Вот число: 45.

Теперь я хочу, чтобы вы угадали, сколько секунд в среднем рассматривается резюме, прежде чем будет принято решение, продвигать его или нет. Итак, каково ваше предположение? 50 секунд, 40, 30? Фактический ответ - шесть секунд на резюме. Верно. Если вы подаете заявку на обычную вакансию, весьма вероятно, что ваше заявление будет рассмотрено быстрее, чем требуется, чтобы прочитать это предложение.

Сегодня перед рекрутерами стоит серьезная задача. Большой объем заявок и мало времени на определение тех, которые лучше всего подходят для этой роли. Обычно на одну вакансию подают 250+ кандидатов, и часто есть много вакансий. Это, в сочетании с сокращением или застоем ресурсов, доступных для рекрутинговых команд, означает, что у каждого кандидата все меньше и меньше возможностей произвести впечатление, и их резюме часто является единственным способом сделать это. Кроме того, кандидаты также находятся во власти человеческих предрассудков и иррационального мышления, поэтому бессмысленные детали могут повлиять на их шансы продолжить карьеру своей мечты.

Вам может быть интересно узнать о числе 45. Что ж, вполне вероятно, что это, казалось бы, случайное число повлияло на ваше предположение в начале этой статьи. Это когнитивное искажение известно как «эффект привязки». Предложение высокого «якоря», такого как 45 (хотя оно не имеет отношения к вопросу), вероятно, заставило вас ответить более высоким ответом, чем если бы вам было дано более низкое якорь, например 2. Эффект привязки - один из примеров вашего мозга. учет нерелевантной информации и использование умственных ярлыков для более быстрого принятия решений. Существует более 150 обнаруженных когнитивных предубеждений, которые затуманивают наши решения и приводят к худшему выбору. Если в супермаркете хлопья стоят на уровне глаз, вы с большей вероятностью купите их, чем хлопья на уровне пола. Если у вас есть друг по имени Тим, который является отличным продавцом, вы с большей вероятностью наймете человека по имени Тим на вашу открытую позицию по продажам. Ваше резюме с большей вероятностью будет улучшено, если оно будет рассмотрено после обеда, а не раньше. На самом деле люди - очень эмоциональные существа, а не разумные существа, как предполагают экономисты. Нерелевантные факторы делают наши процессы найма неэффективными и неэффективными.

Система 1 и система 2

В вашем мозгу есть две системы для принятия решений. Система 1 и система 2. Система 1 интуитивно понятна и позволяет быстро выбирать. Это происходит автоматически, бессознательно и требует очень небольших усилий. Система 2 более рациональна, требует больше времени для принятия более точных решений и требует гораздо больше усилий, например, попытка решить математическую задачу типа 19x43 =. К сожалению, наш мозг ленив и по умолчанию принимает большинство решений по системе 1. Как вы, возможно, догадались, система 1 очень подвержена когнитивным искажениям, а это означает, что в большинстве случаев мы ошибаемся. Поскольку на просмотр среднего резюме уходит шесть секунд, можно с уверенностью сказать, что это почти полностью выполняется процессом системы 1, открывая его для многих ловушек, которые сопровождают такой образ мышления. Стадия отбора резюме рассматривается как лучший способ сократить количество соискателей до более управляемого числа, но наличие плохой и предвзятой системы в начале воронки набора означает, что все ниже по потоку будет хуже. Некоторые из наиболее потенциальных кандидатов не принимаются на работу. Огромные суммы денег тратятся на обучение не тех людей, и уровень выбытия увеличивается, поскольку и компания, и кандидат понимают, что они не подходят.

Это видео блестяще показывает систему 1 и систему 2: Уловки мозга через Youtube

Как мы ошибаемся:

Непоследовательные решения описываются поведенческими экономистами как «шум». Для них характерна вариативность решений. При приеме на работу это очевидно, когда один рекрутер продвигает кандидата, а другой нет, потому что у них другое представление о том, как выглядит сильное резюме. «Шум» в этом случае является ошибкой, а предел погрешности на удивление высок. Алгоритмы искусственного интеллекта и машинного обучения намного справедливее, чем принятие решений человеком. Машин не волнует, какое сейчас время суток, видели ли они число 45 или знают ли они человека по имени Тим. Они просто принимают решение на основе предоставленных данных. Одно и то же заявление о приеме на работу получит ответ «да» или «нет» без учета какой-либо другой информации, и критерии успеха, которые они ищут, всегда одинаковы. Это имеет огромные последствия для того, чтобы решения о приеме на работу были более прозрачными и точными.

Предвзятость делает наши решения не только неточными, но и несправедливыми. Существуют многочисленные исследования, показывающие систематическую предвзятость в отношении групп меньшинств и женщин. Некоторые из причин этого можно объяснить неосознанной предвзятостью со стороны рекрутера, что чрезвычайно трудно или, возможно, даже невозможно устранить. Некоторые из них можно объяснить разными способами написания резюме: мужчины гораздо чаще преувеличивают свои достижения, делая свой профиль более сильным, чем он есть на самом деле. Использование системы, которая просит кандидатов описать себя вместо объективного измерения своих поведенческих черт, часто означает, что компании основывают свои решения на неточной информации и, в свою очередь, нанимают лучших «саморекламы» вместо лучших «исполнителей». К счастью, , изучив методы уменьшения предвзятости и дисперсии, мы можем начать делать более точный и справедливый выбор.

Матрица отклонения и отклонения:

Посмотрите на график выше и представьте, что наиболее перспективные кандидаты - это яблочко. Задача системы подбора персонала - как можно точнее и чаще попадать в цель. Вы можете видеть, что чем выше присутствует смещение, тем больше синих точек (решений) движется в направлении от яблочного мишени. Высокая дисперсия означает, что у вас есть несколько нужных людей, но вы не всегда попадаете в яблочко. Ваши решения разбросаны по той области, в которую вы пытаетесь попасть, из-за непоследовательного подхода.

1. Резюме: высокая систематическая ошибка, высокая дисперсия

Использование резюме для найма кандидатов - все равно что смотреть на нижнюю правую цель: ваши результаты будут смещены в сторону от лучших из-за умственных сокращений и различий в результатах из-за нескольких рекрутеров, а также внешних факторов, таких как время суток. Как правило, вы не можете точно описать, почему резюме было принято или отклонено.

2. Подбрасывание монеты: низкая предвзятость, высокая дисперсия

Подбрасывание монеты устраняет человеческую ошибку при принятии решения, но, к сожалению, имеет очень высокую дисперсию. Вы не сможете точно найти лучших исполнителей, так как не учитываете никакой релевантной информации, но в редких случаях вам повезет.

По теме: Подбрасывание монеты более предсказуемо, чем резюме?

3. Алгоритм проверки: высокая систематическая ошибка, низкая дисперсия
Например: традиционный инструмент психометрической / искусственного интеллекта

Использование алгоритмов - отличный первый шаг к тому, чтобы решения были более предсказуемыми, но если этот алгоритм не предпринимает шагов для проверки и исправления предвзятости, это приведет к предсказуемо неверным решениям. Предвзятость в этом смысле может исходить из:

  1. Данные обучения низкого качества. Часто эти тесты имеют форму анкет, которые полагаются на человека, чтобы представить честную и точную оценку себя, что сложно сделать и открывает двери для сознательного манипулирования результатами. Наряду с этим объем создаваемых данных чрезвычайно мал по сравнению с прямыми измерениями, такими как игры.
  2. Люди выбирают критерии успеха того, что делает кандидата сильным (например, традиционные рамки компетенций), что учитывает человеческую предвзятость в алгоритме, воспроизводя этот ошибочный процесс принятия решений и сохраняя предвзятость.
  3. Отсутствие корректировки модели для демографической информации, такой как раса или пол, что привело бы к разным показателям успеваемости для разных полов и этнических групп. Это имеет некоторые тревожные последствия для правовой защиты, а также для инициатив разнообразия и инклюзивности.

4. Алгоритм скрининга с удалением систематической ошибки: низкая систематическая ошибка, низкая дисперсия
Например: pymetrics - инструмент оценки на базе искусственного интеллекта с AuditAI.

Алгоритм, который предпринял активные шаги по снижению человеческих предубеждений, собирает данные хорошего качества и был проверен на предмет выявления любой демографической несправедливости по отношению к расе или полу, что приведет к более предсказуемым и точным результатам. Этническая принадлежность прошедших собеседование кандидатов будет репрезентативной для группы заявителей, что означает, что у кандидатов есть шанс пройти собеседование на более поздних этапах независимо от их происхождения. Pymetrics очень гордится тем, что является первой компанией, открывшей исходный код своего кода для обнаружения несправедливости в выводах моделей машинного обучения или других оценок - AuditAI.

Представляем умный алгоритм

В конце концов, все процессы найма сводятся к тому, чтобы взять много кандидатов и найти тех, кого следует нанять на эту роль. Теперь должно быть ясно, что вмешательство человека на первом этапе порождает множество трудностей не только с точки зрения неправильного выбора, но и с точки зрения правовой защиты. Если вы не можете точно описать, почему кандидат был отклонен, как вы можете доказать, что ваш процесс приема на работу является справедливым и не дискриминирующим по отношению к определенным группам людей?

Отличные инструменты оценки удовлетворяют следующим 5 характеристикам:

  1. Проверенная научная основа испытаний
  2. Сбор качественных, актуальных, объективных данных
  3. Оценка по нескольким параметрам, например, личностный + когнитивный тест
  4. Слепые прослушивания: личная информация не влияет на результат
  5. Проверка и исправление смещения

Ведущие методы скрининга основывают свои решения на объективных данных. В случае с пиметрикой это игровые данные нейробиологических игр, которые извлекают 77 когнитивных, социальных и эмоциональных поведенческих черт, которые сильно коррелируют с производительностью работы по отношению к широкому спектру рабочих мест. То, что определяет отличного кандидата, основывается на анализе лучших сотрудников компании на этой должности, анализе того, какие черты присущи этой группе и чем они отличаются от общей популяции. Это делает оценку предсказуемой и актуальной для данной должности. Наконец, что наиболее важно, алгоритмы проверяются на предвзятость, а затем корректируются, чтобы обеспечить равные возможности для каждого кандидата независимо от его происхождения. Это дает дополнительное преимущество в виде увеличения предсказательной силы модели. Подобные системы - огромное улучшение, потому что они полностью объяснимы. Мы можем сравнить характеристики кандидата с чертами наиболее успешных кандидатов и сказать, почему они прошли или не прошли.

Одним из многих преимуществ этого подхода является то, что такая форма оценки может превратить отказ в возможность для кандидатов. Для клиентов построено несколько моделей для разных функций в организации. Кто-то, кто претендует на должность в сфере продаж, но (исходя из своего игрового процесса) не «подходит» для этой роли, может быть переведен на маркетинговую или операционную роль. Кроме того, если в компании нет подходящих вакансий, они могут изучить более подходящие вакансии в других организациях, которые также используют pymetrics. Мы называем это обычным приложением.

Результаты

Единственная хорошая мера системы приема на работу - это прогностическая проверка достоверности, которая определяет, будет ли кандидат нанят снова. Ранние исследования показывают, что использование pymetrics в качестве первого фильтра привело к снижению показателей отсева в первый год на 30–60%, увеличению продаж на 33% и увеличению разнообразия на 100%. независимо от пола, этнической принадлежности и социально-экономического положения. Среди других преимуществ - сокращение времени приема на работу, лучший опыт кандидатов и повышенная отдача от найма, поскольку более подходящие кандидаты достигают заключительных этапов собеседования.

ИИ часто считают пугающей темой, особенно когда дело касается принятия решений о приеме на работу. Что нам нужно признать, так это то, что мы, люди, очень иррациональны и очень плохо принимаем решения, особенно на ранних этапах процесса найма. Алгоритмы могут сделать это намного более эффективным, действенным и привлекательным для кандидата. Мы можем начать движение к более справедливому рынку найма, где людей будут оценивать по их потенциалу, а не по родословной. Отказ больше не дверь в лицо, а предлагает безграничные возможности. Пора нам начать осознавать свои собственные ошибки и понимать, как мы можем исправить их, внедрив ответственно разработанные технологии.

Хотите узнать больше о pymetrics? Посетите веб-сайт здесь: Pymetrics.com

** Отказ от ответственности: никто не идеален, и я понимаю иронию в том, что эта статья смещена в сторону пиметрики! Я позволю вам сделать собственные выводы, оценив различные методологии других рекрутинговых платформ. Жалко, что ИИ не может провести беспристрастный анализ!