В статье рассматриваются возможности применения искусственных нейронных сетей как одного из методов интеллектуального анализа данных в целях упрощения и повышения эффективности некоторых процессов управления персоналом.
Ключевые слова: нейросетевой анализ, интеллектуальный анализ данных, искусственные нейронные сети, управление персоналом.
Одной из основных задач современного менеджмента является улучшение эффективности систем управления персоналом. Большое значение также имеет и автоматизация действий менеджера, то есть использование современных технологий и программных средств в ходе выполнения стандартных решений.
В рамках выполнения выпускной квалификационной работы по направлению «Прикладная математика и информатика» под руководством доцента Скобельцына С. А. и профессора Михалевой Е. П. была разработана автоматизированная система для повышения результативности и эффективности анализа и оценки перспективности обучения и развития сотрудника на основе данных, полученных из информационной базы системы 1С: Зарплата и управление персоналом версии КОРП. Данная система представляет собой инструмент для упрощения и объективизации решения об обучении сотрудника как одного из процессов управления персоналом.
Актуальность выбранного процесса была обусловлена тем, что при принятии решения по обучению персонала для любого предприятия важно достижение положительного результата в развитии сотрудников. Зачастую затраты, характерные для подсистемы обучения и развития персонала, как показывает практика, бывают значительными, а потому вложение средств в первую очередь целесообразно для наиболее перспективных сотрудников.
Так как на многих отечественных предприятиях используется для автоматизации задач учета и управления кадрами конфигурация Зарплата и управление персоналом платформы 1С предприятие [1], в разработанном решении была использована база именно этой программы. Однако, предлагаемый метод использования нейронных сетей может использоваться на данных любой другой информационной базы.
На первом этапе работы были рассмотрены основные подходы к оценке перспективности обучения и развития сотрудника. Так с целью оценки навыков, знаний, личностных характеристик работника могут применяться различного рода собеседования и тестирования. Наиболее распространенным методом аттестации является метод стандартных оценок. Хотя, оценка деятельности каждого работника отдельно, имеет недостаток: она не позволяет выделить более перспективных работников, для принятия решения по вложению средств в их обучение и развитие. Используя сравнительные методы оценки можно восполнить этот пробел. Некоторые исследователи предлагают различные методики оценки персонала, предполагающие комплексный подход и состоящие из опросников нескольких видов. Однако, обработка результатов в этом случае требует немало времени.
На втором этапе работы изучены бинарные методы классификации, рассмотрены оценка перспективности с точки зрения математического моделирования и характеристика использования искусственных нейронных сетей для решения задач бинарной классификации. Так как нам необходимо разделить сотрудников на тех, кто предположительно повысят после обучения свой грейд (то есть ранг должности на предприятии), и тех, в чьё обучение не стоит вкладывать средства, мы, по сути, решаем задачу бинарной классификации сотрудников. Существует множество методов прогнозного моделирования для таких задач. Однако, следует отметить, что нейронные сети получили широкое распространение в интеллектуальном анализе данных благодаря своей гибкости и точности. Таким образом предлагается использовать именно ИНС в качестве средства классификации.
Как известно, простейший искусственный нейроном вычисляет взвешенную сумму с n входных сигналов и формирует единичный сигнал на выходе, если взвешенная сумма превышает некий порог (в противном случае значение на выходе равно нулю). Сети из подобных нейронов позволяют эффективно проводить классификацию. По сути, нейронная сеть создает большое число регрессионных моделей, являющихся стандартным средством классификации в решении задачи статистическими методами [2].
Для решения задачи классификации на нелинейно разделимом множестве, вместо однослойных сетей используются многослойные. Использование же более сложных нейронных сетей с обратной связью не целесообразно из-за большего времени работы с тем же результатом. В итоге для нашей задачи использована сеть прямого распространения, а именно многослойный персептрон.
Алгоритм обучения ИНС и использования нашего модуля, таким образом, очень похожи и может быть описан следующими шагами.
- Отбор сотрудников-кандидатов
- Выбор состава атрибутов
- Отбор множества значений атрибутов для кандидатов
- Выгрузка данных для модуля НСА
- Обработка данных в модуле НСА
- Анализ результатов обработки
- Принятие решения о направлении на обучение
При этом структуру программного обеспечения можно представить схемой, изображенной на рисунке 1.
Рис. 1. Структура программного обеспечения.
Выходная информация предназначена для использования HR-менеджерами при принятии управленческих решений по обучению и развитию конкретных сотрудников. Последующее обучение нейронной сети может проходить на основе периодически проводимых обучающих выборок, учитывающих новые актуальные данные.
Результаты работы приняты к внедрению в практическую деятельность ООО «Институт консалтинга» и в учебный процесс Регионального центра повышения квалификации Тульского государственного университета.
По примеру разработанной системы возможно и создание решений с использованием ИНС для других процессов управления персоналом.
Литература:
1. Грянина Е. А., Харитонов С. А. Секреты профессиональной работы с программой «1С:Зарплата и Управление Персоналом 8». Управление персоналом. Учебное пособие. М.,– ООО «1С-Паблишинг», 2007. — 263 с.: ил.
2. Хайкин С. Нейронные сети. Полный курс 2-e изд. Пер. с англ. — М.: Издательский дом «Вильямс», 2006. — 1104 с.: ил.
