Как большие данные помогают рекрутерам перейти от "я думаю" к "я знаю

Каждый, кто знаком со сферой рекрутинга, понимает, в каком напряженном рабочем режиме и быстром темпе приходится работать рекрутерам. Кроме того, рекрутинг - это не тот навык, которому можно научиться один раз, а затем провести остаток карьеры на автопилоте. Поэтому рекрутерам всегда приходилось быть первопроходцами в мире HR, стремящимися найти лучшие инструменты и самые горячие источники кандидатов для выполнения работы. Не успели рекрутеры начать внедрять новейшие инструменты (например, социальные сети) в свою повседневную практику, как они столкнулись с новой девушкой бизнеса: Большими данными.

Легко было бы отмахнуться от Больших данных как от причуды, если бы не усталость от технологий. Но это было бы огромной ошибкой. Данные в целом дают информацию для принятия решений и могут помочь вам быстрее принять лучшее решение. Большие данные, в частности, открывают совершенно новый мир вопросов, которые можно задавать, и новых способов применения знаний, основанных на ответах. Это не замена всех других инструментов; это новый инструмент, который необходимо добавить в набор инструментов для принятия решений.

Большие данные - это новый рубеж для инноваций, конкуренции и производительности - во всех отраслях и функциях. Используя Большие данные, рекрутеры могут превратить свой имидж из "реактивного", реагирующего на потребности бизнеса в талантах "точно в срок", в "проактивного" бизнес-партнера, способного принимать более качественные и быстрые решения, связанные с приобретением талантов.

В настоящее время Большие данные применяются в процессе приобретения талантов различными способами. Вот лишь некоторые из них:

Глубокое погружение для снижения текучести кадров:

Gate Gourmet, поставщик кейтеринга и провизии для авиационной отрасли, недавно изучил множество больших массивов данных по тысяче своих сотрудников в чикагском аэропорту О'Хара. В Gate Gourmet наблюдалась 50-процентная текучесть кадров, и они подозревали, что это связано с временем, затрачиваемым на дорогу. Чтобы проверить эту теорию, они собрали информацию из своих внутренних систем - ATS, HRIS, системы оценки работы, данные о кассовых аппаратах, показатели продаж и системы компенсации - и данные из внешних систем - компенсация, демография, информатика по подбору персонала, трафик и транспорт, социальные сети. Компания обнаружила, что уровень оттока кадров тесно связан с такими факторами, как расстояние, на котором сотрудник живет от места работы, и доступность общественного транспорта. Выявленные с помощью анализа Больших Данных закономерности позволили компании скорректировать стратегию найма, чтобы впервые в истории добиться статуса "полностью укомплектованного штата" и снизить нежелательную текучесть кадров до 27 процентов.

Маркетинг целевого найма:

Доски объявлений о вакансиях развиваются и представляют собой золотую жилу информации для работодателей и специалистов по привлечению талантов. Частью эволюции объявлений о работе является возможность пометить аспекты объявления о работе, которые предоставляют важную информацию. Эта новая функциональность позволяет HR-ам проводить анализ, который дает возможность точно нацеливаться на источники, имеющие наибольшую вероятность увеличения потока кандидатов на конкретные позиции. Это позволяет создавать более прочные кадровые резервы и ускоряет время заполнения вакансий;, а также обеспечивает более разумные маркетинговые расходы, поскольку вы не будете тратить деньги на доски объявлений, которые не приносят вам никакой пользы.

Предсказательная аналитика может быть получена из огромных объемов данных, которые собирают доски объявлений, например, как легко или трудно будет заполнить вакансию медсестры в Цинциннати или какой день недели лучше всего выбрать для размещения вакансии инженера-программиста на той или иной доске объявлений. Большие данные также могут помочь выявить ценные тенденции и закономерности "решений по клику" - то есть почему или не почему кандидат делает важный шаг, подавая заявку на размещенную вами вакансию, - чтобы вы могли быстро скорректировать свой курс действий для привлечения большего числа кандидатов.

Поиск в Интернете скрытых (программистских) драгоценностей:

Стартап под названием Gild привлек к себе большое внимание благодаря сочетанию технологии агрегации данных и запатентованного алгоритма для анализа кода разработчиков и их профессионального вклада. Gild утверждает, что он "идет туда, где разработчики тусуются" в Интернете, и оценивает разработчиков по качеству их публичного кода и профессиональных знаний. Затем она оценивает этих разработчиков - и делала это миллионы раз - чтобы предложить рекрутерам более глубокий взгляд на истинные навыки кандидата. Это устраняет некоторые догадки и слепую веру, которые приходится использовать рекрутерам, не являющимся разработчиками. Кроме того, Gild также собирает информацию об активности каждого кандидата в социальных сетях, чтобы помочь вам определить соответствие культуре.

Отлично, но что, если вы не ищете разработчиков? Gild предлагает рекрутерам попробовать то, что предлагает новый мир Больших Данных. О компании писали в New York Times, и она привлекла несколько высокопоставленных клиентов, а это значит, что это лишь вопрос времени, пока другие предприимчивые души не создадут способы использования Больших Данных для поиска самых разных талантов.

Проактивное привлечение талантов:

Для организаций с горами внутренних данных и большим штатом сотрудников анализ Больших Данных может быть использован для определения того, сколько сотрудников необходимо сейчас, и прогнозирования того, сколько их потребуется в будущем. IBM как раз этим и занимается. Недавно компания провела анализ Больших Данных, объединив внутренние данные из двух источников: базы данных отдела персонала и базы данных биллинга глобальных услуг. Консультанты IBM по Big Data смогли обнаружить десятки закономерностей, которые не были бы выявлены в противном случае. Это помогло IBM спрогнозировать нехватку талантов в критических областях; затем начался процесс обучения или найма талантов, необходимых для заполнения прогнозируемых пробелов. IBM также смогла увидеть с помощью этого анализа, где у них был избыток талантов, и соответствующим образом сократить штат.

Выводы:

Большие данные снимают шоры и устраняют элемент догадок, который был неизбежно встроен в процесс рекрутинга. Вооруженные прогнозирующими аналитическими данными, рекрутеры могут не только предвидеть, что произойдет, но и действовать в соответствии с этим. Такое преимущество бесценно для организации. Большие данные могут перевести вас от реагирования к упреждению, от инстинкта или привычки к принятию решений на основе фактов, от "я думаю" к "я знаю".

Дженнифер Буланже, директор по привлечению талантов в компании Opower, использующей большие данные, недавно сформулировала важность Больших данных в статье в LinkedIn о будущем рекрутинга: "Рекрутеры станут конкурентной разведкой для компаний. Рекрутеры будут знать, что будет происходить в компаниях и на рынках талантов до того, как это произойдет". Питер Каппелли, директор Уортонского центра человеческих ресурсов, недавно заметил, что до сих пор компании работали вслепую, набирая персонал. Большие данные снимают шоры и устраняют элемент догадок, который был неизбежен в процессе рекрутинга. Вооруженные прогнозирующими аналитическими данными, рекрутеры могут не только предвидеть, что произойдет, но и действовать в соответствии с этим. Такое преимущество бесценно для организации. Большие данные могут перевести вас от реагирования к упреждению, от инстинкта или привычки к принятию решений на основе фактов, от "я думаю" к "я знаю".

Автор: Дэвид Бернштейн - вице-президент подразделения больших данных компании eQuest и ее службы "Большие данные для HR". Он регулярно пишет и выступает с докладами о том, как аналитика данных может предсказать будущие модели поведения кандидатов и создать конкурентное преимущество в поиске кандидатов.

Автор: Дэвид Бернштейн - вице-президент подразделения больших данных компании eQuest и службы "Большие данные для HR".

Рубрика: 
Ключевые слова: 
Источник: 
  • Theundercoverrecruiter.com
Перевод: 
  • Дмитрий Л
+1
0
-1