Большинство компаний инвестируют много времени в поиск новых сотрудников, не говоря уже о прямых денежных затратах на публикацию и продвижение вакансии на тематических ресурсах, подключение внешних рекрутинговых агентств, а также внутреннего персонала компании. Данная процедура позволяет масштабировать процесс поиска благодаря увеличению покрытия, обработать намного больше резюме и подобрать максимально соответствующего позиции кандидата. С тем объемом информации, который доступен в процессе рекрутинга, машинное обучение может распознать гораздо больше закономерностей, нежели рекрутер и применить эффективные методы выявления кандидатов
Машинное обучение — обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться.
Создавая определенную модель, которая представляет собой подготовленный набор данных, созданный на основе алгоритмов и примеров, в качестве результатов компании могут создавать точные прогнозы или решения, что может быть применено для более обоснованных и взвешенных решений при поиске и подборе персонала.
В этой статье мы проанализируем роль Big Data в поиске и подборе персонала и узнаем как упростить текущие процессы HR-менеджера.
И да, мы рекомендуем применение аналитики и Big Data в отделе HR, поскольку это может радикально улучшить процесс найма за счет сокращения затрат и времени на поиск нужного таланта и способствует принятию более точных и верных решений в пользу кандидата.
Введение
Big Data — это термин, который за последние несколько десятилетий стал повсеместным практически во всех отраслях, поскольку наша способность обрабатывать миллионы данных резко возросла. Однако данная концепция по-прежнему чужда многим отделам кадров. В рамках процесса рекрутинга и управления персоналом Big Data дала многообещающие результаты в процессе работы с кандидатами. Это особенно заметно, когда компании обрабатывают тысячи резюме в год. Используя машинное обучение, ученые, работающие с большими данными, могут производить более быстрые и точные решения о найме новых сотрудников.
Происхождение
Опираясь на отчеты компании LaRiverie et al, видно, что компании ежегодно тратят около $36 млрд. на инфраструктуру хранения данных. Феноменальный спрос на иcпользование и обработку Big data открывает огромные возможности перед существующим бизнесом и позволяет получить конкурентное преимущество у своих оппонентов. На начальных этапах инвестиции в Big Data были в основном сосредоточены на таких бизнес-функциях как финансы, которые, по своей природе предусматривают анализ данных.
В настоящее время отделы по работе с персоналом начинают использовать аналитику для оптимизации и использования своих существующих процессов. Процессы управления персоналом обычно рассматриваются с точки зрения цикла занятости: Поиск—Подбор—Оценка(отбор)—- Интервью—- Найм—-Адаптация—- Мотивация—-Обучение—-Развитие—-Карьерный рост—-Аттестация.
Как только Big Data стала частью кадровой стратегии, компании начали использовать их в каждом спринте поиска, найма, обучения и мотивации кандидата. Поскольку анализ соискателей может обеспечить высокую отдачу во всех частях этого цикла, прием на работу новых сотрудников, возможно, является лучшим местом для применения технологии больших данных. Набор персонала является первым этапом в HR-менеджменте, поэтому инвестирование в эту область является первоначальной задачей для компании. Организации, которые инвестируют в Big Data уже видят значительные прибыли и чувствуют преимущество в процессе найма в сравнении со своими конкурентами.
Две такие известные компании как Google и JetBlue изменили свои процессы найма сотрудников на основе использования больших данных. Даже не смотря на тот факт, что компании кардинально различаются от друг друга бизнес процессами и другими параметрами, их приверженность к Big data очевидна. Далее мы рассмотрим как компаниям удалось внедрить BD, а также некоторые из наиболее важных открытий после ее внедрения.
Пример Google
Технологический гигант Google был объявлен лидером в области HR-аналитики. Известно, что команда Google Analytics исследует различные вопросы, начиная от компенсационных программ, заканчивая программами обучения, иногда и приглашает академиков для сотрудничества и предоставления своего опыта. Несмотря на то, что многие из проектов People Analytics в которые компания инвестировала, являются конфиденциальными, несколько тематических исследований и статей попало в общественный доступ.
В своей статье Harvard Business Review Дэвид Гарвин описывает, пожалуй, самое известное начинание People Analytics Project Oxygen, которое «продало своих инженеров по управлению» (https://hbr.org/2013/12/how-google-sold-its-engineers-on-management). Целью проекта было понять и улучшить методы управления в Google, собирая данные, начиная с интервью с кандидатом и заканчивая данными опроса сотрудников – для понимания, что именно делает менеджера/непосредственного руководителя эффективным. Первоначально некоторые сотрудники компании предположили, что управляемая инженерами организация фактически не нуждалась в менеджерах. Однако, проанализировав данные сотен сотрудников, команда People Analytics смогла не только определить, что именно делает менеджеров успешными в Google, но и подчеркнуть их важность (2013 г.).
Подход Google к поиску и найму талантов был однозначно успешным. Компания использовала аналитику для определения и снижения количества собеседований с «идеальными» кандидатами с десяти до пяти, что в последствии сэкономило огромное количество времени и миллионы долларов. Лазло Бок (Laszlo Bock), глава отдела Google People Operations с 2006 года, подробно рассказывает эволюцию процессов рекрутинга Google в своей книге «Работа рулит». Он описывает, как компания нанимала только лучших кандидатов и только тех, кто по своим навыкам и компетенциям превосходил существующих. Однако по мере того, как число вакансий увеличивалось, росло и количество пользовательской информации, которую компания получала для прогнозов и аналитики данных.
Теперь, по заверениям Бока, компания поняла, что существует четыре различных атрибута, которые предсказывают, будет ли кто-то успешным в компании:
- общие когнитивные способности,
- лидерские качества,
- «Googleyness» (сочетание интеллектуального смирения, добросовестности, комфорта с двусмысленностью и свидетельствами принятия мужественных или интересных решений в вашей жизни),
- знания, связанные с определенными ролями.
Во времена Бока компания Google прекратила нанимать кандидатов со степенью Лиги плюща и начала нанимать просто амбициозных сотрудников. По его словам, сейчас компания верит больше в амбициозного студента последних курсов государственного университета, чем в дипломированного выпускника Лиги плюща. Помимо приема на работу нужных людей, Google разработала алгоритм рассмотрения отклонённых кандидатов, что помогло компании нанять талантливых инженеров, которых пропустил процесс рекрутинга.
Этот пример иллюстрирует, что компания идет на многое, чтобы гарантировать, что их прогнозируемые алгоритмы подтверждены научными исследованиями и почти совершенны. Сотрудники Google придерживаются очень высоких стандартов и, в результате, сотрудники и руководители компаний доверяют решениям, принятым с помощью Big data.
Пример JetBlue Airlines
Разумеется, не каждая компания обладает подходом, основанным на данных Google, и не каждая обладает инженерами-программистами для разработки алгоритмов для команды People Operations в свободное время. Несколько других компаний использовали аналитику данных для управления процессами по управления персоналом. Например, JetBlue Airlines добилась огромных результатов от использования Big data в процессе рекрутинга. Летом 2015 года на конференции Wharton Business School два эксперта из JetBlue поделились некоторыми секретами успеха своей компании.
JetBlue внедряет аналитику больших данных в соответствии с потребностями бизнеса. Вместо найма инженеров для интеллектуальных разработок, JetBlue нанимает стюардесс. На должность наших стюардесс мы всегда искали приятных людей, которые бы могли найти в небе общий язык с клиентами. Затем, анализ клиентов, проведенный совместно с компанией Wharton School, дал неожиданные результаты: «Быть полезными — значит быть хорошим. Быть полезным — даже перекрывает недостатки того, кто не слишком хорош. Люди скажут вам, что они знают подходящего человека для данной работы. Но то, что мы думаем про себя, не всегда выглядит лучшим решением» (Уортон)
JetBlue и Google использовали Big Data, чтобы оживить процесс найма, устранить предубеждения, повысить эффективность бизнес-процессов и, в конечном итоге, сэкономить время и деньги компании. Они также успешно использовали свои уникальные корпоративные культуру и миссию для разработки аналитической программы, которая отвечает на правильные вопросы. Хотя Google быстро стала центром для анализа талантов, JetBlue доказывает, что любая компания может найти способ применения Big data для улучшения своих процессов рекрутинга талантов. Подобно Google и JetBlue, у вашей компании огромное количество неиспользованной информации, и настало время использовать ее в своих интересах.
Мы предлагаем HR менеджерам сосредоточиться на аналитике. Есть несколько неплохих приложений для аналитики в процессе найма для применения в вашей компании, поскольку так или иначе, первоначальный вопрос рекрутера – поиск подходящего человека на открытую вакансию. Ваши рекрутеры имеют доступ к огромным сетям, но не могут эффективно использовать их, не затрачивая много времени и ресурсов. Вместо того чтобы нанимать больше рекрутеров, машинное обучение может быть использовано для распознавания «точек соприкосновения» из резюме кандидатов, для сужения круга поиска. Вместо того чтобы часами просматривать резюме, ваши HR могут уделять внимание исследованию личностных качеств таланта. Аналогичный процесс можно использовать для определения кандидатов, которые с меньшей вероятностью покинут свою позицию, использовав для этого данные из их предыдущей истории. Инвестирование в аналитику позволяет сэкономить время и деньги.
Помимо резюме, при определении подходящего кандидата, процесс собеседования также очень важен для компаний. Большинство компаний имеют вопросы для интервью (как технические, так и нетехнические), которые, как правило, используются повторно среди опрошенных кандидатов. Повторное использование одних и тех же вопросов может показаться сначала плохим выбором, так как есть вероятность того, что кандидат увидит проблему, со временем подстроится под нее и заметит свои «пробелы». Однако повторное использование вопросов также позволяет интервьюеру правильно оценить целевого кандидата. Со временем результаты собеседования можно было бы ввести в модель машинного обучения, чтобы определить, следует ли нанимать кандидата или нет.
Мало того, что машинное обучение ускоряет процесс принятия решений, но обучение модели машинного обучения данным об интервью фактически позволило бы лучше оценить соответствие кандидата вакансии. В рамках этой модели отдел рекрутинга использовал бы серию интервью, чтобы решить, нанимать ли сотрудника или нет. После собеседования всех кандидатов, рекрутер определит для себя, кто подходит, а кто не подходит на данную вакансию.
После того, как алгоритм разработан, проводится работа над ошибками, чтобы помочь обучить программу, которая может определить, какие решения являются верными, а которые нет и откорректировать механизм работы для предотвращения ложных срабатываний. Ложными срабатываниями в этом случае будут люди, которые были откинуты программой благодаря типовой классификации, но на самом деле оказались как нельзя лучше подходящими на эту роль. Единственная проблема заключается в том, что рекрутер никогда не узнает, было ли его решение правильным или нет в отношении этого человека. Единственным выходом из сложившейся ситуации могло бы стать повторное собеседование с ранее не подошедшими кандидатами, что позволит корректировать работу программы и алгоритма в целом. Но возможна и обратная сторона медали, которая покажет, что выбор этого кандидата на эту должность был ошибкой. Углубляясь в методологию процесса, можно обнаружить еще две закономерности: кандидаты, которые приняли предложение и оказались плохими сотрудниками, и те, кто не принял предложение, и были бы плохими сотрудниками. Во втором случае мы сталкиваемся с той же проблемой: рекрутер не имеет возможности узнать, было ли у кого-то плохое решение о найме, поскольку они не работали в компании.
Кроме того, важно и необходимо учитывать стоимость обработки каждого решения, принятого как компанией, так и программой. В случае принятия ошибочного человека на работу – стоимость такой ошибки крайне высока, начиная от потраченного времени и средств на кандидата и заканчивая поиском и подбором нового таланта. Данная ошибка может нанести существенный вред организации, лишить части прибыли, развалить бизнес процессы и внести хаос в коллектив.
Несмотря на то, что в процессе найма используются как сильные, так и слабые стороны применения алгоритмов машинного обучения, результат, в конечном счете, значительно превосходит ваши текущие «ручные» процессы. Хотя алгоритмы могут создавать ложные срабатывания, человеческий фактор всегда был угрозой целостности процесса рекрутинга. Внедрение этих алгоритмов не будет полностью отменять принятие решений людьми, но это поможет упростить процесс найма и позволит значительно сократить расходы компании.
Выгода
Есть много скрытых затрат при найме на работу: набор, реклама и отбор — все это затраты. Реализация алгоритмов машинного обучения требует некоторых предварительных инвестиций, но со временем, ваша компания, как Google и JetBlue, получит вознаграждение. Использование этих методов может сэкономить вашей компании с течением времени огромные суммы денег.
Например, затраты на поиск нового сотрудника могут быть значительными. В разных учреждениях США они составляют, в среднем, около $4000. Цена колеблется от $2000 для невостребованных сотрудников и до $7000 для управленцев. Алгоритмы машинного обучения помогут нам минимизировать затраты на ложных кандидатов, вызванных человеческой ошибкой в процессе найма. Даже сейчас ваша компания будет экономить значительные суммы денег, но со временем эти сбережения будут пропорционально масштабироватся с ростом вашей компании. Представьте себе тот же тип экономии на каждом этапе процесса найма — возможности для алгоритмов машинного обучения в этой области трудовых ресурсов неограничены.
Выводы
Когда вы начинаете вкладывать больше денежных средств в поиск, прием на работу, обучение и удержание сотрудника в своей организации, крайне важным моментом становится использование аналитики Big data. По мере того, как вы продолжаете развиваться и число ваших сотрудников растет, важно чтобы эти инвестиции распространялись на вашу функцию HR. Хотя мы считаем, что в конечном итоге, вы должны внедрить аналитику и Big data во весь цикл HR. Только так вы будете в числе инноваторов своего дела, благодаря чему сможете стать эффективными менеджерами по поиску, подбору и управлению персоналом, оставив своих конкурентов далеко позади.
Поделиться
