Машинное обучение в сфере HR

Содержание
  1. Технологии на службе HR: какие инструменты используют кадровые службы
  2. Решение HR-задач при помощи приложений
  3. Автоматизация: помощь HR-роботов
  4. Анализ больших данных и предиктивная аналитика
  5. Виртуальная реальность
  6. Проблемы адаптации технологий
  7. HR-tech: цифровые технологии в найме персонала
  8. Что можно автоматизировать в сфере HR?
  9. Всем ли нужна автоматизация HR и во сколько она обходится?
  10. Как интегрировать сложные IT-продукты в HR-процессы?
  11. Как оценить пользу от автоматизации HR?
  12. Где быстрее идет автоматизация HR: в России и на Западе?
  13. Все ли инновационные IT-продукты нужны и востребованы?
  14. Сейчас в HR есть тренд на геймификацию, нужны ли игры для найма кандидатов?
  15. Что ждет технологии HR в будущем?
  16. Технологии в HR: реальность и перспективы
  17. HR в 2020 году: технологии, которые сделают работу с кадрами эффективнее | Rusbase
  18. Искусственный интеллект и роботизированная автоматизация процессов
  19. Виртуальная и дополненная реальность и носимые устройства
  20. Опыт сотрудников, HR-наставничество и обратная связь в режиме реального времени
  21. Новые рабочие модели и поколение Z
  22. Интегрированные системы и облачные технологии
  23. Зачем изучать машинное обучение и кем потом работать
  24. Где применяют машинное обучение
  25. Искусственный интеллект, машинное обучение – в чём разница?
  26. В чём специфика кода для машинного обучения
  27. Чем конкретно занимается ML-специалист
  28. Какие навыки нужны в машинном обучении
  29. Каких кандидатов берут на работу
  30. Где работают и сколько получают специалисты по ML
  31. Как обучают специальности в GeekBrains
  32. Преимущества курсов
  33. Этапы обучения и курсовые проекты
  34. Как курсовые проекты помогут найти работу
  35. Big Data и Machine Learning в HR: еще 5 примеров успешного использования информационных технологий для управления человеческими ресурсами
  36. Управление талантами в корпорацииIBM с помощьюBigData иMachineLearning
  37. 3 примера использованияBigData иMachineLearning для повышения лояльности и удержания сотрудников
  38. Технологии больших данных и машинного обучения для оптимизации штатного расписания

Технологии на службе HR: какие инструменты используют кадровые службы

Машинное обучение в сфере HR

Для HR наиболее важны те технологические инновации, что способны помочь ускорить процесс поиска и отбора необходимых кандидатов. Чем меньше временные затраты, тем лучше.

Как и во многих других сферах бизнеса, в HR на помощь приходят искусственный интеллект с машинным обучением и предиктивной аналитикой, big data, распознавание лиц и голоса.

Рассмотрим отдельные направления и практические кейсы.

Западные компании, которые постепенно меняют рынок HR

Решение HR-задач при помощи приложений

Поскольку смартфоны являются неотъемлемой частью нашей жизни, то и работодателям, и потенциальным сотрудникам удобнее искать друг друга посредством мобильных приложений. По статистике, количество пользователей мобильных устройств составляет 4,57 млрд человек.

Причем у некоторых из них не один девайс, а несколько, то есть количество активных устройств больше, чем число пользователей.

Как правило, люди в три-пять раз чаще обращаются к смартфонам, а не ПК или ноутбукам, а потому мобильные «кадровые» инструменты оказываются наиболее эффективными.

Мобильные HR-сервисы используют уведомления для кандидатов и рекрутеров, что значительно ускоряет процесс коммуникации.

Рекрутер размещает вакансию, после чего сервис отправляет уведомление, если на сайте кто-то разместил резюме, которое по большей части параметров совпадает с критериями отбора.

Причем сервис не ограничивается уведомлениями, а проводит еще первичную сортировку оптимальных резюме.

Одно из популярных HR-приложений — Belong. Работает система на основе машинного обучения. Belong постоянно анализирует поступающие вакансии и резюме для того, чтобы найти оптимальные пары — соискатель-работодатель.

Zoho People — тоже связка «приложение-сервис», которая помогает отслеживать активность сотрудников и эффективность их работы удаленно. Приложение позволяет сотрудникам отмечать уход с рабочего места или переработку. Это же приложение дает возможность связаться с любым сотрудником из списка контактов для обсуждения определенных вопросов.

При помощи мобильных приложений для HR компания может не только искать новых сотрудников, но и получать обратную связь от соискателей или штатных сотрудников. По данным компании Adobe, люди гораздо охотнее дают отзыв в приложении с телефона, чем используя веб-сервис с ПК или ноутбука.

Автоматизация: помощь HR-роботов

Значительную долю времени рекрутеров занимают обзвон кандидатов и собеседования. С развитием технологий отбор подходящих резюме и процесс первичного обзвона автоматизировали.

С этим справляется сервис «Робот Вера», который задает вопросы по базе и распознает простейшие ответы вроде «да», «нет» или «согласен». Первый этап работы «Веры» — отбор резюме на наиболее популярных российских ресурсах по поиску работы.

Затем идет обзвон потенциальных кандидатов с предложением прийти на собеседование, если ответы собеседника-человека совпадают с базой робота. Средняя конверсия при поиске кандидата составляет 15%. Робот способен обзванивать около 30–40 тыс. соискателей в день.

«Вера» способна проверить информацию, указанную в резюме, на соответствие действительности. Например, если кандидат указал, что знает английский язык на продвинутом уровне, робот задает вопросы на английском, ожидая ответа на этом же языке.

Кроме «Веры», есть масса других примеров успешной деятельности HR-роботов. В июне 2017 года банк «Открытие» завершил пилотный проект по автоматизации найма персонала.

В итоге банк получил 113 сотрудников своего колл-центра и девять менеджеров по продажам благодаря роботу. В первую неделю этот робот смог найти больше кандидатов, чем целый отдел из пяти специалистов по кадрам за месяц.

Сотрудники банка заявили, что именно робот позволил сократить время закрытия вакансий и скорость найма необходимых специалистов в два раза.

Еще один пример — разработка калифорнийской компании FirstJob, чат-бот которой помогает оценивать резюме на соответствие вакансии, задает ряд дополнительных вопросов и затем отсылает полученные данные HR-менеджеру. По словам разработчиков, робот дает возможность сократить время поиска сотрудника на 75%.

Большинство известных площадок для поиска работы и сотрудников используют ИИ для того, чтобы кандидаты видели наиболее подходящие для себя вакансии, а рекрутеры — релевантные резюме при «холодном» поиске. Для снижения временных затрат рекрутера на обработку нерелевантных откликов применяются различные чат-боты или ые боты. Часто это просто сценарные опросники, но работают они эффективно.

Помогает оптимизировать затраты на HR-процессы и поиск соискателей с учетом их местоположения. Стоит отметить, что многие соискатели соглашаются на размер заработной платы на 5–10% ниже заявленной, если работа находится в непосредственной близости от квартиры.

Оптимальное время, которое практически любой человек согласен потратить на дорогу до рабочего места, составляет около 40 минут. Кстати, геолокацию при поиске сотрудников используют такие гиганты, как General Electric, Mailchimp и Goldman Sachs.

Важную роль играет и скрининг, так что многие платформы предлагают разные инструменты для тестирования кандидатов еще до того, как они приглашены на собеседование. Автоматизировать этот процесс можно, в частности, при помощи геймификации. Соответствующие платформы для выполнения этой задачи — Pymetrics и HireVue.

Какие-то задачи можно автоматизировать при помощи ых помощников вроде Alexa от Amazon или «Алисы» от «Яндекса» — они становятся все более умными. Цифровой ассистент мог бы сильно разгрузить HR на всех этапах взаимодействия с кандидатом или сотрудником, а также стать единой точкой входа для сотрудника, чтобы оформить больничный, отпуск или премию, выяснить дополнительную информацию.

Анализ больших данных и предиктивная аналитика

Прошло время, когда рекрутеры просто накапливали данные о потенциальных сотрудниках, создавая относительно простые базы данных.

Сейчас эту информацию необходимо анализировать и прорабатывать при помощи ИИ, big data и машинного обучения.

Компании, которые используют продвинутые системы анализа потенциальных сотрудников, работают в два-три раза эффективнее своих коллег, которые просто собирают информацию.

Активная работа с big data в HR только начинается — пока еще немногие компании используют возможности технологии.

А спектр возможностей весьма широк: например, обработка естественного языка может применяться для анализа тысяч резюме, которые поступают в HR-отделы крупных компаний.

Сотрудники-люди зачастую не в состоянии справиться с таким объемом информации, так что использование современных технологий просто необходимо. Анализ big data дает возможность проранжировать резюме и составить рейтинг соискателей, что значительно облегчает работу.

К сожалению, в России примерно 27% компаний не используют аналитику в HR. Нет ни просчета стоимости закрытой вакансии, ни анализа наиболее эффективных каналов привлечения сотрудников или текучести кадров.

Один из известных аналитических HR-сервисов Jibe Insights позволяет руководству компании отслеживать действия рекрутингового отдела, оценивать эффективность собеседований, отслеживать путь сотрудника от соискателя к руководителю.

Этот способ поиска сотрудников, в частности, использует компания Keencorp. Ее сервисы определяют потенциал соискателей и их способность работать в заявленной в резюме сфере. Согласно одному из исследований, неочевидные факты в резюме, например, продажника позволяют обнаружить и нанять весьма эффективных специалистов.

Эти факторы довольно простые — отсутствие опечаток, орфографических ошибок в резюме или попыток бросить школу в детстве, успешная работа на предыдущих местах, способность анализировать нечеткие инструкции, многозадачность, умение планировать время.

Результаты исследования ясно показывают, что диплом престижного вуза и рекомендации от прежних работодателей имеют не слишком высокое значение.

Обработка больших данных помогает снизить убытки компании, связанные с неудачным подбором кадров. Расходы на HR, затраты на тренинги, убытки из-за снижения общей производительности труда, уход клиентов, не получающих обещанного сервиса — это лишь часть убыточных элементов бюджета.

Положительный момент в работе с big data в HR в том, что компания может настроить свои каналы рекрутинга именно на тех специалистов, которые ей нужны. Отличный кейс— подбор кадров в социальных сетях сетью отелей Marriott Hotels.

У компании самая популярная рекрутинговая страничка на , с 1,2 млн лайков и тысячами потенциальных сотрудников, которые каждый день обращаются в Marriott.

Компания смогла добиться таких высоких результатов при помощи оценки различных каналов рекрутинга и тонкой настройки персонализации.

Широко используется и предиктивная HR-аналитика, когда компания изучает накопленные данные о своих сотрудниках для разных целей — например, моделирования вероятности ухода из компании или новой роли ключевого сотрудника.

Благодаря предиктивной аналитике такие компании, как Xerox, Walmart и Credit Suisse смогли снизить отток кадров на 20%.

Соответственно, снизились убытки из-за кадровой текучки, уменьшилось число «токсичных» сотрудников, которые негативно влияют на условия труда своего подразделения, увеличился срок удержания опытных специалистов.

Виртуальная реальность

Эта технология еще только развивается, но кейсы применения VR в кадровой сфере уже есть. Например, логистическая компания из Германии Deutsche Bann при помощи VR показывает соискателям свои офисы и рабочие места. В 2017 году эта компания расставила стенды на карьерных ярмарках и других HR-мероприятиях.

Каждый желающий мог при помощи очков выбрать интересующую его локацию и оценить условия работы в компании. Именно VR помог увеличить количество тех, кто хотел бы устроиться в компанию на работу.

Ранее среднее число соискателей за единицу времени составляло десять человек, после кейса с VR этот показатель вырос до 100 заинтересованных соискателей.

Еще одна компания, Jet.com, использует VR для демонстрации своих офисов. По мнению руководства, соискатели должны хорошо понимать, где будут трудиться, поэтому потенциальным сотрудникам дают возможность оценить условия труда своими глазами.

В настоящий момент именно демонстрация своего офиса и рабочих процессов при помощи VR — основное направление использования технологии. С течением времени будут появляться и другие кейсы, но для этого необходимо, чтобы VR стала более доступной рядовому потребителю.

Проблемы адаптации технологий

Многие зарубежные и отечественные компании опасаются новых инструментов, с которыми они не знакомы. Это касается и HR-сферы. Камнем преткновения здесь, в первую очередь, является нежелание тратить средства на дополнительные инструменты и технологии, которые еще предстоит тестировать.

Кроме того, многие программные HR-инструменты, используемые бизнесом сейчас, практически ни с чем не интегрируются, поскольку базируются на технологиях пяти-, а то и десятилетней давности.

Часто решение о внедрении какого-либо HR-инструмента принимает не специалист по кадрам, который может объективно оценить эффективность технологии, а не слишком компетентный в кадровых вопросах менеджер из другого отдела.

ИТ помогают специалистам по кадровым вопросам решать практически весь спектр рабочих задач:

  • поиск релевантных кандидатов;
  • проведение собеседований при устройстве на работу;
  • создание профилей сотрудников для различных позиций;
  • обучение сотрудников и повышение их квалификации;
  • постоянное повышение эффективности сотрудников;
  • проведение exit-интервью, понимание причин ухода из компании.

Большинство проблемных и спорных моментов пока еще решаются вручную, компьютерные системы, алгоритмы и нейросети играют лишь вспомогательную роль. Но через 10–15 лет полная автоматизация и цифровизация многих указанных выше направлений работы возможна и ожидаема.

Источник: https://hightech.fm/2019/01/09/hr-instruments

HR-tech: цифровые технологии в найме персонала

Машинное обучение в сфере HR

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.

https://www.youtube.com/watch?v=8s9073kNXgY\u0026list=PL4_hYwCyhAvZyW6qS58x4uElZgAkMVUvj

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.

https://www.youtube.com/watch?v=GKIkGc2bnmU\u0026list=PL4_hYwCyhAvZyW6qS58x4uElZgAkMVUvj

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

HR в 2020 году: технологии, которые сделают работу с кадрами эффективнее | Rusbase

Машинное обучение в сфере HR
Читайте по теме: Как оценить эффективность сотрудника и бизнеса

«В недавнем опросе две трети руководителей бизнеса заявили, что если их компания не станет более цифровизированной к 2020 году, то она перестанет быть конкурентоспособной.

Но в HR цифровизация меняет все: от основных функций, таких как наем и развитие сотрудников, до введения новых задач, например, повышения производительности. 88% руководителей HR-направления говорят, что в течение следующих двух лет им нужно инвестировать как минимум в три технологии.

 Это огромная задача, и неудивительно, что многие из них совершенно растеряны», — говорит Брайан Кропп, вице-президент группы компаний Gartner.

В условиях, когда бизнес рискует отстать от конкурентов, если не начнет цифровую трансформацию, ему могут помочь следующие технологические HR-инструменты.

Искусственный интеллект и роботизированная автоматизация процессов

Чем больше технологий используется в HR, тем человечнее становится управление кадрами. Да, на первый взгляд кажется, что это предположение противоречит само себе.

Но Эмили Хе, старший вице-президент по глобальному маркетингу Oracle, говорит: «Удивительная часть ИИ-революции заключается в том, что в действительности автоматизация заставляет кадровые процессы становиться менее механическими и более человечными». 

Бен Юбэнкс, HR-аналитик и инфлюенсер, соглашается с Хе: «Каждый раз, когда управление кадрами автоматизировалось раньше, рабочие места и задачи становились человечнее, ведь автоматизируются самые механические процессы. Сейчас важны ключевые человеческие навыки, и они будут иметь еще большее значение в будущем».

Ключевые HR-области, в которых применяется ИИ: 

«Наше новое исследование показывает, что ИИ-инструменты анализируют опросы сотрудников лучше,  чем люди», — объясняет Юбэнкс. Тем временем, IBM заявляет: «Поскольку мы хотим создать ИИ-системы, которым сможем доверять, очень важно разрабатывать и обучать их с помощью недвусмысленных данных и придумывать алгоритмы, которые можно легко объяснить».

Когда речь заходит о роботизированной автоматизации процессов в HR, то обычно имеют в виду следующие технологии:

  • чат-боты;
  • обработка естественного языка;
  • машинное обучение;
  • искусственный интеллект. 

Они могут улучшить коммуникацию и повысить производительность, предоставляя доступ к нужным данным в нужное время. Самая трендовая из этих технологий — чат-боты.

По прогнозам, к 2022 году они будут внедрены более чем в 50% компаний. Как правило, чат-ботам задают вопросы о зарплате, отпусках, социальных льготах и правах сотрудников.

С помощью этого инструмента бизнес может сократить нагрузку на HR-отделы. 

«Боты могут работать как платформы самообслуживания, которые позволяют сотрудникам отдела кадров сосредотачиваться на более сложных и срочных вопросах, заслуживающих их внимания», — комментирует Джереми Нанн, член Совета Forbes.

Unsplash

Виртуальная и дополненная реальность и носимые устройства

В сфете управления персоналом также активно развиваются технологии VR и AR. Эти инструменты подбирать и адаптировать сотрудников, создавая виртуальную среду для проверки профессиональных навыков или экскурсий по офису.

В ходе исследования, проведенного доктором Кэндис Ланиус из Алабамского университета в Хантсвилле, было записано более 140 докладов студентов, а их пульс измерялся с помощью носимого устройства.

Используя эти данные, Ланиус скорректировала учебные программы, чтобы помочь учащимся справиться со страхом публичных выступлений. По прогнозам, этот подход будет использоваться и в HR.

Пульс, температура тела, расширение зрачков и другие показатели станут учитывать, чтобы вычислить факторы, вызывающие стресс у сотрудников.

Опыт сотрудников, HR-наставничество и обратная связь в режиме реального времени

Gartner сообщает, что в 2019 году для HR-специалистов опыт сотрудников был одним из наиболее важных аспектов, который останется главным приоритетом и в 2020 году. Дело в том, что компании стремятся увеличивать вовлеченность и развивать культуру, ориентированную на команду.

«Сделайте так, чтобы системы, инструменты и процессы улучшали, а не ограничивали ежедневную деятельность сотрудников. Ценность отношений и уважение к ним важнее, чем технологии. Сотрудник — ваш первый клиент», — отмечает Франсуа Борнибус, президент Lenovo.

Такие инструменты позволят сотрудникам и работодателям получать регулярную и последовательную обратную связь в режиме реального времени, изучать возможности развития, а также повысить вовлеченность и производительность.

Кроме того, ожидается, что вырастет популярность HR-наставничества через систему управления компанией (Organisation Guidance System, OGS). Дэйв Ульрих, генератор идей по работе с персоналом, лидерами и компаниями, считает, что «HR будет предлагать наставничество, а не просто оценочные таблицы, информационные панели или прогнозную аналитику».

Такие системы будут определять не только желаемые результаты инвестиций, но и дорожную карту для достижения этих результатов и требования для устойчивого развития. OGS позволит наметить цели, связанные с талантами, организацией, лидерством и человеческими ресурсами, позволяя HR-специалистам обеспечить базу для принятия соответствующих решений.

Новые рабочие модели и поколение Z

Подход бизнеса к внедрению технологий меняется. Гибкий график и удаленная работа существовали и раньше, однако со вспышкой COVID-19 их развитие стало экспоненциальным.

Теперь компании хотят как можно быстрее внедрять такие облачные и коммуникационные технологии, как Zoom и Microsoft Teams, чтобы обеспечить поддержку удаленных сотрудников.

Этот процесс подкрепляется притоком поколения Z, которое вступило в трудоспособный возраст.

Unsplash

Интегрированные системы и облачные технологии

В среднем HR-отдел использует 11 разных систем только для подбора персонала. А с учетом цифровой трансформации все важнее становятся интегрированные системы для поддержания точности и эффективности.

Кроме того, специалистам кадровой службы нужно обрабатывать большие объемы данных, что невозможно без надежного программного решения, которое сумеет адаптироваться к росту компании и в итоге расширит возможности отчетности и аналитики.

«С точки зрения HR, любые изменения в существующих системах должны быть тщательно продуманы и умело выполнены», — подчеркивает Венки Сешадри, старший директор по продажам и менеджер по продуктам Accenture.

Некоторые возможности окажутся важнее, чем другие, и будут меняться в зависимости от деятельности компании.

Одно можно сказать наверняка: эффективное внедрение технологий поможет бизнесу лучше работать и быть устойчивым к трудностям.

«Цифровые технологии устраняют некоторые тайны, стоящие за кадровыми процессами», — добавляет Сешадри. Они вовлекают работников в процесс найма, внедрения, анализа эффективности, обучения и развития карьеры, и делают услуги доступнее «в любое время и в любом месте» благодаря мобильным технологиям, социальным сетям и смартфонам.

HR-платформу можно создать собственными силами, но использование облачных сервисов экономит время и деньги. Они обеспечивают гибкость и предоставляют контроль, потому что позволяют адаптироваться к новым требованиям. Кроме того, облачные сервисы дают возможность принимать более эффективные решения, повышать работоспособность, улучшать опыт сотрудников и их соответствие кадровым требованиям.

Источник.

На чем можно заработать в кризис? Опыт 100+ компаний, которые используют технологии в бизнесе, в проекте Dig(IT)al.

Фото на обложке: Unsplash

Источник: https://rb.ru/story/hr-v-2020/

Зачем изучать машинное обучение и кем потом работать

Машинное обучение в сфере HR

Факультет Big Data в Geek University объединяет разные сферы знаний, необходимые современному дата-сайентисту. Чтобы предоставить ученикам более гибкие возможности обучения, мы решили открыть «Машинное обучение» в виде отдельной, новой специальности. В этом посте на важные вопросы об этой специальности ответят наши преподаватели — практикующие эксперты.

Где применяют машинное обучение

Отвечает Сергей Ширкин – куратор специальности, декан факультетов искусственного интеллекта и аналитики Big Data в GeekUniversity, приглашённый преподаватель ВШЭ. С помощью машинного обучения строил финансовые модели в компании Equifax, автоматизировал процессы в Сбербанке и Росбанке. Применял ИИ для прогнозирования просмотров рекламы в Dentsu Aegis Network Russia.

Машинное обучение (Machine Learning, ML) позволяет автоматизировать умственный и физический труд человека. Поэтому ML используют поисковые системы, банки и страховые компании, ритейл, сотовые операторы, промышленные предприятия, рекламные и маркетинговые агентства.

Модель машинного обучения может делать прогнозы и распознавать образы точнее и быстрее, чем живой эксперт. Например, банки с помощью ML-моделей считают вероятность добросовестной выплаты по кредиту для каждого конкретного заёмщика. Причём, если эксперт анализирует одного клиента несколько минут, модель делает прогноз по миллионам клиентов за считаные секунды.

Искусственный интеллект, машинное обучение – в чём разница?

Машинное обучение – это большой подраздел науки об искусственном интеллекте — Data Science. Machine Learning наиболее часто применяется для практических целей. В целом внутри Data Science много направлений, и некоторые из них — например, обучение с подкреплением – ещё развиваются. По сравнению с ними машинное обучение – хорошо развитая область, востребованная бизнесом и наукой.

В чём специфика кода для машинного обучения

Чтобы писать хороший код для целей ML, обязательно понимать, как работают модели машинного обучения. Для этого нужно хорошо знать математику и алгоритмы анализа данных. А также уметь понимать данные: их специфику, возможные проблемы, способы обработки и очистки. Без этого даже готовые реализации из библиотек не получится использовать грамотно. 

Чем конкретно занимается ML-специалист

Отвечает Никита Варганов, преподаватель GeekBrains, Senior Data Scientist, руководитель направления по исследованию данных в Сбербанке, Kaggle competitions master.

ML-специалист решает бизнес-задачи клиента с применением алгоритмов машинного обучения. При этом он может брать существующие алгоритмы или разрабатывать новые.

Но важно понимать, что в Data Science построение модели – это 10-20% времени проекта.

Остальное время уходит на согласование задач, поиск и подготовку данных, составление и приоритизацию гипотез, анализ, внедрение и презентацию полученного решения. Надо быть к этому готовым.

Важно помнить, что оптимизация процессов – не самоцель. В конце концов ML-специалисты помогают бизнесу больше зарабатывать и выводить на рынок новые продукты.

Какие навыки нужны в машинном обучении

Для начала карьеры достаточно уметь использовать алгоритмы, связанные с задачами вашей команды. Если же вы хотите расти и создавать новые алгоритмы, понадобятся хорошие фундаментальные знания математики, готовность творить и экспериментировать без гарантии результата. 

В то же время дорасти до позиции Senior в машинном обучении будет проще людям, которые хорошо умеют разговаривать с бизнесом, понимать его проблемы, переходить с технического языка на уровень бизнес-специалиста.

Статистика требуемых скилов на позиции, связанные с машинным обучением. Данные 2018 года, но основные общие и ряд компетенций, специфических для определённых сфер, здесь перечислены.

Каких кандидатов берут на работу

Как руководитель направления в Сбербанке, на должности Junior Data Scientist я хотел бы видеть кандидата, который владеет базовыми понятиями машинного обучения и математической статистики, умеет писать SQL-запросы, готов постоянно развивать свои навыки в machine learning и учиться у более опытных коллег. 

Очень ценю, если кандидат уже решал задачи за рамками стандартных курсов по ML и анализу данных. Например, может показать свой pet-проект или свои результаты на соревнованиях по анализу данных (Kaggle Competitions). 

Участие в соревнованиях учит решать реалистичные задачи в команде и оформлять своё решение на GitHub. Кстати, владение системами контроля версий — тоже плюс. По моим оценкам их используют лишь 30% специалистов в data science.

Сотрудник уровня Middle сам ведёт проект, но иногда нуждается в консультациях. Он приносит компании деньги и участвует в решении бизнес-проблем заказчика. А также помогает джунам с типовыми задачами.

Senior – это специалист «полного цикла». Он распознаёт проблему заказчика, продумывает её решение и выдаёт необходимый результат. Поэтому Senior DS должен уметь общаться с заказчиком на языке бизнеса и доносить до него свою позицию. Кроме того, он зачастую выступает ментором для джунов и мидлов, проводит код-ревью, распределяет задачи и контролирует их выполнение.

В целом ситуация на рынке труда, на мой взгляд, сейчас в пользу кандидата: спрос на специалистов по машинному обучению пока превышает предложение, особенно на уровнях Middle и Senior.

Где работают и сколько получают специалисты по ML

Рассказывает Сергей Ширкин, куратор специальности.

Специалисты по машинному обучению нужны и крупным компаниям (включая IТ, операторов связи, интернет-магазины, ритейл, банки), и SMB-сегменту со стартапами.

Ориентировочный диапазон зарплат: 

  • Стажёр – до 50 тыс. рублей. 
  • Junior Data Scientist  – 100-120 тыс. рублей.
  • Middle Data Scientist (1-3 года опыта) – 150-200 тыс. рублей.
  • Senior Data Scientist (3-5 лет опыта) – 200-350 тыс. рублей и больше.

Вакансии могут называться по-разному: Data Scientist, аналитик данных, ML-инженер, разработчик аналитических моделей и т.д. 

Лайфхак: для поиска вакансий используйте не только описание должности, но и названия библиотек и технологий машинного обучения. Например, много релевантных вакансий можно найти по ключевому слову pandas – это название библиотеки Python для работы с данными.

Как обучают специальности в GeekBrains

Рассказывает Александр Скударнов – методист образовательных программ GeekBrains.

Основная цель курса – помочь вам освоить машинное обучение как инструмент для бизнеса. Программа рассчитана на подготовленных слушателей – она подойдёт вам, если:

  • вы хорошо знаете математику и хотите на этой основе получить востребованную профессию.
  • вы аналитик и стремитесь к карьерному росту.
  • вы программист и хотите попробовать смежное направление. 

К началу занятий на курсах машинного обучения вам понадобятся знание основ Python и SQL, прочные знания школьной математики и готовность их углублять.

Если это не ваши варианты, но вы хотите развиваться в Data Science – вам лучше выбрать факультет искусственного интеллекта или аналитики Big Data, где учат с нуля.

Преимущества курсов

Наши преподаватели — это специалисты из топовых компаний, которые сами проводят собеседования и знают, что нужно для трудоустройства. Мы готовим не исследователя data science, а человека, который сможет приносить пользу бизнесу.

Поэтому в программе только то, что нужно для успешного старта карьеры: умение писать чистый код, понимать статистические методы анализа данных и алгоритмы машинного обучения. Остальное выпускник сможет добрать на первом рабочем месте.

Для получения практического опыта мы предусмотрели курсовые проекты, а также соревнования на площадке Kaggle. По окончании нашей программы студенты смогут успешно участвовать в соревнованиях Kaggle по машинному обучению, что тоже очень важно для резюме.

Этапы обучения и курсовые проекты

Рассказывает Сергей Ширкин, куратор специальности.

Мы обучаем специальности в три этапа:

  1. Математическая подготовка  – изучение теории вероятностей и математической статистики.
  2. Освоение инструментария Data Science – библиотек Python для Data Science.
  3. Изучение принципов машинного обучения – алгоритмов анализа данных, вариантов их применения в бизнесе и способов внедрения кода в продакшн.

Как курсовые проекты помогут найти работу

В ходе курсовых проектов вы научитесь делать разведочный анализ данных (EDA) – разберётесь, как устроены данные в конкретном примере, как их визуализировать. И конечно, что делать с ними дальше, какие модели машинного обучения применять. Эти навыки пригодятся любому аналитику.

Курсовой проект по прогнозированию стоимости недвижимости можно будет показать на собеседовании в агентствах недвижимости, таких как ЦИАН или ДомКлик.

Проект по кредитному скорингу — оценке кредитоспособности заёмщика — понравится банкам и микрофинансовым организациям.

Прогнозирование оттока клиентов будет актуально для интернет-магазинов, операторов связи, компаний развлекательной сферы, в том числе онлайн-кинотеатров и игровых сервисов. Им важно оценивать риски отказа от их услуг в режиме реального времени.

Особенно сложными и важными будут проекты на курсе «Алгоритмы анализа данных». При их выполнении нельзя будет пользоваться готовыми моделями Machine Learning. Вы должны будете практически с нуля написать на Python свою модель для выбранных задач.

В итоге вы научитесь строить модели разного типа — от деревьев решений, линейной и логистической регрессии до случайного леса и градиентного бустинга. Это умение пригодится при трудоустройстве ML-инженером, в ситуации, когда нужно написать свою библиотеку для машинного обучения, либо для научной работы в этом направлении.

Хотите за полгода изучить алгоритмы машинного обучения, разобраться с необходимой для этого математикой, освоить библиотеки Python и на практике отработать применение ML в реальных бизнес-кейсах? Ждём вас на курсах машинного обучения GeekBrains!

Источник: https://geekbrains.ru/posts/zachem-izuchat-mashinnoe-obuchenie-i-kem-potom-rabotat

Big Data и Machine Learning в HR: еще 5 примеров успешного использования информационных технологий для управления человеческими ресурсами

Машинное обучение в сфере HR

Недавно мы рассказывали, зачем HR-специалисту большие данные, как быстро и эффективно внедрить Big Data в управление персоналом, а также описывали случаи интеллектуального рекрутинга с помощью машинного обучения.

В продолжение этой темы сегодня мы приготовили для вас 5 интересных кейсов от отечественных и зарубежных компаний по 3 HR-направлениям: управление талантами, повышение лояльности и удержание сотрудников, а также оптимизация штатного расписания.

Управление талантами в корпорации IBM с помощью Big Data и Machine Learning

Big Data и Machine Learning в компании IBM помогают сотрудникам определить, какие навыки им необходимо развить. По каждому работнику ведется непрерывный сбор данных о выполненных им задачах, пройденных образовательных курсах и полученных оценках.

Далее модель машинного обучения делает выводы относительно предпочтительного развития определенных компетенций, а HR-специалист формирует для сотрудника подходящую программу повышения квалификации.

В 2018 году подобная технология помогла 27% сотрудников IBM получить новую работу или повышение по службе [1].

Кроме того, на основе алгоритмов Machine Learning формируются предложения о поощрении и карьерном продвижении работников. Для этого IBM запустила цифрового тренера, созданного сотрудниками компании в процессе хакатона.

Виртуальный помощник формирует персонализированные профориентационные рекомендации человеку на основе Big Data анализа его показателей эффективности, а также данных о среднем времени продвижения по службе с текущей должности сотрудника до желаемой позиции.

Еще это программное решение предлагает варианты карьерного пути для достижения поставленной цели [2].

Технологии больших данных и машинного обучения помогают сотрудникам быстро двигаться вверх по карьерной лестнице

3 примера использования Big Data и Machine Learning для повышения лояльности и удержания сотрудников

  1. Одна компания после анализа данных поняла, что самые лояльные сотрудники работают в радиусе 5 километров от нее и перенесла свой офис в более удобный район. Это привело к существенному снижению текучки персонала без дополнительных вложений в мотивацию [3].
  2. Другая компания, работающая в сфере образовательных услуг, систематически сталкивалась со случаями внезапного ухода обученных сотрудников, состоящих в кадровом резерве предприятия. Это серьезно подрывало имидж и отрицательно сказывалось на корпоративных доходах.

    Аналитическими средствами технологии Big Data был разработан сервис удержания, который собирает данные об образовании, должности и рабочем месте сотрудника, его семейном положении, профессиональных компетенциях и достижениях, типе и длительности выполняемых работ, а также карьерном росте за последний год.

    Далее модель машинного обучения выделяет людей, находящихся в зоне риска, которые профессионально выгорают, не мотивированы и могут планировать уход из компании. Каждый месяц руководство и HR-служба предприятия получают сведения о таких работниках, чтобы своевременно принять меры по их удержанию и мотивации.

    Это позволило снизить общую текучку персонала и добиться того, что из нее уходило не более 2-3 резервистов в год. Таким образом, BigData и Machine Learning стали инструментом для мониторинга текущего состояния персонала и прогнозирования будущих рисков [3].

  3. Аналогичное решение на базе технологий больших данных и машинного обучения позволило компании IBM прогнозировать увольнение работников по собственному желанию с точностью до 95% и своевременно принимать меры по их удержанию. Это сэкономило предприятию около 300 миллионов долларов затрат на удержание работников [1].

Big Data и Machine Learning сэкономили IBM около 300 миллионов долларов затрат на удержание работников

Технологии больших данных и машинного обучения для оптимизации штатного расписания

Аналитические средства Big Data и Machine Learning можно использовать для:

  • выявления наиболее эффективных сотрудников;
  • определения перегруженных сотрудников и перераспределение нагрузки;
  • определения ресурсоемких, но малополезных активностей, рутинных операций, которые можно автоматизировать, дублирования функций и т.д.;
  • безболезненного избавления от неэффективных работников и действий.

В частности, сбор данных о распределении рабочего времени на выполнение прикладных задач с учетом их бизнес-ценности реализуется через отслеживание времени пребывания на рабочем месте, трекинг рабочего времени с помощью smart-часов или сканирование пропусков сотрудников. Проанализировав «реальную» загруженность своих работников, вы сможете построить модели результативности сотрудников разных категорий по рабочим часам и направлениям деятельности.

Это позволит вам изменить рабочий график сотрудников, например, увеличив число продавцов во время наплыва посетителей, а также безболезненно отказаться от ресурсоемких, но малополезных активностей, в частности, длинных, но не используемых на практике отчетов. А самое главное, вы сможете выявить «трудовой балласт» – неэффективных работников, которые не приносят компании достаточной пользы и, следовательно, их увольнение не скажется отрицательно на корпоративной деятельности.

Big Data и Machine Learning — рабочие инструменты современного HR-специалиста

Это лишь некоторые примеры успешного использования Big Data и Machine Learning для управления человеческими ресурсами. Узнайте больше о возможностях улучшения своих HR-процессов на нашем курсе Аналитика больших данных для руководителей.

За 3 дня интенсивной практики мы научим вас анализировать бизнес с перспективы его оптимизации за счет ИТ, формулировать и реализовывать прикладные задачи монетизации ваших корпоративных данных средствами Big Data и Machine Learning.

Смотрите расписание, записывайтесь на курсы и приходите в наш образовательный центр. Ждем вас на занятия!

Источники

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

Ваша работа
Добавить комментарий

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