Многие российские компании уже прошли этап автоматизации HR-процессов, и сейчас перед ними стоят задачи по извлечению дополнительной ценности из данных, которые накапливаются в системах автоматизации. Первыми шагами обычно являются достаточно простые отчеты на основе этих данных, которые затем усложняются.
Борис Вольфсон, директор по развитию HeadHunter
Следующим логичным шагом для таких компаний выступает предиктивная аналитика, экономический эффект от которой может быть в разы сильнее. Сравните, какую пользу может извлечь компания от отчетов по текучести персонала по подразделениям и предсказаний увольнений конкретного сотрудника, а также от информации, что влияет на решения покинуть компанию и как изменить ситуацию с текучестью персонала.
Для того чтобы инструменты предиктивной HR-аналитики работали максимально эффективно, необходимо, прежде всего, изменить желание людей принимать каждое решение вручную, в т.ч. потому что они считают это частью своего признания, полномочий, незаменимости как специалистов, так как это во многом обосновывает их большие бюджеты и многочисленных подчинённых. Сначала начать считать обычную аналитику и KPI, признать, но не смириться с тем, что текущие значения можно улучшить, зафиксировать явные упущения и узкие места. Затем поставить такие целевые значения KPI, по которым будет неочевидно, как их достичь без предиктивной HR-аналитики, а затем не дать о них «забыть» или «залить» ресурсами.
Как я уже было отметил выше, важно наличие информационных систем, которые накапливают данные. Чем больше таких данных у компании, тем качественнее при прочих равных будут предсказания. Но важно не только количество, но и качество. Данные должны быть «чистыми», и на процедуру их очистки, подготовки и нормализации зачастую уходит времени больше, чем на саму разработку предиктивных моделей.
Кроме данных нужны люди и инструменты, которые смогут извлечь из них пользу, например, с помощью машинного обучения. При этом компания может разрабатывать модели на машинном обучении самостоятельно (это активно делают, в частности, банки), так и работать через аутсорс-провайдеров. В качестве примера можно рассмотреть задачу ранжирования или скоринга кандидатов на ту или иную вакансию. Компания может на основе данных по предыдущим годам сделать такую модель и на раннем этапе отсекать тех кандидатов, которые не подходят и более оперативно связываться с теми кандидатами, которые является подходящими. HeadHunter, в свою очередь, использует похожие модели для того, чтобы ранжировать кандидатов в поиске резюме.
Важно учитывать, что на этапе запуске жизненный цикл моделей только начинается: компании нужно постоянно оценивать, стоит ли вкладывать дополнительные ресурсы в совершенствование своих моделей, чтобы сделать их точнее и результативнее. Часто такое развитие может дать эффект даже больший, чем от первоначального внедрения. Сюда же я отношу возможность повторного использования моделей для решения задач, которые при их создании могли даже не предполагаться. Чтобы не быть голословным, приведу два примера из нашей практики. Выше был упомянут умный поиск и рекомендации по резюме: при разработке нашего сервиса «Виртуальный рекрутер», который обеспечивает лидогенерацию кандидатов на массовые позиции, мы поняли, что сможем практически бесплатно добавить в него наши модели машинного обучения, которые раньше использовали для поиска и рекомендаций резюме. Таким образом, наш продукт получил дополнительное конкурентное преимущество. Аналогичная история была с рекламным сервисом ClickMe, в который мы добавили готовые модели для поиска и рекомендаций вакансий.
С другой стороны, встает вопрос масштаба компании и объема накапливаемых данных. Учитывая, что данных действительно много, то я рекомендовал бы думать про такую аналитику, в первую очередь, крупным компаниям. К тому же, эффект от улучшений в бизнес-процессах обычно будет составлять десятые доли процентов, если он был достаточно оптимизирован, соответственно, нужен достаточно большой масштаб, чтобы такие проекты окупились.
Кроме того, начинать делать предиктивную HR-аналитику рано и бесполезно, пока компания систематически не собирает данных о найме и работе сотрудников, не навела порядок с хранением данных о вакансиях, резюме, позициях, KPI и оценках сотрудников в электронном виде, не считает по ним на регулярной основе метрик с применением обычной HR-аналитики, не стала принимать и применять по результатам обычной аналитики конкретных решений.
Основной ограничивающий фактор развития HR-аналитики в целом – это незрелость рынка, которая, к счастью, постепенно перестает быть проблемой, т.к. наша отрасль развивается. Это выражается в том, что появляются специалисты и многочисленные обучающие мероприятия по данной теме. Например, самая большая конференция для HR-ов последние несколько лет как раз и сосредоточена на «цифровизации» HR и даже называется соответствующее – HR Digital. Соответственно, сейчас применение HR-аналитики и выработка решений на основе HR – это уже must have для крупных компаний. Сегодня невозможно представить, например, крупный ритейл, который не использует этот подход – такая компания будет неконкурентоспособной и ее убытки только в рекрутинге составят десятки миллионов рублей, если мы говорим про федеральный уровень.
По моему опыту предиктивную аналитику используют обычно большие компании, прежде всего, из розничной торговли и банковской сферы, потому что она помогает им добиться конкурентного преимущества в объективных условиях большой текучести персонала и больших бюджетах на подбор. Стоит также добавить, что традиционными новаторами на рынке HR-технологий являются ИТ-компании, которые также используют различную аналитику, но здесь эффект от ее использования не такой ощутимый по сравнению с ритейлом и банками.
В качестве примера приведу проект МТС по управлению рабочим временем сотрудников розничной сети WorkForce Management (WFM). Это инструмент, позволяющий на основе больших данных, создать максимально эффективный график работы сотрудников.
Традиционно в ритейле в предновогодний период выходят работать все сотрудники офиса продаж. Однако, в МТС система WFM строит прогноз и обеспечивает вывод необходимого числа сотрудников по нужному графику. Таким образом, компании удалось полностью покрыть клиентопоток, дать сотрудникам заработать хорошую премию и оставить им достаточно личного времени перед Новым Годом.
Целью МТС было как раз найти решение для построения взаимовыгодных отношений сотрудника и работодателя. Поскольку речь шла об огромной и очень сложной системе, где ошибка непростительна, МТС внимательно изучали рынок, опыт других компаний. Но в итоге компанией был сделан выбор в пользу создания собственной системы WFM, а не покупки уже готового решения. В частности, была разработана модель планирования индивидуальных графиков сотрудников офисов продаж, использующая в своем алгоритме работы 29 факторов, таких как пожелания сотрудников по выходным и длительности рабочего дня; требования трудового законодательства; индивидуальные условия труда конкретного региона и т.д. В итоге, система позволила на основе множества исторических данных по продажам, например, таких как клиентопоток, сезонность продаж, время, затрачиваемое на обслуживание клиента, создать максимально эффективный график работы сотрудников розницы. Таким образом, автоматизация процесса построения графика работы с использованием больших данных дала возможность учесть все особенности конкретного бизнеса и решить несколько задач одновременно.
Отдельные компании во многих отраслях уже начинают применять HR-прогнозы. Как только это начнёт влиять на прибыль и доходность основного бизнеса за счёт того, что одни намного лучше привлекают и удерживают лучших специалистов, а другие вынуждены работать со всеми остальными, начнётся «бум». Бум HR-прогнозов будет связан с массовым приходом в нашу отрасль технологий на основе искусственного интеллекта (ИИ), в частности, машинного обучения. На самом деле революция уже происходит, но незаметно: ИИ отвоевывает различные области HR и уже принимает многие решения за человека: кого звать на собеседование, на какой обучающий курс отправить сотрудника, кого удерживать, а кого нет. К сожалению, в этот момент срочно догонять будет дорого и для многих догоняющих - поздно.
Для нашей компании предиктивные модели, которые предсказывают вероятность отклика на вакансию и приглашения соискателя стали неотъемлемой частью продукта. Фактически, сегодня HeadHunter – это мультиплатформенный сервис для поиска сотрудников и работы на искусственном интеллекте. Эффективность работы наших моделей определяет, насколько быстро десятки миллионов людей и миллионы компаний будут находить друг друга, поэтому мы и дальше планирует вкладывать значительные ресурсы в их развитие и совершенствование. Кроме того, с помощью предиктивной аналитики мы прогнозируем отток, предотвращаем его для конкретных пользователей, и определяем, какие факторы на него влияют, чтобы устранить его причины.
В целом, у любой компании есть несколько варианта реализации таких проектов: своими силами, силами подрядчиков или с использованием готовых продуктов. Конечно же, есть и смешанные варианты. От того, какую стратегию выберет компания будет зависеть структура расходов. Если компания, считает, что сфера применения предиктивной аналитики относится к ее конкурентным преимуществам, то, кажется, стоит реализовывать проект своими силами. При таком подходе основные затраты лягут на ИТ-специалистов разной квалификации, в том числе, аналитиков и дата саентистов, а также на аппаратную часть, особенно, если планируется использовать большие данные. Например, компании может быть важно обучение своих продавцов, тогда можно построить предиктивные модели для определения наиболее подходящих обучающих курсов.
В случае покупки готового продукта основные расходы пойдут на сам продукт и на его интеграцию. Самый частый кейс – это использование модулей предивной аналитики в HCM/HRM-системах, например, для предсказания увольнений и оценки ущерба от этого.
Компания может реализовать такие проекты и самостоятельно, но в любом случае будут нужны люди с соответствующими компетенциями, которых нужно брать либо с рынка, либо из подразделений, которые занимаются аналитикой, чаще всего это ИТ-департамент. Кроме консультантов пользу могут принести посещения тренингов и конференций, для обмена опытом. Есть примеры, когда отказывались от внешних услуг, начинали делать самостоятельно, но так и не сделали. Были и кейсы, когда внешние консультанты не сделали ничего, потому что не обладали нужными компетенциями, и дискредитировали саму идею.
Кажется, мешает также боязнь нового, чего-то, что требует признать, что всё не идеально, пересмотреть годами сложившиеся процессы со всеми их компромиссами и статус-кво, и даже немного вспомнить статистику, которую сдали и забыли в институте. А то и осознать, что с себя надо снять привычную, простую, полжизни выполняемую и отточенную до блеска рутину, которую программист может автоматизировать за полдня, и заняться чем-то более полезным.