Sisältö
- HR-rooli
- Koneoppimisen tapaus HR: ssä
- Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
- kehitys
- johtopäätös
Lähde: Kentoh / Dreamstime.com
Ottaa mukaan:
HR-analytiikka mullistaa henkilöstöosastojen toimintaa, mikä johtaa parempaan tehokkuuteen ja parempiin tuloksiin yleisesti.
Henkilöstö on käyttänyt analytiikkaa jo vuosia. Tietojen kerääminen, käsittely ja analysointi on kuitenkin ollut suurelta osin manuaalista, ja ottaen huomioon henkilöstövoimavaran dynamiikan ja henkilöstöhallinnon tunnusluvut, lähestymistapa on rajoittanut henkilöstöä. Siksi on yllättävää, että HR-osastot herättivät koneoppimisen hyödyllisyyteen niin myöhään pelissä.
Koneoppiminen on kuitenkin siirtynyt hitaasti, mutta varmasti HR-alueelle, ja monikäyttötapauksia, kuten kulumisen ennustaminen, oikea palkkaaminen ja henkilöstökoulutus, on perustettu. Uskotaan myös, että koneoppiminen voi ennustaa potentiaalisen ehdokkaan menestystä. Lisää käyttötapauksia löytyy todennäköisesti pian. Toisin kuin manuaalinen lähestymistapa, koneoppimismenetelmä on paljon nopeampi, paljon reagoivampi dynaamisiin tilanteisiin ja tarjoaa tarkkoja, toimivia ja arvokkaita tietoja. (Vaikka datanalytiikan kenttä automatisoituu yhä enemmän, työttömyydestä ei tarvitse vielä huolehtia. Lue lisää kohdasta Ei, Data Analytics Bots ei aio varastaa työtäsi pian.)
HR-rooli
Henkilöstö on kiistatta organisaation arvokkain voimavara. HR vastaa organisaation henkilöstöresurssien hallinnasta siten, että se saa parhaan mahdollisen hyödyn ihmisistä. HR-rooli sisältää seuraavat:
- Oikeiden kykyjen tunnistaminen oikeaan rooliin
- Oikea korvaus ja edut
- Henkilöstön kehittämisen johtaminen koulutuksella ja mahdollisuuksilla
- Henkilöresurssien kasvun seuranta ja hallinta lisäysten, tarjousten, mahdollisuuksien ja etujen avulla
- Työntekijöiden motivaatioiden, valitusten ja tunteiden hallinta
- Poistumisten hallinta
Koneoppimisen tapaus HR: ssä
Ajan myötä HR-osaston odotukset ovat muuttuneet. Aikaisemmin HR löysi sopivia ehdokkaita; suorittaa tai helpottaa arviointeja; jakaa tarjouksia, korvauksia ja etuja henkilöstöpolitiikan perusteella; ja hallita työntekijöiden uraa ja irtautumisia. Nyt HR: n odotetaan lisäävän lisäarvoa jo tekemiin töihin ja tekevän vielä enemmän, kuten esimerkiksi ennustavan hankautumista ja ehdokkaan menestystä roolissa. Mahdollistaako vai rajoittaako HR nykyistä lähestymistapaa näiden odotusten täyttämiseen?
Ennen koneoppimista HR hallitsi tietoja manuaalisesti ja puoliautomaattisesti. Se kerää, tallentaa ja käsittelee tietoja analysoinnin tuottamiseksi, ennen kuin tiedoista tulee nopeasti merkityksettömiä, koska tilanne oli muuttunut ja tiedot tarvittavat päivittämistä. Esimerkiksi ennen vuotuista arviointijaksoa kerätyt tiedot osoittivat alhaisia kulumisriskejä. Arvioinnin jälkeisessä vaiheessa on kuitenkin havaittavissa pilaantumista ja työntekijöiden tyytymättömyyttä pääasiassa odotusten ja todellisten palkkioiden epäsuhtalaisten ja työmarkkinoiden mahdollisuuksien lisääntymisen vuoksi. Pohjimmiltaan ennakkoarviointianalytiikka harhasi organisaatiota, ja työtä voidaan pitää tuhlauksena.
Manuaalisia ja puolikäsikäyttöisiä menetelmiä ei ole varustettu siten, että HR pystyy hallitsemaan nopeasti muuttuvien henkilöresursseihin liittyvien muuttujien tietoja. HR tarvitsee säännöllistä ja päivitettyä analyysiä tärkeistä tekijöistä, kuten työntekijöiden tunteet organisaatiossa, työntekijöiden asenteet politiikkoihin ja markkinoiden mahdollisuuksien houkuttelevuus organisaation tarjoamiin nähden. Tämä on vakava asia. Ellei ihmispääomaa hoideta hyvin, organisaatio voi mahdollisesti menettää arvokkaita työntekijöitä. Bill Gates kommentoi kerran: ”Poistat 20 parasta työntekijäämme ja meistä tulee keskinkertainen yritys.” Aloita koneoppiminen. Mitä koneoppiminen voi tarjota vanhoille menetelmille? Harkitse seuraavaa:
Nopeampi vastaus muuttuvaan dynamiikkaan
Tämä on isojen tietojen ikä. Henkilöstön hallitsemiseksi tarvitaan tietoja seuraavista:
Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
Et voi parantaa ohjelmointitaitojasi, kun kukaan ei välitä ohjelmiston laadusta.
- Työntekijöiden asenteet ja tunteet
- Valtakirjat tai pätevyys
- Työntekijöiden näkemykset politiikoista
- Korvaukset ja edut
- Asiaankuuluva ulkoinen kehitys, kuten työmarkkinat ja kilpailevat organisaatiot, ja niiden vaikutukset työntekijöihisi
Se lisää joka päivä saapuvan inhimillisen tietomäärän. Manuaalinen hallinta on yksinkertaisesti huonosti varusteltu käsittelemään sitä. Koneoppiminen on kuitenkin tarkoituksenmukaista hyväksyä, tallentaa ja käsitellä johdonmukaisesti tällaisia tietomääriä ja tarjota asiaankuuluvia ja toimivia oivalluksia yksinkertaisen analyysin muodossa. (Lisätietoja big data -yrityksen roolista yrityksessä Big Data Analytics -kipujen torjumisella.)
Tarkat ennusteet
Koneoppiminen voi ennakoida avainasemassa tapahtuvaa kehitystä, kuten hankautumista, menestystä työtehtävissä ja haitallisia tapahtumia, kuten epäeettistä käyttäytymistä. Esimerkiksi työntekijän onnistumisen todennäköisyys uudessa roolissa voidaan ennustaa menneiden tietojen, kuten aiemman projektisuorituksen, tietopohjan ja keskeisten aloitteiden pohjalta aloitetun aloitteen avulla tietokannan parantamiseksi, joka heijastaa asenteita. Näihin parametreihin perustuvat havainnot voidaan muuntaa analysoinniksi ja sitten tehdä päätöksiä.
Ehdokkaiden tunnistaminen ja hakijoiden seuranta
Koneoppiminen voi yhdistää oikean työn oikeaan ehdokkaan työroolin ja hakijan valtakirjojen, kokemuksen ja kiinnostuksen kohteiden perusteella. Koneoppiminen voi hyödyntää sitä sosiaalisissa verkostoissa. Se vähentää merkittävästi manuaalista työtä ehdokkaiden arvioinnissa ja seurannassa.
kehitys
HR-alue herättää hyödyllisyytensä jälkeen haalean vastauksen koneoppimiseen. Useita käyttötapauksia ollaan toteuttamassa ja lisää on tulossa. Seuraavassa on yhteenveto tärkeimmistä kehityksistä.
Ehdokkaiden tunnistaminen ja hakemusseuranta
Verkkolähteiden, kuten foorumeiden ja sosiaalisen median, sisältämien suurten tietojen avulla organisaatiot etsivät oikeita ehdokkaita oikeisiin rooleihin. Ehdokkuutta arvioidessaan koneoppimisessa otetaan huomioon pätevyys, kokemus, kiinnostuksenkohteet, ammatilliset yhteydet ja jäsenyydet, saavutukset, keskustelufoorumit ja paljon muuta. Tämä parantaa merkittävästi mahdollisuuksia roolin sovittamiseen, ellei taata sitä. Hyvä esimerkki voisi olla ammattimainen verkottussivusto, LinkedIn.
Koneoppiminen vähentää merkittävästi sovellusten hallinnan manuaalista työtä ja vapauttaa HR: n keskittymään tuottavampiin ponnisteluihin. Rahoitustuotteita vertailevan yrityksen MejorTrato.com.mx toimitusjohtajan ja perustajakomitean Cristian Rennellan mukaan "Aiemmin vietimme 67,2 prosenttia kunkin ihmisen HR-ajasta lukeaksemme jokaisen ehdokkaan CV: t, jotka tulivat meille omat verkkosivustomme ja kolmannet osapuolet. AI: n ansiosta tämän työn tekee tänään automaattisesti sisäinen järjestelmämme, joka pystyy automatisoimaan tämän tehtävän TensorFlowia käyttävän syvän oppimisen avulla. "
Tarkat ennusteet
HR-analytiikka voi usein tarkasti ennustaa keskeisiä tekijöitä, kuten hankautumista, työntekijöiden suoritusta ja jopa haitallisia tapahtumia, kuten epäeettistä käyttäytymistä. Esimerkiksi tiedot erilaisista keskustelupalstoista, sosiaalisen median viesteistä, videoista, kilpailevista organisaatioista ja markkinoiden mahdollisuuksista voivat viitata muutoksiin kulumisasteissa. Kulutustasot ovat erityisen alttiita muutoksille arviointijakson jälkeen.
Ennusteet työn onnistumisesta
Tiedot ehdokkaan valtakirjasta, jäsenyydestä, asenteista ja suorituksesta voivat osoittaa onnistumisen todennäköisyyttä työtehtävissä. Asia on, että yrittäminen laskea ennusteita manuaalisesti niin monien muuttujien perusteella on yksinkertaisesti riittämätöntä. HR-analytiikka voi tarjota tarkkaa tietoa siitä, mitkä organisaatiot voivat löytää oikeat ehdokkaat oikeisiin työrooleihin.
johtopäätös
Organisaatiot hyötyvät jo koneoppimisesta.Vaikka koneoppiminen on jo vähentänyt manuaalista työtä, ML: n odotetaan entistä tarkemmaksi ja näkyvämmäksi aloilla, kuten kulumisen ennustaminen ja hallinta, työntekijöiden johtaminen ja menestys.