За последнее десятилетие было много разговоров о больших данных и машинном обучении в HR. Они чрезмерно разрекламированы? О, мы просто смотрим на верхушку айсберга.

Раньше в мире HR все было просто.

Раньше основными обязанностями отдела кадров были ведение документации и начисление заработной платы. Со временем к их задачам добавились другие обязанности, такие как обучение сотрудников, единообразие и благополучие. Позже к их обязанностям добавился подбор и подбор квалифицированной рабочей силы.

Сегодня управление человеческими ресурсами (HRM) играет более важную роль, чем когда-либо прежде. В наши дни они несут ответственность не только за все упомянутые задачи, но и за мотивацию сотрудников, их благополучие и развитие рабочей силы. У HR-групп больше данных, чем когда-либо прежде. Они активно пытаются согласовать индивидуальные цели с корпоративными целями и задачами. Кроме того, стратегическое управление человеческими ресурсами фокусируется на действиях, которые отличают организацию от ее конкурентов, и направлено на долгосрочное влияние на успех организации.

Данные и принятие решений на основе данных становятся все более важными. В наши дни HR-организация имеет не только традиционные роли, но и опыт в таких областях, как наука о данных, визуализация данных и машинное обучение. Так что да, эпоха HR-данных только начинается.

Ранее в прошлом месяце я посетил SIOP LEC.

Ранее в прошлом месяце я посетил одну из моих любимых конференций SIOP Leading Edge Consortium (LEC). Мне нравится эта конференция не только потому, что еда, как правило, великолепна, но и потому, что темы интересны. Тема этого года: Аналитика талантов: наука о данных для принятия решений людьми и влияния на бизнес. Темы варьировались от вовлеченности сотрудников до эффективной визуализации данных и лучших практик отбора кандидатов.

Так или иначе, в разных докладах обсуждались разные приложения больших данных и машинного обучения.

Это одна из немногих конференций, которая показывает, что мы смотрим только на верхушку айсберга. И так много еще предстоит сделать. Прорывы в вычислительной технике позволили создать совершенно новый класс аналитики. Новые методы ансамблевого обучения превзошли классические линейные подходы к построению моделей для большинства задач и соревнований по данным. Новые алгоритмы, такие как глубокое обучение, установили новые рекорды в классификации изображений, аудио и текста.

Сейчас ожидается, что компьютеры превзойдут людей-экспертов во многих различных задачах.

В настоящее время ожидается, что компьютеры превзойдут экспертов-людей во многих различных задачах, включая, помимо прочего: новые методы моделирования для неструктурированных наборов данных, аналитику резюме, анализ интервью и автоматические оценки.

Мне понравились все доклады на SIOP LEC. Для меня особенно запомнились три доклада Бена Тейлора из HireVue, Аллена Камина из GE и Алексиса Финка из Intel.

Бен Тейлор, главный специалист по данным в

HireVue выступил с докладом: «

Сверхчеловеческая эра: последние инновации в области HR-данных».

В своем выступлении доктор Тейлор объяснил, как наши модели найма изменились с течением времени. «Все началось от простого к страшному». Доктор Тейлор объяснил. Сначала у нас были линейные модели, затем мы перешли к древовидным моделям, затем мы использовали модели повышения градиента и, наконец, мы перешли к моделям глубокого обучения.

В 1800-х годах линейные модели были простым способом найма кандидатов. Если у вас был хороший средний балл, вы, скорее всего, получили работу — красиво и просто. В конце 1980-х и начале 1990-х модель развивалась, когда процесс найма включал в себя другие внешние факторы, такие как школа, которую вы посещали, результаты SAT и GPA, которые вы получили.

В начале 2000-х появились концепции машинного обучения. Постепенно были созданы методы машинного обучения, такие как Gradient Boosting. Повышение градиента — это метод, в котором используются различные методологии регрессии и классификации. Суть в том, чтобы создать прогностическую модель. Примером такой модели может быть сочетание опыта работы и некоторой оценки личности. Такая модель может предсказать, что, объединив эти два параметра, вы сможете предсказать, эффективен ли сотрудник в своей работе.

Мы находимся на пороге глубокого обучения. Глубокое обучение или иерархическое обучение — это ветвь машинного обучения, основанная на наборе алгоритмов, которые пытаются моделировать абстракции высокого уровня в данных, используя глубокий граф с несколькими уровнями обработки, состоящими из нескольких линейных и нелинейных преобразований. Такие устройства могут объединять оценки личности с присутствием в социальных сетях для прогнозирования определенных результатов.

Еще один замечательный доклад был сделан Аллен Камин, менеджер по организационному и кадровому анализу в GE.

Доклад назывался «Повышение доступности данных для улучшения условий труда сотрудников». Группа GE Analytics находится на пути к глубокому пониманию своих сотрудников — от обычных демографических данных, данных о вознаграждениях и производительности до сбора данных о социальном взаимодействии своих сотрудников.

Подобно тому, как Amazon использует различные методы для предоставления рекомендаций по продуктам, GE предлагает «программу друзей», в которой сотрудникам-единомышленникам рекомендуется общаться. Используя такую ​​программу, GE создает более интимную культуру и поощряет сетевое взаимодействие внутри своей организации. Так же, как edX рекомендует популярные учебные модули, BrilliantYOU от GE предлагает обучающие модули для своих сотрудников. И точно так же, как LinkedIn предоставляет рекомендации по работе, GE «Career Explorer» предлагает рекомендации по работе своим собственным сотрудникам. Среди прочего, эта программа снижает текучесть кадров.

Еще один замечательный доклад был сделан Алексис А. Финк, генеральный директор Talent Analytics в Intel.

Как кратко описано ранее, HR-аналитика имеет больше данных, чем когда-либо прежде. Но что вы можете сделать с океаном данных? В своем выступлении «От оптимизма к влиянию» Финк представила основу для своих 7 ключевых шагов к успеху в работе с данными. Процесс начинается с постановки правильного вопроса и определения правильного метода. Далее нам нужно сгенерировать и проанализировать данные. Затем должны быть разработаны идеи и планы действий. И, наконец, измерьте результат, чтобы убедиться, что действие было эффективным. Доктор Финк объяснил, что океан данных бесполезен, если мы не можем извлечь из него 1–2 полезных выводов.

Итак, для всех людей, которые верят, что «машины захватят мир», люди — это интуиция, стоящая за машинами. Машины могут обрабатывать числа. Но люди должны найти понимание.

Итак, является ли машинное обучение (ML) и большие данные большой рекламой в HR? Я думаю, что мы просто смотрим на верхушку айсберга.

О SparcIt: SparcIt — технологическая компания, специализирующаяся на крупномасштабном семантическом анализе. Наш флагманский продукт — хорошо изученная и известная оценка SparcIt’s Creative Thinking. В отличие от традиционной оценки, уникальной особенностью SparcIt является использование открытых упражнений и автоматизированного подсчета очков. Используя движок, подобный Watson, запатентованный движок SparcIt точно и эффективно оценивает ответы участников и предоставляет подробный отчет участникам и администраторам теста. Таким образом, он устраняет основные факторы неиспользования таких оценок.

Оценка творческого мышления от SparcIt — это весело, быстро, автоматизировано, доступно и масштабируемо.