В настоящее время многие компании тратят на поиск новых сотрудников массу времени и других ресурсов - например, вкладывают деньги в рекламу позиции или нанимают дополнительных рекрутеров для расширения зоны поиска. С учетом объемов информации, доступной в процессе приема на работу, машинное обучение может предоставить гораздо более эффективные методы для выявления сильных кандидатов. Машинное обучение - это подраздел искусственного интеллекта, научная дисциплина, связанная с распознаванием закономерностей и теорией вычислительного обучения. Создавая "модели", представляющие собой наборы данных на основе введенных примеров, компании могут получать точные прогнозы и принимать решения, отказавшись от обычных процедур. Такие модели также можно использовать для рационализации выбора в процессе рекрутинга.
Обзор плана
Этот план включает в себя анализ роли "больших данных" в сфере привлечения талантов, основанный на стремлении отдельной компании улучшить существующие процессы приема на работу. По мере увеличения инвестиций в человеческий капитал мы настоятельно рекомендуем отделам по привлечению талантов обращаться к анализу "больших данных", т.к. именно он может существенно улучшить процесс приема на работу, снизить издержки и обеспечить высокую точность принимаемых кадровых решений.
План начинается с введения в бизнес-аналитику, применяемую в области управления персоналом. Далее рассматриваются способы применения аналитики трудовых ресурсов для рекрутинга и отбора кадров с разбором конкретных ситуаций, в которых две разные компании успешно применили эти приемы на практике. Примеры служат контекстом для раздела "Рекомендации по внедрению", в котором мы подробно объясняем, каким образом отдельная компания может внедрить аналитику в процесс привлечения талантов. И наконец, мы приводим экономическое обоснование инвестиций в аналитику талантов. В этом разделе содержатся доказательства того, как инвестиции в этой области положительно влияют на прибыль предприятия и способствуют росту и развитию компании.
Введение
"Большие данные" - это термин, которые за последние десятилетия распространился по всем отраслям деятельности, т.к. возможности для управления многочисленными сегментами данных резко улучшились. Тем не менее, многие HR-отделы по-прежнему не знакомы с этой концепцией. В HR-сфере анализ "больших данных" особенно эффективен в процессе привлечения талантов, который подразумевает собой обработку нескольких тысяч резюме в год. С использованием машинного обучения специалисты по обработке данных могут обеспечить высокую скорость и точность принятия кадровых решений.
Когда клиенты обращаются к нам за советом по улучшению существующих HR-процессов, мы говорим, что самой прибыльной с точки зрения инвестиций областью являются новейшие технологии. Об этом свидетельствует тот факт, что многие компании уже усиленно инвестируют в технологии в разных областях деятельности. По мере увеличения инвестиций в человеческий капитал мы настоятельно рекомендуем отделам по привлечению талантов обращаться к анализу "больших данных", т.к. именно он может существенно улучшить процесс приема на работу, снизить издержки и обеспечить высокую точность принимаемых кадровых решений.
Обоснование
На рубеже XXI века анализ "больших данных" приобрел огромную популярность. Он включал в себя новые технологии, позволяющие управлять информацией из мира бизнеса и одновременно обрабатывать сразу несколько огромных массивов данных. С учетом этих улучшений компаниям приходилось выбирать одну из двух стратегий - инвестировать в аналитику для различных аспектов деятельности предприятия или избегать ее, так не разобравшись в вопросе (Як Фитц-енц, 2009).
Отчеты по результатам исследований, проведенных почти десять лет спустя, доказывают, что в настоящее время затраты на хранение и обслуживание данных составляют примерно 36 млрд долларов (Ларивери и др., 2016). Активный анализ "больших данных" создает огромные возможности для бизнеса, а компании, выделяющие для него средства, получают существенное преимущество по сравнению с конкурентами.
На первых этапах развития аналитики инвестиции в первую очередь шли в отделы финансов, естественным образом связанные с анализом данных. В настоящее время к аналитике все чаще обращаются HR-отделы, желающие рационализировать и оптимизировать существующие процессы. Как правило, HR-процессы рассматриваются в составе цикла занятости, который включает в себя привлечение талантов, адаптацию, обучение, управление талантами, обеспечение благополучия персонала и увольнение.
С появлением аналитики компании стали использовать ее во всех существующих процессах. Аналитика может обеспечить высокое качество любой части цикла, однако лучшей областью применения по праву считается привлечение талантов. Рекрутинг - это первая фаза цикла работы с персоналом, поэтому инвестиции в эту область быстро окажут эффект на другие аспекты работы организации.
Многие компании, инвестирующие в анализ данных, уже успели ощутить огромную отдачу и получили явное конкурентное преимущество при работе с новыми кадрами. Выдающимися примерами организаций, изменивших свои процессы приема на работу за счет анализа данных, являются Google и JetBlue. Несмотря на то, что компании существенно отличаются друг от друга, их целенаправленная политика по использованию аналитики талантов выгодно выделяет их среди конкурентов. Ниже разбираются конкретные ситуации, свидетельствующие об успешном внедрении аналитики, а также приводятся некоторые важные открытия, сделанные в процессе реализации программ.
Анализ примеров: Google
Технологическая корпорация Google по праву считается первопроходцем в сфере анализа данных. Команда кадровой аналитики Google активно изучает различные программы (от начисления компенсации до подготовки по вопросам многообразия культур), привлекая к совместной работе некоторых ученых. Несмотря на то, что многие проекты строго засекречены, некоторые результаты исследований и статьи все же доступны широкой публике, и с их помощью можно ознакомиться с выводами, которые сделала компания.
В статье для Harvard Business Review Дэвид Гарвин указывает, что самым известным проектом команды кадровой аналитики Google является "Кислород", призванный выявить качества лучших руководителей путем анализа данных. Источниками информации стали заключительные беседы с ушедшими сотрудниками и опросы существующих сотрудников, и опросы персонала. Изначально компания предполагала, что коллективу, состоящему преимущественно из инженеров, вовсе не нужны руководители. Тем не менее, после анализа данных, полученных от сотен сотрудников, команда кадровой аналитики не только вычислила качества успешных руководителей, но и обозначила важность руководства, даже для компании с плоской организационной структурой.
Подход Google к привлечению талантов оказался не менее успешным. Компания использовала аналитику, чтобы снизить "идеальное" количество собеседований с десяти до пяти, сэкономив на рекрутинге тысячи часов и миллионы долларов (Дейвенпорт и др.) В своей книге "Работа рулит!" Ласло Бок, занимающий пост вице-президента по персоналу с 2006 года, рассказывает об эволюции процесса приема на работу в Google. Он утверждает, что на начальном этапе компания искала и нанимала только лучших из лучших, а мантра, согласно которой "нанимать следует только тех, кто тебя в чем-то превосходит", жива до сих пор. Тем не менее, по мере увеличения числа заявок от желающих получить работу при проведении предсказательного анализа Google приходилось обрабатывать все больше и больше информации.
По словам Бока, в настоящее время компания понимает, что успех или неудача в работе определяются четырьмя конкретными факторами: общей познавательной способностью, стремлением к ситуационному лидерству, "гугловостью" (комбинацией интеллектуальной скромности, добросовестности, отсутствия страха перед неопределенностью и готовности следовать по нестандартному пути), а также знаниями, необходимыми для выполнения работы. Когда Бок занял должность вице-президента по персоналу, Google перестала нанимать выпускников университетов Лиги Плюща и сосредоточилась на других амбициозных кандидатах. Бок сообщает, что сейчас Google возлагает куда больше надежд на лучших выпускников крупных государственных университетов, чем на средних выпускников университетов Лиги Плюща.
Помимо стремления нанимать "правильных" людей, у Google есть "алгоритм пересмотра отвергнутых заявок, который помогает отыскивать талантливых инженеров, пропущенных при первичном отборе" (Дероуз). Этот пример доказывает, что компания прикладывает значительные усилия, чтобы обеспечить основу для предсказательных алгоритмов, и стремится достигнуть идеала во что бы то ни стало. Команда кадровой аналитики Google придерживается самых высоких стандартов, поэтому другие сотрудники и руководство компании доверяет решениям, принятым на основании анализа "больших данных".
Анализ примеров: JetBlue Airlines
Разумеется, далеко не каждая компания может похвастаться тем же уровнем технической предприимчивости, что и Google, и далеко не у всех есть разработчики, способные в свободное время вывести алгоритмы работы для HR-отдела, однако это вовсе не означает, что им стоит отказаться от анализа данных для улучшения кадровых процессов. Примером компании, достигшей непревзойденных результатов, может служить JetBlue Airlines. Летом 2015 года на конференции в Уортонской школе бизнеса два представителя компании раскрыли секреты успеха JetBlue.
С помощью аналитики JetBlue удалось удовлетворить свои кадровые потребности. К примеру, при подборе бортпроводников акцент делается не на интеллектуальных способностях, а на готовности прийти на помощь пассажирам. Согласно докладу о конференции, в прошлом году компания получила интересный урок: "Подыскивая бортпроводников, мы всегда нанимали самых дружелюбных людей, с которыми [клиентам] было бы не страшно оказаться в небе. Представители Уортонской школы бизнеса помогли нам проанализировать отзывы, и результаты нас удивили. По их мнению, желание услужить куда важнее дружелюбия. Многие охотнее увидели бы рядом услужливого, а не дружелюбного бортпроводника. Мы думали, что знаем, каким должен быть сотрудник, претендующий на это должность. Оказалось, мы знали далеко не все" (Уортон).
JetBlue и Google использовали анализ данных для того, чтобы вдохнуть новую жизнь в процесс приема на работу, исключить из него возможные предрассудки, повысить его эффективность и в конечном итоге сэкономить время и деньги. Обеим компаниям также удалось свою культуру и миссию, чтобы разработать программу, отвечающую на правильные вопросы. Несмотря на то, что в центре внимания оказалась только Google, JetBlue доказала, что воспользоваться подобным подходом может каждый. Подобно Google и JetBlue до появления аналитики, ваша компания владеет огромными объемами неосвоенной информации, которую пора использовать во благо.
Рекомендации по внедрению
Мы предлагаем сосредоточить все аналитические усилия в отделе по привлечению талантов. Существует несколько способов использования аналитики применительно к процессу приема на работу. Основная задача рекрутеров заключается в том, чтобы найти "правильного" человека с учетом имеющейся должности. У рекрутеров есть каналы связи, но нет эффективных способов активнее использовать их без дополнительных временных и финансовых затрат. Не нанимая лишних рекрутеров, вы можете фильтровать резюме соискателей за счет машинного обучения, тем самым уменьшая область поиска. В результате рекрутерам не придется часами просматривать резюме, и они получат возможность сосредоточиться на общении. Аналогичным образом можно выполнить другую задачу - основываясь на предыдущем опыте кандидатов, определить тех, кто с большой долей вероятности будет работать в вашей компании достаточно долго. Поручив скучную и утомительную работу машинным алгоритмам, вы увидите, что ваши инвестиции окупятся с лихвой, поскольку аналитика позволяет экономить и время, и деньги.
Помимо обработки резюме, для выявления "правильных" кандидатов необходимо организовать качественные собеседования. Многие компании задают всем соискателям одинаковые вопросы (как общие, так и специальные). На первый взгляд, повторение вопросов приводит к тому, что кандидаты приходят на собеседования подготовленными, однако это также позволяет контролировать процесс оценки. Со временем информацию, получаемую на собеседованиях, можно будет использовать для создания модели машинного обучения, определяющей, какого именно кандидата следует выбрать.
Модели машинного обучения ускоряют процесс принятия решений. Кроме того, создание модели на основе данных, полученных на собеседовании, помогает лучше оценивать степень соответствия соискателя и вакансии. Используя модель, комитет по найму сможет провести несколько собеседований и определить, стоит ли нанимать конкретного сотрудника. После собеседования рекрутер сможет оценить найденного им кандидата как "потенциально хорошего" или "потенциально плохого" специалиста, а затем подкорректировать эту оценку, сравнив "потенциально хорошего" специалиста с теми, кто действительно был нанят и оказался хорошим специалистом.
После разработки алгоритма необходимо исправить ошибки, чтобы "научить" модель определять ложноотрицателньые и ложноположительные решения. Ложноотрицательным в этом случае будет решение, согласно которому отвергнутый моделью кандидат мог бы оказаться "потенциально хорошим" сотрудником. Тем не менее, отвергнув кандидатуру, рекрутер никогда не узнает, насколько хорошей она была. В этом случае вам помогут повторные собеседования с отвергнутыми кандидатами, т.к. полученные данные позволят лучше обучить модель. Ложноположительным будет считаться решение, согласно которому окажется, что вам не стоило делать предложение "потенциально хорошему" кандидату. В эту категорию попадают кандидаты, которые приняли предложение и оказались плохими сотрудниками, а также кандидаты, которые не приняли предложение и могли бы оказаться плохими. Во втором случае проблема с ложноотрицательными решениями повторяется: рекрутер никогда не узнает, насколько был плох кандидат на самом деле.
Кроме того, необходимо учитывать издержки, связанные с решениями, принимаемыми компанией и моделью. Цена ложноположительных решений высока. Компания вкладывает время и деньги в человека, который не обладает нужными для работы навыками или желанием работать. Это вредит производимым продуктам, а также атмосфере в коллективе. Цена ложноотрицательных решений - это скрытые издержки, которые несет компания, отказавшаяся от другого, более выгодного кандидата. Таким образом, рекрутеры склонны принимать ложноотрицательные решения в надежде на то, что кандидаты повторно обратятся в компанию в будущем и тем самым дадут возможность сделать более точный прогноз.
Применительно к процессу приема на работу, у алгоритмов машинного обучения есть свои достоинства и недостатки, однако они всегда оказываются эффективнее стандартных подходов. Несмотря на вероятность получить ложноположительное или ложноотрицательное решение, человеческие ошибки представляют собой куда большую угрозу целостности процессов. Алгоритмы не смогут полностью заменить человеческое участие, однако они однозначно упростят процесс приема на работу и направят его в нужное русло, обеспечив окупаемость инвестиций.
Экономический эффект внедрения
Процесс найма, включая рекрутинг, рекламу и отбор кандидатов, неизменно сопровождается скрытыми издержками. Внедрения алгоритмов машинного обучения требует немедленных вложений, однако, подобно Google или JetBlue, со временем вы получите свою награду. Используя описанные методы, вы сможете сэкономить огромные суммы, а полученная от инвестиций прибыль будет максимальной.
К примеру, чтобы заменить ушедшего сотрудника, вам придется немало потратиться. В среднем, этот процесс обходится компаниям в 4000 долларов - от 2000 для офисных служащих и рабочих, занятых физическим трудом, до 7000 для высококвалифицированного персонала и руководителей (Дубе и др.) Алгоритмы машинного обучения могли бы минимизировать издержки от ложноположительных и ложноотрицательных решений, вызванных человеческими ошибками. Экономия может оказатьсясущественной уже сейчас, однако в долгосрочной перспективе она будет способствовать росту компании. Представьте, что вы можете сэкономить на всех стадиях процесса приема на работу, и возможности машинного обучения в этой области управления человеческими ресурсами покажутся вам безграничными.
Заключение
Начиная инвестировать в процесс найма, развития и удержания персонала, необходимо помнить, что аналитика должна быть интегрирована в процесс принятия решений. Стремление инвестировать в технологии, связанные с различными аспектами ведения бизнеса, вполне понятно, однако по мере развития компании и расширения штата вы не сможете обойтись без инвестиций в управление персоналом. Мы верим в то, что рано или поздно аналитика станет неотъемлемой частью всего HR-цикла, однако мы настоятельно рекомендуем начать с привлечения талантов. Мы надеемся, что вы рассмотрите наш план, и он поможет вам нанять кандидатов, которые смогут достигнуть успехов в работе.
Бурак Аслан, перевод Айрапетова Ольга
|
Как использовать машинное обучение для найма лучших кандидатов. |
