Посетите нас по адресу https://www.ansaro.ai, чтобы узнать больше о том, как мы используем науку о данных для улучшения кадровых решений

Привет. Мы Сэм и Мэтт. Мы рады представить Ansaro - компанию, созданную для того, чтобы помогать организациям и сотрудникам принимать более обоснованные решения о людях на рабочем месте. Мы начинаем с приема на работу, где мы используем машинное обучение, чтобы помочь компаниям предсказать, какие кандидаты добьются успеха в работе.

Мы основали Ansaro, потому что увлечены процессом принятия решений сотрудниками. Нет ничего, что вдохновляет нас больше, чем улучшение работы с помощью прогнозной аналитики. Мы не понаслышке знаем, что плохие решения о приеме на работу болезненны и распространены ... новые сотрудники, которые не сотрудничают с командой; потрясающие кандидаты, которых не замечают менеджеры, нанимающие только по своему подобию; процессы приложений, которые затягиваются, потому что компания не знает, что ищет и как это найти. Мы ошеломлены тем фактом, что 40% новых сотрудников уходят в течение первого года работы [1].

По своей сути мы ученые и аналитики. Мы считаем, что данные, математика и программное обеспечение могут помочь командам и отдельным лицам принимать более обоснованные решения о том, как и с кем они работают. Мы справились с проблемами создания решений для прогнозной аналитики: беспорядочные данные, несовместимые системы, строгие правила и сопротивление изменениям. Эти проблемы удерживают многие умные, богатые ресурсами компании от использования HR-аналитики.

До настоящего времени.

Мы запускаем Ansaro, потому что сейчас время, чтобы применить науку о данных и машинное обучение к найму:

  1. Наконец-то доступны хорошие данные
  2. Машинное обучение повзрослело (достаточно)
  3. Прогнозная аналитика стала конкурентной необходимостью

Наконец-то доступны достоверные данные

  • В недавнем прошлом: данные сотрудников были в основном недоступны, они были заперты в локальных ИТ-системах собственного производства. «Большие данные» неприменимы к человеческому капиталу - информация о соискателях и сотрудниках часто умещалась на одном листе бумаги.
  • Сегодня. Данные о сотрудниках все чаще хранятся у поставщиков облачных услуг в стандартных форматах и ​​доступны через безопасные API. И объем данных, собранных о каждом кандидате и сотруднике, быстро растет, поскольку видеоинтервью, оценки, образцы работы и системы обратной связи сотрудников в режиме реального времени получили широкое распространение.

Машинное обучение уже достаточно развито

  • В недавнем прошлом: бизнес-алгоритмы редко выходили за рамки линейной статистики - формальные стохастические модели, предназначенные для относительно небольших наборов данных и ориентированные на объяснение, а не на прогноз.
  • Сегодня . Машинное обучение позволяет оптимизировать сложные алгоритмы в любом масштабе и помогает обнаруживать закономерности, которые никто не может наблюдать. Он поддерживает как объяснение, так и предсказание. А расширенные методы могут позволить алгоритмам использовать «неструктурированные» данные, такие как видео, аудио и свободный текст.

Прогнозная аналитика стала необходимостью для конкуренции

  • В недавнем прошлом: компании были счастливы, если бы они могли просто отслеживать основные данные о сотрудниках в цифровом виде. Цель программного обеспечения заключалась в том, чтобы убрать бумагу и «обеспечить своевременное движение поездов». Было мало давления, чтобы предсказать поведение сотрудников и повлиять на прибыль и убытки.
  • Сегодня стратегия приема на работу, связанная с данными, становится стратегическим императивом. Руководители бизнес-подразделений осознали, что прогнозирующая аналитика найма дает прямые, измеримые и доходы. Продажи, маркетинг и операционная деятельность придумали, как использовать алгоритмы для улучшения своих основных возможностей, но набор персонала отстает.

Мы давно знаем, что алгоритмы могут превосходить экспертов

Это было одним из первых открытий Даниэля Канемана, лауреата Нобелевской премии за книгу Мыслить быстро и медленно, еще в 1950-х годах. Первым назначением Канемана по прикладной психологии, недавно призванного в молодую израильскую армию, было улучшение отбора офицеров. Он быстро пришел к выводу, что человеческая интуиция ужасна для предсказания хороших кандидатов на должность и уступает простой формуле. В то же десятилетие другой гигант психологии, Пол Мил, в своей знаковой книге Клиническое и статистическое прогнозирование представил более широкие аргументы в пользу использования алгоритмов для поддержки принятия сложных решений. [2]

Во многих областях использование алгоритмов предпочтительнее человеческого суждения. «Контрольный список медицины» использует их для спасения жизней. Интернет-реклама использует их для значительного повышения CTR. Но прием на работу был на редкость устойчивым. В 2014 году только 10% компаний сделали аналитику частью своей стратегии развития талантов. [3]

Но менталитет меняется. К 2016 году 44% компаний сделали аналитику частью своей стратегии развития талантов. И мы знаем, что при найме работают алгоритмы. Вначале нас вдохновила обширная научная работа по этой теме: метаанализ 2013 года 17 исследований найма и отбора показал, что алгоритмы превосходят человеческих «экспертов» как минимум на 25%, независимо от типа должности. [4] С тех пор мы видим, что алгоритмы хорошо работают в нашей собственной работе с нашими ранними партнерами (подробнее об этом в следующих публикациях в блогах).

Сами по себе алгоритмы - еще не ответ

Мы не единственные, кто верит в алгоритмы, но мы обеспокоены тем, что многие поставщики (в разных отраслях и функциональных областях) развертывают алгоритмы, не задумываясь об их ограничениях и реализациях.

Мы видим, что алгоритмы играют все более важную роль в принятии решений, кто получит ипотеку, кто поступит в университет, кто получит условно-досрочное освобождение. К сожалению, многие из этих алгоритмов построены вслепую и фактически кодифицируют старые предубеждения с помощью блестящей новой технологии. [5]

Алгоритмы по своей сути не являются «хорошими» или «справедливыми». Они построены («обучены») на реальных данных, и когда эти данные кодируют предубеждения и предубеждения, то же самое делают и алгоритмы. Можно создать хорошие алгоритмы, но это требует времени и понимания контекста и процессов, в которых применяются алгоритмы.

Мы стремимся создавать алгоритмы, которые приносят добро

Мы не считаем, что точный алгоритм - это хороший алгоритм.

  • Точность часто бывает субъективной и основана на определениях успеха или неудачи, хорошего или плохого, которые отражают врожденные предубеждения.
  • Мы работали с компаниями, в которых подавляющее большинство сотрудников имеют рейтинг «выше среднего» (эффект озера Вобегон для тех из вас, кто является поклонником Prairie Home Companion). Слепой алгоритм точно предскажет, что большинство сотрудников таких компаний будут работать выше среднего, но все равно будут почти бесполезными.
  • Мы изучаем то, что создаем, и убеждаемся, что наши алгоритмы уменьшают, а не кодируют когнитивные искажения, сохраняющиеся в разных отраслях и регионах. Только когда мы уверены, что наши алгоритмы уменьшают дискриминационные методы, мы применяем их для наших клиентов.

Мы даем возможность сотрудникам принимать более обоснованные решения с помощью машинного обучения.

  • Менеджеры по найму должны иметь решающее слово в любом хорошем процессе найма. Наши инструменты помогают менеджерам по найму, а не заменяют их.
  • Алгоритмы нельзя оптимизировать изолированно. Это продукты, которые нужно использовать, и они улучшаются благодаря отзывам пользователей. Математическая точность модели имеет значение, но не менее важно то, как пользователь взаимодействует с ней, понимает ее и решает использовать ее или отвергать.

Мы даем рекомендации, которые можно интерпретировать.

  • Пользователи алгоритма должны знать, почему за чем стоит. Пользователи должны знать, насколько надежен алгоритм. Даже самые лучшие алгоритмы сталкиваются с ситуациями, когда они не могут дать хорошего прогноза и в которых может быть уместно полагаться на интуицию экспертов. Это не должно оставаться незамеченным.

У компаний есть данные, но у них нет партнеров, которые могли бы их использовать

  • Перегрузка данных. Наши клиенты завалены инструментами для сбора новых данных о кандидатах и ​​сотрудниках: оценки, видеоинтервью, тесты кодирования, импульсные опросы и многое другое. Данные, поступающие из этих систем, беспорядочные, неполные и разбросаны по бизнес-подразделениям. Он богат, но его сложно интегрировать, не говоря уже о прогнозной аналитике.
  • Как сделать его полезным: пока не появилось ни одного партнера, который мог бы собрать воедино все эти источники данных, определить факторы, определяющие успех сотрудников, и применить эти идеи к существующим рабочим процессам.
  • Это пробел, который заполняет Ansaro: мы анализируем данные, которые у вас уже есть, и используем их для улучшения решений, которые вы уже принимаете. Мы основываемся на предпосылке интеграции с существующими системами наших клиентов, сбора всех их данных и предоставления новых действенных аналитических данных о найме. И все это без увеличения опыта кандидата.

Что с названием? Ансаро происходит от слова ansa, что на латыни означает «петля». Наша цель - замкнуть цикл данных о сотрудниках, чтобы каждое решение, принятое людьми сегодня, способствовало принятию более эффективных решений в отношении людей завтра.

Наше видение Ansaro: подход науки о данных для «замкнутого цикла» в отношении данных о сотрудниках применим не только к найму, он применим ко всем решениям сотрудников на рабочем месте: продвижению по службе, переводам, обучению, компенсации, укомплектованию персоналом. , управление вверх, управление вниз. Мы хотим дать людям возможность принимать все эти решения более разумно с помощью простых в использовании инструментов, которые предоставляют действенные, подтвержденные доказательствами рекомендации.

Чего ожидать от этого блога:

  • Истории об инновационных способах использования организациями науки о данных и машинного обучения для улучшения решений, принимаемых людьми.
  • Основные моменты академических исследований - в психологии, науке о данных, организационном поведении и других областях - которые должны иметь значение на рабочем месте.
  • А для наших друзей-исследователей данных и компьютерных ученых - инструменты и подходы, которыми мы рады использовать и поделиться, а также понимание того, как мы строим наши технологии и компанию.

Спасибо за прочтение.

–Сэм и Мэтт, соучредители, https://www.ansaro.ai

[email protected], [email protected]

Ссылки

Атрибуция первой фотографии: Цзюгуан Ван. Доступно по лицензии Creative Commons Attribution-ShareAlike.

[1] «Рынок управления человеческим капиталом с помощью решений», июль 2016 г., RR Market Research.

[2] Meehl, P. E. Клинические и статистические прогнозы: теоретический анализ и обзор доказательств. Миннеаполис: Университет Миннесоты, 1954.

[3] «Эффективная аналитика талантов: создание функции измерения и анализа кадрового потенциала мирового уровня», Bersin, Deloitte, сентябрь 2013 г.

[4] «При приеме на работу алгоритмы побеждают инстинкт». Harvard Business Review, май 2014 г., Натан Кунсел, Дениз Онес и Дэвид Клигер.

[5] Оружие математического разрушения, Кэти О’Нил, Crown Publishing, 2016 г.