fbpx

„Data Science може да му помогне на HR
да ги привлече најдобрите таленти“

интервју со арбен османи

Предизвикот да се води оддел за човечки ресурси е огромен имајќи предвид колку фактори во денешно време влијаат на пазарот на труд како поширока слика, но и кога ќе се согледа на ниво на поединец на кој треба да се внимава за тој како единка да може да го реализира својот максимален потенцијал и да ги добие сите придобивки од работното место.

Со пазар кој флуктуира, се менува и постојано му се потребни кадри со нови вештини особено во IT светот, одделите за човечки ресурси сосема природно сакаат да ги привлечат и задржат најдобрите таленти кај себе, а Data Science и тоа како може притоа да помогне.

На оваа тема разговаравме со Арбен Османи, Data Scientist во Data Masters кој од свое искуство од работата на HR проекти сподели за примената на Data Science во овој сектор, нејзините можности и како тоа се прави во пракса.

 

Ако се земе на ниво на една поголема компанија, одделот за човечки ресурси има различни видови на податоци од типот на демографија, перформанс, финансии, планирање на трошоци и буџети за нови вработувања, вреднување на вработениот и планирање на бонуси… Каде ти го гледаш најголемиот предизвик во HR кога се во прашање податоците?

 

Би тргнал од тоа дека повеќе истражувања укажуваат на тоа дека во HR одделите податоците се неуредени. Процентите од овие истражувања се разликуваат од компанија до компанија, но проблемот се сведува на исто, а тоа е дека компаниите се соочуваат со неконзистентни и тешко пристапни податоци од различни причини - како на пример фактот што HR податоците се наоѓаат во различни формати. Овде мислам на извори на податоци од софтвер системи како што се HRMS, ATS, CRM, LMS, на тоа се надоврзуваат и видео интервјуа, data warehouse, табели, резимеа, онлајн комуникација итн. Податоците собирани од сите овие различни извори имаат поголеми шанси да содржат грешки. Ова може да се случи од различни причини. Наједноставни примери за ова се недостиг на податоци; дупликат податоци или податоци што се именувани различно, иако всушност станува збор за едно исто; повеќе записи за истите луѓе во еден систем итн. 

Најтешкиот дел е инженерството на податоците, бидејќи записите зачувани во различни складишта (data warehouse) често не се совпаѓаат. Чистењето и средувањето на овие податоци може да биде процес што одзема многу време. Во пракса, собирањето на податоците од сите овие различни складишта на податоци и нивното усогласување може да трае со недели, па дури и со месеци. Ова важи особено за најголемите компании, бидејќи во различни земји овие компании често користат различни системи за да прибележат исти податоци.

Мора да се напомене дека HR има податоци кои од практични причини не може да се бидат структурирани како што се видео интервјуа, пишани коментари за перформансите на вработениот и сл. Токму затоа, инвестирањето во “data lake” во кој би се наоѓале сите податоци за еден вработен (структурирани и неструктурирани) е од огромна важност за потоа врз основа на сите нив да се изработат аналитика, извештаи, предиктивни модели...

Компании како Google, IBM, Intel веќе инкорпорираат data lake во нивната работа и воспоставуваат HR аналитика која претставува суштински дел од нивната работа.

 

Што е она што Data Science може да го реши, односно како може да им помогне на одделите за човечки ресурси за подобро да работат?

Секторот за човечки ресурси влегува во ерата на научна анализа заснована на паметни технологии, за разлика од порано кога најмногу се потпираше на едноставни истражувања и анкети на психолозите. Наместо да спроведуваат бесконечни истражувања или да комуницираат со вработените со цел да се процени нивната лојалност или задоволството од работата, Data Science му помага на HR автоматизирајќи го процесот, а со тоа му заштедува време, средства и енергија кои би се инвестирале во стратешки проекти. 

Притоа може да помогне во многу аспекти меѓу кои би ги напоменал:

  • Регрутирање и селекција на таленти
  • Скенирање на резимеа со цел намалување или дури и елиминирање на човековата пристрасност во процесот на вработување
  • Подобрување на перформансот на вработените преку препорачување на соодветни обуки (ова зависно од тоа што покажува анализата на работата и резултатите на еден вработен, односно кои алатки и способности треба да ги совлада т.е подобри)
  • Задржување на вработените – овде како податок влегуваат перформансите на вработениот, надоместокот што го зема, бонусот, унапредувањата, при што се предвидува намерата тој да ја напушти компанијата. За оваа цел човечките ресурси градат превентивни стратегии со цел тој да остане. 

Дури и воведувањето на виртуелни асистенти кои на вработените ќе им одговараат на прашања околу нивните бенефити во компанијата како што се информации за видот на здравствено осигурување што им следува, денови за работа од дома, денови за одмор и слично, и тоа како му помага на одделот на човечки ресурси да ја намали мануелната работа и побрзо да им излезе во пресрет на вработените.

 

Автоматизирањето на процесите е стремеж на секоја компанија, а тука како штo напомена и самиот секако спаѓа и делот за HR. Колку новите платформи и алатки го променија начинот на кој се раководи со податоците во рамки на овие оддели?

Управувањето со човечки ресурси во рамките на една компанија станува сè покомплицирано со зголемувањето на бројот на вработените. Но, HR платформите се тука да помагаат во менаџирањето на работната сила и воедно помагаат во различни активности меѓу кои би ги издвоил:

 Регрутирање - Поточно автоматизирањето на процесот на вработување може да реши многу предизвици во HR, како што е вопоставување на поефикасен процес за преглед на кандидатите врз основа на нивното образование, вештини, работни одговорности, притоа елиминирајќи го човечкиот фактор/пристрасноста како фактор. 

 Развивање на таленти – им овозможува на вработените постојано да учат и да се надградуваат преку препорачување на соодветна обука на вработениот. Оваа практика ја поттикнува ангажираноста и ја зголемува продуктивноста.

 Дигитално складирање на документи – ги стандардизира процесите поврзани со информации за вработениот (историја, сертификати, едукација, вештини, перформанси, компензација и плата). Ова е потребно, бидејќи информациите зачувани на традиционален начин во тетратки и табели доведуваат до човечки грешки.. 

Мониторирање на KPIs - се мисли на квантитативна мерка што се користи за проценување на успехот на една организација или вработен во неа. Притоа, меѓу најважните индикатори за мониторирање се: колку време еден вработен се наоѓа на една иста работна позиција; задржување на вработените во работното место (employee retention); времето за завршување една задача: бројот на часови изработени во текот на месецот...

 

Што е она што HR го добива од Data Science, односно што се заштедува со нејзина примена во работењето?

Компаниите кои применуваат Data Science заштедуваат пари и време и воедно привлекуваат топ таленти од пазарот на труд во доменот во кој работат. Анализирано низ пример, би го навел истражувањето на The Society for Human Resource Management (SHRM) во кое е утврдено дека процесот за вработување на еден човек го чинат бизнисот околу 4.219 долари, а за прием на нов работник се потребни околу 42 дена. Вработувањето на нови луѓе е важно, но уште поважно е задржувањето на работникот во компанијата на соодветно работно место. За секое работно место потребен е квалитетен и талентиран кадар.

Процесот на регрутирање и скенирање на таленти е еден од примерите каде што Data Science е успешно применета за автоматизирање на административни задачи, обезбедување на кандидатите со информации во реално време во врска со процесот на вработување и истите немаат потреба да чекаат долго за одговор. На тема заштеда, Regis Corporation со помош на Data Science го намалил времето за вработување на нов вработен за 86%! Процесот на вработување носи трошоци со себе, кои секако се намалуваат доколку правилно се таргетира и скенира пазарот на труд, согласно потребите на компаниите и токму тука податоците играат клучна улога.

 

Можеш ли да ни споделиш пример од својата работа, односно да ни посочиш како практично се пристапува кон предизвикот за вреднување на единката во рамки на големи компании? Возможно ли е да се издвојат поединци со помош на Data Science, кои особено се ценети и придонесуваат за организацијата?

Компаниите со користењето на софтвер системи за управување со податоците во HR одделите освен што си ја олеснуваат работата, воедно на своите вработени им овозможуваат различни бенефити како резултат на користењето на софтверот. 

Тука како пример би ги дал пораките за пофалбa или пораките за евалуација на одреден вработен, кои доаѓаат не само од надредените туку и од колегите, што пак придонесува да се согледа сеопфатноста на еден вработен во една компанија. Техниките од Natural Language Processing применети во ваквите пораки (текстуални податоци) може да помогнат да се откријат вештините на вработениот и неговиот придонес во некој проект, а добиените информации, односно позитивниот фидбек што вработениот го добива може да резултира со бенефит како на пример зголемување на плата, картички за подароци, унапредување, како и дополнителна можност за надградба што би му била оставена на располагање (од типот на посета на семинари, патувања и други видови на настани).

 

Потрагата по најдобрите таленти е со сигурност една од најважните цели на овие оддели. Во таа насока, Google е можеби еден од најдобрите примери за тоа како се мери перформансот на кандидатите при процесот на интервјуирање сè со цел да се направи врвна селекција. Како всушност се практикува Data Science за да се добие овој резултат?

Во денешно време, процесот на вработување не значи само објавување оглас и очекување на кандидатите да аплицирааат. За да се најдат најдобрите таленти, HR персоналот ги идентификува потенцијалните таленти и директно ги контактира  на тој начин правејќи го првиот чекор. Ова најчесто се прави преку социјални мрежи, а најдобар пример за тоа е LinkedIn. За една компанија е важно да согледа каков фидбек или можеби отсуството на фидбек што го има при контактирањето на потенцијални кандидати преку LinkedIn. И тука Data Science може да помогне да се заштеди енергија, ресурси и време така што од сите карактеристики на потенцијалните кандидати што ги имаат на LinkedIn (образование, искуство, вештини…) ќе му сугерира на одделот за човечки ресурси кои кандидати имаат најголем потенцијал да им одговорат позитивно при прво пристапување.

Тука би напоменал и дека при селекција на кадар за да се одреди дали потенцијалниот кандидат одговара за одредена отворена работна позиција, зборува и неговото минато искуство односно она што го навел во својата биографија на LinkedIn профилот. Гледајќи ги податоците од минатото (податоците што се јавно достапни) + резултатите од интервју, Data Science може да го предвиди резултатот за перформанс на кандидатот за следните 3 години.

 

Ефектот на премореност, односно Burnout е еден од најголемите ризици кој се сведува на единка, но некогаш и на цели оддели. Дали и како Data Science наоѓа примена за да им помогне на одделите за човечки ресурси навремено да добијат сигнал за да може да реагираат и да го спречат ова?

Токму така, Data Science се користи и во детектирање на burnout. Како се пресметува burnout како индикатор и кои фактори влијаат во тоа се неколку прашања кои треба да се консултираат со психолог за да може да се изгради еден предиктивен модел. Откако ќе се индентификуваат индикаторите следен чекор е обезбедување на податоци, што може да се изведе преку анкети, тестови итн.

Она што е клучно тука е да се согледа бенефитот од оваа детекција. Од една страна имате компании кои се соочуваат со голема флуктуација на вработени поради премореност, како и чести и големи грешки во работата кои се должат на тоа што поради премореност вработените не можат да работат на потребното ниво. Од друга страна се штити психофизичката состојба на вработениот со навремен аларм дека на еден вработен кој е во зона на премореност му е потребен одмор. Data Science на одделот за човечки ресурси на овој начин му сигнализира кога треба да се интервенира за да се превенира психофизичкото здравје на вработениот, а воедно и да се задржи ефикасноста во работењето.



И задржувањето на вработените, односно намалување на процентот на флуктуација е секако еден од приоритетите. Како пак во овој сегмент податоците зборуваат за тоа кој може да си замине?

Прво, податоците за поранешни и сегашни вработени треба да се собираат за креирање на еден предиктивен модел кој ќе гледа различни фактори за еден вработен и ќе ги обележува оние кои веројатно размислуваат да ја напуштат компанијата. Неколку од овие фактори се колку долго е еден човек вработен во компанијата, каков е неговиот перформанс, колку време е на иста позиција, ниво на едукација, каков баланс одржува меѓу приватниот и професионалниот живот, плата, придобивки, здравствени проблеми.... Односот што го има вработениот со претпоставениот и со другите колеги исто така игра клучна улога.

Минатото многу зборува за тоа што ќе се случува во иднина и затоа одделот за човечки ресурси мора да ги собира податоците, воедно и да ги дигитализира за да го овозможи процесот на создавање на предиктивен модел кој ќе им каже кој сака да си замине од компанијата. 

Собраните податоци претставуваат влез за креирање на предиктивен модел за предвидување на  заминување на вработениот од компанијата. Потоа, на HR останува да покажат иницијатива за вработениот да остане. Ова е еден пример каде Data Science им помага на компаниите да бидат успешни. 



Кои аспекти од примената на Data Science и нејзиниот потенцијал тебе лично ти претставуваат најголем предизвик? Како гледаш на нејзиниот придонес во иднина?

Според мене, најголем предизвик лично за мене, но и за самата наука е примената на Natural Language Processing во неколку Data Science задачи. Natural Language Processing (NLP) e дел од Data Science што им дава на машините способност да го откријат и разберат значењето на човечкиот јазик.

Секој ден, милијарди податоци се генерират од различни канали: социјални мрежи (Facebook, Instagram, Twitter итн.), форуми (Reddit, Quora итн), апликации за комуникација (WhatsApp, Viber, Telegram итн.), пребарување на Google итн. Во случајов зборуваме за неструктурирани податоци. Неструктурираните податоци не можат да се прикажат во традиционален табеларен формат, но со помош на big data технологија и NLP како дел од неа, денес можеме да се справиме со голем обем на текстуални податоци преку cloud/distributed computing со голема брзина.

Замислете дека имате задача мануелно да идентификувате теми во рамките на еден текст документ. Се работи за лесна задача и за неколку минути може да се заврши, но ако имаме стотици милиони текстуални документи, тогаш тука е NLP и big data технологијата, затоа што е невозможно да идентификувате теми во толку голем обем на податоци. 

Најголемиот предизвик на денешницата е како да се стигне до нивото за машината да може да ја идентификува човечката мисла и да го интерпретира она што човекот сака да го каже преку пишан текст. Често се изразуваме на многу различни начини и вербално и во пишување. Кога пишуваме често користиме скратени зборови или погрешно напишани зборови, при зборување користиме дијалекти или зборови од друг јазик. Машината сè уште ќе се усовршува за да го разбере човекот во контекстот во кој сака да се изрази.