Как искусственный интеллект находит Альфа-Банку лучших сотрудников по всей стране

И экономит миллионы рублей каждый месяц.

Каждый месяц в Альфа-Банке открывается 2000 новых вакансий, на которые претендуют более 100 000 человек. Рекрутерам банка нужно в сжатые сроки отобрать лучших из них — это титанический труд для человека. Но что если подбором займётся не человек, а искусственный интеллект?

Во всём мире сейчас тренд на объективную оценку: знаний (ОГЭ и ЕГЭ в России, SAT и GMAT в США), навыков и компетенций, способностей и т.д. Альфа-Банк здесь не исключение. Внедрение объективных систем подбора кадров, построенных на машинном обучении, помогло нам перейти от традиционного подхода «лучшие кандидаты, что нам удалось найти» к концепции «лучшие из лучших со всего рынка труда». Рассказываем, как нам это удалось.

В любой компании существует «жизненный цикл сотрудника». Он начинается с подбора, продолжается оформлением, адаптацией на рабочем месте, обучением и развитием, стимулированием и карьерным ростом, а заканчивается увольнением или выходом на пенсию. Для HR-специалистов самый трудоемкий и ответственный этап — подбор.

У Альфа-Банка множество филиалов по всей стране. В каждый из них периодически требуются менеджеры для обслуживания обычных граждан и предпринимателей, сотрудники службы доставки, операторы колл-центров и т.д. Ежемесячно открывается около 2000 новых вакансий, на них претендует свыше 100 000 кандидатов. Рекрутерам банка необходимо максимально быстро отобрать из них наиболее подходящих. Для человека это очень трудозатратная задача, зато вполне посильная для искусственного интеллекта.

Сейчас подбором кандидатов для массовых вакансий в Альфа-Банке занимается ИИ — «Модель подбора сотрудников». До её внедрения все процессы осуществлялись вручную: рекрутер находил резюме, рассматривал его на определенную вакансию, потом оценивал, насколько соискатель подходит или не подходит. А затем — либо отправлял его на следующие этапы подбора (телефонное интервью, собеседование с руководителем), либо откладывал резюме в сторонку.

Раньше рекрутеры тратили на подбор сотрудников много времени, но при этом процесс все равно не был оптимальным. Ни один человек физически не был способен отсмотреть и оценить всех соискателей, отобрать лучших под данную вакансию. Требовалась система, которая бы экономила время и усилия рекрутеров, и одновременно оптимизировала подбор, делала его более качественным.

Над первым вариантом модели команда аналитиков начала работу в январе 2022 года. Сначала они опирались на нормативный подход: пытались сопоставить описание вакансии от рекрутеров с информацией в резюме.

Однако реальность, как обычно, преподнесла сюрприз. Выяснилось, что на одну ту же вакансию разные рекрутеры могут составить диаметрально противоположное описание вакансии. Иногда очень подробное, но чаще лаконичное и без деталей.

При этом резюме как раз отличаются высокой структурированностью и единообразием заполнения. В машинном обучении всегда есть проблема данных. Их нужно особым образом подготовить — разметить, чтобы составить обучающую выборку. Этим занимается особая категория сотрудников — асессоры. Однако с датасетом из резюме в этом не было необходимости. По сути резюме уже являлись отлично размеченными данными, содержали стандартные блоки «Образование», «Предыдущие места работы», «Ожидаемая должность», «Предыдущая должность» и т.д. Когда у вас есть такой HTML-файл, то его очень легко использовать для тренировки ИИ.

Как итог, единообразные и хорошо структурированные резюме никак не бились с множеством разнородных описаний вакансий. Из последних не получалось вычленить требуемую информацию и добавить в модель. Первый подход оказался провальным.

Поэтому аналитики Альфа-Банка перешли от нормативного подхода к дескриптивному — через исследование и описание резюме успешных кандидатов, ранее уже принятых на должность в банк и хорошо себя показавших в деле. Оказалось, что любая вакансия характеризуется не представлениями рекрутеров о ней, а совокупностью резюме, которые ранее были отобраны для её закрытия. Причём наибольший вес у профайлов кандидатов, прошедших всю цепочку отбора.

Рассмотрим на примере. Предположим, на вакансию откликнулись 30 кандидатов:

• из них рекрутер вручную отобрал пятерых;
• трое дошли до телефонного интервью;
• двое попали на собеседование с руководителем;
• одного наняли.

Отсюда следует, что резюме этих пятерых кандидатов в полной мере описывают данную вакансию, но лучше всего — тех двоих, что дошли до «финального уровня босса».

Таким образом, вторая модель в итоге занимается не сравнением резюме с вакансией, а сравнением одного нового резюме с множеством ранее успешных резюме. И их может быть любое число — от одного до бесконечности.

Чем больше успешных профайлов отобрано для обучения модели, тем эффективнее она будет подбирать кандидатов. Если на определённую позицию было рассмотрено 1000 соискателей, то значит именно их 1000 резюме наиболее полно описывают соответствующую вакансию. Поэтому в дальнейшем модель будет искать профайл, максимально похожий на резюме этих 1000 кандидатов.

Модель уже помогает нанимать около 700 сотрудников в квартал. И каждый месяц экономит банку от 1,5 до 5 млн рублей.

Но модель — не замена рекрутерам, а их помощник. Она просто предлагает уже готовую выборку из лучших соискателей на рынке труда по конкретной вакансии, проанализировав весь пул резюме. Дальше рекрутеры получают сформированные ИИ рекомендации, оценивают и отбирают из них финалистов для дальнейших стадий найма.

Кандидату с плохим резюме модель вряд ли поможет попасть на работу. С другой стороны, соискателю с хорошим резюме она точно даст шанс попасть в финальную группу подбора. Теперь рекрутер уже не пропустит профайл такого специалиста по субъективным причинам.

Каждое утро рекрутер начинает с того, что открывает CRM-систему — программу, через которую он работает с внутренними клиентами — руководителями различных подразделений Альфа-Банка. В CRM он видит заявку на закрытие какой-то вакансии.

Что ему нужно было сделать раньше, до внедрения модели? Он должен был изучить требования к потенциальным кандидатам, после чего начать их искать — в базах резюме, на специализированных сайтах для поиска работы, в тематических группах соцсетей и каналах мессенджеров, или просто через сарафанное радио.

Теперь же процедура радикально упростилась. Всегда есть кто-то, потенциально подходящий на должность: вместе с заявкой рекрутер сразу получает список рекомендованных моделью кандидатов. Обычно их от одного до десяти — количество зависит от специфики вакансии. Рекрутеру остаётся лишь отсмотреть резюме, выбрать лучших кандидатов и переслать руководителю подразделения.

Более 90% рекомендованных ИИ кандидатов — это точное попадание в цель. Менее 10% рекрутеры могут по каким-либо причинам отклонить. Когда так происходит, они заполняют специальную форму, где выбирают одну из причин отказа, например, «Недостаточный опыт работы» или «Предыдущий опыт работы не в той сфере» и т.д. Таким образом модель получает от рекрутеров обратную связь, которая позволяет ей дообучиться и в дальнейшем предоставлять более подходящие резюме. Однако, чтобы это произошло, нужно накопить не менее 30-40 однотипных отказов. Тогда модель отреагирует и изменит параметры отбора по этому признаку.

Отобрав лучших кандидатов, рекрутер присваивает им статус «Рассмотрение с руководителем». В этот момент у руководителя в веб-сервисе подбора персонала Alfa People Web отображается список этих людей. Тот соискатель, которого и модель, и рекрутер выделили из остальных, будет помечен, чтобы руководитель обратил на него внимание в первую очередь.

После запуска пилотной версии модели страх сменился раздражением: рекомендованные кандидаты не попадают в необходимые критерии; всё неточно; тратим время попусту; зачем вообще всё это нужно. Не обошлось и без курьезов. В ранних версиях модель могла выдать резюме, которое давно не обновлялось. Рекрутер звонил кандидату с предложением занять какую-то линейную позицию, а человек давно уже чуть ли ни директор филиала. Однако на этом этапе разработчикам удалось собрать необходимый для доработки модели фидбэк и исправить все баги.

Основная зона дальнейших поисков — это разработка моделей для более дорогого профессионального подбора уникальных профессионалов: IT-специалистов, юристов, маркетологов, менеджеров высшего звена и т.д. Здесь уровень рисков совсем иной и требуются другие подходы, а соответственно и совсем другая модель.

Если же говорить об уже работающей модели, то до конца года запланированы её технические улучшения, но это всё будет лишь мелким тюнингом. У рекрутеров рутинных задач станет ещё меньше. Например, модель уже может предсказать не только то, что кандидат будет одобрен руководителем, но и то, пройдёт ли он проверку службы безопасности. Это ещё больше снизит потенциальный отсев соискателей. А рекрутеры по сути превратятся в менеджеров, контролирующих только узкие места и ключевые точки подбора.