Материал: Специфика использования больших данных в управлении человеческими ресурсами

Главный признак высокопроизводительных компаний в сегодняшнем цифровом мире - способность быстро учиться. Компании должны пробовать новые подходы, применять новые продукты и сервисы, быстро понимать, что работает, а что нет. Этот стремительный, ориентированный на клиента способ ведения бизнеса изменяет образ мыслей о менеджменте и управлении человеческими ресурсами. [1]

На Рисунке 1 в виде карты представлены и ранжированы страны, которые находят тренд диджитализации HR «важным» и «очень важным». Данные получены на основании опроса, проведенного Deloitte University Press в 2017 году. В опросе приняли участие более чем 10 400 руководителей фирм и руководителей HR-подразделений 140 стран. [31] Детали опроса приведены в Приложении 1 настоящей работы. Наглядное представление помогает понять, что страны всего мира настроены на диджитализацию HR-функции и видят данный тренд важным для ее развития.

Рисунок 1. Диджитализация HR: процент респондентов, которые отмечают данный тренд как "важный" или "очень важный"

Однако понятие диджитализации требует большей конкретики. За данным термином скрывается большое количество трендов, имеющих как косвенное, так и прямое влияние на управление человеческими ресурсами. Прямое влияние на HR в разрезе диджитализации оказывают инновации в сфере информационных технологий или уже имеющиеся решения и методы, которые ранее не применялись в управлении персоналом. Косвенно оказывают влияние такие факторы, как изменения в организационной структуре или повышающийся интерес к совершенствованию корпоративной культуры компании. В представленной в Приложении 2 таблице собраны все найденные в ходе изучения и анализа литературных источников и имеющихся программных решений тренды в управлении человеческими ресурсами.

Один из приоритетных трендов сегодня - внедрение и использование технологий больших данных и инструментов People Analytics. Далее данный тренд будет рассмотрен подробнее.

1.4 Области использования больших данных и инструментов people analytics в управлении человеческими ресурсами

Отметим, что для понятия People Analytics, обозначающего основанный на данных подход к управлению людьми во время работы, не найдено прямого перевода на русский язык, поэтому в настоящей работе сохранен исходный вид понятий, применяемый в англоязычных источника.

Функция People Analytics включает в себя использование цифровых инструментов и данных для измерения, описания и понимания производительности сотрудника. Однако на сегодняшний день аналитика не просто предоставляет информацию и инсайты для менеджеров - она преобразуется в бизнес-функцию, ориентированную на использование данных для понимания каждой части бизнес-операций, и встраивается в приложения, отслеживающие и анализирующие информацию в реальном времени.

Многие поставщики HR-технологий предоставляют инструменты дескриптивной и предиктивной аналитики, что позволяет анализировать данные о наборе персонала, производительности, мобильности сотрудников, их взаимодействии и других факторах. У руководителей теперь есть доступ к бесконечной комбинации показателей, которые помогают им понять на более глубоком уровне то, что приводит компанию к более высоким результатам.

Приоритетным направлением People Analytics является найм и отбор персонала. Компании используют данные интервью, тщательно анализируют язык публикаций новых вакансий и данные скрининга кандидата, чтобы уменьшить неосознанную предвзятость и интуитивность при найме. [14] Однако в данном случае не всегда речь идет о больших данных. Технологии больших данных оказываются необходимы при обработке больших массивов данных, получаемых из внешних источников, например, из социальных сетей, которые получают все большую популярность при анализе таких показателей как текучесть кадров, удержание сотрудников и других метрик производительности.

На Рисунке 2 в виде карты представлены и ранжированы страны, которые находят тренд People Analytics «важным» и «очень важным». [14]

Рисунок 2. People Analytics: процент респондентов, которые отмечают данный тренд как "важный" или "очень важный"

Несмотря на то, что большинство стран видят направление People Analytics приоритетным, прогресс в этой области оказывается довольно медленным. Доля компаний, которые анализируют данные HR, связывая их с производительностью бизнеса, и внедряют предиктивную аналитику, мало изменилась с прошлого года. [14]

Как уже было отмечено, технологии больших данных позволяют анализировать данные о потенциальных кандидатах, помогают при анализе взаимодействия сотрудников и оценки их эффективности. Рассмотрим подробнее каждое из выделенных направлений.

1.4.1 Найм и отбор кандидатов

Поиск талантов и рекрутмент сталкиваются сегодня с огромным давлением: широко распространена нехватка необходимых компаниям навыков, а сотрудникам требуются новые карьерные модели.

Однако технологии и инновации, такие как большие данные, облачные вычисления, искусственный интеллект, робототехника, экономика совместного потребления уже преобразовывают рабочую силу. Ведущие компании превращают открытую экономику талантов и неисчерпаемое количество данных из внешних ресурсов в преимущество, внедряя новые технологии и разрабатывая новые карьерные модели.

Наиболее инновационные идеи и решения сосредоточены вокруг когнитивных технологий, таких как искусственный интеллект, машинное обучение, роботизирование процессов, обработка естественного языка и предиктивные алгоритмы.

Использование технологий больших данных и предиктивная аналитика получают все большую популярность при отборе персонала, чему способствуют приоритетное внимание, которое уделяется процессу рекрутмента, планирование рабочей силы, оценивание различных источников найма сотрудников, оценка качества найма, использование предварительной оценки кандидата, или предварительного скрининга. [28]

При анализе литературы и имеющихся на рынке программных решений и приложений были выделены следующие направления найма и отбора сотрудников, в которых применяются технологии больших данных. Направления наглядно представлены на Рисунке 3.

Рисунок 3. Направления использования больших данных при найме и отборе персонала

Далее более подробно будут рассмотрены все три направления.

Несмотря на то, что резюме хорошо демонстрируют прошлый опыт и достижения претендента, его формальные навыки, они бесполезны в определении поведения и ценностей кандидата. Резюме также не проводит различие между навыками (знанием, как что-то делается) и компетенциями (умением делать что-то хорошо, с большой ответственностью и легкостью). [30] Существуют и другие проблемы резюме: рекрутерам заведомо неизвестно, правдивы ли представленные там факты о кандидате. Велика вероятность, что информация, представленная в резюме, может оказаться искаженной. Так, провайдер решений по скринингу бэкграунда кандидатов и сотрудников HireRight в своем ежегодном опросе о скрининге сотрудников, проведенном в октябре-ноябре 2015 года, выявил, что 88 % опрошенных рекрутеров США нашли искажения и неправдивые данные в резюме кандидата. [19, 6] Поэтому рекрутеры должны также обращать внимание на элементы, не относящиеся к резюме, которые возможно обнаружить и проанализировать с помощью технологий больших данных.

На сегодняшний день уже существуют готовые программные решения, с помощью которых можно определить профессиональные навыки и личностные качества кандидата, подходящие конкретной компании без рассмотрения резюме.

Так, скрининг уже после выбора кандидатов может быть заменен скринингом до отбора при помощи выявления индивидуального профиля навыков потенциальных кандидатов. В данном случае речь идет о применении People Analytics к тем людям, чьи работы могут быть продемонстрированы в интернете. Примером могут служить инженеры-специалисты по программному обеспечению, разработчики, программисты. Используя науку о данных и предиктивную аналитику, возможен анализ данных в следующих направлениях:

·        находящиеся в открытом доступе коды потенциальных программистов (на таких ресурсах, как GitHub) на предмет их простоты, изящности, частоты использования другими программистами,

·        ответы и вопросы на форумах программистов, таких как Stack Overflow,

·        анализ социальных сетей программистов, таких как LinkedIn, Facebook, Twitter на основе определенных фраз и слов, которые отличают профессионального программиста от менее квалифицированного.

В зависимости от набора профессиональных навыков и от того, как они подходят позиции в компании, кандидату присваивается балл от 1 до 100. [8]

Однако помимо технических областей данную технологию можно применить и к другим кандидатам, чьи работы публично доступны, например, в сети Интернет. Примером могут служить графические дизайнеры. [24]

Так как далеко не для каждой позиции можно найти и проанализировать уже имеющиеся в открытом доступе наглядные работы, также возможен анализ данных потенциальный кандидатов на основе порталов по трудоустройству [11], законченных онлайн-курсов и по результатам пройденных онлайн-игр [8].

Однако более сложной задачей оказывается выявление личностных качеств будущего сотрудника. Одна из возможностей определения конкретных, необходимых компании навыков, насколько кандидат креативен, любопытен, осторожен и т. д. - анализ данных, полученных при прохождении игры. В основном игры, используемые при отборе персонала, базируются на экономической теории игр и стремятся показать, как люди ведут себя и принимают решения в режиме реального времени. Данные здесь - поток микро-решений и микро-поведений кандидата. За миллисекунды собирается и впоследствии обрабатывается огромное количество данных, с помощью которых выявляются личностные качества потенциального сотрудника и определяются шаблоны поведения на рабочем месте. [7]

Одним из ключевых приоритетов компаний сегодня является корпоративная культура и ее развитие, поэтому организациям важно найти сотрудника, который разделяет их ценности. Так, на рынке программных решений появляются инструменты для определения показателей культуры конкретной компании и анализ данных кандидатов, выявление шаблонов поведения и их ценностей, которые подходят корпоративной культуре.

Что касается третьего направления, в случае сопоставления кандидата и работодателя, речь идет об усовершенствовании порталов по трудоустройству, которые меняют привычные отношения рекрутер-кандидат. Кандидат не ищет подходящую вакансию конкретной компании и не подает заявку, а работодатель не занимается поиском кандидата, подходящего под конкретную вакансию. Новые платформы по трудоустройству совмещают алгоритмическое сопоставление кандидата и работодателя с помощью машинного обучения и человеческий опыт - специалистов в сфере управления талантами, которые помогают как кандидатам, так и компаниям беспристрастными советами и информацией.

Следующая функция HR, в которой развивается применение систем больших данных, - анализ сети организации - будет рассмотрена далее.

1.4.2 Анализ сети организации

Один из выделенных трендов, влияющих на управление человеческими ресурсами сегодня, - переосмысление организационной структуры, что подразумевает переход от функциональных групп к работе в командах. Командный метод работы является более эффективным в условиях современной экономики в отличие от жесткого административного управления. Объединение работников в единое целое и создание системы управления, которая отличается единством целей и действий, общностью корпоративных ценностей и интересов, возможно только на основе эффективной командной организации. [3] Для и успешной и производительной работы в команде, часто состоящей из представителей различных культур или разных профессиональных направленностей, важно понимать, как сотрудники взаимодействуют внутри организации вне формальных рамок и как можно усовершенствовать коммуникации между ними. Отметим, что неформальные связи сотрудников чаще всего сильно отличны от тех, что представлены на органиграммах, поэтому их выявление представляется сложной задачей для HR. В рамках данной части работы рассматривается вопрос о том, какую пользу могут принести большие данные при анализе сети организации.

Сначала выделим составляющие данного процесса. На Рисунке 4 наглядно показано, что совершенствование сотрудничества между работниками невозможно без предшествующих сбора данных, мэппинга и анализа сетей взаимодействия.

Рисунок 4. Этапы процесса совершенствования взаимодействия между сотрудниками

Для осуществления сбора данных в зависимости от поставленной цели важно подобрать инструмент, для того чтобы узнать, с кем взаимодействует каждый из сотрудников компании, функционального подразделения или команды. Существует ряд способов, самым распространенным из которых является проведение опросов. Несмотря на то, что с помощью правильно структурированного опроса можно напрямую узнать, с кем чаще всего контактирует сотрудник, и получить детальную информацию о конкретном работнике, он имеет ряд минусов [26]:

·        денежные и временные затраты на создание и контроль опроса;

·        выборка сотрудников не может быть очень большой;

·        количество вопросов в опросе ограничено;

·        критическая необходимость большого количества ответов на опрос (более 80 %);

·        обеспечение конфиденциальности предоставленных данных.

Одним из альтернативных вариантов является использование систем больших данных и новейших аналитических технологий для анализа как внутренних, так и внешних данных о взаимодействии сотрудников. Инструменты аналитики могут агрегировать и синтезировать данные о взаимодействии, которые уже существуют в корпоративной сети. Сбор данных возможен из корпоративных приложений для совместной работы, электронной почты, видео-конференций, социальных сетей, календарей и т.д. Также существуют примеры использования специальных бейджей для сотрудников, которые фиксируют все коммуникации внутри организации, их вид и частоту. [7]

Таким образом, используя потенциал больших данных, появляется возможность более точного понимания существующих социальных связей в компании, что, как следствие, обеспечивает эффективный мэппинг.

Аналитические интеллектуальные решения могут помочь организациям и на следующем этапе при оценке и анализе сетей взаимодействия, выявляя неэффективные объединения сотрудников и пути более продуктивного управления как отдельными работниками, командами, так и целой организацией.

Новая информация, полученная из анализа сетей взаимодействия, дает преимущество на всех уровнях организации. Старшие руководители и лидеры команд могут получить понимание о том, как на самом деле работает организация, где возможна или необходима своевременная гармонизация внутриорганизационных отношений, и продолжать получать доступ к данным по мере их изменения с течением времени, что является большим преимуществом в сравнении с проведением опросов. Сотрудники же, имея доступ к данным, получают понимание того, как фактически распределяется их рабочее время. [17]

Представление взаимодействия сотрудников в виде сетей и их анализ позволяют выделить тех людей, которые вносят большой вклад как в работу команды, так и целой организации, с чем не справляются показатели производительности труда, индивидуально ориентированные на каждого сотрудника. [15] Также возможно выявление эффективности коммуникации представителей различных культур и ее дальнейшее развитие.