Все осознают, что HR аналитика — важный инструмент, но далеко не все эйчары используют ее мощный потенциал. Кроме того, у многих на слуху — хайповые тренды, связанные с внедрением в HR именно предиктивной (предсказательной) аналитики. В статье сделаем обзор этих понятий и рассмотрим принципы и практику их применения.
«Огласите весь список, пожалуйста», Или какие виды аналитики используют в HR
Дескриптивная (описательная) аналитика. С помощью доступной информации формирует объективное и максимально точное описание исследуемого объекта/ситуации. Отвечает на вопрос: «Что происходит сейчас?». Это основа любой аналитики в HR. Оперирует такими данными как структура персонала, нормы труда, нормативы численности, обзоры зарплат, метрики эффективности процессов, внутренние и внешние бенчмарки.
Прогнозная аналитика. На основании очевидных зависимостей и подтвержденных статистических гипотез позволяет «заглянуть» в ближайшее будущее с помощью прогнозирования численности и планирования загрузки персонала. Дает возможность сформировать профиль успешных специалистов, разработать план мероприятий по повышению их вовлеченности, определить нормы прохождения тестов.
Предиктивная (предсказательная) аналитика. Использует неочевидные зависимости, данные дескриптивного анализа, прогнозной аналитики и Big Data, чтобы «влиять на события отдаленного будущего». Автоматизируют с помощью искусственного интеллекта (AI). Применяют с целью предотвратить/предсказать/выявить причины увольнения сотрудников еще до того, как это произойдет, прогнозировать их возможный успех/фиаско на конкретной должности.
Предсказательное моделирование использует как традиционные, так и новаторские методы анализа:
Теоретически предиктивная аналитика в HR вместе с AI призваны:
- достигать долгосрочных результатов компании (получение прибыли);
- выявлять проблемы с текучкой кадров и предлагать способы их решения;
- мониторить расходы на привлечение новых и сохранение существующих специалистов, снижая таким образом операционные затраты.
Однако на практике не все получается так гладко.
Предиктивная аналитика в HR и «Черный лебедь»
Противники предиктивных моделей считают, что аналитика по определению не бывает «предсказательной». В качестве обоснования приводят идею, которую популяризировал Нассим Николас Талеб в своем труде «Чёрный лебедь. Под знаком непредсказуемости». По мнению автора, все происшествия имеющие значительные последствия — черные лебеди, то есть редкие и труднопрогнозируемые.
Для справки. Первый европеец, увидевший черного лебедя — нидерландский путешественник Виллем де Вламинк. Случилось это в 1697 году в Западной Австралии. До того представители Старого Света пребывали в абсолютной уверенности, что лебеди бывают исключительно белыми. А теперь вопрос на засыпку: насколько велика вероятность, что кто-то из жителей Европы мог бы предсказать появление этих пернатых с черным окрасом?
Если теория Талеба верна, то применительно к HR предиктивная аналитика не может предсказывать события, способные в значительной степени влиять на решение кадровых вопросов.
Но, с другой стороны, многие крупные компании продолжают вкладывать большие средства в развитие искусственного интеллекта, внедряя в работу эйчар-отделов технологии предиктивного моделирования. Почему они это делают? Попытаемся выяснить.
Предсказывая непредсказуемое: 5 примеров использования предиктивной аналитики в HR
US Special Forces. Возможно вы удивитесь, но эйчары спецназа США
используют инструменты предсказательной аналитики, прогнозируя, кто из
кандидатов станет успешным бойцом элитного подразделения. Требования жесткие.
Выбрать надо лучших. И так, чтобы наверняка.
Угадайте спрогнозируйте, что присуще крутому спецназовцу: 1)
высокий уровень IQ; 2) способность отжаться от пола 80 раз; 3) мужество,
выдержка, твердость характера?... Анализ указал на пункт 3.
Google. В своей книге «Работа рулит! Почему большинство людей в мире хотят работать именно в Google» Ласло Бок, старший вице-президент по работе с персоналом (HRM), пишет, что важнейший инструмент управления персоналом в Google — статистика. Первичное интервью с соискателем полностью автоматизировано, проводится на компьютере, настроено так, чтобы отобрать лучшего кандидата. Еще поисковый гигант оценивает вероятность ухода людей из компании, применяя предиктивный анализ. Один из выводов: новые сотрудники отдела продаж, не получающие повышение в течение 4 лет, чаще покидают компанию.
Hewlett-Packard. Парни из HP — настоящие фанаты предиктивной аналитики в HR. Доверием к предсказательным технологиям компания прониклась еще в 2011 году. Тогда штатные ученые объединили данные отдела кадров за предыдущие 2 года и с помощью прогностической модели попытались предсказать вероятность увольнения каждого из 300 000 сотрудников. В результате был сгенерирован так называемый показатель «Flight Risk» (риск ухода), используя который менеджеры могли своевременно реагировать на сигналы-предвестники увольнений. Благодаря этому HP сэкономила до $300 000 000. Что еще выяснили: в отличие от Google, для работников Hewlett-Packard имеет значение не только продвижение по службе, но и увеличение зарплаты; в противном случае — увольняются в течение 5 лет.
Best Buy. Этот ритейлер бытовой электроники — один из лидеров предиктивных HR-изысканий, в ходе которых руководство компании определило, что увеличение вовлеченности сотрудников (engagement employees) на 0,1% приводит к увеличению годового дохода на $100 000. Такие результаты побудили пересмотреть периодичность внутреннего аудита вовлеченности: теперь его проводят ежеквартально, а не раз в год.
IBM. В распоряжении «Голубого гиганта» — суперкомпьютер Watson IBM, оценивающий целый ряд критериев, которые, как предполагается, влияют на текучку персонала. Среди них: уровень и сфера образования, размер часовой ставки, увлеченность и удовлетворенность работой, частота/отсутствие деловых поездок, семейное положение, возраст и даже расстояние от дома до места работы. Зеленым выделен столбец, содержащий указание на «выгорание» (да/нет) сотрудника (см. скриншот ниже).
Анализируя эту информацию, HR-менеджер может предотвратить уход специалиста и выявить причину увольнения.
Обратите внимание. В таблице приведены структурированные данные, то есть предиктивная аналитика почти всегда начинается и заканчивается дескриптивной (описательной) аналитикой. Поэтому не пренебрегайте сбором традиционных статистических данных. Они обязательно пригодятся, если решите разрабатывать предсказательные модели.
5 шагов по разработке предикативной модели
В общем виде ход работы будет таким (на примере прогноза увольнений по собственному желанию классных специалистов):
- Подготовка предположений, почему высококвалифицированные работники увольняются по собственному желанию. Изучают:
- Внешние факторы: востребованность компетенций, динамика изменения зарплаты, позиция работодателя на рынке труда.
- Внутренние факторы: рабочее время (график, переработки), наличие/отсутствие командировок; уровень комфорта в офисе; уровень зарплаты; карьерный рост, перспективы развития; время проезда до работы.
- Индивидуальные характеристики: пол, возраст, семейный статус, наличие детей; психологический профиль; владение иностранными языками.
- Определение доступных данных. Решают, где найти информацию, необходимую для проверки гипотез, сформулированных на предыдущем этапе. Возможные источники:
- Внешние данные с рекрутинговых сайтов, обзоры зарплат.
- Внутренняя информация системы контроля и управления доступом (опоздания, перерывы, ранние уходы, изменение устоявшегося поведения); данные о посещаемых сайтах; результаты опросов вовлеченности и оценки эффективности; данные кадрового учета (изменения зарплаты и карьеры)
- Результаты психодиагностики.
- Сбор, проверка и структурирование информации. Как правило, самый продолжительный этап.
- Разработка модели: 1) создание, 2) тестирование, 3) визуализация. Создают и проверяют прототип модели с учетом реальных данных, разрабатывают пользовательский интерфейс, обучают HR-менеджеров взаимодействовать с системой.
- Применение модели. В идеале — не просто прогнозирование, а мониторинг (в том числе удаленный) индикаторов риска увольнения сотрудников.
Подведем итоги, подумаем, как применить материал статьи в отечественных HR-реалиях.
Как съесть слона? По кусочкам! Начните с аналитики HR и простого моделирования
Итак, существует двоякое отношение к предиктивной аналитике: некоторых смущает — не без основания — ее «предсказательный» характер; другие видят в ее применении реальную коммерческую выгоду.
Но с чего начать эйчару, у которого пока нет возможности арендовать мощности сервера Watson IBM или вкладывать средства в разработку искусственного интеллекта?
С какой стороны «подступиться», чтобы получить необходимую для моделирования информацию, особенно если проанализировать нужно профессиональные навыки финансовых специалистов?
Начните собирать и фиксировать достоверные данные, применяя профессиональные HR-инструменты:
- С помощью готовых тестов быстро и объективно оценивайте hard skills финспецов.
- Прокторинг. Доверьте проктору дистанционное наблюдение за тестируемым и экраном его компьютера, чтобы убедиться, что он не использует подсказки.
- Аналитика. Сохраняйте для последующего анализа результаты тестирования в форме индивидуальных, групповых и сравнительных отчетов.
- Видеособеседование. Записывайте онлайн-собеседования, чтобы впоследствии пересматривать видео, выбирая нужные статистические данные
- Автособеседование. Экономьте время: пусть собеседование проводит компьютер. Как в Google :)
Все эти инструменты доступны на платформе онлайн-тестирования финансовых специалистов Finassessment. Регистрируйтесь, чтобы получить демо-доступ к платформе:
Попробовать Finassessment бесплатно
