Как машинное обучение может раскрыть потенциал ваших сотрудников
Бизнес-приложения для машинного обучения становятся все более интегрированными в организациях, а не только в таких широко известных гигантах, как Google, Amazon и Tesla. Искусственный интеллект и машинное обучение все чаще достигают средних и даже небольших компаний, особенно в областях операций / логистики, развития бизнеса и финансов / бухгалтерского учета. Скорость, с которой компании внедряют решения для науки о данных, только увеличивается, за исключением одной области, которая обычно остается позади: HR.
HR обычно воспринимается как менее «количественная» бизнес-функция, но, вероятно, именно она хранит наибольший объем данных (как структурированных, так и неструктурированных). Почему?
Определенно есть несколько причин; На ум приходят три самых популярных:
1. Проблемы конфиденциальности и конфиденциальности данных: данные отдела кадров считаются одной из наиболее конфиденциальных форм информации, хранящейся в организациях. К счастью, большинство людей не воспринимают вопросы о том, кто может получить доступ, просматривать и редактировать. Лицам с правами доступа рекомендуется использовать его только при необходимых обстоятельствах. Это портит образ данных из-за ощущения дистанции и ограничений.
2. Проблемы консолидации и согласования: данные часто бывают неполными, а согласование из нескольких источников может быть сложным или просто требовать много времени. Из-за требований безопасности / конфиденциальности многие компании часто работают через несколько систем. Набор, здоровье и безопасность, общее вознаграждение и управление записями сотрудников - это действия, часто выполняемые четырьмя разными командами, работающими в четырех разных системах. Важные усилия по консолидации и согласованию необходимы для получения всеобъемлющего целостного представления о рабочей силе.
3. Недостаток знаний о данных у сотрудников HR: HR не уделяет должного внимания аналитике данных в своей функции. Степень обычно находится в подфункции HRIS (Human Resource Information Systems) отдела кадров, но роль, которую играет эта команда, часто ограничивается поддержкой пользователей для запросов на извлечение данных. В некоторых компаниях доступность данных даже ограничивается этой подфункцией, увеличивая разрыв между специалистами по персоналу и данными.
Несмотря на эти три проблемы, есть бесчисленные возможности использовать машинное обучение для управления и решения сложных кадровых проблем. Вот три примера для иллюстрации:
· Разнообразие, равенство и инклюзивность: тема, которая становится еще более важной в последние несколько лет, поскольку работодатели ищут способы снизить предвзятость своих компаний и извлечь выгоду из стратегических преимуществ разнообразной рабочей силы. Для выявления системных предубеждений в организации можно использовать методы обучения без учителя. Используя методы кластеризации, можно использовать несколько точек данных, собранных при входе и перемещении сотрудников внутри организации, для поддержки идентификации сбоев процессов или инструментов.
· Стратегическое планирование кадров: рынок труда становится все более и более конкурентным из-за низкого уровня безработицы, повышенного спроса на специализированные таланты, постепенного выхода на пенсию бэби-бумеров и прихода на рынок нового поколения амбициозные профессионалы с высокими ожиданиями. Методы контроля можно использовать для прогнозирования краткосрочных и долгосрочных потребностей в талантах. Для количественной оценки можно оценить методы регрессии, основанные на исторических данных (отсутствие, текучесть кадров), внутренних характеристиках рабочей силы (средний возраст, трудовой стаж), бизнес-потребностях (и связанных с ними потребностях в талантах), конкуренции и макроэкономических факторах (процентные ставки, волатильность занятости). обеспечение потребностей в ресурсах в краткосрочной и долгосрочной перспективе и реализация соответствующей стратегии в отношении внутренней мобильности, управления талантами и найма.
· Опыт сотрудников. Бренд работодателя и ценностное предложение компании играют важную роль в привлечении кандидатов и удержании сотрудников. Можно использовать несколько методов машинного обучения, чтобы лучше понять болевые точки в поездках сотрудников и реализовать корректирующие действия для повышения качества обслуживания сотрудников на основе существующих собранных данных. Например, алгоритмы обработки естественного языка могут использоваться для оценки качественных данных, собранных во время оценки производительности или внутренних опросов / импульсных проверок, чтобы определить области, в которых организация уязвима.
Лучшая часть всех этих вариантов использования? Они не требуют, чтобы компании меняли свои существующие инструменты или системы. Эти решения могут быть закодированы на основе систем организации и существующего формата данных. Шаг к достижению этого меньше, чем думает большинство, но разрыв с конкурентами становится все больше, чем дольше компании ждут, чтобы внедрить эти решения, подвергая себя риску потери своего актива № 1: своих сотрудников.
