Представьте, если бы машина могла предсказать соответствие культуре, текучесть кадров и эффективность любого нового кандидата еще до того, как вы заговорите? Может ли это работать, и каковы риски?

Это то, что мой друг спросил меня 8 месяцев назад.

Деловая сторона проблемы была очевидна. Он только что создал подразделение с годовой выручкой в ​​10 миллионов долларов, которое продает продукт «программное обеспечение как услуга» (SaaS) менеджерам по персоналу и главным операционным директорам, в основном в сфере обслуживания и почасовой оплаты труда. Он также руководил колл-центрами. И поэтому он слишком хорошо знал, что крупные предприятия в этих секторах имеют годовой оборот от 100% до 200% в год, а затраты на обучение составляют от 2500 до 10 тысяч долларов на одного сотрудника. Совокупные затраты на это были огромными, а объем заявительницы пугающим. Отделы кадров были перегружены, просто заполняя конвейер. Постоянно. Работая все быстрее и быстрее, просто чтобы люди не заходили в дверь. Люди, которые не останутся.

И все же… данные, машинное обучение, пользовательские модели и психологические оценки не применялись широко и неравномерно.

А теперь представьте, если бы они были?

Представьте, если бы вы могли автоматически «подавать» свою платежную ведомость, отзывы менеджеров, рейтинги клиентов и любые другие данные о результатах, которые у вас есть, по должности и даже местоположению. Представьте, если бы вы могли использовать лучшие в своем классе методы машинного обучения и подходы к моделированию, а также создавать конкретные прогнозы эффективности работы каждого нового кандидата до того, как вы его наняли.

И представьте, если бы вся «демографическая» информация и данные были удалены из каждого «рейтинга» и рейтинги были бы основаны только на вероятностях черт, чтобы предсказать реальные результаты на этой работе, в вашей компании.

Короче говоря, представьте себе культуру A/B-тестирования и использования данных для обучения и принятия лучших HR-решений.

Вот что он хотел построить. И он хотел моей помощи.

Я был настроен скептически. С тех пор, как в 1993 году я помог запустить свой первый стартап, компанию под названием AND 1, которая в 2005 году была продана с годовым доходом более 200 миллионов долларов, я был очень занят воспитанием своей семьи, написанием сценариев, созданием количественных моделей для инвестирования и консультированием предпринимателей. . Я не искал другую постоянную работу.

Но, чем больше мы разговаривали, и чем больше я об этом думала — тем больше меня это интересовало. Почему?

Необходимо сделать огромное социальное благо.

Конечно, оборот обходится крупной компании в сотни миллионов долларов в год. Но это также разрушает рабочую культуру, производительность и организационное обучение, а плохая подгонка работника подрывает базовое человеческое счастье. Сокращение товарооборота всего на 10 % может дать гораздо больше, чем сэкономить бизнесу более тридцати миллионов долларов (из одного из наших первых звонков от клиентов). Здесь также есть гораздо большая, более личная часть.

Бессознательное предубеждение очень хорошо задокументировано и изучено. Афроамериканское имя в резюме приводит к значительно меньшему количеству (на 33%) собеседований, чем «белое» имя в точно таком же резюме. Женское имя в резюме на должность исследователя с гораздо меньшей вероятностью будет принято на работу в университете. Женщины старше 50 лет сталкиваются с серьезными проблемами независимо от навыков.

В общей сложности судебные иски о дискриминации ежегодно добавляют более 60 миллиардов долларов к расходам компании, препятствуют росту лучших талантов в организациях и влекут за собой большие социальные и человеческие издержки.

Но алгоритмы, основанные на реальных, достоверных измерениях и моделях положения и конкретных компаний, могут значительно уменьшить эти человеческие недостатки.

Настало время для оценки талантов и HR-отдела перейти на SaaS-решение корпоративного уровня, такое как продажи (Salesforce), маркетинг (Marketo, Hubspot и т. д.) и общий HR (Zenefits). SaaS произвел революцию в ведении бизнеса. В лучшем случае он переопределяет и масштабирует лучшие практики. Оценка талантов и отбор перед приемом на работу являются одними из наиболее важных факторов экономического и организационного роста. Это также огромная часть решения многих затянувшихся социальных проблем (правительства не могут смотреть на то, как инвестировать или тратить доходы, если у них нет доходов).

Предсказание будущей деятельности человека — увлекательная головоломка, и я нахожу ее интеллектуально захватывающей. Пространство с высокой оборачиваемостью представляет собой конкретную головоломку с большим объемом данных, с которой нужно начать.

Конечно, есть несколько пугающих «наихудших» рисков, которые могут создать люди, и мы работаем над созданием мер защиты от них. Например, возможно, что неотслеживаемые модели могут в конечном итоге «сделать постоянными, конкретными и непрозрачными» любые ранее существовавшие и предвзятые организационные процессы. Но со временем эти риски, вероятно, станут намного меньше, если менеджер по найму работает с проверенными оценками и мощными, хорошо построенными моделями машинного обучения. Почему?

Все факторы модели можно просмотреть и проанализировать — они на 100% прозрачны. Кроме того, эффективность на уровне компании (и та же производительность компании с течением времени или другие перестановки, такие как производительность по районам или менеджерам по найму) могут быть измерены для аналогичных «квалифицированных» или «соответствующих» талантов. Так, например, если 100 кандидатов с рейтингом «А» постоянно имеют очень разные результаты в зависимости от пола у двух ведущих конкурентов, по крайней мере, одной организации, вероятно, есть что исследовать.

И лучшие кандидаты захотят это знать.

Никакие факторы, которые по своей природе предвзяты, не включены и не будут включены, и список всех «признаков» можно постоянно пересматривать и обновлять, чтобы убедиться, что он остается верным.

И, наконец, модели должны на самом деле делать реальные прогнозы с использованием реальных данных, которые можно измерить и «привлечь к ответственности» с точки зрения производительности вне выборки честным и прозрачным способом. Если модели и их прогнозы не работают, они обновляются или удаляются.

По всем этим причинам мы считаем, что менеджеры по найму, вооруженные машинным обучением и индивидуальными моделями, — это будущее в найме. Модели не могут заменить людей, но люди, управляемые моделями, вероятно, будут намного лучше и справедливее, чем люди или модели.

Вот почему мы запустили Talytica.com (www.talytica.com). Наши первоначальные альфа-клиентские взаимодействия с такими людьми, как Viking River Cruises, очень взволновали нас. Прямо за воротами мы смогли определить, был ли кто-то больше похож на наемного викинга или больше на население в целом по выборке с точностью более 95%. И мы смогли сказать другому клиенту, что он может безопасно отклонить 75% всех своих кандидатов с точностью 97%. Первые результаты по производительности и обороту также обнадеживают.

В настоящее время мы работаем над испытаниями, чтобы показать вневыборочные результаты соответствия культуре, производительности и текучести кадров, но предварительные данные показывают, что до тех пор, пока будет достаточно случаев, пользовательские модели машинного обучения будут огромным преимуществом для HR.

Посмотрите наше вступительное видео и дайте мне знать, что вы думаете о будущем машин и HR?

Если вы знаете организацию, которая хотела бы попробовать, сообщите нам об этом.