15 мая 2015, 14:29

Аналитика в HR: возможности новых технологий

Во время кризиса буквально каждый HR оказывается в ситуации, когда человеческий ресурс компании сокращен и крайне ограничен. Решение же задач, стоящих перед компанией, не только не упрощается, а, напротив, требует максимального напряжения сил. Как обеспечить эффективную работу персонала в сложившихся условиях? Является ли сжатие рынка труда и отсутствие радужных перспектив за пределами компании достаточными мотивирующими и дисциплинирующими факторами для оставшихся сотрудников? Существуют ли вообще технологии, позволяющие компаниям в подобной ситуации не просто выжить, но и оказаться в полной боевой готовности к выходу из кризиса?


Высочайшая производительность труда в развитых странах, как известно, результат отнюдь не большого количества «потных спин», а, напротив, сокращения процента непроизводительного труда и внедрения современных технологий. HR-функция в этом смысле не исключение - результаты исследования BCG* и Всемирной федерации ассоциаций управления персоналом доказывают, что финансовые достижения компаний напрямую зависят от способности эффективно управлять персоналом**. В основе же любых высокопроизводительных технологий лежат, прежде всего, аналитические модели. При этом по меньшей мере 80% российских компаний вообще не занимаются аналитикой в HR-сфере.

Сегодня область ответственности департаментов управления персоналом, особенно в крупных компаниях, не ограничена лишь вопросами поиска и подбора сотрудников. Сюда могут входить и задачи повышения производительности труда, и оптимизация структуры, и развитие HR-бренда, и другие, не менее сложные и ответственные задачи. Однако принимать решения и улучшать бизнес-показатели в отсутствие аналитических показателей сложно, а порой и просто невозможно. Так, по данным исследования Accenture и General Electric, 84 % опрошенных руководителей в сфере производства и здравоохранения считают, что аналитика Big Data сможет изменить конкурентную среду в их областях в течение одного года, 89% ответили, что компании, не принимающие стратегию аналитики данных, могут потерять долю на рынке.

Например, в Xerox после анализа огромного массива данных с причинами увольнения и характеристиками работников удалось уменьшить текучку кадров в call-центрах на 20% и снизить риски инвестиций в сотрудников, которые не собираются задерживаться в компании. Причина текучки, как будто бы, лежала на поверхности – в результате обработки данных выяснилось, что дольше всего в компании работают те сотрудники, которые живут рядом с офисом. Но для подразделения с численностью больше 48 000 сотрудников и огромным числом вводных данных это не было очевидным изначально. В результате проведенная работа дала существенную экономию затрат на обучение и оптимизацию усилий по найму.

Потенциал аналитики для HR-подразделений понятен: с данными о производительности работников, их мотивации и пониманием потребностей бизнеса HR-руководители могут принимать более обоснованные решения об увольнении, удержании и найме персонала. Возможность получения и анализа больших данных позволит многим предприятиям не только увеличить доходы за счет лучшего понимания процессов внутри компании, но и сократить затраты за счет оптимизации бизнес-процессов. Так, в одном из розничных банков аналитические отчеты продемонстрировали прямую зависимость количества краж от величины территории, подконтрольной региональному менеджеру. После корректировки обязанностей региональных менеджеров банк свел к минимуму воровство в проблемных областях.

Для многих зарубежных компаний HR-проекты, основанные на технологиях Big Data, уже давно переросли категорию единичных кейсов и стали ежедневной практикой, в то время как большинству российских компаний преимущества аналитики известны лишь в теории. А ведь HR может помочь компании получить реальную отдачу от целенаправленных инвестиций в персонал. Так, для производственных предприятий влияние аналитики Big Data на рентабельность составляет 10-12% от объема продаж, а в сфере услуг эта цифра может достигать 80%.

Однако будет ошибкой утверждать, что технологии, основанные на Big Data, могут в одночасье решить проблемы российского HR-менеджмента. По данным Forbes, только 18% компаний в мире правильно используют аналитические данные, остальные 82% лишь пытаются выяснить, как же ими управлять и как их интерпретировать. Можно иметь возможность собирать и анализировать любые данные наилучшим в мире образом, но если цели этого исследования не вполне определены или определены неверно, то весь анализ будет проделан впустую. Еще одно препятствие - это качество данных. HR-специалисты должны быть уверены в точности базовой информации. Иначе попытка сделать прогнозный анализ на основе неполных или неточных данных может привести к результату хуже, чем даже при полном отсутствии аналитики.

На мой взгляд, преимущество технологий, основанных на Big Data, состоит в разумном сочетании объективного контроля за деятельностью сотрудников и постоянного поиска оптимальной мотивации для них на основе полученных данных.

Обезличенные (автоматизированные) системы контроля (контроля доступа, присутствия на рабочем месте, составления графиков работы, отпусков, обучения, оценка продуктивного и непродуктивного рабочего времени и т.п.) в сочетании с такими комплексными интеллектуальными системами, как, скажем, управление талантами, существенно снижают риск ошибки и влияние человеческого фактора при принятии управленческих решений в HR. С одной стороны, подобные системы могут способствовать укреплению трудовой дисциплины и соблюдению стандартов работы, а, с другой стороны, с помощью полученных данных можно оптимизировать и схемы мотивации, которые нередко формируются в компаниях интуитивно, на основе традиций конкретной компании или «как у других». Мотивационные и дисциплинарные системы, сформированные на основе квалифицированно собранных данных и при качественной аналитике способны кардинально изменить эффективность работы персонала в крупных компаниях.

Большие данные требуют мощных инструментов для того, чтобы разбить их на смысловые понятные части и получить качественную информацию, но усилия того стоят. HR-специалисты понимают, что освоение Big Data может принести пользу их деятельности, помогая найти лучшие таланты, сохранить сотрудников и экономить деньги. В качестве примера приведу реальную ситуацию: компания, занимающаяся поставкой и установкой сложного оборудования, тратила на зарплату 200 менеджеров более 800 миллионов рублей в год, но их эффективность не оправдывала затраты. После проведения анализа работы руководителей проектов, их опыта и компетенций, стало ясно, что нацеленность на результат для менеджера является более значимым критерием, чем технические навыки и опыт работы в данной сфере. После замены процессных сотрудников на результативных и их обучения предметным областям доход компании увеличился.

Многие компании уже доказали, что HR-аналитика помогла им снизить затраты и дала возможности для быстрого и качественного принятия решений. Понятно, что эпоха больших данных открывает для бизнеса новые перспективы – и потому не стоит ждать слишком долго, чтобы начать их использовать.

Данные всегда были ключевым активом для бизнеса, но в течение последних лет их статус изменился с «важно» до «необходимо». Данные, и что более важно, анализ данных стали истинным конкурентным преимуществом для компаний различных отраслей промышленности и бизнеса, а не только фэйсбуков, амазонов и гуглов мира.

* The Boston Consulting Group

** Для отчета 2014 года были проанализированы фондовые показатели за 10 лет публичных компаний, вошедших в рейтинг «Лучшие работодатели» Forbes, и сопоставлены с показателями индекса Standart & Poor’s 500


0 0
1 951
22 комментария
1. О больших данных и 200 сотрудниках. Для классического регрессионного анализа требуется порядка 20 EPV, сиречь 20 событий, которые Вы хотите предсказывать, на одну переменную, которую Вы хотите добавить в модель логрегрессии. В несложной модели будет 12-15 переменных, итого нужно что-то около 300 сотрудников, которые косячат, чтобы можно было построить модель, которая сможет разделять хороших сотрудников и тех, кто работает плохо. Даже если доля плохих сотрудников составляет порядка 20% (организация при таких показателях развалится раньше, чем Вы начнете анализировать ее деятельность, но положим), все это имеет смысл, если у Вас в организации работает тысячи полторы человек, которые занимаются ОДНОЙ и той же работой. Это без учета того, что Вам еще часть данных оставить для валидации модели, чтобы не получить переобучение. Это просто для понимания, в каких организациях и для решения каких задач может быть востребован даже классический Data Mining (статистика+методология анализа+ удобный инструмент, если опустить маркетинговую шелуху) без всяких извращений на почве больших данных. Когда у Вас 200 сотрудников, Вам достаточно сводную отчетность сделать и соотнести ее, например, с результатами тестирования этих сотрудников или как там выявляли мотивацию. Это в Excel делается, даже стат.пакет не нужен.
Если интересно, большие данные по всем трем измерениям (хранение - анализ - обработка в операционном контуре), это когда сэмплы для обучения модели больше 64 гигов и их уже нельзя запихнуть в Мак, как люябт делать в Яндекс, и покрутить там алгоритмы ML на Python. Сэмплы при этом нарезаются из наборов размером в десятки петабайт, которые лежат в HDFS на чем-то хадупообразном.
Переменных при этом будет что-то в районе от 100 тысяч до 100 миллионов (больше не видел даже в интернет-гигантах). Это к вопросу о мощных инструментах для выделения смысловых понятных частей. Можете оценить на досуге, сколько времени займет вопрос интерпретации хотя бы 10 млн. переменных при использовании word2vec. На пенсию кадровик выйдет намного раньше.
В операционном контуре такие модели живут в стриминговых решениях, которые обрабатывают сотни миллионов событий в сутки. Если не секрет, где Вы столько событий возьмете в кадрах? Такие гравицапы не разворачивают сейчас даже крупные розничные и универсальные банки. Просто избыточная мощность. Пока с этим балуется в основном интернет-индустрия да телеком.
То, что Вы описываете, это не большие данные, которые идут рука об руку с машинным обучением, а просто продвинутый подвид BI. Там действительно модели интерпретируемые.
2. Я бы не был столько категоричен в том, что касается причин низкой производительности.
Проблемы не только в технике. Вдаваться в подробности я не хочу, но отсутствие возможностей (карьерных и зарплатных, остальное - сказки для бедных) горизонтального роста в России (исполнители у нас нигде не получают больше руководителей, за единичными исключениями) на производительности труда сказывается очень и очень печально. Вторая причина низкой производительности - неграмотность. И руководителей, и исполнителей. В итоге первые ставят негодные задачи, а вторые реализуют их в меру свой испорченности. Проблема вызвана угробленным в РФ проф. образованием, которое в развитых странах очень хорошо себя чувствует. Третья причина - административные барьеры. Например, многие вещи, которые в развитых странах требуют лишь уведомления, в России требуют разрешения. В результате подписи для начала строительства объекта у нас в стране собирают в разы больше времени, чем собственно строят. Четвертая причина - недостаток контроля результатов и слишком большой упор на контроль процессов в России (это, к слову, не очень комфортно для работника, я работал в западных компаниях и хорошо понимаю, о чем говорю, но деньги акционерам это приносит неплохие). И далее по списку.
3. Прежде чем сесть за штурвал тяжелого реактивного истребителя, летчики нарабатывают навыки на легкомоторных самолетах. В подавляющем же большинстве крупных российских компаний в кадрах даже простого BI нет и нормальных витрин данных. Я это хорошо вижу, потому что данные о персонале требуются для выявления мошеннических действий этого самого персонала, чем строго говоря, занимаются совсем не кадры. Ну и просто в кадрах много молодых симпатичных девушек - тоже причина курировать это направление.
4. Кадры не самое "богатое" на данные и аналитику подразделение в крупной организации. К моменту, когда там собираются замахнуться на Вильяма нашего Шекспира, в организации, как правило, уже существуют центры компетенции, которые могут взять на себя эту задачу и обработать сопутствующие потоки данных. Впрочем, сервис-ориентированная архитектура для российских просторов дело пока непривычное, хотя ей и сто лет в обед. Любят в России коробки, чего уж там.
15 мая 2015, 23:20
New
"Где вы столько событий найдете в кадрах..."
Нигде. Статья скомпилирована путем синтеза текста о BD с классической HR академ шелухи.
В любой компании для HR нужд вполне достаточно анкеты для увольняемого и Excel с парой формул.
Комментировать даже это не хотел, но углядев ваш коммент, с которым я двумя руками за, решил поддержать, не обессудьте...
Не в любой. Но организаций, где одной и той же работой занимается от 2-3 тысяч человек, в России не то, чтобы много. Это гиганты, где общая численность сотрудников - десятки и сотни тысяч. Но там другие заботы, которые ставят крест на благих начинаниях в 99 случаях из 100.
Например, де юре единая компания де факто представляет собой десятки полунезависимых контор (то есть единые информационные системы отсутствуют как класс)
Не менее серьезная проблема - отдельные департаменты в таком гиганте не координируют свою работу от слова совсем, в т.ч. при разработке информационных систем. Например, в CRM может детально фиксироваться ЧТО делали с клиентом, но не КТО этим занимался. Ну и как при этом можно оценить эффективность действий отдельных сотрудников при работе с клиентами?
Впрочем, если даже это фиксируется, это еще не значит, что вот он ясь. Фиксироваться могут только суррогатные id, которые привязаны к логинам СУДИР, а привязка логинов СУДИР к фамилиям, в свою очередь, лежит при этом в отдельной мастер-системе, над которой чахнет информационная безопасность.
То есть чтобы что-то проанализировать и оптимизировать, надо построить по стойке смирно (образно) безопасность, кадры и продажников одновременно. В федеральной компании, ога.
Чудеса случаются, но скрывается за этим чудом обычно:
а) компания - часть западного/восточного транснационального бизнеса
б) процессом оптимизации рулит владелец. Грамотный, хваткий, умный российский миллиардер/мультимиллионер. Которых можно по пальцам перечислить.
в) от эффективности организации зависит существование суверенной демократии и есть благословение на действия по укреплению усиления.
Других вариантов в РФ я еще не видел. Может они и есть, но не видел. Речь, повторюсь, идет о крупнейшем бизнесе.
16 мая 2015, 07:44
New
Именно про "де факто" я и говорил...
Вместо единого организма, десятки самостийных бизнес-единиц, со своими бюджетами и автономными информационными системами... Почему то по другому в нашей стране управление крупным бизнесом построить невозможно.
Про чудеса я слышал конечно, но на бумаге. Увидеть их изнутри как то не довелось, хотя думаю, что и наши сырьевые короли-гиганты при более детальном рассмотрении на поверку окажутся голыми...

Да и если честно... Проводить дорогостоящие HR исследования на предмет "основные причины увольнения сотрудников н-ского дивизиона" считаю пустой тратой денег, ибо итак все ясно - маленькая зарплата, удаленность от дома, непредвиденные поборы, идиот начальник... Можно конечно парировать - вот вы привязались к этим увольнениям... Ок. Пусть кто нибудь из HRов нарисует мне внятную тему HR исследования и так же внятно покажет мне ее нужность бизнесу, и не вокруг да около (я тут пытался от одного умки добиться конкретики в разговоре про нематериальные стимулы к эффективному труду, в ответ - набор маркетинговых фраз), а с конкретными примерами...

Последнему вашему комментарию, была бы возможность, с удовольствием плюсанул бы десятку
Есть задачи, которые не слишком выгодно решать, если всю инфраструктуру для их решения надо строить с нуля, но при этом довольно выгодно, если эта инфраструктура уже существует. Включая хранилище данных (не суть важно на привычном Oracle, новомодном Hadoop с HDFS или еще чем), среду исполнения (не суть важно поточное BRMS решение, решение класса RTD, сверхпроизводительная стриминговая система или ETL машина, которая обсчитывает пакетные задачи).
Задачи, где:
1. Снижение издержек на подбор специалистов массовых профессий (если их в компании тысячи или десятки тысяч). Берете профили сотрудников, которые работают очень эффективно, и которые, наоборот, работали не очень. И пытаетесь при найме персонала брать похожих на первых и не брать похожих на вторых.
Или выявлять таких людей на испытательном сроке.
2. Выявление людей, склонных к совершению мошеннических действий (разных, там по видам мошенничества анализировать надо). Для финансовых организаций это очень актуально. Собственно, мифическая проверка СБ (в крупняке до проверки мелкой сошки руки часто не доходят, что потом аукается) может быть эффективно заменена киберпроверкой. Задача решаемая, но в подробности вдаваться не буду - тема очень деликатная.
3. Анализ текучки, выявление причин. Среди основных задач здесь - выявление наиболее проблемных менеджеров, от которых люди бегут, анализ оптимального уровня нагрузки на персонал (мне очень не нравится, как это делается сейчас - людей нагружают местами сверх меры, из-за этого растет не только текучка, но и операционные риски, т.к. люди чаще ошибаются, да и уровень сервиса страдает)
4. Выявление наиболее производительных работников. На текущий момент часть информации в крупных организациях дальше линейного руководителя не идет, а у линейного вполне могут быть фавориты или сотрудники, которых он прессует. Причем среди последних могут быть и потенциально очень эффективные сотрудники.
5. Контроль эффективности обучения сотрудников в корпоративном университете.
....
Задачи не принесут миллиарды, но деньги на этом заработать вполне можно, если все, что требуется:
1. договориться "а теперь еще мы и это оптимизируем",
2. сделать небольшой проект по доработке витрин в готовом ХД и несложную интеграцию с SAP робота, который будет эту оптимизацию считать (вместе с сотнями других задач, которые он уже делает)
3. подробнее разобраться в предметной области, чтобы научить робота правильным вещам (кадры относительно простая предметная область, намного проще финтеха или кибербезопасности, ИМХО)

Строго говоря, когда организация уже вышла на уровень, когда такие чудеса возможны, ты начинаешь понимать, что без значительной части персонала можно вообще обойтись. Но это отдельная история. На мой взгляд экономия 1 млрд долларов в год на операционных расходах не стоит роста недовольства в регионах, если тысячи человек выкинуть на улицу в местах, где работу найти не так уж просто. Разумнее делать это в Москве. Тут и издержки выше, и найти работу людям потом проще.
16 мая 2015, 14:43
New
Ох Иван Осипович... Космически мыслите...
Может тогда попробуем обыграть ну скажем так п.1? И с простого...
У нас на на предприятии работает 100 уборщиков производственных помещений (все почему то женщины). Мы сейчас сможем с вами нарисовать эффективный шаблон профиля уборщика производственных помещений, данные в который могут поступать автоматически, при этом данные будут не субъективные (типа способность к лидерству, целеустремленность и проч. хни), а четко, математически просчитываемые, при всем при этом ТК как бы никто не отменяет...?
Для 100 не получится. Для этого Вам нужно минимум 300-400 плохих работников и желательно в 2-3 раза больше хороших (минимум столько же, но лучше 1 к 2 брать или 1 к 3, чтобы результаты не получились смещенными), на меньших объемах машина объективные выводы сделать не сможет. Есть шаманства, которые могут чуть снизить планку требований по данным, но при этом серьезно возрастает вероятность модельной ошибки или модель получится не очень стабильной.

Кроме того, для уборщиков Вы максимум можете взять для анализа анкетные данные да результаты околопсихологического тестирования, а разделение на плохих/хороших будет с высокой вероятностью субъективным.

Речь шла о таких категориях работников, как операционисты, страховые агенты, клиентские менеджеры, андеррайтеры.
Их не сотни обычно, а тысячи или даже десятки тысяч, объемы совсем другие. И "добавочная стоимость", которая создается этими работниками намного выше, чем у уборщика.
Внедрять то надо не то, что мы можем сделать, а то, что деньги принесет. Да и то - осторожно.
Далее. Таким категориям работников можно уже предложить пройти простенькие профессиональные тесты, причем если грамотно все сделать, можно фиксировать, сколько времени человек тратит на задание того или иного типа, возвращается ли назад, сколько он думает над вопросом. Эта информация может быть полезнее самих ответов, т.к. показывает, как человек взаимодействует с информационными системами, что существенно сказывается на производительности труда в финансовой организации. Да и цифровой след у таких категорий работников существеннее, чем у уборщиков.
Еще раз. Я вижу смысл делать такие вещи в финансовом секторе (банки, страховые из топ-10-20 и.т.д.), в телекоме (большая четверка, крупнейшие провайдеры проводной связи и.т.д.), в крупнейших федеральных торговых сетях да в паре лидеров логистики. Возможно, есть ограниченное количество транспортных, энергетических компаний, где для определенных категорий работников это тоже можно делать, но я не умею ставить диагноз по фотографии. В промышленных компаниях, где ERP часто работают с точностью плюс-минус вагон, оценивать можно (ИМХО) разве что бригады или подобные группы работников.
И еще раз - психологи для этого не нужны, да и эксперты из кадров нужны ограниченно. Обычно хватает одного толкового человека, которого стоит привлечь на этапах конструирования фич (отбора признаков, которые подаются на вход при анализе) и на этапе тестирования модели. Как правило, сначала создаются интерпретируемые модели квалифицированным специалистом по моделированию, результаты обсуждаются с экспертом в предметной области, в т.ч. в части обоснованности включения тех или иных предикторов. Оценивает финрез модели. Затем задача скармливается системе машинного обучения и смотрят, что на выходе получается в этом случае. Сравнивают по стабильности и качеству дискриминации с простой (относительно простой, т.к. для нематематиков, способы разработки этой простой модели не очень то и просты) "ручной" моделью и.т.д. Это не космос, это работает. Хотя и применяется в основном совсем не для оптимизации работы кадров.
16 мая 2015, 16:29
New
Я все таки не могу воткнуть по первому пункту...
Как можно снизить издержки при подборе взяв модель того кто работает хорошо и набирать людей исходя из этой модели (не брать тех кто соответствует модели плохого работника)...
Фактически сейчас (там где составляются нормальные портреты кандидатов) берется модель того кто нужен (руководитель всегда знает кто ему нужен в идеале, просто отделы подбора состоят в основном из, мягко скажем, не тех, кто там должен быть, и портрет из головы конкретного руководителя не всегда ложится на "бумагу") и подбираются максимально подходящие под этот портрет...
Зачем городить еще один портрет, усредненнохорошоработающего...
Чем операционист в отделении А должен отличаться от операциониста в отделении Б? Если они выполняют одни и те же операции, работают в полностью идентичной информационной среде и с идентичным потоком клиентов?

Лет двести с гаком назад (надо уточнить, но по-моему, это было во время войны на Независимость в США) огнестрел изготавливался "под ключ" одним работником. Хотя все делалось уже по типовому чертежу, каждый мушкет (если не путаю, речь шла именно о мушкетах) был уникален, даже сделанные одним и тем же мастером. То есть нельзя было взять деталь от одного мушкета и поставить ее на другой.
Когда впервые предложили использовать разделение труда, люди разве что пальцем у виска не крутили, де никогда не получится изготавливать детали так, чтобы из них нормальное оружие получалось, если не будет личной ответственности мастера за конечный продукт, а работники будут заняты только одной операцией.
Как мы сейчас знаем, все получилось. Допуск и посадка, метрология и контроль качества вместо личного мастерства. Качество, может, на первом этапе и падает, зато объемы производства и издержки падают так, что с лихвой это перекрывают.
Собственно, здесь все аналогично. Штучное производство "давайте подберем исполнителя под хотелки руководителя" против мощного роботизированного конвеера, где есть типовые требования к изделию, а все что сверх того - от лукавого. Деталь должна отслужить не менее N лет, выдерживать нагрузки не менее заданных, обеспечивать безаварийную эксплуатацию при температурах от и до. Издержки, безопасность, качество.
Коллеги из групп, которые сейчас активно обсуждают в Группах вопросы личной приязни при найме и роль подборщика в этом, не вполне это понимают.
16 мая 2015, 17:35
New
Разделение труда (мануфактуры) произошло немного раньше... В 14 веке.
И все таки про цепочку хорошо-плохоработающие - подбор, лично мне не понятно. Я не с проста завел речь про уборщиц, так как их профиль прописать легче чем у операциониста - для наглядности, ну да ладно...
Отменить Войти и отправить