Тенденции развития современного мира диктуют необходимость использования данных и машинного обучения в развитии бизнеса. В последние 10 лет данная область значительно выросла, и большинство компаний заинтересовано в цифровизации своих данных и извлечении из них как дополнительных знаний, так и дополнительной прибыли. Новые веяния не обошли стороной и такую, казалось бы, консервативную сферу с точки зрения внедрения технологий анализа, как управление персоналом. Так, в 2020 году компания LinkedIn выпустила результаты исследования, согласно которому количество специалистов в области управления персоналом, обладающих навыками продвинутой аналитики, за последние 5 лет выросло на 242 %. [7]
Подбор персонала — сфера, наиболее сильно подверженная цифровым инновациям, за последние 10 лет благодаря развитию интернета практики рекрутмента испытали значительные изменения. Цифровизация рекрутмента приобретает особенный смысл в современных реалиях пандемии коронавирусной инфекции, так как сейчас по большей части весь процесс происходит удаленно, что влечет максимальное использование IT-инструментов.
В данной статье мы рассмотрим применение технологий больших данных в сфере подбора и оценки персонала, так как это направление имеет большой потенциал для автоматизации работы сотрудников, а вследствие этого, сокращения временных издержек на осуществление процессов с помощью технологий машинного обучения и больших данных
Технологии больших данных представляют собой комплекс инструментов и методов обработки и анализа огромных массивов данных для представления их в виде наглядных для человека результатов. Машинное обучение — наука программирования компьютеров для того, чтобы они могли обучаться на основе данных [1, Жерон]. Большинство компаний из списка Forbes 2000 используют данные технологии в различных бизнес-процессах, в первую очередь для прогнозирования потребительского поведения и обслуживания клиентов.
Необходимо отметить, что при подборе и оценке персонала рекрутер обрабатывает огромное количество информации, и большинство данных в работе представляют собой текстовые данные и описания, написанные на естественном языке. Современные технологии позволяют их обрабатывать с гораздо большей скоростью, чем способен человек. Основным типом алгоритмов машинного обучения, который необходим для решения задач в области рекрутмента — обучение «с учителем» (по историческим прецедентам). Оно предназначено для выявления общих зависимостей и закономерностей из частных данных. При обучении с учителем обучающие данные, которые подаются алгоритму на вход, снабжены метками, которые обозначают желательное решение для каждого прецедента.
В последние 5 лет стараниями транснациональных IT-корпораций сфера обработки естественного языка (NLP — natural language processing) сделала гигантский скачок в своем развитии, было придумано множество новых алгоритмов, в том числе в области представления текстовых данных в численном виде. Это стало возможным в первую очередь благодаря развитию аппаратного обеспечения, которое позволяет совершать триллионы операций в секунду, так как зачастую обучение алгоритмов является очень ресурсоемкой задачей. На сегодняшний день разработки инноваций в этой сфере сопряжены со значительными затратами на инфраструктуру, впрочем, исследователи из Microsoft Research считают, что ближайшие 10 лет станут «золотой эрой» технологий обработки естественного языка, в первую очередь за счет развития transfer learning (обучения неких обобщенных и ранее предобученных моделей на конкретную задачу) и возможности обучения алгоритмов на малых корпусах текстов, так как сегодняшние алгоритмы требуют для корректного обучения огромные массивы данных. [8] Это сделает их доступнее для более мелких компаний.
Используя в качестве входных данных резюме, алгоритмы могут выступать первичным фильтром при поиске кандидатов. Так, в статье [2] рассматривается прототип системы, разработанной исследователями из компании SAP SE, пытающейся решить эту проблему путем автоматического процессинга резюме, чтобы дать рекрутерам больше времени на чтение резюме, которые являются наиболее подходящими к вакансии. Это важно, так как некоторые люди, обладая хорошими навыками, пишут слишком длинные резюме, которые рекрутер часто не дочитывает до конца [10]. В данной статье эту проблему решают путем присвоения каждому резюме ранжирующего скора, с помощью которого можно отобрать наиболее интересных кандидатов на определенную вакансию. Таким образом, бизнес-процесс подбора серьезно трансформируется и упрощается, так как изначальная воронка кандидатов значительно сужается, алгоритмы отбирают резюме, наиболее соответствующие профилю вакансии. В своей работе авторы использовали данные из 800 тысяч резюме на английском языке. Дополнительно к информации из CV возможно использовать внешние источники данных, такие как социальные сети (интересы, личные контакты, взгляды, общественная жизнь), банковские данные (финансовое благополучие, благонадежность, активы), данные сотовых операторов и подобные при наличии соответствующих партнерств. Комплексное оценивание кандидатов и обогащение данных о них позволяет корректно обучить систему, защитив ее от «ложных» срабатываний, а также минимизировать субъективизм, который присущ рекрутерам при анализе внешних источников данных. [4]
Ведущие мировые ученые в области искусственного интеллекта продолжают работать над решением задачи подбора резюме к вакансии. Так, в статье [3] говорится об алгоритме, основанном на глубокой нейронной сети, которая на 10 % увеличивает целевые метрики в данной задаче и является на сегодняшний день state-of-the-art. Учитывая постоянный прогресс в отрасли, в будущем появятся еще более совершенные алгоритмы.
NLP-технологии могут использоваться в массовом подборе с использованием чат-ботов, которые могут не только собирать информацию о потенциальных работниках, но и проводить предварительный отбор по простым фильтрам (например, интересу к работе в определенном городе). Бот может собрать и обработать первичную информацию о кандидате (пол, возраст, образование, город проживания), а также назначить собеседование подходящим претендентам, если они проходят по базовым параметрам. Благодаря ботам время найма значительно сокращается, для примера, компания X5 Retail Group за 2 месяца смогла испытать технологию на 14 тысячах кандидатов, из которых 1587 человек стали сотрудниками магазинов «Пятерочка» на линейных должностях (продавцы-консультанты, кассиры, специалисты информационной службы) [5], а среднее время найма сотрудников сократилось с 7 до 5,5 дней. Однако такие боты способны работать только с людьми, которые самостоятельно посетят определенную веб-страницу, где смогут с ним пообщаться.
На текущий момент активное развитие получили технологии автоматического распознавания речи (ASR) и синтеза речи. В контексте подбора персонала это позволяет совершать тысячи звонков в час, на что отделу массового подбора крупной компании понадобился бы не один рабочий день. В подтверждение вышесказанного, в компании Coca Cola HBC выявили, что в тех работах, где рекрутеру-человеку требуется для обзвона кандидатов 3–4 недели, бот справляется с задачей за 2–3 часа, при этом искусственный интеллект может распознавать дублированные резюме и не тратить на них дополнительное время [9]. Во-первых, содержание большого штата специалистов является экономически необоснованным: базовые процессы может осуществлять голосовой бот, а менеджеры возьмут на себя более сложные задачи. Во-вторых, искусственно синтезированный голос становится все более похожим на человеческий — соискатель может не заметить, что общался с виртуальным оператором. В-третьих, технологичные боты могут качественнее человека отвечать на вопросы кандидатов, поскольку быстрее находят необходимую информацию и не заставляют ожидать на телефонной линии. Для компаний же в данном кейсе есть несколько ключевых преимуществ:
— отсеивание заведомо неподходящих кандидатов на первом этапе (как по критериям компаний, так и по критериям соискателей);
— способность ботов понимать и разговаривать на разных языках;
— чат-бот не подвержен эмоциям — можно быть всегда уверенным, что все коммуникации будут проходить по одному сценарию, и все кандидаты получат должное внимание;
— чат-бот необязательно разрабатывать самостоятельно — на рынке уже существует несколько решений, которые можно адаптировать под себя (in-house решение зачастую разрабатывать нерентабельно);
— соискатель может задать неограниченное количество вопросов и получить на них подробные ответы.
Однако есть и недостатки. Ключевым является низкая персонализация ответов, так как обычно боты действуют по стандартным алгоритмам, но сейчас идет активный процесс развития технологий генерирования речи, поэтому это остается лишь вопросом времени.
Таким образом, чат-бота можно назвать универсальным сотрудником, работающим в режиме 24/7 и значительно сокращающим временные издержки для рекрутеров-людей.
Также в компаниях существуют практики по выявлению потенциально отточных сотрудников с помощью ML-технологий, однако в данном случае кейс использования является достаточно размытым, так как в первую очередь стоит задать вопрос: «А что делать с сотрудником, который потенциально может уйти?». Если компания не может ответить на этот вопрос, то подобный инструмент не будет для нее полезным.
Заключение : мы постарались рассмотреть в статье ключевые направления по использованию стека технологий больших данных в сфере подбора и оценки персонала. В первую очередь полезность данных технологий заключается в автоматизации рутинных процедур, таких как первичный скрининг резюме и анкет, первичное собеседование с кандидатами, а также оценка соискателей с помощью внешних источников данных. Это позволяет переосмыслить архитектуру работы, чтобы максимально увеличить потенциальную ценность как от сотрудников отдела персонала, так и от компьютерных технологий. Продукты на основе ИИ могут выступать в роли связующего звена между потенциальными кандидатами и отделом подбора, могут давать рекомендации сотрудникам и консультировать соискателей.
Однако для получения пользы от алгоритмов необходимо четко формулировать задания и правильно обучать их, что зачастую является нетривиальной задачей. Также нужно обучать сотрудников HR пользоваться новыми цифровыми инструментами. Успешная трансформация архитектуры работы невозможна без желания сотрудников и менеджмента внедрять новые продукты в устоявшиеся бизнес-процессы. Для полноценного внедрения необходимо проводить оценку эффективности и необходимости инструментов на текущем этапе работы.
Подытоживая, стоит сказать, что современные технологии обладают большими возможностями для автоматизации HR-процессов, но необходимо, чтобы сам персонал был полностью готов использовать с максимальной эффективностью для бизнеса.
Литература:
- Geron, A. Hands-on Machine Learning / A. Geron. —: O'Reilly, 2017. — 574 c. — Текст: непосредственный.
- Zimmermann, T. Resume Analysis Based on Natural Language Processing and Machine Learning / T. Zimmermann. — Текст: электронный // arXiv: [сайт]. — URL: https://arxiv.org/pdf/1606.05611.pdf (дата обращения: 13.12.2021).
- Learning to Match Jobs with Resumes from Sparse Interaction Data using Multi-View Co-Teaching Network / S. Bian. — Текст: электронный // arXiv: [сайт]. — URL: https://arxiv.org/pdf/2009.13299.pdf (дата обращения: 13.12.2021).
- Кравченко, Е. Системное управление персоналом на основе машинного обучения / Е. Кравченко, А. Цаберт. — Текст: непосредственный // Цифровая экономика: проблемы и перспективы развития. — Курск: Юго-Западный государственный университет, 2019. — С. 98–102.
- Голованова, О. Чат-бот — digital помощник рекрутера / О. Голованова, Н. Масюк. — Текст: непосредственный // Вестник ВГУЭС. — 2020. — № 4. — С. 118–128.
- Пантелеева, Т. А. Возможности искусственного интеллекта в управлении кадровыми ресурсами в условиях свободного предпринимательства / Т. А. Пантелеева, Э. А. Арустамов, А. А. Максаев. — Текст: непосредственный // Интернет-журнал «Отходы и ресурсы». — 2019. — № 3. — С. 6.
- Global Talents Trend Report, 2020. — Текст: электронный // LinkedIn: [сайт]. — URL: http://englishbulletin.adapt.it/wp-content/uploads/2020/01/linkedin-2020-global-talent-trends-report.pdf (дата обращения: 13.12.2021).
- Ming, Z. The Next 10 Years Look Golden for Natural Language Processing / Z. Ming. — Текст: электронный // Microsoft Research Asia: [сайт]. — URL: https://www.microsoft.com/en-us/research/lab/microsoft-research-asia/articles/next-10-years-natural-language-processing/ (дата обращения: 13.12.2021).
- Маслова, В. М. Система рекрутинга с элементами искусственного интеллекта / В. М. Маслова. — Текст: непосредственный // Экономические системы. — 2018. — № 1 (40). — С. 56–59.
- Breuer, E. Don’t just copy and paste: 4 things to put on LinkedIn but not your resume / E. Breuer. — Текст: электронный // Mashable: [сайт]. — URL: http://mashable.com/2016/03/27/differences-linkedin-resume (дата обращения: 13.12.2021).
