Как использовать машинное обучение для найма лучших кандидатов

Содержание
  1. Без страха и боли: как роботы выбирают правильных работников
  2. Помогая преодолеть предрассудки
  3. Заменитель «седьмого чувства»?
  4. Как внедрить машинное обучение и повысить количество откликов на вакансии на 5 миллионов: кейс HeadHunter | Rusbase
  5. Рекомендации превыше всего
  6. Как мы учили систему учиться
  7. Немного экспериментов с нейронными сетями
  8. Разительные перемены
  9. Дальше – больше
  10. Что нужно знать о machine learning, чтобы найти хорошую работу? — Офтоп на vc.ru
  11. Почему карьера в machine learning — отличный выбор?
  12. Гибкий подход к языкам программирования
  13. Теория вероятности и статистика
  14. Моделирование данных
  15. Почему вам необходимо освоить библиотеки machine learning
  16. Умелое обращение с данными
  17. Распределённая обработка данных
  18. Интеллектуальный автоматизированный рекрутинг: Big Data и Machine Learning в HR
  19. Роботы-рекрутеры
  20. BigData иMachineLearning для выявления ключевых навыков сотрудников
  21. HR-tech: цифровые технологии в найме персонала
  22. Что можно автоматизировать в сфере HR?
  23. Всем ли нужна автоматизация HR и во сколько она обходится?
  24. Как интегрировать сложные IT-продукты в HR-процессы?
  25. Как оценить пользу от автоматизации HR?
  26. Где быстрее идет автоматизация HR: в России и на Западе?
  27. Все ли инновационные IT-продукты нужны и востребованы?
  28. Сейчас в HR есть тренд на геймификацию, нужны ли игры для найма кандидатов?
  29. Что ждет технологии HR в будущем?
  30. Технологии в HR: реальность и перспективы

Без страха и боли: как роботы выбирают правильных работников

Как использовать машинное обучение для найма лучших кандидатов

Ни для кого не секрет, что найти хороших работников нелегко, особенно в конкурентном технологическом мире.

Менеджеры по найму могут тратить часы на просмотр множества резюме, используя примитивные инструменты поиска по ключевым словам, а работники с особо востребованными навыками завалены письмами от рекрутеров, предлагающих не интересную им работу, говорит Эд Доннер, один из основателей и генеральный директор нью-йоркского стартапа Untapt.

«Найти инженеров — невероятная головная боль, — говорит Доннер, который ранее возглавлял технологическую команду с сотнями сотрудников в JPMorgan Chase. — Найти талант все еще невыносимо трудно».

Untapt — одна из тех компаний, которые хотят упростить процесс отбора резюме.

Используя методы машинного обучения, они разрабатывают алгоритмы, которые могут предсказать, насколько хорошо кандидат подходит для конкретной работы.

Сторонники и эксперты отрасли говорят, что автоматизация рекрутинга может сэкономить время и деньги, а также помочь hr-менеджерам находить и рассматривать более разнообразный набор претендентов.

Помогая преодолеть предрассудки

«Люди очень подвержены предрассудкам, а с помощью машины вы сможете преодолеть эту предвзятость, — говорит Том Хаак, директор HR Trend Institute. — Если машина узнает, что вы ищете, она сообщит, когда найдется подходящий кандидат».

Untapt, который был запущен в начале 2015 года, ориентирован на заполнение позиций в финансово-технологическом секторе.

Его софт помогает искать кандидатов с определенными техническими навыками эффективнее, чем это можно было бы сделать с помощью традиционного текстового поиска в резюме и сопроводительных письмах.

Если компания ищет разработчиков с большим опытом в функциональном программировании — методике разработки софта, популярной в финансово-технологическом мире, — инструмент Untapt может научиться распознавать, что знание определенных языков программирования — хороший знак, говорит Доннер.

«Вы имеете дело с этим очень «шумным» набором данных с большим количеством информации, — говорит он. — Такого рода задачи идеально подходят для искусственного интеллекта и машинного обучения».

Компания следит за тем, какие кандидаты, выбранные ее софтом, были приглашены на интервью и на какие позиции, и использует эту информацию, чтобы постоянно совершенствовать свои алгоритмы. Они, как говорит Доннер, часто уже опережают людей-рекрутеров по проценту кандидатов, приглашенных на собеседование.

Untapt также рассматривает кандидатов из недостаточно представленных групп — женщин, ветеранов и цветных, — чтобы дать шанс тем, кого традиционные рекрутеры могут проигнорировать.

«У нас также есть функции в Untapt, [где] клиенты могут выбрать, чтобы имена и фотографии в их резюме были скрыты, и решения принимались вслепую», — говорит Доннер.

По его словам, компания привлекает соискателей, используя различные методы, в том числе интернет-рекламу, блоги и выступления на отраслевых мероприятиях, а затем просто распространяет резюме среди тех компаний, с которыми кандидаты согласны сотрудничать. Это помогает привлечь клиентов, которые, возможно, не хотят активно участвовать в более традиционном поиске работы, но заинтересованы в изучении различных вариантов.

Машинное обучение также может помочь компаниям находить хороших кандидатов, обращаясь к имеющимся резюме, говорит Стив Гудман, один из основателей и генеральный директор Restless Bandit из Сан-Франциско.

Компания специализируется на «перепроверке таланта» — она ищет среди ранее поданных резюме те, которые могут оказаться подходящими для новой вакансии. Программа изучает записи претендентов и оцифрованные данные о найме, указывающие, преуспели ли предыдущие претенденты на подобные роли.

Со временем она учится понимать, какие резюме подходят для конкретных вакансий. «Мы изучаем шаблоны найма компании», — говорит Гудман.

В будущем компания, вероятно, получит больше данных о том, как успешные кандидаты преуспевают на своих новых рабочих местах и как они продвигаются по карьерной лестнице. Restless Bandit также собирает общедоступные данные о соискателях, поэтому компании могут поддерживать свои базы в актуальном состоянии и просматривать их с точки зрения новых позиций.

«Одна из вещей, которые мы делаем для компаний, это поиск данных в открытой сети, — говорит Гудман. — Мы пытаемся найти нужного человека и дополнить резюме последними данными».

Заменитель «седьмого чувства»?

Что системы машинного обучения пока не могут сделать, так это устранить необходимость собеседования, говорит Гудман. Они не могут оценить язык тела и разговорные навыки соискателей, предсказать, как они впишутся в существующую культуру этой команды. То есть еще существует определенная потребность участия человека в процессе приема на работу.

«Мы можем выбрать вам для собеседования 15 или 20 человек, — говорит он. — Но мы не можем сказать вам, кого нанять».

Тем не менее, некоторые компании даже разрабатывают инструменты, которые используют машинное обучение для оценки личностных качеств и способностей соискателей. В идеале искусственный интеллект может помочь компаниям выйти за рамки базовых личностных тестов, которыми, как давно говорят критики, соискатели могут легко манипулировать, угадывая «правильные ответы» для конкретной работы.

Cognisess, основанная в английском городе Бат, предлагает программную платформу с примерно 40 различными игровыми методами анализа, измеряющими такие факторы, как рабочая память, сопереживание, умение разделить внимание между несколькими задачами.

На основе оценки существующих успешных работников платформа разрабатывает профили тех, кто хорошо подойдет для конкретной позиции, и указывает, насколько кандидаты соответствуют ей, говорит один из основателей и генеральный директор Крис Батт.

Поскольку оптимальные результаты по различным тестам варьируются от позиции к позиции, соискателям трудно сфальсифицировать результаты. 

В целом применение искусственного интеллекта для найма может означать переход от интуитивных решений к процессам, в большей степени основанных на данных, говорит Дэн Райан, директор Ryan Search and Consulting и член Общества управления людскими ресурсами.

«Часть проблем с трудоустройством, а также с процессом поиска работы, связана с тем, что существует зависимость от интуитивных решений в противовес решениям, основанных на данных, — говорит он. — Если мы получим подтверждения, что использование аналитического подхода дает более эффективный результат, чем опора на интуицию, то появятся и реальные результаты».

Оригинал

Источник: https://ideanomics.ru/articles/8588

Как внедрить машинное обучение и повысить количество откликов на вакансии на 5 миллионов: кейс HeadHunter | Rusbase

Как использовать машинное обучение для найма лучших кандидатов

Мы приняли решение перейти на машинное обучение, чтобы повысить качество поиска и рекомендаций для соискателей — и одновременно увеличить количество подходящих откликов для работодателей.

В нашей базе более 600 тысяч вакансий и 37 миллионов резюме. Пользователи hh.

ru совершают более 100 миллионов действий в сутки: как они ищут, что просматривают, где откликаются, а что оставляют без внимания? Нам стало ясно, что вручную мы не сможем оперативно отслеживать все модели пользовательского поведения и дорабатывать поиск в соответствии с ними.

Наблюдая за пользователями, мы поняли, что при поиске многие даже не указывают название профессии. Более того, они не включают фильтры и не пользуются специальным «языком запросов».

63% соискателей просто нажимают кнопку «Найти» без ввода текста, еще 19% отправляют запросы, состоящие из одного слова. И только 14% используют дополнительный функционал поиска с фильтрами. Из-за этого кандидаты просто не видят многие подходящие им предложения.

Unsplash

Работодатели ищут резюме чуть лучше, но незначительно: 35% пишут в строке поиска только одно слово, нередко общее название специальности (например, «менеджер»), 20% рекрутеров отправляют запросы из двух слов, а 23% и вовсе ничего не пишут. Фильтры тоже оказались не очень популярны: например, резюме по профессиональной области отбирают лишь 25% работодателей.

Единственный выход из этой ситуации – научить систему «догадываться», что ищут соискатели и работодатели.

Таким образом мы смогли бы стимулировать увеличение количества откликов на вакансии. Ведь наша задача – обеспечивать клиентам-работодателям постоянный поток кандидатов, которых можно пригласить на собеседование, и максимально оптимизировать время и трудозатраты на найм.

Рекомендации превыше всего

Первый шаг на пути к «умному» поиску – это научить систему ранжировать вакансии так, чтобы рекомендовать наиболее подходящие конкретному кандидату. 

До внедрения машинного интеллекта модель рекомендательной системы опиралась на схожесть текстового содержания с названиями резюме и вакансий, то есть просто анализировала наборы слов в них. Такой алгоритм имеет большие ограничения, так как видит общность не всегда там, где нужно.

К примеру, запрос «менеджер по продажам» похож на «специалист по продажам» и «менеджер по закупкам», в каждом случае отличается лишь одно значимое слово.

При этом поиск не нашел бы ничего общего со «специалистами по работе с клиентами», хотя их функционал нередко включает в себя продажи.

Как видите, подобные текстовые совпадения не всегда уместны, а при ранжировании нужно учитывать и другие признаки.

Сейчас в нашей рекомендательной системе к каждой вакансии мы применяем несколько моделей, причем каждую последующую – только если предыдущая предсказала высокую вероятность отклика. 

Первая модель совсем простая и легкая в вычислениях, последующие – сложнее, «умнее» и требуют больше серверных ресурсов. Таким образом, систему можно представить себе как воронку с четырьмя блоками: тремя фильтрующими и одним ранжирующим, каждый из которых отсеивает неподходящие соискателю вакансии, основываясь на определенных параметрах:

  • эвристический фильтр максимально сокращает выборку, основываясь на базовых параметрах: региона и профессиональной области;
  • фильтрующие модели (линейная и на XGBoost) отсекают существенную часть нерелевантных вакансий, основываясь на признаках, связанных с профессиональной областью и специализацией. Например, проверяется, насколько желаемая должность в резюме совпадает с названием вакансии, отличаются ли зарплатные ожидания соискателя и предложения компании и так далее;
  • и в заключение ранжирующая модель на XGBoost более точно распределяет их положение в выборке с точки зрения наибольшей вероятности отклика.

Иллюстрация: HeadHunter

Чтобы обучить ранжирующую модель, мы используем метод градиентного бустинга, адаптированный под наши задачи.

Он строит набор решающих деревьев, результат применения которых позволяет сравнить между собой вероятности отклика и приглашения для нескольких вакансий.

 Каждое следующее дерево строится так, чтобы корректировать ошибки предыдущих, то есть идет их последовательная минимизация.

Благодаря этому методу мы можем учитывать даже очень сложные зависимости отклика и приглашения кандидата от вакансии, резюме, запроса, поведения на сайте.

Как мы учили систему учиться

Сначала были выгружены данные о вакансиях и резюме соискателей. Из них были сформированы «пары», а также отслеживалось, был ли отклик и затем – приглашение.

Из этого сопоставления мы извлекли важные признаки: разность зарплат, графиков работы, смысловых конструкций, в целом их больше 500. Затем на их основе наши дата-сайентисты c помощью машинного обучения формируют модели, которые сами определяют, кому и какую вакансию показать, чтобы вероятность отклика соискателя и последующего приглашения от работодателя на них была максимальной.

Внедряя машинное обучение, не стоит ждать волшебства и мгновенных результатов. Это довольно тернистый путь с большим количеством экспериментов и итераций.

Разработчикам и дата-сайентистам нужно время, чтобы собрать все необходимые данные, написать признаки, настроить гиперпараметры, сделать метрики для измерения качества и всю окружающую инфраструктуру. Каждое изменение проверяется в три этапа: с помощью локальных метрик, A/B-тестов, и затем всю совокупность измерений – на общих метриках поиска. 

Локальные метрики показывают, насколько лучше новая модель стала работать на тестовом наборе данных. На A/B-тестах мы уже «включаем» изменения для «экспериментальной» части пользователей и проверяем на практике, стала ли система работать для них лучше, чем для той контрольной группы, где поиск остался прежним.

Сейчас «умный» поиск, кроме формальных признаков, содержания и формы резюме, анализирует действия как конкретного пользователя, так и похожих на него: на что откликаются, а на что нет, что добавляют в избранное, за какими откликами следуют приглашения.

Поведенческие признаки являются «сильными» для алгоритмов. Модель учитывает поведение, тем самым определяя степень привлекательности и ранжируя вакансии на ее основе.

Так, система отслеживает, на какие вакансии после просмотра откликаются чаще, чем на другие, или откликаются кандидаты с похожими резюме. В будущем система будет показывать их в выборке выше других вакансий.

Схематически работу нашего машинного обучения можно изобразить вот так:

Иллюстрация: HeadHunter

Немного экспериментов с нейронными сетями

Многие считают нейросети лучшим и универсальным алгоритмом, а deep learning – альтернативой для выделения признаков вручную.

На практике подобрать архитектуру и другие гиперпараметры для нейросетей сложнее, чем для других алгоритмов.

Обучение требует большого объема данных и аппаратных мощностей, применение в production – сложных зависимостей, а разработка признаков, которые подаются нейросети на вход, никуда не исчезает.

Однако нейросети позволяют извлекать из данных такие закономерности, которые нельзя получить при помощи других алгоритмов. Поэтому мы используем сигнал от нейросети как метапризнак, и подаем его на вход обычным моделям.

Разительные перемены

За год использования «умного» поиска количество приглашений на собеседования увеличилось на 47%.

Система стала приносить в среднем на 5 миллионов откликов в месяц больше по сравнению с показателями 2017 года, к тому же эти отклики стали более подходящими, так что они конвертируются в 1,1 миллиона дополнительных приглашений на собеседования.

Помимо того, что внедрение машинного обучения стало нашим конкурентным преимуществом на рынке, мы достигли цели, которую поставили перед собой в самом начале: научиться искать релевантные вакансии для соискателей, чтобы как можно больше людей смогли найти работу, а компании – подходящих сотрудников.

Дальше – больше

Мы продолжаем улучшать «умный» поиск и рекомендации и все еще находимся в начале большого и очень интересного пути.

Поисковую систему нельзя сделать раз и навсегда так, чтобы она оставалась неизменной и отлично работала с данными, которые постоянно меняются.

В ближайшее время мы планируем доработать поведенческие признаки в поиске по вакансиям, улучшить качество рекомендаций для «незалогиненных» пользователей, продолжить развивать модели, предоставив им больше данных для обучения.

Материалы по теме:

Мы оптимизируем бизнес-процессы с помощью ML уже почти 2 года. Каких результатов удалось достичь?

Машинное обучение в юридической сфере: почему будущее еще не наступило

Разработка решений data science: плюсы, минусы и основные трудности

Как повысить продажи в три раза с помощью Big Data и машинного обучения?

Машинное обучение: как оно применяется в жизни

Что такое data science и как это работает?

Фото на обложке: Unsplash

Источник: https://rb.ru/opinion/kejs-headhunter/

Что нужно знать о machine learning, чтобы найти хорошую работу? — Офтоп на vc.ru

Как использовать машинное обучение для найма лучших кандидатов

Перевод: Мария Агеева, Binary District

Если ориентироваться на тренды контент-маркетинга крупных IT-компаний, может сложиться впечатление, будто концепции искусственного интеллекта и машинного обучения каким-то неведомым, практически чудесным образом появились на свет лишь два-три года назад. Это, конечно, не так.

Термин «искусственный интеллект», как известно, программисты и исследователи использовали ещё в 1950-х — для описания машин, способных без посредничества человека адекватно решать абстрактные задачи.

А machine learning — это один из наиболее известных методов практической реализации возможностей искусственного интеллекта.

Машинное обучение базируется на создании алгоритмов, обладающих встроенной способностью распознавать паттерны при анализе больших массивов данных и использовать их для самообучения.

Почему карьера в machine learning — отличный выбор?

Кейсы Netflix и Amazon наглядно иллюстрируют, насколько умными, причём именно по-человечески умными, могут быть технологии благодаря применению machine learning.

Когда Netflix, словно читая ваши мысли, предлагает вам именно те фильмы и сериалы, что непременно вас заинтересуют, — за этим стоит ML. Благодаря машинному обучению Amazon столь успешно убеждает вас купить в нагрузку к приобретаемому товару ещё что-нибудь.

Чтобы предложить именно те товары, которые придутся вам по вкусу, используются сложные алгоритмы, обрабатывающие терабайты данных. Попробуйте представить, сколько существует бизнес-кейсов, в которых ML может изменить статус-кво.

Очевидно, что machine learning — привлекательная сфера как для тех, кто только готовится к выбору профессии, так и для тех, кто мечтает о новом витке IT-карьеры.

Гибкий подход к языкам программирования

Большинство энтузиастов machine learning волнует вопрос – учить Python или R? Для разработки программ, основанных на алгоритмах машинного обучения, действительно чаще всего применяются эти два языка программирования. Однако разработчикам, ориентированным на долгосрочный карьерный успех, такой вопрос себе задавать не стоит.

— Уникальные преимущества некоторых языков программирования облегчают решение связанных с AI проблем, а вы ведь не хотите провалить проект?

— Обладая доступом к библиотекам, не так уж сложно разрабатывать основанные на ML программы на любом языке программирования

— Некоторые из основанных на ML технологий не могут справиться с определёнными задачами, в таком случае программист должен уметь найти альтернативный вариант

— Помимо этого, появляются и новые подходы к реализации алгоритмов ML. Чтобы «оставаться в игре», нужно уметь адаптироваться к ситуации и осваивать технологию по мере того, как она меняется

Теория вероятности и статистика

Основы теории вероятности составляют ядро машинного обучения. Теорема Байеса, условная вероятность, функция правдоподобия, независимые и взаимообусловленные события — всем, кто мечтает об интересной работе в сфере machine learning, необходимо разобраться в этих элементах теории вероятности.

Ведь эти концепции являются научной базой для решения проблемы неопределённости в алгоритмах машинного обучения. Математическое ожидание, медиана, мода, дисперсия, биномиальное распределение и т.д. — любой программист или специалист по анализу данных должен владеть этими концепциями, ведь иначе он не сможет проверять работу алгоритмов ML и совершенствовать их.

Многие алгоритмы машинного обучения представляют из себя логичное продолжение процедур статистического моделирования.

Моделирование данных

Моделирование данных — это определение базовой структуры сложных массивов. Результативность алгоритма машинного обучения зависит от того, найдутся ли в этом массиве полезные паттерны: например, корреляция, собственный вектор, категоризация. В основе ML лежит постоянное совершенствование моделей данных.

В зависимости от того, какая степень толерантности к ошибке заложена в приложении, для которого вы разрабатываете модель, принимается решение о мере точности и мере погрешности. Итеративные алгоритмы обучения должны уметь модифицировать модель в зависимости от меры погрешности.

Без базовых знаний в области моделирования данных не получится разработать даже самый простой алгоритм.

Почему вам необходимо освоить библиотеки machine learning

Хорошая новость: для большей части базовых и стандартных реализаций ML-решений существуют библиотеки, API, пакеты программного обеспечения. Однако, чтобы преуспеть в работе над ML-проектами, совершенно необходимо:

— уметь выбирать подходящую модель (ближайший сосед, дерево решений, нейросеть, компиляция нескольких моделей)

— уметь выбирать подходящую для конкретного типа данных обучающую процедуру

— понимать, как гиперпараметры влияют на обучаемость алгоритма

— уметь оценивать плюсы и минусы разных подходов

Советуем энтузиастам, желающим постичь все нюансы machine learning, посетить сайт Kaggle, где собрано немало интересного материала по ML и анализу данных, включая практические задания.

Умелое обращение с данными

Важно понимать, что данные всегда важнее алгоритмов. На основе данных можно реализовать выдающуюся программу — даже если алгоритм будет базовым.

Так что всем, кто хочет построить IT-карьеру, работая с ML, придётся сначала изучить управление данными, организацию данных, анализ данных и только потом погружаться в разработку продвинутых алгоритмов.

Ведь программисты, специализирующиеся на machine learning, много времени уделяют преобразованию данных, это – ключевой аспект их работы.

Распределённая обработка данных

Технология machine learning сопряжена с обработкой больших массивов данных. Программисты едва смогли бы выполнять такой огромный объём работ, используя ресурсы лишь одного компьютера.

Решение проблемы — распределённая обработка данных. Любой опыт в этой сфере может оказаться бесценным.

Apache Hadoop и Amazon EC2 предлагают удачные решения для распределённой обработки данных, так что вам, вероятно, было бы полезно ознакомиться хотя бы с их основами.

Machine learning — единственная технология, способная обеспечить работу приложений с достаточно мощным потенциалом, чтобы произвести переворот в функционировании целых отраслей.

Компании по всему миру уже вкладывают огромные суммы денег в разработку основанных на ML сервисов для внутреннего пользования. Таким образом, появляется всё больше новых вакансий, открывается широкий спектр возможностей трудоустройства.

Следуйте советам, изложенным в этой статье, чтобы освоить machine learning и спланировать новый виток карьеры.

17 февраля на площадке Digital October пройдёт интенсивный однодневный курс Introduction to Machine learning, AI . Мы расскажем всё о самом перспективном инструменте для бизнеса, основанном на технологии искусственного интеллекта.

Источник: https://vc.ru/flood/33047-chto-nuzhno-znat-o-machine-learning-chtoby-nayti-horoshuyu-rabotu

Интеллектуальный автоматизированный рекрутинг: Big Data и Machine Learning в HR

Как использовать машинное обучение для найма лучших кандидатов

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 ых 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 [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].

Робот-промоутер Kiki помогает привлечь соискателей и автоматизировать первичный отбор пртендентов

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].

Big Data и Machine Learning помогут определить факторы, от которых по-настоящему зависит эффективность работников

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].

Big Data и Machine Learning повысят эффективность ваших HR-процессов

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

Источник: https://www.bigdataschool.ru/blog/big-data-machine-learning-hr-recruitment-cases.html

HR-tech: цифровые технологии в найме персонала

Как использовать машинное обучение для найма лучших кандидатов

Автоматизация и роботизация — тренд последних десяти лет. В случае с HR технологии помогают автоматизировать рутинные процессы вроде документооборота или отбора кандидатов, обрабатывать большие объемы данных и анализировать работу сотрудников. Но как и в других сферах, в HR с внедрением технологий все обстоит не так просто.

Мы поговорили об HR-tech и будущем цифровых технологий в HR с Михаилом Танским, сооснователем сервиса для работы с базой резюме «Хантфлоу».

Что можно автоматизировать в сфере HR?

— В первую очередь автоматизируют рутинные задачи, которые не требуют творчества, креативного мышления и глубокой аналитики: различные расчеты, построение графиков, создание статистики, бухучет, кадровое делопроизводство, заполнение справок. Тенденция будет захватывать новые аспекты: от проведения видеоинтервью до автоматического обзвона кандидатов.

Автоматизация экономит рабочее время сотрудников и иногда помогает уменьшить HR-отдел. Еще часто автоматизируют хранение и управление данными, чтобы можно было легко находить и структурировать их.

Идеи автоматизации поддерживает и государство — в 2020 году в России планируют внедрить электронные трудовые книжки. Это поможет создать удобную электронную базу с информацией о трудовой деятельности граждан, упростить операции, которые не требуют участия человека, освободить время сотрудников для сложных задач.

Большинство технологий подходят для массового подбора, если нужно нанять рядовых сотрудников средней квалификации. Для точечного найма высококвалифицированных специалистов или руководителей необходим «ручной поиск».Михаил Танский, сооснователь сервиса для работы с базой резюме «Хантфлоу»

Всем ли нужна автоматизация HR и во сколько она обходится?

— Есть мнение, что внедрение технологий обходится недешево, требует много времени и сил, и люди продолжают работать по-старому, из принципа «работает — не трогай».

При этом многие системы автоматизации рекрутинга и работы HR-отделов интегрировать просто — перейти на них и перенести данные из CRM или ATS (Applicant Tracking System, системы по управлению кандидатами) можно за неделю. Больше времени интеграция занимает, если система сложная: у вас много данных и бизнес-процессов.

Также есть облачные сервисы — они уже настроены, не требуют организации инфраструктуры в компании. Среди них есть разные инструменты, например CRM-системы вроде «Битрикс24». Наша система найма сотрудников «Хантфлоу» — тоже облачный сервис.

Без автоматизации HR можно обойтись, если в компании несколько сотрудников: 5-10 человек. В других случаях бизнес платит за отказ от инноваций рабочими часами эйчаров и рекрутеров, которые тратят время на рутину, невозможностью отслеживать процессы найма и принимать решения, основанные на аналитике, а не интуиции.

Как интегрировать сложные IT-продукты в HR-процессы?

— Рекрутеры используют разные инструменты и сервисы: ATS для подбора персонала, почту, календарь, джоб-сайты, сервисы для сорсинга (поиска кандидатов), 1С и другие. Нужно, чтобы системы автоматизации рекрутинга можно было интегрировать со всеми нужными сервисами и программами, не приходилось копировать данные из одних в другие.

Любой разработчик понимает, что работа с интеграциями — сложная история, любое несогласованное изменение на противоположной стороне приводит к тому, что все ломается.

С одной стороны, нам в «Хантфлоу» важно поддерживать интеграции со всеми этими сервисами, следить, чтобы они работали.

С другой — нужно дать широкие возможности другим сервисам для интеграции с нашим сервисом. Поэтому мы развиваем наше API.

Как оценить пользу от автоматизации HR?

— Работу HR и эффект автоматизации можно оценить, если в компании используют аналитику. Сейчас многие не следят, насколько эффективны их вакансии, HR-менеджеры, инструменты. Начинать надо с понимания, какие показатели нужны и зачем их замерять.

Процесс найма — широкая «воронка», где на входе все кандидаты, резюме которых нашел рекрутер или которые откликнулись на вакансию. Кандидаты проходят несколько этапов от отклика до выхода, на каждом идет отсев неподходящих и выбор релевантных для вакансии. В зависимости от конверсии и скорости прохождения разных этапов «воронки» можно делать выводы о ее эффективности.

Например, можно терять хороших кандидатов из-за долгой обратной связи по тестовому заданию. Либо в компании плохое тестовое, кандидаты не хотят его делать, тогда стоит пересмотреть процессы найма.

Чтобы оценить эффективность HR-процессов — надо считать и анализировать показатели «воронки»: статистику по количеству отказов кандидатов от вакансии на разных этапах найма, конверсию писем кандидатам, скорость закрытия вакансий, эффективность разных каналов привлечения и работы рекрутера.

Где быстрее идет автоматизация HR: в России и на Западе?

— Многие компании и в России, и за рубежом автоматизируют работу HR-отделов. Например, систему «Хантфлоу» используют такие российские компании, как Рольф, Mail.ru Group, Авито.

Летом 2019 года международная рекрутинговая компания Hays проводила исследование на тему «IT-технологии в сфере HR».

Опрос почти 500 российских и международных компаний показал, что 78% компаний автоматизировали кадровый учет и администрирование, а 41% — автоматизировали найм персонала, еще 20% планируют автоматизацию в настоящее время.

Активнее всего технологии в HR внедряют IT-компании и стартапы.

Они в целом открыты для новых решений, понимают, какую пользу получат. Им проще начать пользоваться технологическими продуктами из-за особенностей корпоративной культуры. Через них технологии становятся мейнстримом, глубже проникают в другие сферы.

Все ли инновационные IT-продукты нужны и востребованы?

— Иногда технологии разрабатывают и внедряют на волне популярности, когда компании верят в какой-то продукт, экспериментируют. Бывает, что продукты красиво выстреливают, но потом оказываются никому не нужны. Также есть продукты, которые собирают инвестиции, не имея ни клиентов, ни перспектив, они держатся на хорошем пиаре и харизме владельцев, но в итоге уходят с рынка.

Таких примеров много: Theranos Элизабет Холмс, очки Google Glass, социальная сеть Bebo, которая должна была стать «заменой ». Все они привлекали инвестиции, иногда в течение десятков лет, но в итоге провалились.

Есть и реально полезные продукты, которые разработаны под потребности людей, а не на волне популярности. На старте они не отличаются от бесполезных, но в итоге выживают, потому что люди их покупают, «голосуют рублем».

Реально нужные и востребованные продукты — это те, которые прошли проверку временем и выжили на рынке.

Жизнеспособные технологии можно разделить на два условных типа: одни решают проблему здесь и сейчас, например, системы автоматизации найма, вторые работают на перспективу, закрывают потребности, которые вскоре появятся у рынка. Есть технологии, которые решают эти две задачи сразу.

Примером перспективных технологий, на мой взгляд, могут быть те, что связаны с big data — такие технологии позволяют собирать массивы данных и работать с ними, анализировать, строить гипотезы, делать выводы, чтобы на их основе принимать управленческие решения, не фантазировать и не действовать вслепую.

Чтобы работать с big data, нужна масштабная инфраструктура: дорогое оборудование, программы, люди для обслуживания. Но организовывать все внутри компании необязательно — можно, например, подключиться к облачной платформе и анализировать данные на уже построенной инфраструктуре.

Сейчас в HR есть тренд на геймификацию, нужны ли игры для найма кандидатов?

— Геймификация в HR — отбор сотрудников с помощью игровых механик. К примеру, кандидатам предлагают поиграть за управляющего складом, пройти квест или в VR-шлеме пообщаться с виртуальным клиентом.

Геймификацию многие превозносят, но это просто инструмент. Сработает он или нет — зависит от задачи. Иногда быстрее и дешевле нанять людей, если повесить объявление на заборе, а иногда стоит запустить квест и приглашать на стажировку победителей. Вопрос только в цене и целесообразности.

Геймификацию используют и в других процессах, помимо найма. Например, в обучении или для работы с корпоративной культурой в компании.

Геймификация должна сочетаться с хорошо построенными внутренними и внешними процессами.

Если привлечь за счет геймификации новых сотрудников в компанию, где не налажены процессы, не работает система управления персоналом — они не захотят здесь работать и уйдут.

Еще геймификация хорошо работает на репутацию — помогает построить HR-бренд, создать впечатление современной и технологичной компании, которая интересно подбирает и обучает сотрудников.

Что ждет технологии HR в будущем?

— Сейчас рынок HR-tech растет. Популярнее становятся стартапы, автоматизирующие поиск и отбор сотрудников с помощью искусственного интеллекта и технологий машинного обучения. Здесь, как и в других сферах, будущее пока видится за ИИ.

Возможно, скоро набирать сотрудников будут роботы, например, такой проект реализовал «Ростелеком» — их бот Вера для подбора персонала автоматически обзванивает кандидатов, распознает речь, выявляет заинтересованных и отвечает на простые вопросы. Когда компании PepsiCo понадобилось нанять 200 человек в новый центр поддержки продаж в Воронеже, Вера помогла им заполнить 10% вакансий.

Еще одно перспективное направление в HR-tech — обучение сотрудников и повышение квалификации. Эти процессы уже автоматизируют с помощью интерактивных онлайн-курсов и бизнес-игр вроде симулятора продавца от Walmart, в будущем таких курсов станет больше.

Согласно отчету DELOITTE «GLOBAL HUMAN CAPITAL TRENDS 2019», в HR возрастет роль аналитики. В ближайшем будущем глубокая аналитика и big data позволят прогнозировать поведение сотрудников, например, предотвращать случаи мошенничества или эффективнее планировать обучение. Уже сейчас крупные IT-компании используют big data для аналитики.

Например, в Google отказались от сложных нестандартных задач на входящих интервью — анализ показал, что успешность их решения никак не влияет на эффективность сотрудника в будущем. А компания KeenCorp использует big data для оценки вовлеченности. Они анализируют тысячи email-сообщений из корпоративной переписки и общения с клиентами, на основе этих данных предсказывают поведение сотрудников.

Технологии в HR: реальность и перспективы

  1. В сфере HR автоматизированы рутинные задачи вроде подсчета статистики и расчета отпусков, сейчас автоматизация распространяется на рекрутинг. Появляются разные технологии: автоматический обзвон кандидатов, сортировка и фильтрация резюме, хранение информации о кандидатах.
  2. Автоматизированные системы можно внедрить в работу компании за несколько дней, особенно если использовать облачные сервисы. Они платные, но это не расход, а инвестиция — в будущем автоматизация поможет сэкономить на сотрудниках.
  3. При автоматизации процессов в HR самое сложное — интегрировать новую систему со старыми сервисами, связать их, наладить перенос данных.
  4. В России и на Западе автоматизация HR начинается с IT-компаний и стартапов, которым легче переходить на новые технологии.
  5. В HR важно наладить аналитику — воспринимать процесс найма, как «воронку продаж», следить, на каких этапах отсеиваются кандидаты.
  6. В ближайшем будущем в HR будут еще больше автоматизировать найм сотрудников и обучение персонала, активно использовать big data для прогнозирования поведения.

    Но полной автоматизации не будет — технологии не заменят HR-специалистов в точечном поиске кандидатов.

Что почитать по теме: Про особенности HR на IT-рынке: как находить лучших программистов и продакт-менеджеров. Как работают облачные SaaS-сервисы. Что такое большие данные и чем они отличаются от другой информации.

Елена Шпрингер

Источник: https://mcs.mail.ru/blog/hr-tech-cifrovye-tekhnologii-v-najme-personala

Источник: https://zen.yandex.ru/media/mcs/hrtech-cifrovye-tehnologii-v-naime-personala-5dd266372978bf375cfab152

Все HR- сотруднику
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: