«Это магия, которая строится на основе гипотез». Зачем компаниям предиктивный HR

Софья Федосеева

Современные алгоритмы машинного обучения способны помогать не только с простыми бытовыми вещами вроде выбора оптимального маршрута или фильма для вечернего просмотра, но и с более серьезными вопросами. Например, как выстроить свою карьеру. 

Предиктивная, то есть предсказательная, HR-аналитика помогает спрогнозировать вероятность получения той или иной позиции соискателем, возможные сценарии его развития, выбрать проекты по навыкам и интересам и избежать выгорания. 

Head of People Science & Analytics EPAM Алексей Некраха объясняет, как это работает и почему это важно.

«Это магия, которая строится на основе гипотез». Зачем компаниям предиктивный HR

Алексей Некраха

Что такое предиктивная аналитика

Представьте, что перед вами стоит важная задача — понять, кому сколько платить в компании. Для этого необходима так называемая People-, HR- или Workforce-аналитика. Собирается массив данных с разных систем, прогоняется через предиктивные модели, а HR-специалисты получают некий прогноз по конкретным сотрудникам. 

Предиктивные модели — это магия, которая строится на основе гипотез.

Под обширный список версий и предположений собираются данные. Всего в массивах данных у нас около 80 различных маркеров, которые в конечном счете помогают сделать то или иное предсказание. Модели оценивают потенциал сотрудника, его траектории роста, вклад в развитие компании. Подобные параметры постоянно обновляются. 

При этом единой модели для стран, где функционирует компания, не существует — почти везде есть региональные особенности, и маркеры отличаются. Например, в США на вероятность ухода сотрудника будет в значительной мере влиять грин-карта: чем ближе специалист к ее получению, тем больше вероятность того, что он уволится.

Подписывайтесь на канал Rusbase в «Яндекс.Дзен», чтобы ничего не пропустить

Для моделей и их визуализации мы используем собственный продукт — TelescopeAI.

Как можно обучить модель

Первый способ — использование заранее известного «таргета», например, увольнения. Берутся реальные сотрудники, которые покинули компанию, были релоцированы или сменили проект на тот, в котором они более эффективны и успешны. После этого вычленяются присущие им атрибуты: время работы в компании, количество детей, регион проживания, выступления на конференциях, обучение за этот период, бонусы и так далее. То есть создается некий цифровой образ сотрудника. 

Дальше по этим атрибутам определяются признаки, которые больше всего подходят человеку и его ситуации. Как результат, менеджер получает сигнал о том, что с конкретным сотрудником стоит обсудить карьерный путь и планы. Однако таргеты не всегда существуют, поэтому иногда опираться приходится на гипотезы. 

Второй способ — это симулирование «таргета» на основании экспертного мнения. Например, чтобы определить «таргет» для обучения модели по поиску «звезд», можно взять список гипотез (люди играют в компании роли, которые обычно играют «звезды», запускают новые процессы и так далее). На основе этой информации атрибутам придаются различные веса. В итоге можно получить достаточно хорошую модель, но в ней будет присутствовать «предвзятость» (bias) экспертов.

При чем тут комментарии и соцсети

Коммуникационные способности человека, те самые soft skills — важное профессиональное качество для работников IT-отрасли. Более того, для предиктивных моделей тоже, потому что HR-специалисты обучают их оценивать и этот навык.

Умение связать между собой разные группы людей в условиях, когда корпорации, команды разработчиков, задачи становятся все больше и сложнее, крайне необходимо. Находить таких людей — Bridge Builder’ов — сложная задача. 

Условно говоря, десять лет назад открытая вкладка соцсети или мессенджер на рабочем компьютере сотрудника могли быть восприняты негативно. Теперь же это плюс. По количеству, качеству и влиятельности коммуникации человека в корпоративной переписке (не читая текст переписки) алгоритмы оценивают коммуникативные навыки и умение выстраивать «мосты» между командами. 

Вычисление концепции

Hungry, Humble, (People) Smart («голодный, скромный, умный») — это подход к работе и часть корпоративной культуры нашей компании. Такую модель идеального командного игрока предложил Патрик Ленсиони, президент консалтинговой фирмы The Table Group, автор бестселлеров по управлению бизнесом.

Получить в команду специалиста, у которого будут развиты все три качества, или развить у существующих игроков недостающие — это один из рецептов процветающей компании.

Черта hungry — энтузиазм и рвение в работе,
humble — акценты сотрудника не на собственный результат, а на командный.
(People) smart — коммуникация с другими людьми и социальный интеллект.

Мы достигли значительного прогресса, чтобы определять эти черты характера с помощью модели, но не меньше работы предстоит в ее «полировке» и запуске в продакшн. 

Таблетка от выгорания

Зарплата, премии и бонусы не способны предупредить риски, связанные с так называемым профессиональным выгоранием. Аналитические инструменты работают таким образом, что помогают понять, когда специалиста необходимо отправить в отпуск, предложить ему альтернативный проект или обучение. 

Самым простым примером может служить модель «выгорания» сотрудника, которая на основании данных о количестве дней отпуска, истории отпусков, накопленных овертаймов, скорости роста сотрудника, количестве коммуникаций и так далее даст подсказку менеджеру и самому человеку, что пора в отпуск. 

При этом до недавнего времени подобная аналитика была недоступна, а часть данных оставалась «за кадром». Речь идет об анализе деятельности сотрудника, связанной с участием во внутренних и внешних мероприятиях, менторстве или оценке новых специалистов в компании. Эти данные помогают оценить параметр «выгорания».

Про деньги 

К экономической выгоде: модель автоматически подбирает на позиции подходящих людей. С одной стороны, учитывается масса переменных, с другой — компания значительно снижает риски при найме сотрудника. На обучение и интеграцию в IT тратится масса мощностей и бюджетов, каждая неудачная попытка — это потери. Нужной продуктивности, а значит, и прибыли, сотрудник достигает только через несколько месяцев. 

Кроме того, когда речь идет о поиске ключевых сотрудников, уровня senior и выше, финансовые затраты компании резко возрастают. Распространенными и привычными становятся случаи вознаграждения внешних консультантов и просто участников нетворкинга за предложение необходимой кандидатуры.

Рынок перегрет, а нужные кандидаты похожи на алмазы высокой каратности.

Технологии также закрывают эту задачу. Аналитика позволяет понять, почему производительность сотрудника снизилась, подсказывает, как увеличить его «полезность». Все это значительно и ощутимо оптимизирует расходы компании. В зависимости от проекта, результат может принести компании 20-30% экономии. 

Про тенденции

Сотрудники и компании и дальше будут переходить на удаленную работу и коммуникации. Как в таком случае понять, чем заняты сотрудники?

Для этого модели используют цифровой след: какими системами сотрудник пользуется, какую активность ведет и так далее. В итоге каждый специалист может получить индивидуальную аналитику: когда он был эффективнее всего, с чем это было связано. Все это помогает улучшить работу. 

HR-специалистов автоматизация не заменит, но будет работать как мощная подсказка. Данные могут подтвердить догадки о том, готов ли сотрудник к повышению, обучению, новому проекту, хочет ли он этого, что именно ему подходит. Сами HR все больше углубятся в создание новых моделей и алгоритмов.

Как получить максимум

Начните с вопроса с реальной значимостью для бизнеса: кто ваши «звезды», сколько стоит текучка кадров или любого другого.
Проанализуйте, достаточно ли у вас данных для ответа на вопрос, и если их нет, то начните их собирать.
Для начинающих и небольших команд могут подойти простые трекеры и таск-менеджеры. Благодаря им вы сможете собрать простые данные о времени или загрузке сотрудников. Это поможет оптимизировать процессы, а значит — сохранить ресурсы. Дальше — больше. Зрелые компании могут сосредоточиться на разработке собственных решений или покупке Enterprise-версий.
Не бойтесь экспериментировать с гипотезами, построением моделей и внедрением их в рабочие процессы. Такие эксперименты позволяют делать неожиданные открытия. Даже если эти открытия будут неприятными, лучше узнать о них на короткой дистанции, чем долгое время оставаться в неведении.
Постоянно анализируйте ваши процессы и устанавливайте те, по которым вы не собираете данные: они могут понадобиться — начинайте их обрабатывать.
Делайте свою работу технологичной. Все, что можно сделать с помощью компьютера, должно быть сделано. Это экономит время и позволяет сотрудникам, не участвующим напрямую в разработке, вникнуть в базовое программирование и его полезность, начать мыслить по-новому.
Сначала — люди. Не забывайте о живом общении — это главный источник гипотез, данных, новых идей.

Фото в тексте и на обложке: Unsplash

Источник: rb.ru