Раньше это было моим любимым временем года. Как писатель, это был мой прекрасный шанс привлечь внимание, когда остальная часть года была проведена в забвении. Время проведения обзора производительности в году было уникальной возможностью для каждого писателя, начинающего писателя или соискателя проверить свои творческие способности, превратив все свои силы в Стену из Игры престолов, которая удерживает белых ходоков и снижает риски в областях их развития. уклоняясь от сложных разговоров (позже во время калибровок) в стиле «Матрицы»! Но появился искусственный интеллект и разрушил его для всех нас. Однако обзоры производительности - это только часть этого. Есть так много аспектов управления человеческими ресурсами, на которые искусственный интеллект и машинное обучение оставляют неизгладимое впечатление. Давайте узнаем больше:

  1. Защита интересов сотрудников. Огромный объем информации, распространяемой в социальных сетях, может многое рассказать организациям о поведении, чувствах и лояльности сотрудников к их бренду. Анализ настроений твитов, публикаций и изображений многое говорит о вовлеченности сотрудников и организационных ценностях, которые сотрудники ценят или недооценивают. Другой популярный метод - это, конечно, опросы. Продуманные опросы могут выявить данные о наиболее или наименее вовлеченных сотрудниках, даже если они анонимны. Некоторые компании включают вопросы психометрического анализа, чтобы убедиться, что записанные ответы заслуживают доверия.
  2. Гендерный разрыв. Некоторые компании говорят о равенстве и разнообразии в оплате труда, начиная с высшего руководства и кончая вспомогательным персоналом. Но все электронные письма и меморандумы далеки от реальности. Основатель Palatine Analytics Арчил Чеишвили сказал Quartz: «Гендерная предвзятость - это реальность, и ее можно искоренить только тогда, когда мы покажем, где она возникает, и осознаем это, а затем предпримем шаги для изменения наших систем». Исследование, проведенное Стэнфордским университетом в 2016 году по обзорам результативности, показало, что в обзорах эффективности для мужчин были более четкие рекомендации и отзывы для улучшения, в то время как у женщин отзывы основывались больше на их личности, чем на реальных достижениях. Исследование Great Learning Analytics Salary Study 2018, проведенное в сотрудничестве с журналом Analytics India Magazine, также показывает, что женщины получают на 32% меньше зарплат в аналитической индустрии. С использованием искусственного интеллекта и машинного обучения в обзорах эффективности будет легче преодолеть гендерный разрыв, когда дело доходит до заработной платы или должностей, которые женщины занимают в офисах, в зависимости от их навыков и опыта.
  3. Голос сотрудника. В случае внутренних проблем в команде или напряженных отношений с менеджером сотрудники, как правило, держат это в секрете, пока не станет слишком поздно. Во время выходного собеседования они предпочитают рассказывать обо всем, что их беспокоило, пока они не стали частью компании. Искусственный интеллект позволяет менеджерам отслеживать вовлеченность сотрудников, их приверженность работе, признаки увольнения и т. Д. С помощью поведенческого анализа. Первый очевидный способ - это проведение опросов. Но теперь ИИ и машинное обучение позволяют компаниям отслеживать электронную почту и прогнозировать с большей точностью, будет ли сотрудник с большей вероятностью продолжать работу или нет. Затем можно провести немедленные меры и беседы, чтобы поговорить с сотрудником, прежде чем он или она предпримет какие-либо решительные шаги.
  4. Проверки производительности. Вскоре машины начнут писать за нас обзоры производительности. Британская компания WorkCompass уже использует искусственный интеллект и машинное обучение для анализа качества годовых или ежемесячных целей сотрудников. Они утверждают, что их добавленная стоимость в среднем на 11,4% «увеличивает продуктивность сотрудников» для компаний-клиентов. Они вносят предложения, основанные на расчетах искусственного интеллекта, чтобы контролировать производительность в течение года, а не дважды в год с официальными проверками. Когда-то сложно было управлять сложными иерархическими уровнями в организации и сообщать о проблемах (в случае, если вы отчитываете двух или более человек о различных аспектах своей работы), поскольку совокупная обратная связь никогда не охватывала все аспекты вашей работы, и сотрудники остались бы недовольны своими оценками. . Искусственный интеллект упрощает задачу, присваивая вес каждой из ваших целей и задач и сопоставляя его с вашей производительностью в течение всего года.
  5. Вознаграждения и наказания. Не каждый сотрудник любит ждать целый год, чтобы услышать, что его руководитель признает их сильные стороны и возможности для развития. Они также не ценят, если один сотрудник продолжает получать все письма с признанием. Много недовольства возникает из-за отсутствия признания, сложных проектов, адекватного обучения и обратной связи. Персонализированные пакеты вместо диапазонов вознаграждений также могут иметь большое значение. Обработка естественного языка позволяет менеджерам и персоналу выявлять области, вызывающие недовольство, и предлагать корректировки курса. Язык страдает семантикой, тоном, контекстом и тонкими нюансами. По мере того, как в NPL будет достигнута большая точность, это изменит правила игры в управлении человеческими ресурсами.

Любое рабочее место - это динамичная среда, и управление человеческими ресурсами - это непрерывный процесс, начиная с приема на работу и заканчивая увольнением. Но искусственный интеллект и машинное обучение скоро устранят культуру двусмысленности и страданий.