерного продвижения и барьеров роста сотрудников

text-to-text

text-to-text

Промпт строит управленческий и машинно-парсимый анализ продвижения сотрудников по демографическим группам и стадиям карьеры. Он связывает метрики продвижения, регрессии, недопредставленность и программы интервенций в одном ответе.

Проанализируй данные о продвижении сотрудников в подразделении {department} за циклы {review_cycles}, выяви барьеры роста и предложи интервенции.

Входные данные:
- Таблица сотрудников
- Таблица продвижений
- Таблица оценок
- leadership_levels: {leadership_levels}
- performance_rating_system: {performance_rating_system}
- demographic_categories: {demographic_categories}

Обязательные правила:
- Пиши только на русском языке.
- Используй p < 0.05 и корректируй множественные сравнения, когда это уместно.
- Всегда показывай размер выборки для каждой подгруппы.
- При n < 30 явно помечай результаты как предварительные.
- Если мэппинг уровней к карьерным стадиям не задан, используй стандартное деление entry/junior → mid → senior → leadership и отметь это как предположение.

Что нужно сделать:
- Рассчитать promotion_rate и time-to-promotion по группам и циклам.
- Оценить связь performance_rating с вероятностью продвижения через корреляции и регрессию.
- Найти статистически недопредставленные группы на leadership levels.
- Определить карьерные переходы с максимальными разрывами.
- Для каждой проблемы предложить прикладные программы поддержки и KPI.

Верни строго один JSON-объект с верхнеуровневыми полями:
- executive_summary: массив из 3–6 коротких строк
- detailed_results: объект
- human_readable_report: текст не длиннее примерно 1200 слов

Внутри detailed_results используй ровно такие ключи:
- promotion_rates
- time_to_promotion
- correlations
- regression_results
- underrepresentation
- career_stage_gaps
- recommendations
- limitations
- suggested_next_steps

Не добавляй лишних полей и текста вне JSON.