Περιεχόμενο
- Ο ρόλος του ΥΕ
- Περίπτωση για μάθηση μηχανών σε HR
- No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
- Εξελίξεις
- συμπέρασμα
Πηγή: Kentoh / Dreamstime.com
Πάρε μακριά:
Το HR analytics επαναφέρει τον τρόπο με τον οποίο λειτουργούν τα τμήματα ανθρωπίνων πόρων, οδηγώντας σε μεγαλύτερη αποτελεσματικότητα και καλύτερα αποτελέσματα συνολικά.
Οι ανθρώπινοι πόροι χρησιμοποιούν τα αναλυτικά στοιχεία εδώ και χρόνια. Ωστόσο, η συλλογή, επεξεργασία και ανάλυση δεδομένων ήταν σε γενικές γραμμές μη αυτόματη, και δεδομένης της φύσης της δυναμικής των ανθρώπινων πόρων και των HR KPIs, η προσέγγιση περιορίζει τον ανθρώπινο παράγοντα. Ως εκ τούτου, προκαλεί έκπληξη το γεγονός ότι τα τμήματα του ανθρώπινου δυναμικού ξύπνησαν τη χρησιμότητα της μηχανικής μάθησης τόσο αργά στο παιχνίδι.
Παρ 'όλα αυτά, η μηχανική μάθηση εισέρχεται σιγά σιγά αλλά σίγουρα στον τομέα του ανθρώπινου δυναμικού και έχουν δημιουργηθεί περιπτώσεις πολλαπλής χρήσης όπως η πρόβλεψη τριβής, η σωστή πρόσληψη και η κατάρτιση σε ανθρώπινους πόρους. Πιστεύεται επίσης ότι η μηχανική μάθηση μπορεί να προβλέψει την επιτυχία ενός υποψήφιου υποψηφίου. Περισσότερες περιπτώσεις χρήσης πιθανόν να ανακαλυφθούν σύντομα. Σε αντίθεση με τη χειροκίνητη προσέγγιση, η προσέγγιση της μηχανικής μάθησης είναι πολύ πιο γρήγορη, ανταποκρίνεται περισσότερο στις δυναμικές καταστάσεις και παρέχει ακριβή, δραστικά και πολύτιμα δεδομένα. (Παρόλο που το πεδίο της ανάλυσης δεδομένων γίνεται ολοένα και πιο αυτοματοποιημένο, δεν χρειάζεται να ανησυχείτε για την ανεργία μόλις τώρα. Μάθετε περισσότερα στο θέμα "Όχι, τα δεδομένα Analytics Bots δεν πρόκειται να κλέψουν τη δουλειά σας οποτεδήποτε σύντομα").
Ο ρόλος του ΥΕ
Οι ανθρώπινοι πόροι είναι αναμφισβήτητα το πιο πολύτιμο περιουσιακό στοιχείο ενός οργανισμού. Ο ΥΕ είναι υπεύθυνος για τη διαχείριση των ανθρωπίνων πόρων ενός οργανισμού, έτσι ώστε να αποκτά τη μεγαλύτερη δυνατή αξία από τους ανθρώπους του. Ο ρόλος της ΥΕ περιλαμβάνει τα εξής:
- Προσδιορισμός του σωστού ταλέντου για τον σωστό ρόλο
- Σωστή αποζημίωση και οφέλη
- Διαχείριση της ανάπτυξης των εργαζομένων με εκπαίδευση και ευκαιρίες
- Παρακολούθηση και διαχείριση της ανάπτυξης ανθρώπινων πόρων με προσαυξήσεις, προσφορές, ευκαιρίες και οφέλη
- Διαχείριση κίνητρα, παράπονα και συναισθήματα των εργαζομένων
- Διαχείριση εξόδων
Περίπτωση για μάθηση μηχανών σε HR
Με την πάροδο του χρόνου, οι προσδοκίες του τμήματος HR έχουν αλλάξει. Προηγουμένως, η ΥΕ θα βρει κατάλληλους υποψηφίους. διεξαγωγή ή διευκόλυνση των αξιολογήσεων · τις προσφορές, τις αποζημιώσεις και τα οφέλη που βασίζονται σε πολιτικές ανθρώπινου δυναμικού. και τη διαχείριση των σταδιοδρομιών και εξόδων των εργαζομένων. Τώρα, ο ΥΕ αναμένεται να προσθέσει περισσότερη αξία σε αυτό που ήδη κάνει και να κάνει ακόμη περισσότερα, όπως η πρόβλεψη της φθοράς και της επιτυχίας υποψηφίων σε κάποιο ρόλο. Είναι η τρέχουσα προσέγγιση για την εκπλήρωση αυτών των προσδοκιών που επιτρέπουν ή περιορίζουν τον ΥΕ;
Πριν από την υιοθέτηση της μηχανικής μάθησης, η HR θα διαχειρίζεται δεδομένα με χειροκίνητους και ημιαυτόματο τρόπο. Θα συλλέγει, αποθηκεύει και επεξεργάζεται δεδομένα για την παραγωγή αναλυτικών στοιχείων προτού τα δεδομένα γίνουν γρήγορα άσχετα επειδή η κατάσταση είχε αλλάξει και τα δεδομένα χρειάζονταν ενημέρωση. Για παράδειγμα, τα δεδομένα που συλλέχθηκαν πριν από τον ετήσιο κύκλο αξιολόγησης εμφάνισαν χαμηλό κίνδυνο τριβής. Εντούτοις, μετά την εκτίμηση, σημειώνεται άνοδος στην φθορά και δυσαρέσκεια των εργαζομένων, κυρίως λόγω της αναντιστοιχίας στις προσδοκίες και των πραγματικών ανταμοιβών και της αύξησης των ευκαιριών στην αγορά εργασίας. Βασικά, τα αναλυτικά στοιχεία προεκτίμησης παραπλάνησαν την οργάνωση και η προσπάθεια μπορεί να θεωρηθεί ως σπατάλη.
Οι μη αυτόματες και ημι-χειρωνακτικές μέθοδοι δεν είναι εξοπλισμένες ώστε να επιτρέπουν στην HR να διαχειρίζεται δεδομένα σχετικά με τις ταχέως μεταβαλλόμενες μεταβλητές που αφορούν τους ανθρώπινους πόρους. Το ανθρώπινο δυναμικό χρειάζεται τακτικές αναβαθμισμένες αναλύσεις σχετικά με συναφείς παράγοντες όπως τα συναισθήματα των εργαζομένων στο πλαίσιο του οργανισμού, τη στάση των εργαζομένων απέναντι στις πολιτικές και την ελκυστικότητα των ευκαιριών της αγοράς σε σχέση με την προσφορά του οργανισμού. Αυτό είναι σοβαρό επιχείρημα. Εκτός αν το ανθρώπινο κεφάλαιο διαχειρίζεται καλά, ένας οργανισμός μπορεί να χάσει πολύτιμους εργαζόμενους. Ο Μπιλ Γκέιτς σχολίασε κάποτε: "Αποσύρετε τους 20 κορυφαίους υπαλλήλους μας και γίνουμε μια μέτρια εταιρεία." Εισάγετε μηχανική μάθηση. Τι μπορεί να προσφέρει η μάθηση μέσω των παλιών μεθόδων; Σκέψου τα ακόλουθα:
Ταχύτερη απόκριση στην αλλαγή δυναμικής
Αυτή είναι η ηλικία των μεγάλων δεδομένων. Για τη διαχείριση των εργαζομένων, χρειάζεστε δεδομένα σχετικά με:
No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
Δεν μπορείτε να βελτιώσετε τις δεξιότητες προγραμματισμού σας όταν κανείς δεν ενδιαφέρεται για την ποιότητα του λογισμικού.
- Θέσεις και συναισθήματα των εργαζομένων
- Πιστοποιητικά ή προσόντα
- Προβολές υπαλλήλων προς πολιτικές
- Τάσεις αντιστάθμισης και παροχών
- Σχετικές εξωτερικές εξελίξεις όπως η αγορά εργασίας και οι αντίπαλες οργανώσεις και ο αντίκτυπός τους στους υπαλλήλους σας
Αυτό αυξάνει τον όγκο δεδομένων που φτάνει κάθε στιγμή. Η χειρωνακτική διαχείριση είναι απλά ακατάλληλη για να την χειριστεί. Ωστόσο, η μηχανική μάθηση είναι κατάλληλη για να δέχεται, να αποθηκεύει και να επεξεργάζεται με συνέπεια αυτούς τους όγκους δεδομένων και να παρέχει συναφείς και ενεργητικές πληροφορίες με τη μορφή απλών αναλυτικών στοιχείων. (Μάθετε περισσότερα σχετικά με το ρόλο των μεγάλων δεδομένων στην επιχείρηση με την αντιμετώπιση των σημείων πόνου Big Data Analytics.)
Ακριβείς προβλέψεις
Η μηχανική μάθηση μπορεί να προβλέψει βασικές εξελίξεις όπως η φθορά, η επιτυχία σε ρόλους εργασίας και τα ανεπιθύμητα συμβάντα, όπως η ανήθικη συμπεριφορά. Για παράδειγμα, η πιθανότητα επιτυχίας ενός υπαλλήλου σε νέο ρόλο μπορεί να προβλεφθεί βάσει ανάλυσης παρελθόντων δεδομένων, όπως είναι η προηγούμενη απόδοση του έργου, η βάση γνώσεων και οι βασικές πρωτοβουλίες που αναλήφθηκαν για τη βελτίωση της βάσης γνώσεων, η οποία αντικατοπτρίζει τη στάση. Τα ευρήματα που βασίζονται σε αυτές τις παραμέτρους μπορούν να μετατραπούν σε αναλυτικά στοιχεία και στη συνέχεια να ληφθούν αποφάσεις.
Υποβολή υποψηφίου και παρακολούθηση αιτούντων
Η μηχανική μάθηση μπορεί να συνδέσει τη σωστή εργασία με το σωστό υποψήφιο βάσει του ρόλου της εργασίας και των διαπιστευτηρίων, της εμπειρίας και των συμφερόντων του υποψηφίου. Η μηχανική μάθηση μπορεί να αξιοποιήσει τα κοινωνικά δίκτυα γι 'αυτό. Μειώνει σημαντικά τη χειρωνακτική προσπάθεια στις υποψήφιες αξιολογήσεις και την παρακολούθηση.
Εξελίξεις
Ο τομέας HR, μετά από μια χλιαρή απάντηση στη μηχανική μάθηση, ξυπνάει τη χρησιμότητά του. Πολλές περιπτώσεις χρήσης εφαρμόζονται και άλλα βρίσκονται σε εξέλιξη. Παρακάτω παρουσιάζεται μια σύνοψη των βασικών εξελίξεων.
Προσδιορισμός υποψηφίων και παρακολούθηση εφαρμογών
Με τα μεγάλα δεδομένα από πηγές ιστού, όπως τα φόρουμ και τα κοινωνικά μέσα, οι οργανώσεις βρίσκουν τους σωστούς υποψηφίους για τους σωστούς ρόλους. Κατά την αξιολόγηση της υποψηφιότητας, η μηχανική μάθηση θεωρεί τα προσόντα, την εμπειρία, τα ενδιαφέροντα, τις επαγγελματικές συνδέσεις και τα μέλη, τα επιτεύγματα, τις συζητήσεις στο φόρουμ και πολλά άλλα. Αυτό βελτιώνει σημαντικά τις πιθανότητες εμφύτευσης του ρόλου, αν δεν το εγγυηθεί. Ένα καλό παράδειγμα θα μπορούσε να είναι ο δικτυακός τόπος επαγγελματικής δικτύωσης, LinkedIn.
Η μηχανική μάθηση μειώνει σημαντικά τη χειρωνακτική προσπάθεια στη διαχείριση εφαρμογών και απελευθερώνει τον ανθρώπινο παράγοντα για να επικεντρωθεί σε πιο παραγωγικές προσπάθειες. Σύμφωνα με τον Cristian Rennella, Διευθύνων Σύμβουλος και Συνιδρυτή της MejorTrato.com.mx, μια εταιρεία που συγκρίνει τα χρηματοοικονομικά προϊόντα: "Στο παρελθόν, δαπανήσαμε το 67,2 τοις εκατό του χρόνου κάθε ατόμου στο HR για να διαβάσουμε τα βιογραφικά σημειώματα κάθε υποψηφίου που ήρθε σε μας δική μας ιστοσελίδα και τρίτα μέρη, χάρη στο AI, αυτό το έργο γίνεται σήμερα αυτόματα από το εσωτερικό μας σύστημα, το οποίο μέσω της βαθιάς μάθησης χρησιμοποιώντας το TensorFlow, μπορούμε να αυτοματοποιήσουμε αυτό το έργο.
Ακριβείς προβλέψεις
Τα αναλυτικά στοιχεία HR μπορούν συχνά να προβλέπουν με ακρίβεια βασικούς παράγοντες όπως η φθορά, η απόδοση των εργαζομένων και ακόμη και τα ανεπιθύμητα συμβάντα, όπως η ανήθικη συμπεριφορά. Για παράδειγμα, τα δεδομένα από διάφορες συνομιλίες φόρουμ, δημοσιεύσεις κοινωνικών μέσων, βίντεο, ανταγωνιστικές οργανώσεις και ευκαιρίες αγοράς μπορούν να καταδείξουν αλλαγές στα επίπεδα τριβής. Τα επίπεδα τριβής είναι ιδιαίτερα ευαίσθητα στις αλλαγές μετά από τους κύκλους αξιολόγησης.
Προγνωστικά επιτυχίας εργασίας
Τα δεδομένα σχετικά με τα διαπιστευτήρια, τις ιδιότητες, τις συμπεριφορές και τις επιδόσεις ενός υποψηφίου μπορούν να δείξουν την πιθανότητα επιτυχίας στους ρόλους εργασίας. Το θέμα είναι ότι, η χειροκίνητη προσπάθεια υπολογισμού των προβλέψεων με βάση τόσες πολλές μεταβλητές είναι απλώς ανεπαρκής. Τα αναλυτικά στοιχεία HR μπορούν να παρέχουν ακριβείς πληροφορίες βάσει των οποίων οι οργανώσεις μπορούν να βρουν τους σωστούς υποψηφίους για τους σωστούς ρόλους εργασίας.
συμπέρασμα
Οι οργανισμοί αποκομίζουν ήδη τα οφέλη της υιοθέτησης της μηχανικής μάθησης.Ενώ η εκμάθηση μηχανών έχει ήδη μειώσει τη χειρωνακτική προσπάθεια, το ML αναμένεται να γίνει ακόμη πιο ακριβές και εμφανές σε τομείς όπως η πρόβλεψη και η διαχείριση των τριβών, η διαχείριση των εργαζομένων και η επιτυχία.