Управление персоналом при помощи искусственного интеллекта и машинного обучения

Организации продолжают сталкиваться с постоянными проблемами удержания и найма сотрудников, которые стали ещё более острыми из-за пандемии COVID-19. В сегодняшней нестабильной экономике удержание сотрудников по-прежнему остаётся одной из самых острых проблем, с которыми сталкиваются многие менеджеры по персоналу. Текучесть кадров ежегодно обходится организациям в миллиарды долларов. Но если задействовать Искусственный Интеллект (ИИ) в совокупности с автоматизацией процессов и технологиями машинного обучения, то можно моделировать определённые шаблоны, которые основательно помогут службам кадрового делопроизводства и менеджерам по персоналу.

Алгоритмы прогностических моделей могут включать демографические данные сотрудников, их предпочтения историю работы/дополнительного обучения и динамику показателей производительности. Эти параметры могут обеспечивать автоматическую и своевременную оценку сотрудников, что позволит вовремя идентифицировать сотрудников, которые, возможно, планируют уйти, а также реализовать соответствующие инициативы по улучшению условий их трудовых контрактов. Вовлеченность в работу, удовлетворённость работой, опыт и навыки, достойная заработная плата — это лишь четыре фактора, которые, как оказалось, тесно связаны с решением сотрудника инициировать переход в другую компанию.

Выявление сотрудников, планирующих покинуть организацию, и внедрение соответствующих мероприятий по их удержанию уже давно стало спорной темой в тематических обсуждениях «эйчаров». Несмотря на то, что пандемия и последующие события замедлили экономический спад, многие организации будут по- прежнему сталкиваться с усилением конкуренции, более требовательными клиентами и усилением проблем с набором квалифицированных работников, их релокацией и адаптацией. Такое сочетание усилий приводит к увеличению затрат, связанных с привлечением и удержанием сотрудников.

Стоимость потерь от добровольного оттока квалифицированных кадров может достигать пятикратной величины годовой заработной платы менее опытного/знающего сотрудника в зависимости от конкретной должности и рыночных условий. До недавнего времени процессы, используемые большинством HR-специалистов, были сосредоточены на хранении данных, что, как правило, обеспечивает обратную перспективу, например, оценку производительности сотрудников постфактум. Напротив, перспективный подход, основанный на применении искусственного интеллекта и машинного обучения, может быть чрезвычайно полезен для выявления сотрудников, которые могут рассматривать возможность увольнения, и своевременного принятия индивидуальных мер по удержанию ключевых работников в штате компании. В частности, этот подход позволяет включать как количественные, так и неколичественные измерения (например, твиты, блоги, опросы) в процесс оценки текучести кадров. Модели машинного обучения находят более широкое применение при изучении кадровых вопросов. Однако в большинстве случаев они ограничиваются оценкой эффективности модели, а не затрагивают более важную проблему разработки успешных вмешательств.

Ситуационное моделирование можно использовать, как для выявления сотрудников, которые планируют уйти, так и для разработки конкретных стратегий улучшения воздействия, чтобы нивелировать такое желание у работника. Понятие «машинного обучения» было впервые введено в конце 1950-х годов и обычно определяется как способность компьютера автоматически обучаться и совершенствоваться на основе опыта без явного дополнительного программирования людьми. Оно считается одной из составляющих искусственного интеллекта, которое вызывает повышенный интерес в HR-сообществе. Автоматизация, связанная с алгоритмами машинного обучения, в прогнозировании ситуации/обстоятельств, очень важна, учитывая большое количество факторов риска, которые необходимо оценить. Современное состояние машинного обучения применительно к управлению человеческими ресурсами значительно продвинулось вперёд по сравнению даже с десятилетием назад. Конкретные области HR, представляющие интерес, включают обеспечение функциональной значимости и успеха интеллектуального анализа данных, подтверждение предоставления подходящих данных и информационных систем, сертификацию соответствия этическим и правовым стандартам, отслеживание за соблюдением правил кадрового делопроизводства, разработку систематического обзора функциональных областей применения HR, обоснование актуальности и характеристик проблемы.

Отток сотрудников, подражание термину «отток клиентов», используемому в маркетинге, обеспечивает полезный контекст для лучшего понимания текучести кадров, где сотрудники во многих случаях являются самым большим активом организации. В маркетинговых исследованиях по причинам «оттока клиентов» алгоритмические модели машинного обучения добились значительных технологических достижений, включая классификацию данных на основе почти достоверного уровня. Эти же методы сейчас применяются для анализа прогнозирования оттока сотрудников. Этот аналитический подход может помочь уменьшить предвзятость при оценке текучести кадров, процессах найма и обучения, а также улучшить культурный климат и организационное разнообразие внутри компании. Тем не менее, использование парадигмы «утечки кадров» в HR-приложениях вызывает критику из-за некоторых конкретных проблем:

• этические и юридические нестыковки, при которых искусственный интеллект обычно требует, чтобы решения имели ОДНО конкретное объяснение (а не два/три/четыре возможных) — это серьёзная проблема для некоторых алгоритмов машинного обучения;
• относительно небольшие размеры выборки в любой данный момент времени, что может ограничить количество ключевых факторов оценки;
• негативная реакция сотрудников, связанная с идеей оценки их способностей/поведения (даже частичной) машиной/роботом.

Понимание того, почему сотрудники уходят или остаются, по-прежнему остаётся одной из самых важных проблем, стоящих перед организациями всех размеров и форм. На протяжении многих лет эта тема привлекала значительное внимание бизнес-сообщества.

Эти опасения не ограничиваются каким-либо одним государством, но вызывают растущий интерес во всём мире. В Европе, например, существует долгосрочная тенденция к сокращению срока пребывания на рабочем месте для определённых возрастных групп, и этот срок сильно различается в зависимости от характеристик работы. Кроме того, сотрудники с более высоким уровнем экстраверсии, меры, в которой сотрудник взаимодействует с внешним миром, с большей вероятностью сменят работу. Было обнаружено, что в Азии совокупность факторов, влияющих на удержание сотрудников и их привязанность к работе, является более сильным предиктором по сравнению с отношением к воспринимаемой лёгкостью передвижения и смены работы в европейском менталитете. Кроме того, данные показывают, что организационная идентичность и удовлетворённость сотрудников в значительной степени коррелируют с намерением их перехода.