Реальный кейс: как искусственный интеллект меняет HR

Когда ценные сотрудники утекают, как песок сквозь пальцы, руководству и специалистам по подбору персонала впору самим увольняться. А что если можно было бы заранее оценить эти риски еще на этапе, когда сотрудник продолжает эффективно работать в компании, и удержать его от ухода? Оказалось, что теперь это сделать возможно. «Сириус.Журнал» провел свое расследование.

Ежегодно крупные российские компании теряют десятки миллионов рублей из-за расходов, связанных с нежелательным увольнением высококвалифицированных сотрудников. Те, кто приходит им на замену, часто не дотягивают до уровня предшественников. В любом случае на адаптацию новичку обычно требуется несколько месяцев, а это приводит к снижению показателей продуктивности. Еще есть риски, что уволившиеся могут унести с собой список личных контактов, наработанную клиентскую базу. Да и коллег с предыдущего места работы подтягивают, усиливая таким образом конкурентов.

С нежелательной текучкой персонала сегодня борются буквально на ощупь, вручную. И вот появилась амбициозная идея — сделать проблему более предсказуемой, а потому лучше решаемой. Для этого нужно было научиться прогнозировать. К этой задаче решили привлечь самые современные технологии на основе искусственного интеллекта (ИИ).

В 2022 году Финтех Хаб (подразделение Департамента финансовых технологий Банка России, которое занимается организацией просветительских и образовательных программ. — Прим. ред.) и Страховой Дом ВСК совместно с Университетом «Сириус» провели на базе вуза образовательную программу для студентов — «Цифровая трансформация в страховании». Эксперты ВСК прочли обзорные лекции, погрузив студентов во все аспекты страхования, а также стали наставниками шести команд, которые создавали реальные проекты для оптимизации и цифровизации рабочих процессов в страховой компании.

В чем смысл проекта: взять массив разносторонних, накопленных в компании данных об уволенных с присвоенным статусом „нежелательная текучесть“ и на них обучить модель ИИ, а дальше запустить систему на действующих сотрудниках и выявить тех, у кого есть максимальный риск увольнения. При этом авторы проекта уточняют, что эффективной модель станет только при использовании на выборке от 10 тыс. человек.

Итак, в рамках проекта участники команды создали две базы данных. Одну — по уволенным сотрудникам, другую — по работающим. Работа была построена на гипотезах, в реальных условиях уже будут учитываться конкретные люди. Что это были за данные: разработчики определили 14 основных причин (метрик) нежелательной текучести кадров. Каждая их них была разложена на счетные показатели, понятные для модели машинного обучения.

«Социальные метрики, например „не устраивает заработная плата“, не являются счетными, и их трудно перевести на язык машинного обучения. Тем не менее мы разработали перечень счетных показателей, а также по каждой метрике вывели некий „индекс здоровья“. Счетные показатели мы используем для машинного обучения, а „индекс здоровья“ — для отображения цифр по каждому из параметров в личном кабинете. Это дает нам возможность верифицировать вывод ИИ, перед тем как принимать решение по сотруднику», — рассказала Екатерина Коноплева.

Обычно одна из главных причин увольнения — маленькая зарплата. Но можно ли математически предугадать, удовлетворен сотрудник своим текущим вознаграждением или нет? Чтобы получить ответ, нужно разложить этот параметр на бинарные схемы и вывести некоторые параметры. Примеры: был ли пересмотр зарплаты в течение последнего года (да/нет); был ли пересмотр зарплаты за последние два года, три года (да/нет). Потом нужно учесть уровень зарплаты: ниже/выше средней по рынку. Провести расчет в процентном соотношении, вывести „индекс здоровья“. Похожим способом можно разложить и другие параметры. Чем их больше, тем выше точность прогнозирования.

В итоге был создан продукт, аналогичных которому на рынке сейчас нет, заявила Екатерина Коноплева. Но это не значит, что менеджеры по персоналу теперь не нужны, ведь модель не охватывает всего спектра задач специалиста по подбору.

«Никакой алгоритм машинного обучения не заменит личного общения, в ходе которого HR-менеджер поймет, есть ли риск ухода, корректна ли основная причина потенциального увольнения, выделенная ИИ. HR-менеджер решает вопросы с сопутствующими причинами, влияющими на принятие решения сотрудником покинуть компанию. К примеру, долго ехать до офиса, негде припарковаться, нет возможности работать на удаленке, устаревшая техника, слишком большой уровень стресса, много переработок, плохие отношения в коллективе и другие важные факторы, влияющие на жизнь сотрудника. Здесь важна интуиция специалиста, которой не обладает ни один искусственный интеллект», — говорит одна из участниц команды студентка экономического факультета МГУ Виктория Гапошина.

Разработка выступает ценным помощником для сотрудника, занимающегося подбором персонала. Модель собирает данные, строит прогноз, а эйчар-менеджер обрабатывает их и верифицирует. К тому же пока ИИ оптимизирует только одну его функцию из множества. Сейчас проект полностью готов к использованию, нужно только загрузить в прототип корректные данные.

«Вместе с Екатериной мы предложили варианты его монетизации и готовы развивать модель дальше», — рассказывает студентка Ижевского государственного технического университета Мария Земцова.

Девушки уверены, что потенциал их проекта раскрыт не до конца. Модель можно адаптировать и к другим задачам, но это потребует дальнейших исследований. По их мнению, коммерческая выгода от внедрения такого IT-решения в компаниях быстро покроет инвестиции, вложенные в его разработку, а главное, поможет сохранить ценные кадры.

В Страховом Доме ВСК эту модель внедрят до конца текущего года. Ожидается, что точность прогнозов станет расти по мере того, как ИИ будет обучаться на данных не вымышленных, а реальных сотрудников.

#hr #ии #искусственныйинтеллект #нейросети #сириус #иследование