Как оптимизировать кадровые ресурсы для повышения прибыльности организации с помощью Студии машинного обучения Azure

Введение и бизнес-домен

Последние достижения в области машинного обучения и технологий больших данных позволяют компаниям применять более эффективные кадровые стратегии, используя исторические данные. Назначение правильных людей для правильных проектов имеет решающее значение не только для успеха каждого проекта, но и для общей прибыльности организации.

Чаще всего укомплектование проекта персоналом осуществляется менеджерами проектов вручную и основывается на наличии персонала и предварительных знаниях о прошлой работе человека. Этот процесс занимает много времени, а результаты часто неоптимальны. Этот процесс можно сделать гораздо эффективнее, если использовать исторические данные и передовые методы машинного обучения.

Мы разработали решение по распределению персонала на основе рекомендаций для компании, предоставляющей профессиональные услуги, Baker Tilly Virchow Krause, LLP. Baker Tilly - это бухгалтерская и консультационная фирма с полным спектром услуг, специализирующаяся на отраслевой специализации и сфере услуг. Наше решение рекомендует оптимальный состав персонала и индивидуальный персонал с нужным опытом и знаниями для новых проектов Baker Tilly. Согласовывая опыт сотрудников с потребностями проекта, мы помогаем менеджерам проектов в Baker Tilly лучше и быстрее распределять персонал.

Конечная цель нашего решения - увеличить прибыль Baker Tilly. Основываясь на нашей автономной оценке, мы ожидаем повышения прибыли для проектов, использующих наше решение, на 4–5%. Окончательное решение было интегрировано с системой управления внутренней практикой Baker Tilly и будет оценено в нескольких пилотных группах, прежде чем будет внедрено во всех командах.

Обзор решения

Разработанное решение разделено на следующие две части, и результаты этих двух частей объединяются для выработки окончательных рекомендаций для персонала:

Часть 1. Прогнозируйте состав персонала, например один старший бухгалтер и два помощника по бухгалтерскому учету для нового проекта. В этой части мы используем K-Nearest Neighborhood (KNN) для выполнения прогнозов на основе исторических проектов с аналогичными свойствами, такими как тип проекта и отрасль.

Часть 2. Вычислите оценку (рейтинг) подготовленности персонала для нового проекта. Для этой второй части мы применили алгоритм рекомендаций на основе содержимого, разработанный на R и выполняемый модулями Execute R Script в AzureML.

На рисунке ниже представлена ​​схема рабочего процесса данного Proof of Concept (PoC):

Архитектура решения

Baker Tilly интегрировала это решение в свои инструменты управления практикой: новые проекты в базе данных Baker Tilly ежедневно обрабатываются веб-службой машинного обучения Azure, а результаты обрабатываются менеджерами проектов в системе управления практикой Baker Tilly.

Результаты рекомендаций по расстановке кадров также визуализируются на панели управления PowerBI в реальном времени, которую могут использовать аналитики данных и руководители Baker Tilly для отслеживания распределения проектов и их производительности с течением времени.

На рисунке ниже подробно показана архитектура решения:

Дизайн эксперимента

Часть I. Прогнозирование состава персонала проекта

На этом этапе мы использовали KNN для прогнозирования состава персонала, то есть количества сотрудников по каждой классификации / названию, нового проекта с использованием исторических данных проекта. Мы разбиваем набор данных следующим образом:

· Данные по обучению (исторические проекты): с 2010–09–01 по 2015–09–01

· Данные тестирования (новые проекты): с 2015–09–01 по настоящее время

Мы нашли исторические проекты, похожие на новый проект, на основе различных свойств проекта, таких как тип проекта, общий счет, отрасль, клиент, диапазон доходов и т. Д. Мы присвоили разные веса каждому свойству проекта на основе бизнес-правил и стандартов.

Мы также удалили все данные, которые имели отрицательную маржу вклада (прибыль). Для каждой классификации персонала количество сотрудников прогнозируется путем вычисления взвешенной суммы количества сотрудников в аналогичных прошлых проектах по соответствующей классификации персонала. На примере бухгалтера:

Вес каждого исторического проекта составляет:

Окончательные веса нормализованы так, что сумма всех весов равна 1. Перед вычислением взвешенной суммы мы удалили 10% выбросов с высокими значениями и 10% выбросов с низкими значениями.

Часть 2. Прогнозирование оценки (рейтинга) физической подготовки персонала с помощью настраиваемой фильтрации на основе содержимого

Мы реализовали в R алгоритм, основанный на содержании, чтобы предсказать, насколько опыт сотрудников соответствует потребностям проекта.

В системе фильтрации на основе содержимого профиль пользователя обычно рассчитывается на основе исторических рейтингов пользователя по элементам. Этот профиль пользователя описывает вкус и предпочтения пользователя. Чтобы спрогнозировать пригодность персонала для нового проекта, мы создали два вектора профиля персонала для каждого персонала, используя исторические данные: один вектор основан на количестве часов, которое описывает опыт и знания персонала для различных типов проектов; другой вектор основан на марже вклада в час (CMH), которая описывает рентабельность персонала для различных типов проектов. Оценка пригодности персонала для нового проекта рассчитывается путем взятия внутренних продуктов между этими двумя векторами профиля персонала и двоичным вектором, который описывает важные свойства проекта. Ниже приведен снимок экрана эксперимента, разработанного для прогнозирования оценки (рейтинга) подготовленности персонала с использованием настраиваемой фильтрации на основе содержимого:

Выводы

Нет ресурса организации дороже и важнее, чем человеческий ресурс. Однако человеческое измерение часто может показаться слишком сложным, чтобы превратиться в статистику, и ограниченными возможностями для количественного наблюдения, уточнения и улучшения. Что, если бы человеческий фактор в организации можно было бы количественно измерить, преобразовать в реальные исторические данные и использовать для развертывания расширенного аналитического решения?

Используя Студию машинного обучения Azure, мы создали и развернули решение для рекомендаций по расстановке кадров, которое рекомендует оптимальный состав персонала и отдельных сотрудников с нужным опытом и знаниями для новых проектов. Azure с ее бесчисленным множеством облачных инструментов может помочь организациям в создании успешных аналитических решений для персонала, которые обеспечивают основу для конкретных планов действий и инвестиций в персонал. Эти решения могут устранить пробелы или недостатки в распределении персонала в организации, которые необходимо преодолеть, чтобы добиться лучших результатов в бизнесе. Организации могут получить конкурентное преимущество, используя аналитику кадров, чтобы сосредоточиться на оптимизации использования своего человеческого капитала.