Мы уже рассказывали про цифровизацию HR-процессов на примере IBM и еще других компаний, в которых активно применяются технологии больших данных (Big Data) и машинного обучения (Machine Learning) для оптимизации управления людьми. В этой статье мы собрали еще 5 интересных кейсов по использованию аналитики Big Data в рекрутинге.
Big Data и Machine Learning в HR-службе: как привлечь талантливых соискателей
На рынке труда конкурируют не только соискатели. Корпорации тратят массу денег на привлечение перспективных сотрудников. Сегодня выигрывать в борьбе за внимание кандидатов помогают технологии Big Data и алгоритмы Machine Learning. Пожалуй, самый популярный пример в этой сфере – соцсеть LinkedIn – сайт, который рекомендует работу и часто используется как онлайн-витрина актуальных резюме. Другие HR-площадки, например, Glassdoor и Seek, также применяют машинное обучение для создания карт пользовательского поведения на основе данных из предыдущих поисков, подключений, сообщений и кликов. В частности, зарубежный проект PhenomPeople, суть которого в подборе талантливых кандидатов на вакантные места, тоже основан на ML-моделях, которые помогают привлечь соискателей на карьерный сайт компании через множество социальных сетей и различные каналы поиска работы [1].
Американская компания Glint, которую в 2018 году поглотила LinkedIn, разрабатывает программное обеспечение, которое помогает менеджерам по персоналу понять, как сотрудники компании относятся к работодателям [2]. В этом Big Data проекте активно используются алгоритмы машинного обучения, чтобы анализировать процесс отбора соискателей. Такая HR-аналитика помогает отдела кадров и руководителям эффективно нанимать новых сотрудников, ускоряя процесс получения обратной связи с кандидатами [3].
Кроме того, зная о наиболее важных для конкретного соискателя факторах поиска работы, например, время пути до офиса, гибкий график и пр., HR-менеджер может наиболее эффективно выстроить коммуникацию с желаемым кандидатом. Выявить такие факторы и оценить степень их влияния помогут инструменты аналитики больших данных, собирающие сведения о потенциальных сотрудниках из открытых источников: соцсети, поведение пользователей на сайтах вакансий, геометки и пр. В этом отношении рекрутинг похож на индивидуальную таргетированную рекламу, а, значит, эта задача может быть успешно решена с помощью технологий Big Data и машинного обучения аналогично тому, как мы писали здесь.
Интересна также особенность применения Machine Learning в связи с текущими социальными трендами. В частности, ML-алгоритмы помогают компаниям выровнять гендерное соотношение. Например, алгоритмы машинного обучения используются для разработки гендерно-нейтральных объявлений о вакансиях и должностных инструкций. Исследование, проведенное Total Jobs, показало, что использование гендерно-нейтральной формулировки привлекает на 42% больше откликов, чем аналогичное объявление о вакансиях, не учитывающее гендерную проблематику [4].
Как отобрать лучших: предиктивная аналитика будущих успехов
Перейдем к следующему этапу процесса найма. Формальные критерии, многоуровневые интервью, тестовые задания и различные собеседования помогают менеджеру по персоналу отсеять заранее неподходящих кандидатов. Однако, если нужно выбрать лучших из лучших, стоит оценивать не только текущие профессиональные компетенции потенциального работника. В частности, HR-специалисты спецназа США (US Special Forces) используют инструменты предиктивной аналитики, чтобы выявить наиболее эффективных бойцов для элитных подразделений. Анализ данных о спецназовцах и их карьерах показал, что вовсе не физическая сила и уровень владения боевыми искусствами являются ключевыми факторами успешной службы. А вот мужество, выдержка и твердость характера – главные условия эффективной карьеры в силовых структурах [5].
Таким образом, технологии Big Data и Machine Learning не просто автоматизируют процессы рекрутинга, а запускают глобальную цифровизацию данной деятельности. Например, корпорация Google отбирает соискателей, фильтруя кандидатов уже на начальном этапе первичного интервью, которое полностью автоматизировано. Дальнейшие этапы отбора также оцифрованы и попадают в общую статистику, чтобы служить базой для будущих HR-задач. В частности, цифровизация HR-процессов помогает компании оценивать вероятность увольнения. Например, анализ данных показал, что новые сотрудники отдела продаж, которые не получают повышения в течение 4 лет, чаще увольняются [5]. Об этом мы подробнее расскажем в следующей статье.
Как использовать инструменты больших данных и машинного обучения для цифровизации своих HR-процессов, вы узнаете на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:
Источники
- https://emerj.com/ai-sector-overviews/machine-learning-in-human-resources/
- https://vc.ru/services/47616-professionalnaya-socset-linkedin-kupila-startap-po-izmereniyu-urovnya-schastya-sotrudnikov-glint
- https://emerj.com/ai-sector-overviews/machine-learning-in-human-resources/
- https://www.techedgegroup.com/blog/machine-learning-applied-to-human-resources
- https://finassessment.net/blog/predictiv-analitika-hr
