Sadržaj
- Uloga HR
- Slučaj za strojno učenje u HR-u
- Bez grešaka, bez stresa - Vaš korak po korak vodič za stvaranje softvera koji mijenja život bez uništavanja života
- Razvoj
- Zaključak
Izvor: Kentoh / Dreamstime.com
Oduzeti:
Analiza ljudskih resursa revolucionira način rada odjela za ljudske resurse, što dovodi do veće učinkovitosti i ukupnih rezultata.
Ljudski resursi godinama koriste analitiku. Međutim, prikupljanje, obrada i analiza podataka uglavnom je bila ručna, a s obzirom na prirodu dinamike ljudskih resursa i HR KPI-je, pristup je ograničavao HR. Stoga je iznenađujuće da su se odjeli za ljudske resurse probudili zbog korisnosti strojnog učenja tako kasno u igri.
Bez obzira na to, strojno učenje polako ali sigurno ulazi u HR područje, a uspostavljeni su i slučajevi višestruke upotrebe, poput predviđanja istrošenosti, ispravnog zapošljavanja i obuke ljudskih resursa. Također se vjeruje da strojno učenje može predvidjeti uspjeh potencijalnog kandidata. Vjerojatno će se otkriti više slučajeva upotrebe. Za razliku od ručnog pristupa, pristup strojnom učenju mnogo je brži, puno više reagira na dinamične situacije i pruža točne, djelotvorne i vrijedne podatke. (Iako polje analitike podataka postaje sve automatiziranije, o nezaposlenosti se još uvijek ne morate brinuti. Saznajte više u Ne. Roboti podataka Analyticsa neće vam uskoro ukrasti posao.)
Uloga HR
Ljudski resursi su nesumnjivo najvrednije bogatstvo organizacije. HR je odgovoran za upravljanje ljudskim resursima organizacije kako bi iz svojih ljudi dobio što veću vrijednost. Uloga ljudskih resursa uključuje sljedeće:
- Prepoznavanje pravog talenta za pravu ulogu
- Pravilna naknada i koristi
- Upravljanje razvojem zaposlenika obukom i mogućnostima
- Praćenje i upravljanje rastom ljudskih resursa s priraštajima, promocijama, prilikama i koristima
- Upravljanje motivacijama, pritužbama i osjećajima zaposlenika
- Upravljanje izlascima
Slučaj za strojno učenje u HR-u
S vremenom se očekivanja odjela za ljudske resurse mijenjala. Prije toga, HR bi pronašao odgovarajuće kandidate; provesti ili olakšati procjene; podijeliti ponude, kompenzacije i pogodnosti na temelju HR politika; i upravljaju karijerama i izlascima zaposlenika. Očekuje se da će HR dodati više vrijednosti onome što već čini i učiniti još više, poput predviđanja istrošenosti i uspjeha kandidata u ulozi. Omogućuje ili ograničava trenutni pristup ispunjenju tih očekivanja?
Prije usvajanja strojnog učenja, HR će upravljati podacima ručnim i poluautomatskim načinima. Prikupljao bi, pohranjivao i obrađivao podatke da bi se proizvela analitika prije nego što podaci brzo postanu irelevantni, jer se situacija promijenila i podaci su trebali ažurirati. Na primjer, podaci prikupljeni prije godišnjeg ciklusa ocjene pokazali su male rizike oštećenja. Međutim, nakon ocjenjivanja, doći će do naglog pada i nezadovoljstva radnika, uglavnom zbog neusklađenosti u očekivanjima i stvarnim nagradama i povećanja mogućnosti na tržištu rada. U osnovi, analitika pred ocjenjivanjem dovela je u zabludu organizaciju, a trud se može smatrati gubitkom.
Ručne i polu-priručne metode nisu opremljene da HR-u upravlja podacima o brzo promjenjivim varijablama povezanim s ljudskim resursima. HR je potrebna redovita, ažurirana analitika o relevantnim čimbenicima kao što su osjećaji zaposlenika u organizaciji, odnos zaposlenika prema politikama i atraktivnost tržišnih prilika u odnosu na one koje nudi organizacija. Ovo je ozbiljan posao. Ako se ljudskim kapitalom ne upravlja dobro, organizacija može potencijalno izgubiti vrijedne zaposlenike. Bill Gates jednom je prokomentirao: „Oduzimate naših prvih 20 zaposlenika i postali smo osrednja tvrtka.“ Uđite u strojno učenje. Što strojno učenje može ponuditi u odnosu na stare metode? Razmotrite sljedeće:
Brži odgovor na promjenu dinamike
Ovo je doba velikih podataka. Za upravljanje zaposlenicima potrebni su vam podaci o:
Bez grešaka, bez stresa - Vaš korak po korak vodič za stvaranje softvera koji mijenja život bez uništavanja života
Ne možete poboljšati svoje programiranje kad nikoga nije briga za kvalitetu softvera.
- Stavovi i osjećaji zaposlenika
- Vjerodostojnost ili kvalifikacije
- Stavovi zaposlenika prema pravilima
- Trendovi nadoknade i naknada
- Mjerodavni vanjski razvoj događaja poput tržišta rada i konkurentskih organizacija i njihov utjecaj na vaše zaposlenike
Time se dodaje i nevjerojatan volumen podataka koji stiže svakog trenutka. Ručno upravljanje jednostavno je loše opremljeno za rukovanje. Međutim, strojno učenje je prikladno za dosljedno prihvaćanje, pohranjivanje i obradu takvih podataka i pružanje relevantnih i djelotvornih uvida u obliku jednostavne analitike. (Saznajte više o ulozi velikih podataka u poslu pomoću rješavanja problema s bolovima u velikim podacima analitike.)
Točne prognoze
Strojno učenje može predvidjeti ključne događaje kao što su istrošenost, uspjeh u poslovnim ulogama i štetni događaji poput neetičkog ponašanja. Na primjer, vjerojatnost uspjeha zaposlenika u novoj ulozi može se predvidjeti na temelju analize prošlih podataka kao što su učinak prošlih projekata, baza znanja i ključne inicijative poduzete za poboljšanje baze znanja, što odražava stavove. Nalazi na temelju tih parametara mogu se pretvoriti u analitiku i tada se mogu donositi odluke.
Identifikacija kandidata i praćenje podnositelja zahtjeva
Strojno učenje može povezati pravi posao s pravim kandidatom na temelju uloge za posao i vjerodajnice, iskustva i interesa kandidata. Strojno učenje za to može utjecati na društvene mreže. Značajno smanjuje ručni napor u procjeni kandidata i praćenju.
Razvoj
HR domena, nakon laganog odgovora na strojno učenje, budi se u svojoj korisnosti. Mnogi se slučajevi upotrebe provode i još ih je na putu. U nastavku je dat sažetak ključnih kretanja.
Identifikacija kandidata i praćenje aplikacije
Uz velike podatke iz web izvora poput foruma i društvenih medija, organizacije pronalaze prave kandidate za prave uloge. Dok ocjenjuje kandidaturu, strojno učenje uzima u obzir kvalifikacije, iskustvo, interese, profesionalnu povezanost i članstvo, postignuća, rasprave na forumu i još mnogo toga. To značajno poboljšava šanse za ulog, ako ne garantuje. Dobar primjer mogla bi biti stranica za profesionalno umrežavanje, LinkedIn.
Strojno učenje značajno smanjuje ručni napor u upravljanju aplikacijama i oslobađa HR da se usredotoči na produktivnije napore. Prema Cristianu Rennelli, izvršnom direktoru i suosnivaču MejorTrato.com.mx, tvrtke koja uspoređuje financijske proizvode, „U prošlosti smo potrošili 67,2 posto vremena svake osobe u HR-u da bismo pročitali životopise svakog kandidata koji nam se javio putem našeg vlastitu web stranicu i treće strane. Zahvaljujući AI-u, ovaj posao danas obavlja automatski naš unutarnji sustav, koji dubinskim učenjem pomoću TensorFlowa ovaj zadatak možemo automatizirati. "
Točne prognoze
HR analitika često može precizno predvidjeti ključne čimbenike kao što su istrošenost, uspješnost zaposlenika, pa čak i štetni događaji poput neetičkog ponašanja. Na primjer, podaci iz različitih razgovora na forumima, postovi na društvenim medijima, videozapisi, suparničke organizacije i tržišne prilike mogu ukazivati na promjene u razini prikraćenja. Razine oštećenja osobito su osjetljive na promjene nakon ciklusa procjene.
Predviđanja uspjeha na poslu
Podaci o vjerodajnici kandidata, članstvu, stavovima i učinku mogu upućivati na vjerojatnost uspjeha u radnim ulogama. Poanta je u tome da je ručni pokušaj izračuna predviđanja na temelju toliko mnogo varijabli jednostavno neprimjeren. Analiza ljudskih resursa može pružiti točan uvid na temelju kojeg organizacije mogu pronaći prave kandidate za pravu radnu ulogu.
Zaključak
Organizacije već iskorištavaju prednosti usvajanja strojnog učenja.Iako je strojno učenje već smanjilo ručni napor, očekuje se da će ML postati još precizniji i istaknutiji u područjima poput predviđanja i upravljanja propadanjem, upravljanja zaposlenicima i uspjeha.