Садржај
- Улога ХР
- Случај за машинско учење у ХР
- Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
- Развоја
- Закључак
Извор: Кентох / Дреамстиме.цом
Одузети:
ХР аналитика револуционира начин рада одељења за људске ресурсе, што доводи до веће ефикасности и укупних резултата.
Људски ресурси годинама користе аналитику. Међутим, прикупљање, обрада и анализа података углавном је била ручна, а с обзиром на природу динамике људских ресурса и ХР КПИ, приступ је ограничавао ХР. Стога је изненађујуће да су се одјели за људске ресурсе пробудили због корисности машинског учења тако касно у игри.
Ипак, машинско учење полако али сигурно улази у домену људских ресурса, а успостављени су и случајеви вишеструке употребе, као што су предвиђање оштећења, право запошљавања и обука људских ресурса. Такође се верује да машинско учење може предвидети успех потенцијалног кандидата. Вероватно ће ускоро бити откривено више случајева употребе. За разлику од ручног приступа, приступ машинском учењу је много бржи, далеко прилагодљивији за динамичне ситуације и пружа тачне, делотворне и драгоцене податке. (Иако поље аналитике података постаје све аутоматизованије, о незапослености се још увек не треба бринути. Сазнајте више у Не. Роботи аналитике података неће ускоро да вам украду посао.)
Улога ХР
Људски ресурси су несумњиво највредније богатство организације. ХР је одговоран за управљање људским ресурсима организације како би из својих људи добио што већу вриједност. Улога људских ресурса укључује следеће:
- Препознавање правог талента за праву улогу
- Правилна надокнада и користи
- Управљање развојем запослених обуком и могућностима
- Праћење и управљање растом људских ресурса са прираштајима, промоцијама, приликама и користима
- Управљање мотивацијама, замеркама и осећањима запослених
- Управљање излазима
Случај за машинско учење у ХР
Временом, очекивања одељења за људске ресурсе су се мењала. Прије тога, ХР би пронашао одговарајуће кандидате; вршити или олакшати процене; поделите понуде, компензације и погодности на основу људских политика; и управљају каријерама и изласцима запослених. Очекује се да ће од ХР-а додати већу вредност ономе што већ чини и учинити још више, попут предвиђања истрошености и успеха кандидата у улози. Да ли тренутни приступ испуњавању ових очекивања омогућава или ограничава ХР?
Пре усвајања машинског учења, ХР је управљао подацима на ручни и полу-аутоматизовани начин. Прикупљао би, чувао и обрађивао податке да би се произвела аналитика пре него што подаци брзо постану ирелевантни, јер се ситуација променила и подаци су потребни за ажурирање. На пример, подаци прикупљени пре годишњег циклуса оцењивања показали су мали ризик од оштећења. Међутим, након процјене, долази до наглог застрашивања и незадовољства радника, углавном због неусклађености у очекивањима и стварним наградама и повећања могућности на тржишту рада. У основи, аналитика пред оцену је завела организацију, а труд се може сматрати губитком.
Ручне и полу-приручне методе нису опремљене да ХР-у управља подацима о брзо променљивим варијаблама везаним за људске ресурсе. ХР је потребна редовна, ажурирана аналитика о релевантним факторима као што су ставови запослених у организацији, однос запослених према политикама и атрактивност тржишних прилика у односу на оне које нуди организација. Ово је озбиљан посао. Уколико се људским капиталом не управља добро, организација може потенцијално изгубити драгоцене запослене. Билл Гатес је једном прокоментарисао: „Одузимате наших 20 најбољих радника и постали смо осредња компанија.“ Уђите у машинско учење. Шта машинско учење може понудити у односу на старе методе? Узмите у обзир следеће:
Бржи одговор на промјену динамике
Ово је доба великих података. Да бисте управљали запосленима, потребни су вам подаци о:
Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
Не можете побољшати своје програмирање кад никога није брига за квалитет софтвера.
- Ставови и осећања запослених
- Кредити или квалификације
- Ставови запослених према политикама
- Трендови надокнаде и накнада
- Релевантна спољна дешавања, као што су тржиште рада и ривалске организације и њихов утицај на ваше запослене
То се надовезује на громогласан обим података који стиже сваког тренутка. Ручно управљање је једноставно лоше опремљено за руковање. Међутим, машинско учење је прикладно за досљедно прихватање, чување и обраду таквих количина података и пружање релевантних и дјелотворних увида у облику једноставне аналитике. (Сазнајте више о улози великих података у послу са решавањем болова са великим подацима аналитике.)
Тачне прогнозе
Машинско учење може предвидјети кључне догађаје као што су уморност, успјех у пословним улогама и штетни догађаји као што је неетичко понашање. На пример, вероватноћа успеха запосленог у новој улози може се предвидјети на основу анализе прошлих података као што су учинак прошлих пројеката, база знања и кључне иницијативе предузете за побољшање базе знања, што одражава ставове. Налази на основу ових параметара могу се претворити у аналитику и тада се могу доносити одлуке.
Идентификација кандидата и праћење кандидата
Машинско учење може повезати прави посао са правим кандидатом на основу улоге посла и кандидатових знања, искуства и интереса. Машинско учење може за то искористити друштвене мреже. Значајно смањује ручни напор у процени кандидата и праћењу.
Развоја
ХР домен, након лаганог одговора на машинско учење, буди се од своје корисности. Многи случајеви употребе се проводе и још их је на путу. Резиме кључних дешавања дат је у даљем тексту.
Идентификација кандидата и праћење апликације
Са великим подацима из веб извора, као што су форуми и друштвени медији, организације проналазе праве кандидате за праве улоге. Док оцењује кандидатуру, машинско учење узима у обзир квалификације, искуство, интересе, професионалну повезаност и чланство, достигнућа, расправе на форуму и још много тога. То значајно побољшава шансе за уклапање улога, ако га не гарантује. Добар пример би могла бити професионална мрежна страница, ЛинкедИн.
Машинско учење значајно смањује ручни напор у управљању апликацијама и ослобађа ХР да се фокусира на продуктивније напоре. Према Цристиану Реннеллу, извршном директору и суоснивачу МејорТрато.цом.мк, компаније која упоређује финансијске производе, „У прошлости смо потрошили 67,2 одсто времена сваке особе у ХР-у да бисмо прочитали животописе сваког кандидата који нам се јавио путем нашег сопствену веб локацију и треће стране. Захваљујући АИ, овај посао данас обавља аутоматски наш унутрашњи систем, који дубинским учењем користећи ТенсорФлов, можемо да аутоматизујемо овај задатак. "
Тачне прогнозе
ХР аналитика често може тачно предвидјети кључне факторе као што су умор, перформансе запосленика, па чак и штетни догађаји попут неетичког понашања. На пример, подаци из различитих разговора на форуму, постови на друштвеним медијима, видео снимци, ривалских организација и тржишних прилика могу указивати на промене у нивоу оштећења. Ниво уморности је посебно подложан променама након циклуса процене.
Предвиђања успеха посла
Подаци о вјеродајницама кандидата, чланству, ставовима и учинку могу указивати на вјероватноћу успјеха у радним улогама. Поента је у томе што је ручни покушај израчунавања предвиђања на основу толико много променљивих једноставно неадекватан. ХР аналитика може пружити тачан увид на основу којег организације могу пронаћи праве кандидате за праве радне улоге.
Закључак
Организације већ искориштавају предности усвајања машинског учења.Иако је машинско учење већ смањило ручни напор, очекује се да МЛ постане још прецизнији и истакнутији у областима попут предвиђања и управљања пропадањем, управљања запосленима и успеха.