כיצד למידה במכונה משפיעה על אנליטיקס HR

תוֹכֶן

• תפקיד HR
• מקרה ללימוד מכונות בתחום HR
• אין באגים, אין מתח - המדריך השלב אחר צעד שלך ליצירת תוכנה לשינוי חיים מבלי להרוס את חייך
• התפתחויות
• סיכום

מקור: קנטוה / Dreamstime.com

להסיר:

אנליטיקה של משאבי אנוש מהפכה באופן הפעולה של מחלקות משאבי אנוש, מה שמוביל ליעילות גבוהה יותר ולתוצאות טובות יותר בסך הכל.

משאבי אנוש משתמשים באנליטיקה כבר שנים. עם זאת, איסוף, עיבוד וניתוח נתונים היו ברובם ידניים, ובהתחשב באופי הדינמיקה של משאבי אנוש ו- KPIs של משאבי אנוש, הגישה הגבלה על HR. לכן, מפתיע שמחלקות משאבי אנוש התעוררו לתועלת של לימוד מכונות כל כך מאוחר במשחק.

אף על פי כן, למידת מכונה נכנסה לאט אך בטוח לתחום ה- HR, והוקמו מקרים לשימוש מרובה כמו חיזוי התשה, גיוס עובדים נכון והכשרת משאבי אנוש. כמו כן, מאמינים שלמידה במכונה יכולה לחזות את הצלחתו של מועמד פוטנציאלי. מקרי שימוש נוספים עשויים להתגלות בקרוב. שלא כמו הגישה הידנית, גישת למידת המכונה מהירה בהרבה, מגיבה הרבה יותר לסיטואציות דינאמיות ומספקת נתונים מדויקים, פעילים וערכיים. (למרות שתחום ניתוח הנתונים הופך לאוטומטי יותר ויותר, אין צורך לדאוג עדיין לגבי האבטלה. למידע נוסף על לא, בוטים של נתונים אנליטיים לא הולכים לגנוב את העבודה שלך בקרוב.)

תפקיד HR

משאב אנושי הוא ללא ספק הנכס היקר ביותר של הארגון. משאבי אנוש אחראים לניהול משאבי האנוש של ארגון כך שהוא יקבל את הערך האפשרי ביותר מאנשיו. תפקיד HR כולל את הדברים הבאים:

• זיהוי הכישרון הנכון לתפקיד הנכון
• פיצויים והטבות נאותים
• ניהול פיתוח עובדים עם הכשרה והזדמנויות
• מעקב וניהול צמיחת משאבי אנוש עם תוספות, מבצעים, הזדמנויות ויתרונות
• ניהול מוטיבציות, טרוניות ורגשות עובדים
• ניהול יציאות

מקרה ללימוד מכונות בתחום HR

עם הזמן, הציפיות ממחלקת משאבי אנוש השתנו. בעבר, HR ימצא מועמדים מתאימים; לערוך או להקל על הערכות; מחלק הצעות, פיצויים והטבות על בסיס מדיניות משאבי אנוש; ולנהל קריירות ויציאות עובדים. כעת, HR צפוי להוסיף ערך רב יותר למה שהוא כבר עושה ולעשות עוד יותר, כמו חיזוי התשה והצלחה של המועמד בתפקיד. האם הגישה הנוכחית למילוי הציפיות הללו מאפשרת או מגבלת משאבי אנוש?

לפני אימוץ למידת מכונה, HR ינהל נתונים בדרכים ידניות וחצי אוטומטיות. זה היה אוסף, לאחסן ולעבד נתונים כדי להפיק ניתוחים לפני שהנתונים יהפכו במהירות לא רלוונטיים מכיוון שהמצב השתנה והנתונים נדרשים לעדכון. לדוגמה, נתונים שנאספו לפני מחזור ההערכה השנתי הראו סיכוני התשה נמוכים. עם זאת, לאחר הערכה, יש עלייה בהתשה וחוסר שביעות רצון העובדים, בעיקר בגלל חוסר התאמה בציפיות ובתגמולים בפועל ועלייה בהזדמנויות בשוק העבודה. בעיקרון, ניתוחים לפני הערכת השערה הטעו את הארגון, והמאמץ יכול להיחשב כבזבוז.

שיטות ידניות וחצי-ידניות אינן מצוידות בכדי לאפשר ל- HR לנהל נתונים על המשתנים המשתנים במהירות הקשורים למשאבי אנוש. משאבי אנוש זקוקים לניתוח מעודכן ומעודכן על גורמים רלוונטיים כמו רגשות עובדים בארגון, עמדות עובדים כלפי מדיניות ואטרקטיביות של הזדמנויות שוק לעומת אלו שמציע הארגון. זה עסק רציני. אלא אם כן ההון האנושי מנוהל היטב, ארגון יכול לאבד עובדים יקרי ערך. ביל גייטס העיר פעם "אתה מסלק את 20 העובדים המובילים שלנו ואנחנו הופכים לחברה בינונית." הכנס למידת מכונות. מה יכולה לימוד מכונות להציע על פני השיטות הישנות? שקול את הדברים הבאים:

תגובה מהירה יותר לדינמיקה משתנה

זה עידן ה- Big Data. כדי לנהל עובדים אתה זקוק לנתונים על:

אין באגים, אין מתח - המדריך השלב אחר צעד שלך ליצירת תוכנה לשינוי חיים מבלי להרוס את חייך

אינך יכול לשפר את כישורי התכנות שלך כאשר לאף אחד לא אכפת מאיכות התוכנה.

• עמדות ורגשות עובדים
• תעודות או כישורים
• עמדות עובדים כלפי מדיניות
• פיצויים ומגמות תועלת
• פיתוחים חיצוניים רלוונטיים כמו שוק העבודה וארגונים יריבים והשפעתם על העובדים שלך

זה מסתכם לנפח נתונים הומוני שמגיע לכל רגע. ניהול ידני פשוט לא מצויד להתמודד עם זה. עם זאת, למידת מכונה מתאימה לקבל באופן עקבי, לאחסן ולעבד נפחי נתונים כאלה ולספק תובנות רלוונטיות וניתנות לפעולה בצורה של ניתוח פשוט. (למידע נוסף על תפקידם של Big Data בעסקים עם התמודדות עם נקודות כאב של Big Data Analytics.)

תחזיות מדויקות

למידת מכונה יכולה לחזות התפתחויות מרכזיות כמו התשה, הצלחה בתפקידי תפקידים ואירועים שליליים כמו התנהגות לא אתית. לדוגמה, ניתן לחזות את סיכויי ההצלחה של עובד בתפקיד חדש על סמך ניתוח של נתוני עבר כמו ביצועי פרויקטים בעבר, בסיס ידע ויוזמות מפתח שננקטו לשיפור בסיס הידע המשקף עמדות. ניתן להמיר ממצאים המבוססים על פרמטרים אלה לניתוח ואז ניתן לקבל החלטות.

זיהוי מועמדים ומעקב אחר מועמדים

למידת מכונה יכולה לחבר את העבודה הנכונה למועמד הנכון על סמך תפקיד המשרה ותעודותיו, הניסיון והאינטרסים של המועמד. למידת מכונה יכולה למנף רשתות חברתיות לשם כך. זה מקטין באופן משמעותי את המאמץ הידני בהערכות המועמדים ובמעקביו.

התפתחויות

תחום ה- HR, לאחר תגובה פושרת ללימוד מכונה, מתעורר לשימושיותו. מקרי שימוש רבים מיושמים ויותר בדרך. להלן סיכום ההתפתחויות העיקריות.

זיהוי מועמדים ומעקב אחר יישומים

עם נתונים גדולים ממקורות אינטרנטיים כמו פורומים ומדיה חברתית, ארגונים מוצאים את המועמדים הנכונים לתפקידים הנכונים. תוך כדי הערכת מועמדות, למידת מכונה שוקלת כישורים, ניסיון, תחומי עניין, קשרים מקצועיים וחברות, הישגים, דיוני פורום ועוד. זה משפר משמעותית את הסיכויים להתאמת תפקידים, אם לא מבטיחים זאת. דוגמה טובה יכולה להיות אתר הרשתות המקצועיות, לינקדאין.

למידת מכונה מפחיתה משמעותית מאמץ ידני בניהול יישומים ומשחררת את HR להתמקד במאמצים יצרניים יותר. לדברי כריסטיאן רנלה, מנכ"ל ומייסד חברת MejorTrato.com.mx, חברה שמשווה בין מוצרים פיננסיים, "בעבר בילינו 67.2 אחוז מזמנו של כל אחד במשאבי אנוש לקרוא את קורות החיים של כל מועמד שהגיע אלינו דרך שלנו אתר אינטרנט וצדדים שלישיים. הודות ל- AI, עבודה זו כיום נעשית באופן אוטומטי על ידי המערכת הפנימית שלנו, אשר באמצעות למידה עמוקה באמצעות TensorFlow, אנו יכולים להפוך את המשימה הזו לאוטומטית. "

תחזיות מדויקות

ניתוחי משאבי אנוש יכולים לרוב לחזות במדויק גורמי מפתח כמו התשה, ביצועי עובדים ואפילו אירועים שליליים כמו התנהגות לא אתית. לדוגמה, נתונים משיחות פורום שונות, פוסטים ברשת המדיה החברתית, קטעי וידאו, ארגונים יריבים והזדמנויות בשוק יכולים להצביע על שינויים ברמות ההתשה. רמות ההתשה חשופות במיוחד לשינויים לאחר מחזורי הערכה.

תחזיות הצלחה בעבודה

נתונים על תעודות המועמד, חברות, עמדות וביצועים יכולים להצביע על הסתברות הצלחה בתפקידי תפקיד. העניין הוא שניסיון ידני לחשב תחזיות על בסיס משתנים כה רבים הוא פשוט לא מספק. ניתוח משאבי אנוש יכול לספק תובנות מדויקות על סמך אילו ארגונים יכולים למצוא את המועמדים הנכונים לתפקידים הנכונים.

סיכום

ארגונים כבר קוטפים את היתרונות של אימוץ למידת מכונות.בעוד שלמידה במכונה כבר צמצמה את המאמץ הידני, ML צפויה להיות מדויקת ובולטת עוד יותר בתחומים כמו חיזוי וניהול התשה, ניהול עובדים והצלחה.