Интеллектуальный автоматизированный рекрутинг: Big Data и Machine Learning в HR

Мы уже описывали, зачем HR-специалисту большие данные, а также как быстро и эффективно внедрить Big Data в управление персоналом на практике. Сегодня расскажем о конкретных случаях применения этих технологий в HR: успешные кейсы отечественных и зарубежных компаний.

Роботы-рекрутеры

Сервис автоматизированного рекрутинга, разработанный российской компанией Stafory, позволяет в 10 раз сократить время первичного отбора кандидатов на вакансии. Виртуальный робот Вера автоматически ищет подходящие резюме с тематических сайтов и обзванивает претендентов. В ходе телефонных переговоров и видео-интервью с кандидатами, встроенные алгоритмы машинного обучения отвечают на простые вопросы о будущей работе, распознают голосовых отклики и выделяют заинтересованных соискателей [1]. Этот HR-проект на основе технологий Big Data и Machine Learning уже оценили многие отечественные и международные компании [1, 2]:

• интервью с 1 500 кандидатами проведено за 9 часов вместо 9 недель (Икея, PepsiCo);
• 10% вакансий закрытых вакансий для нового центра поддержки продаж в Воронеже (PepsiCo);
• автоматическое распознавание и сортировка по регионам каждого из 50 заявлений на вакансию, пришедшего на почту рекрутерам (КДВ Групп);
• обработка 5 000 откликов всего за 1 месяц: более 40 000 звонков, 37 000 email-сообщений и 100 видео-интервью с соискателями (МТС);
• проведено около 5000 телефонных интервью с кандидатами (Ростелеком);
• найдено более 1000 кредитных специалистов для новой услуги потребительского кредитования в магазинах (М.видео).

Не менее впечатляющие результаты демонстрирует банк «Открытие», который в июне 2017 года завершил совместный с IT-платформой Skillaz пилотный проект по автоматизации рекрутинга, набрав 113 сотрудников колл-центра в Саратове и 9 менеджеров по продажам в отделение банка в аэропорту Шереметьево. В первую же неделю робот-рекрутер нашел больше кандидатов, чем 5 обычных кадровиков за месяц. В итоге стоимость найма и время закрытия вакансий сократились в 2 раза [3].

Аналогичный проект реализовала рекрутинговая компания SuperJob: чат-бот для собеседований, который распознает текст и поддерживает диалог. За 10 часов чат-бот провел 2000 первичных интервью. Таким образом были подобраны новые сотрудники для фирмы «Связной» [3].

Подобный чат-бот, созданный в 2016 году калифорнийским предприятием FirstJob, помогает экономить до 75% времени работы HR-специалиста: оценивает резюме на соответствие вакансии, задает претенденту дополнительные вопросы и передает отклик HR-менеджеру в чате Facebook [3].

Кроме виртуальных роботов, рекрутеры пробуют использовать материального от российской компании АльфаLED, которая в 2016 году презентовала промоутера-андроида Kiki со встроенным экраном. Робот умеет приветствовать посетителей тематических мероприятий, например, на ярмарках вакансий, отраслевых конференциях и других корпоративных событиях, анкетировать соискателей и автоматически передавать собранные данные на компьютер HR-специалиста [4].

Big Data и Machine Learning для выявления ключевых навыков сотрудников

Процессы рекрутинга будут более эффективны при наличии четко обозначенных качеств «идеального сотрудника». Поэтому выявление ключевых компетенций и свойств, характерных для успешного работника является важной задачей HR-специалистов, для решения которой также успешно применятся технологии Big Data и Machine Learning.

Например, компания по производству и продаже вентиляционного оборудования вкладывала большие деньги в развитие продавцов своих товаров и услуг: каждый сотрудник проходил тренинг минимум раз в 3 месяца. Однако, это не оказывало заметного положительного влияния на уровень продаж.

Были проанализированы ключевые показатели эффективности (KPI) руководителей на основе прибыльности и убыточности их подразделений, результативность линейных сотрудников, а также обратная связь (отзывы) от клиентов. Получена модель эффективности сотрудников, показывающая связь их результатов и мотивации, выявлена прямая зависимость между слабым взаимодействием с клиентами и неэффективным управлением. Таким образом, проблема заключалась не в продавцах, а в менеджменте. Для устранения этого несоответствия приняты управленческие решения по изменению и обучения руководящего состава. В результате такого использования технологий BigData и Machine Learning прибыль компании увеличилась за счет эффективного развития потенциалов своих работников [5].

Аналогичный случай произошел на предприятии по поставке и установке сложного оборудования в сфере энергетики. Затраты на 200 менеджеров проекта составляли более 800 миллионов рублей в год, но это не гарантировало высокое качество выполняемой ими работы. Генеральный директор предполагал, что эта отрасль промышленности не привлекает эффективных проектных менеджеров и потому концентрировался на других методах повышения прибыльности.

С применением аналитических средств Big Data были рассмотрены комплексные показатели эффективности проектных менеджеров, их опыт и уровень развития компетенций. Построена модель зависимости результативности сотрудника от значений его характеристик, которая показала, что менеджер более всего уделяли внимание соблюдению сроков и стоимости работ в ущерб качеству проекта (техническим свойствам) по причине недостатка прикладных знаний и отраслевого опыта. В результате по новым критериям отбора на ключевые проекты были поставлены лучшие кандидаты. Все сотрудники прошли специальное обучение по специфике бизнеса и технологиям, используемым компанией, что повлекло повышение качества проектных работ и увеличение общей прибыли предприятия [5].

Подобный пример выявления ключевых факторов успешных работников демонстрирует крупная финансовая компания, которая нанимала новых сотрудников, исходя из убеждения, что лучшие работники – выпускники топовых ВУЗов с высокими оценками. Однако, статистический анализ успешности и текучести среди их менеджеров по продажам показал, что это уровень образования и учебное заведение сотрудника, а также его рекомендации абсолютно не влияют на качество работы. С помощью инструментов Big Data была проанализирована динамика продаж первых двух лет работы каждого сотрудника компании.  Далее алгоритмы Machine Learning позволили получить корреляционную матрицу уровня продаж, текучести и демографических факторов. Оказалось, что эффективность продаж зависит от следующих факторов [6]:

• точное и грамматически правильное резюме;
• прохождение полного цикла обучения в учебном заведении;
• успешный опыт продаж дорогостоящих товаров;
• заметные успехи на прежних местах работы;
• способность работать в условиях неопределенности.

Также стоит отметить опыт компании Google, которая отказалась от сложных задачек на входящих интервью и собеседованиях при подборе кандидатов, поскольку успешное решение таких тестов не связанно с эффективностью дальнейшей деятельности соискателя [5].

А какие факторы на самом деле определяют эффективность ваших сотрудников? Узнайте это, проанализировав свои данные средствами Big Data! Постройте свою модель машинного обучения, которая поможет выявить ключевые компетенции ваших людей, чтобы повысить качество рекрутинга, улучшить работу HR-отдела и предприятия в целом. Как это сделать эффективно и быстро, мы научим вас на курсе Аналитика больших данных для руководителей. 3 дня интенсивной практики по Big Data, Machine Learning и Internet Of Things: Hadoop, Spark, Kafka и пр. – все что нужно, чтобы грамотно решать прикладные задачи вашего бизнеса средствами современных информационных технологий. Смотрите расписание курсов, регистрируйтесь на обучение и приходите на занятия. До встречи в классе!

Источники

1. https://robotvera.com/static/newrobot/index.html
2. https://www.vedomosti.ru/management/articles/2018/02/14/750906-moda-na-robotov-rekruterov
3. https://www.rbc.ru/newspaper/2017/06/20/59439a489a7947949e6db9fb
4. https://www.hr-director.ru/article/67163-big-data-v-menedjmente-18-m6
5. http://hr-media.ru/bolshie-dannye-bigdata-dlya-hr-kak-uvidet-lichnost-za-tsifroj/
6. https://edwvb.blogspot.com/2013/04/big-data-hr-talent-analytics.html