Технологии Microsoft в HR-процессах

четверг, 22 декабря 2016
Аватар пользователя Наталья Степанова
22 декабря 2016, Наталья Степанова

Представитель компании Microsoft Антон Ватов рассказывает о применении новейших технологий для аналитики в сфере управления человеческими ресурсами. Основная специализация Антона связана с обработкой, хранением и очисткой информации, управлением данными, инструментами бизнес-анализа и машинного обучения.

Мир меняется, и вместе с ним меняется отношение к использованию информации, возникают и развиваются новые технологии. Мы с вами наблюдаем четвёртую индустриальную революцию. Объёмы данных, которые сейчас накопились в наших компаниях, на наших серверах, в наших системах, требуют соответствующего анализа и грамотного управления.

Machine Learning

Обратимся к жизненной ситуации. Летом, если помните, на протяжении двух или трех дней были сильные грозы, когда всех заливало. А что было на следующий день после этих гроз, что обсуждали? Последствия. В каком разрезе? В негативе. По сути, у людей был вопрос: кто виноват,
и кого наказать. Никто не поинтересовался, почему так случилось, почему система прогнозирования не сработала. Просто искали виноватых. В этом как раз и состоит главная проблема текущего информационного мира: мы недостаточно работаем с системами данных и мало информации из них получаем. Что позволило бы избежать подобной ситуации? Технологии машинного обучения и прогнозирования.

Azure Machine Learning

Machine Learning появилась довольно давно. Мы с ней ежедневно сталкиваемся, работая в интернете, разговаривая по телефону или скайпу, смотря телевизор. Сейчас это перешло на совершенно другой уровень работы с данными, который позволит добиться новых успехов.

Одним из аспектов применения Machine Learning является аналитика процессов управления персоналом. К примеру, четыре сотрудника сразу ушли из компании, или увольняется очень хороший харизматичный руководитель, а за ним покидает компанию его вся команда. Вопрос — почему так произошло?

Традиционно анализ подобных ситуаций происходит примерно следующим образом: мы собираем информацию, чем человек занимался последнее время, какие проекты он вёл, уровень его баланса между работой и личной жизнью. Потом начинаем анализировать. Это достаточно трудоёмкий процесс. И это — анализ пост-фактум.

Какие сложности здесь?

  • Сложность разработки и организации процесса: нужно собрать информацию, привести её к пригодному для анализа виду, использовать соответствующие модели, произвести обработку и получить валидный результат.
  • Длительные сроки на сбор и обработку данных, принятие мер и внесение изменений.
  • Большие затраты: в первую очередь, человеческие ресурсы и время.

Как сделать анализ данных более эффективным? Нужен такой инструмент, который позволил бы в автоматическом режиме справляться со всеми вышеперечисленными трудностями, выдавать ту или иную информацию на ежедневной или еженедельной основе, чтобы мы могли корректировать текущие задачи и работу с коллегами, прогнозировать ситуацию.

Azure Machine Learning — это мощный сервис машинного обучения и предиктивной практики, в котором есть:
— Моделирование и готовые алгоритмы;
— Удобная среда разработки;
— Расширение модулей языками R и Python;
— Веб-редактор, публикация веб-сервиса.

Как выглядит процесс анализа данных

Постановка задачи

В компании данных очень много. Мы не всегда можем понять, какие данные и в каком разрезе нам необходимо смотреть. Поэтому, для начала необходимо определить задачу, которую мы хотим реализовать.

Например, задача — предсказать вероятность того, что сотрудник покинет компанию, или оценить вероятность ухода в декрет новой сотрудницы через полгода или три года, или определить так называемый показатель work/life balance.

Баланс работы и личной жизни — штука очень значимая. Много тренингов на подобные темы проводится. Сам лично на них присутствовал. Относился к этому так: сначала поработаем, потом когда-нибудь отдохнём. Но в один прекрасный момент понимаешь, что вот ещё чуть-чуть — лампочка сгорит и всё. Испытал на своём опыте. Пропадает интерес, пропадает мотивация. Вроде всё хорошо, но нет в тебе драйва, нет искры, не горит. И это почему-то происходит с людьми.

Я, например, как сотрудник, не приду к HR и не скажу:

«Знаешь, что-то я запарился, что-то у меня перегорело и переклинило, слушай, может мне на полгода в отпуск в Гоа съездить, отдохнуть, перезагрузиться…».

Никто так не сделает. Тем более сейчас, когда мы понимаем что везде происходят сокращения, и вообще ситуация сложная. Все, наоборот, будут максимально стараться показать свою производительность, свою отдачу. И в какой-то момент человек может просто сгореть.

С одной стороны, незаменимых людей не бывает. Но если человек действительно с потенциалом, если он хорошо работает, почему бы ему не помочь, не направить, чтобы человек отдохнул, переключился, а потом ещё большую отдачу продемонстрировал для компании. Work/life balance — важный индикатор, который нужно отслеживать.

И ещё показатель, который, по моему опыту, очень сложный, но важный. Когда приходишь на тренинги, где рассказывают про личный тайм-менеджмент, думаешь, что тайм-менеджмент — это раскидал по календарю дела, по полчаса расстояние сделал, и всё нормально. А вдруг сталкиваешься с тем, что в день валится писем больше, чем ты успеваешь просто прочитать, не говоря уже, чтоб обработать. Тут тебе и точка входа, и точка выхода, умение сказать «нет». С этим мы сталкиваемся в больших корпорациях ежедневно.

Было бы здорово иметь систему, которая позволяла бы нам всё это отслеживать. Притом делать это не просто на уровне карточки сотрудника, где есть пол, возраст, вес, рост. А ещё, допустим, на основе его активности в социальных сетях: что он постит, как часто заходит в какую сеть, что смотрит, сколько времени у него компьютер включён, сколько времени у него активна почта. Если мы совместим внутренние данные, которые у нас есть по этому человеку: историю его карьеры и развития, пройденные тренинги, добавим то, чем он интересуется в социальных сетях, его хобби и увлечения, мы сможем составить для него картину work/life balance и правильные мотивационные программы, обеспечить индивидуальный подход. Для кого-то компенсация фитнеса — мотиватор, а для кого-то — бесплатное пиво со снеками по пятницам. Поэтому, здесь определение задачи очень важно.

Сбор данных

Мы определили задачу, и нам необходимо собрать данные. Какие-то данные у нас уже есть в системе, что-то мы получаем извне. Данные можем получать в режиме реального времени.

Например, во многих компаниях реализована система обучения сотрудников. Дистанционное обучение, e-Learning, обучающие порталы, где человек должен обязательно пройти обучение. Сотрудник на on-boarding должен пройти топ-10 курсов. Насколько это эффективно для каждого конкретного человека? Насколько это эффективно по отношению к определенной группе людей?

Обычно, предлагая программу для обучения, мы основываемся на предыдущем, историческом опыте, на том, что ранее подобные программы были эффективны. Мы совсем выпускаем из поля зрения, что это могло быть 5 лет назад и люди могли обладать совершенно другими качествами, другим характером или компетенциями.

Можно пойти другим путем. Человек проходит обучение, отвечает на вопросы, система в режиме реального времени анализирует и предлагает следующие курсы или задания на основе результатов анализа. Система видит, каких знаний или навыков не хватает, и предлагает тот материал, который позволит эти провалы восполнить.

Что мы от этого получаем? Мы понимаем, к чему действительно склонен человек. К решению каких задач он больше предрасположен. Ближе ли он, например, к искусству, генерации идей, или он внимателен к деталям и хороший исполнитель. Возможно, это человек, который добивается результата любой ценой. Поэтому, сбор данных — это очень важно.

Компьютер сам по себе, в данном случае, может стать важным источником информации, выступать как часть интернета вещей. Это, по сути, сенсор, с которого считываются данные. И мы можем на это реагировать.

Создание и обучение модели

У нас есть чётко поставленная задача, есть данные для анализа или мы понимаем, откуда эти данные можно получить, пора создавать модель.

На этом этапе одна из сложнейших задач — правильно составить алгоритм того, как это должно происходить. Здесь в работу включаются наши партнёры, которые имеют экспертизу в конкретной области. Когда у нас есть всё необходимое, мы эту модель обучаем. Модель может обновляться регулярно на основе изменяющихся данных и ситуаций, а может меняться раз в полгода или раз в месяц, когда мы считаем, что она устарела. Дальше идёт классическая работа по проверке модели и её обкатыванию.

Управление системой

Звучит всё довольно сложно. На самом деле, не обязательно быть разработчиком или программистом, чтобы с такой системой справиться. Интерфейс довольно прост.

аналитика процессов управления персоналом

Каждый квадратик, каждый прямоугольник — это некое действие, которое связывает одни данные с другими или перемещает их из одного места в другое. Это работа с мышкой в достаточно дружелюбном интерфейсе. Перетаскиваем, стрелочками данные связываем и получаем результат. Есть уже готовые алгоритмы, которые можно использовать. Например, алгоритмы по регрессии, сетевому анализу, скоринги и т.п.

Исходя из поставленной задачи, мы сможем подобрать алгоритм, который будет полезен, и с которым мы сможем в дальнейшем работать.

Где используется Azure Machine Learning

новейшиe технологии для аналитики в сфере управления человеческими ресурсами
Инструментарий Azure Machine Learning может быть использован не только в HR, но и в деятельности финансового департамента, аналитического направления и т.д.

Приведем примеры задач, с которыми помогает справляться Azure Machine Learning.

Проанализировать продуктивность работы и повысить её эффективность. Бывает ситуация, когда и сотрудник вроде работает, и вся команда вроде работает, но результат не совсем тот, на который надеется руководство.

Эффективное распределение ресурсов HR. Это может быть распределение годовых бонусов в соответствии с КПД сотрудников, или обоснование карьерного роста, оптимизация расходов департамента и т.д.

Планирование обучения. Можно научить систему предсказывать то, как человек после обучения сможет обеспечить отдачу компании, и сколько это принесёт компании прибыли.

Построение карьерных треков. Глубокий и всесторонний анализ деятельности сотрудника в компании позволяет предложить ему индивидуальные стратегии развития в рамках компании.

Представление результатов

Эффект анализа или предиктивного предсказания будет не так значителен, если мы не сможем его грамотно показать. Есть специальный инструмент, который позволяет нам визуализировать собранные нами в различных источниках данные. Это позволяет взглянуть на картину намного шире и понять скрытую информацию.

Есть такое понятие «инсайды», «видеть инсайды». То есть, это видеть ту информацию, которая не лежит на поверхности. Построив отчёт определенным образом, мы сразу получаем взаимосвязь, которую нам показывают графики, которую нам показывает визуализация. Если после этого у нас возникает вопрос, которым мы ранее не задавались, значит отчёт сделан правильно, и у нас есть материал для дальнейшей работы.

Возможности визуализации отчетов:

— Набор интерактивных визуальных компонентов
— Настройка отображения и взаимодействия компонентов
— Создание кастомных компонентов

Главный сценарий, который анализируется, это сценарий «а что, если». Есть у нас сотрудник, для которого назначено определённое количество обучающих материалов и определены дальнейшие шаги. Попутно мы можем выбрать другие курсы, другие шаги, другое направление, и система нам сама перестроит результат. Мы будем видеть оба варианта развития событий. Система сама на основе данных проанализирует и построит продолжающуюся историческую цепочку.

Если отчёты содержат правильную картину, то нет необходимости, скажем так, зажимать этот отчёт у себя, и ни с кем им не делиться. Мы с радостью расскажем об этом коллегам, руководству, всем сотрудникам. Презентуем результаты своей работы и получим дополнительные бонусы в копилку рейтинга HR-департамента.

Функционал позволяет каждому сотруднику иметь свой KPI-дашборд с возможностью его получения на мобильном устройстве. Это очень эффективный инструмент мотивации. Особенно для сотрудников продаж, для тех людей, кто приносит деньги. Человек видит свои результаты на ежедневной основе в динамике, он чётко понимает, где ему нужно напрячься, а где немного передохнуть, за счет чего он закроет план. Если отчёт обновляется раз в месяц, а тебя просят на еженедельной основе делать планировать свою работу, это уже сложно. Тут начинают люди плавать. Получение отчёта в нужное время и в нужном месте — залог успеха, конечного результата нашего сотрудника.

Мне и нашей команде в Microsoft интересно узнать реальные сценарии, которые могут быть интересны вам. Поэтому, подумайте, какие ключевые, больные темы и задачи есть у вас. Приходите с этими задачами в Competentum, обсудите их, и давайте попробуем все вместе сделать несколько пилотных проектов. Это небольшие инвестиции, и очень перспективные инвестиции в персонал, его эффективность и мотивацию.

Запись доклада доступна на нашем канале Youtube