Инновационное будущее рекрутинга

 
Тенденции развития информационных сервисов менеджера по найму персонала. Интеллектуальные системы в HR, разрабатываемые на основе предиктивной и предписывающей аналитики. Машинное обучение в HR-системах.

Машинное обучение

Одним из основных направлений развития цифровой экономики в мире является машинное обучение. Это по сути ступень на пути создания искусственного интеллекта.[1]

Всем понятен такой способ применения компьютера, когда ему на вход задается набор параметров задачи, а машина возвращает результат вычислений, построенный по заранее заданному алгоритму. Корректность результата в этом случае зависит от введенного алгоритма.

Суть машинного обучения состоит в том, что при каждом новом вводе исходных данных, машина выдает все более и более релевантный целям пользователя результат. Происходит это за счет того, что сам алгоритм уточняется (обучается) на основе возрастающей выборки входных данных и поступающей обратной связи об эффективности результатов. В огромном множестве возможных решений задачи машина выбирает те, которые ведут к наиболее успешным исходам, и принимает вызвавшие их вычисления в качестве алгоритма для последующих итераций.

«Прогнозная аналитика позволяет оценивать вероятность прохождения кандидатом интервью, вероятность принятия им предложения и будущую эффективность на позиции.»

Ярким публичным примером машинного обучения является система контекстной рекламы Google AdWords.[2] При накоплении определенного объема статистики о реакциях пользователей на рекламные объявления система раз от раза повышает вероятность их наиболее целевого и успешного показа.

Принципы использования машинного обучения в построении сервисов, предназначенных для найма персонала, обсуждаются далее в этой заметке.

Прогнозная аналитика

Прогнозная (или предиктивная) аналитика – это область статистики, предметом которой является анализ исторических данных для прогнозирования будущих тенденций.

Широко известно о применении прогнозной аналитики в кредитном скоринге. Там с помощью математической модели обрабатывается кредитная история заемщика, его потребительские направленности и множество других данных. В результате производится оценка надежности потенциального заемщика.

Применительно к рекрутингу прогнозная аналитика может использовать данные о состоявшихся ранее поиске кандидатов и найме, информацию о текущем штате организации, данные о кандидатах из внешних источников и другую информацию, чтобы помочь пользователю подобрать наиболее успешного кандидата в будущем. Для закрытия одной вакансии в корпоративном секторе менеджеру требуется обработать в среднем порядка 250 резюме. В большинстве случаев рекрутеры управляют несколькими одновременно открытыми вакансиями, что соответственно умножает объем информации для ручной сортировки и оценки. Больше половины рекрутеров говорят, что выбор правильного кандидата из огромного пула резюме является наиболее трудоемкой и сложной частью их работы. И это та область, где прогнозная аналитика будет делать работу более эффективной.

Прогнозная аналитика позволяет оценивать вероятность прохождения кандидатом интервью, вероятность принятия им предложения и даже будущую эффективность на позиции. Тем самым, она существенно сокращает время, затрачиваемое на закрытие вакансии и повышает качество подбора.

«Прогнозная аналитика занимает первое место среди самых эффективных технологий в области найма персонала, опережая маркетинг и управление отношениями с кандидатами.»

Не более 20% работодателей во всем мире в 2015-2016 годах могли себе позволить использование прогностических моделей в HR в том или ином виде.[3]. При этом, более половины компаний корпоративного сегмента в США, Великобритании и Канаде уже использовали в 2017 году отдельные формы искусственного интеллекта при подборе персонала, а в 2018 году доля таких бизнесов будет не менее 60%. В обзоре Brandon Hall Group по результатам опроса компаний-респондентов приводится тройка наиболее перспективных технологий в области рекрутинга. Первое место среди них занимает Прогнозная аналитика (36%), второе – Маркетинг в сфере найма (30%), и замыкает тройку Управление отношениями с кандидатами (27%).[4]

Предписывающая аналитика

Предписывающая аналитика предлагает решения, основанные на результатах прогнозной аналитики. Другими словами, она сопоставляет внутренние требования компании с внешним предложением и предлагает рекомендации дальнейших действий в отношении конкретных вакансий и кандидатов.

Наиболее привычные для рекрутера предложения информационной системы – это непосредственно выборка кандидатов, ранжированная по степени их релевантности замещаемой должности. Но применение прогнозной аналитики принципиально расширяет круг сценариев, где HR-менеджер может получать рекомендации.

Например, система может предлагать наиболее подходящие конкретной вакансии места размещения объявлений для привлечения кандидатов, а при интеграции с маркетинговой системой в принципе управлять размещением вакансий в автоматическом режиме. Или вот другой пример. Представьте в какое-то утро появление в почтовом ящике менеджера сообщения с содержанием типа: «На текущем этапе развития, во многих компаниях вашего сектора формируется аналитический отдел. Потенциальные кандидаты, наиболее подходящие вам предложены в следующем списке…» или «Этот кандидат в последние два дня наиболее активен в своих контактах и если вы рассматриваете его среди финальных претендентов, то вам стоит немедленно связаться с ним. Отправить ему сообщение?».

Традиционные биржи труда

Широко распространенные сегодня площадки по подбору персонала далеки от подобного уровня сервиса. Они представляют собой хранилище статических данных об истории работы кандидатов. Да, они предлагаю инструменты по подбору специалистов менеджеру по HR и активно привлекают самих кандидатов. Но построены биржи труда на принципах фильтрации массивов данных и предлагают результаты, которые не учитывают ни прошлое ни будущее. Львиную долю работы по анализу информации они оставляют непосредственно рекрутеру. Основные формализованные признаки, используемые в них при подборе – это компетенции (если и которые сам кандидат себе указал), а также демографические данные.

«Транзакционные HCM-системы, являющиеся продолжением корпоративных ERP, в скором времени вымрут как класс.»

Отсутствие признаков искусственного интеллекта у бирж труда не является их единственным минусом в контексте данной статьи. Главный недостаток, препятствующий их превращению в интеллектуальные рекрутинговые платформы, состоит в том, что они однобоко смотрят только на рынок кандидатов и не оценивают целевой портрет и саму потребность в специалисте изнутри компании. Исходная информация вносится на биржу труда в основном вручную, в виде вакансии с далеко не всегда структурированным текстом.

Взгляд внутрь компании

Менеджер по персоналу в современной коммерческой компании все больше превращается из лидера кадровой службы в лидера бизнеса. Уже многие компании перестали относятся к планированию и управлению персоналом как к ежегодному единовременному событию. В условиях изменяющейся внешней среды и самого бизнеса – это непрерывный процесс активного взаимодействия всех заинтересованных руководителей, предполагающий опережающие решения и действия в отношении кадров.

Неотъемлемым инструментом такого процесса, особенно для средних и крупных компания, стали HCM-системы. Они призваны автоматизировать управление штатным расписанием, обучением, оценкой сотрудников и, в том числе, наймом в каком-то виде. Являясь зачастую продолжением ERP-систем, исходной точкой архитектуры таких продуктов и первопричиной внедрения является ведение фискального кадрового учета и начисление заработной платы.

«HR-менеджер перестает быть обработчиком огромного вороха информации и становится в полной мере методологом и стратегом.»

Главным факторам, ограничивающим развитие HCM-модулей поставщиков ERP-систем в направлении машинного обучения, является их локализованная на уровне компании инсталляция. Они не встроены в макросистему рынка труда, а соответственно не имеют полноценных данных для построения алгоритмов прогнозного анализа. Кроме того, они очень обременены транзакционной идеологией кадрового учета и тем самым не гибки к фактическим изменениям организационных структур. Они могут прекрасно оперировать метриками, но не склонны к аналитике и с большой вероятностью в недалеком будущем вымрут как класс.

Разница между метрикой и аналитикой

Характеризуя грань между интеллектуальными системами и привычными учетными инструментами, стоит провести четкое различие между понятиями метрики и аналитики.[5]

  • Метрика является фундаментом для аналитики. Метрики представляют собой однородные данные, которые легко представить в виде электронной таблицы. Они показывают информацию о прошлом и настоящем.
  • Аналитика представляет собой результат вычислений, проведенных по разнородным статистическим данным. Методика проведения таких расчетов разрабатывается для поиска ответов на конкретные бизнес-вопросы, нацеленные на прогноз будущего.

Вот несколько простых примеров:

Метрика Аналитика
Сколько у нас сотрудников? Каковы самые эффективные источники привлечения руководящих сотрудников?
Сколько перспективных менеджеров мы собеседовали в прошлом году? Кто из действующих менеджеров всерьез рассматривает возможность покинуть компанию?
Сколько менеджеров среднего звена мы наняли с рынка в прошедшем квартале? Сколько действующих средних менеджеров достаточно готовы, чтобы продвигаться по карьерной лестнице?

Таблица 1: Примеры метрик и аналитики.

Развитие управления персоналом по стратегии внедрения аналитики конечно не гарантирует стопроцентный успех организации. Но такая информационная поддержка решений безусловно снизит затраты, уменьшит потери талантов, а также повысит производительность труда. А разве не это необходимо для процветания компании?

Решение принимает человек

Как бы ни умна была построенная на аналитике рекрутинговая платформа, она все равно остается системой поддержки менеджера. Решение в конечном счете принимает человек.

Но характер работы рекрутера серьезным образом меняется. Ведь для машинного обучения необходимо наполнять систему полезной для алгоритмов информацией. Посмотрим на примеры изменения фокуса в задачах HR-менеджера:

Учетная система Интеллектуальная система
Формировать требования к вакансиям и размещать их на биржах Выявлять и моделировать компетенции сотрудников, успешных в каждом из функциональных блоков компании
Вести и анализировать историческую базу кандидатов Актуализировать организационную структуру, KPI подразделений и планы развития бизнеса
Анализировать историю карьеры и самопрезентации кандидатов по резюме Оптимизировать скорость заполнения тестовых форм для определения профессионального и мотивационного портрета кандидата
Выяснять требования к кандидатам у заказчиков позиций Формировать оцифрованные психологические портреты руководителей вакантных должностей
Формировать плотный график проведения интервью Выстраивать отношения и коммуникации с интересными кандидатами

Таблица 2: Функции HR-менеджера при работе с информационной системой.

В обучении аналитической системы участвуют буквально все. Это и рекрутеры из множества компаний самых разных размеров и отраслей, и сами кандидаты. Благодаря этому, алгоритм оценивает не только непосредственно информацию, но и степень доверия к ней. Эффективность действий менеджера ведомого грамотной предсказательной аналитикой повышается в разы.

В России и за рубежом

Применение машинного обучения в рекрутинге активно развивается на западе. В качестве быстрого примера можно привести вновь компанию Google, которая использует предписывающую аналитику как для найма, так и для управления персоналом внутри компании.[6] Но Google – это отдельная статья.

Ярким представителем и лидером в области применения машинного обучения для HR является сервис по управлению рекрутингом от компании WCN.[7] Платформа работает как на корпоративном уровне, так и в сегменте небольших компаний в США, Канаде и Великобритании. WCN имеет множество наград и признается пионером в области применения прогнозной и предписывающей аналитики для рекрутинга. Решение развивалось как система для управления отношениями с кандидатами, имеет облачную архитектуру и развитую HCM-часть. Оно нацелено на удовлетворение потребности компаний в высокой интенсивности найма, в частности в сфере ритейла.

На пути анализа имеющихся Bigdata и применения машинного обучения, по собственным заявлениям стоит облачная HCM-платформа UltiPro от компании Ultimate Software. На 2016 год сервис декларирует клиентскую базу в 3000 компаний в США и Канаде, среди которых Yamaha, Sony Music и Subway.[8]

В России продолжается освоение рынка HCM программными продуктами от поставщиков корпоративных ERP-систем. В то время как отечественные компании доходят до потребности управления человеческим капиталом и расширяют свои корпоративные системы локальными инсталляциями HCM/HRM модулей, уже на старте такой автоматизации они остаются морально позади. Профессиональные рекрутеры и транснациональные компании при этом широко используют ATS-продукты – так называемые трекинговые системы для автоматизации рекрутинга, в основном западного происхождения.[9]

Вместе с тем, платформа, которая консолидировала бы в себе функции маркетинга кандидатов, внутреннего HCM и системы управления отношениями с кандидатами, с имплементированными в нее алгоритмами машинного обучения, на отечественном пространстве сегодня отсутствует. Когда появится такой продукт, он создаст новую экосистему и качественно изменит как рынок рекрутинга, так и рынок ИТ-решений.

Заключение

Динамика развития мысли в области машинного обучения очень высока. Каждое новое, даже небольшое, практическое достижение разработчиков открывает массу новых возможностей коммерческого использования продуктов и сценариев их дальнейшего развития. И этот процесс идет как снежный ком.

Не смотря на широкое предложение HCM-систем всех калибров, на российском рынке ниша интеллектуальных продуктов для HR фактически пуста. Обусловлено это не только подходом к архитектуре разработки, но и двунаправленностью такого сервиса. Одна сторона машинного интеллекта должна смотреть внутрь компании, а другая – на внешний рынок кандидатов. Передовые западные экосистемы сосредоточены на своих рынках кандидатов и какое-то время будут осваивать их, набирая собственную зрелость. Экспорт таких сервисов в Россию, с ее спецификой рынка труда и отраслевыми предпочтениями, сегодня не является для них приоритетом.

Безусловно, в обозримом будущем такая система на отечественном рынке появится. Даже если не принимать во внимание имеющиеся платформы российских HCM и бирж труда, спроектировать и запустить такой сервис с нуля можно не более чем за год. Так что если ваш бизнес еще не потратил средства на внедрение транзакционной кадровой системы, возможно этого уже и не стоит делать. К моменту когда этот продукт заработает так, чтобы быть действительно полезным для бизнеса на участке своего функционала, рынок уже уйдет далеко вперед и действительно эффективными для HR-менеджера будут принципиально иные платформы.

Автор: Консалтинговая компания LOYP

Источник https://loyp.ru/vision/staff-selection/innovative-future-of-recruiting.html