Indhold
- HR's rolle
- Sag til maskinlæring i HR
- Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
- udviklingen
- Konklusion
Kilde: Kentoh / Dreamstime.com
Tag væk:
HR-analyser revolutionerer den måde, menneskelige ressourceafdelinger fungerer på, hvilket fører til højere effektivitet og bedre resultater generelt.
Menneskelige ressourcer har brugt analyser i årevis. Imidlertid har indsamling, behandling og analyse af data i vid udstrækning været manuel, og i betragtning af arten af menneskelige ressourdsdynamik og HR KPI'er har fremgangsmåden været at begrænse HR. Derfor er det overraskende, at HR-afdelinger vågnede op til brugen af maskinlæring så sent i spillet.
Ikke desto mindre er maskinlæring langsomt men sikkert kommet ind i HR-domænet, og der er etableret tilfælde med flere brug såsom forudsigelse af slid, rigtige ansættelser og træning af menneskelige ressourcer. Det menes også, at maskinlæring kan forudsige en potentiel kandidats succes. Flere anvendelsessager vil sandsynligvis blive opdaget snart. I modsætning til den manuelle tilgang er maskinlæringsmetoden meget hurtigere, langt mere lydhør over for dynamiske situationer og giver nøjagtige, handlingsdygtige og værdifulde data. (Selvom feltet for dataanalyse bliver mere og mere automatiseret, er der ikke behov for at bekymre sig om arbejdsløshed lige nu. Lær mere i Nej, Data Analytics-bots går ikke snart for at stjæle dit job.)
HR's rolle
Menneskelige ressourcer er uden tvivl en organisations mest værdifulde aktiv. HR er ansvarlig for at styre de menneskelige ressourcer i en organisation, så den får den mest mulige værdi ud af sine mennesker. Rollen som HR inkluderer følgende:
- Identificering af det rigtige talent til den rigtige rolle
- Korrekt kompensation og fordele
- Håndtering af medarbejderudvikling med uddannelse og muligheder
- Sporing og styring af menneskelige ressourcevækst med trin, forfremmelser, muligheder og fordele
- Håndtering af medarbejdermotivationer, klager og følelser
- Håndtering af udgange
Sag til maskinlæring i HR
Over tid har forventningerne til HR-afdelingen ændret sig. Tidligere ville HR finde passende kandidater; foretage eller lette vurderinger uddele tilbud, kompensation og fordele baseret på HR-politikker; og styre medarbejderkarrierer og -udgange. Nu forventes HR at tilføje mere værdi til, hvad det allerede gør og gøre endnu mere, såsom forudsigelse af slid og kandidatens succes i en rolle. Er den nuværende tilgang til opfyldelse af disse forventninger aktivering eller begrænsning af HR?
Før vedtagelsen af maskinlæring, ville HR styre data på manuelle og halvautomatiske måder. Det ville indsamle, gemme og behandle data for at producere analyser, før dataene hurtigt ville blive irrelevante, fordi situationen var ændret, og dataene blev nødvendige. For eksempel viste data indsamlet inden den årlige vurderingscyklus lave slidrisici. Imidlertid er der efter vurderingen en stigning i udtræden og medarbejdernes utilfredshed, hovedsageligt på grund af uoverensstemmelse i forventninger og faktiske fordele og en stigning i mulighederne på jobmarkedet. Grundlæggende vildledte analytiske analyser organisationen, og indsatsen kan betragtes som et spild.
Manuelle og halvmanuelle metoder er ikke udstyret til at sætte HR i stand til at styre data om de hurtigt skiftende variabler relateret til menneskelige ressourcer. HR har brug for regelmæssige, opdaterede analyser af relevante faktorer som medarbejderes følelser i organisationen, medarbejders holdning til politikker og attraktivitet af markedsmuligheder i forhold til det, organisationen tilbyder. Dette er seriøs forretning. Medmindre humankapitalen styres godt, kan en organisation potentielt miste værdifulde medarbejdere. Bill Gates kommenterede engang, ”Du fjerner vores 20 medarbejdere, og vi bliver en middelmådig virksomhed.” Gå ind i maskinlæring. Hvad kan maskinlæring tilbyde i forhold til de gamle metoder? Overvej følgende:
Hurtigere reaktion på skiftende dynamik
Dette er en alder af big data. For at administrere medarbejdere har du brug for data om:
Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
Du kan ikke forbedre dine programmeringsevner, når ingen er interesseret i softwarekvalitet.
- Medarbejders holdninger og følelser
- Legitimationsoplysninger eller kvalifikationer
- Medarbejdernes synspunkter over for politikker
- Kompensation og fordele tendenser
- Relevante eksterne udviklinger såsom jobmarkedet og rivaliserende organisationer og deres indflydelse på dine medarbejdere
Det tilføjer en humongøs datavolumen, der ankommer hvert øjeblik. Manuel styring er simpelthen dårligt udstyret til at håndtere det. Imidlertid er maskinlæring passende til konsekvent at acceptere, gemme og behandle sådanne datamængder og give relevant og handlingsrig indsigt i form af enkel analyse. (Lær mere om bigdata's rolle i forretningen med at tackle Big Data Analytics smertepunkter.)
Nøjagtige forudsigelser
Maskinindlæring kan forudsige nøgleudviklinger som udmattelse, succes i jobroller og uheldige begivenheder såsom uetisk opførsel. F.eks. Kan en sandsynlighed for succes for en medarbejder i en ny rolle forudsiges baseret på en analyse af tidligere data såsom tidligere projektydelse, videnbase og centrale initiativer taget for at forbedre videnbasen, hvilket afspejler holdninger. Fund baseret på disse parametre kan konverteres til analyse, og derefter kan der træffes beslutninger.
Kandidatidentifikation og ansøgersporing
Maskinlæring kan forbinde det rigtige job med den rigtige kandidat baseret på jobrollen og kandidatens legitimationsoplysninger, erfaring og interesser. Maskinlæring kan udnytte sociale netværk til det. Det reducerer den manuelle indsats i kandidatvurderinger og sporing markant.
udviklingen
HR-domænet, efter et lunkent svar på maskinlæring, vågner op til dets nytte. Mange brugssager implementeres, og flere er på vej. En oversigt over de vigtigste udviklinger er givet nedenfor.
Kandidatidentifikation og applikationssporing
Med big data fra webkilder som fora og sociale medier finder organisationer de rigtige kandidater til de rigtige roller. Mens man vurderer kandidatur, tager maskinlæring hensyn til kvalifikationer, erfaring, interesser, professionelle forbindelser og medlemskab, resultater, forumdiskussioner og mere. Dette forbedrer chancerne for rollepasning markant, hvis ikke det garanteres. Et godt eksempel kunne være det professionelle netværkssite, LinkedIn.
Maskinlæring reducerer manuel indsats i applikationsstyring markant og frigør HR til at fokusere på mere produktiv indsats. Ifølge Cristian Rennella, CEO & medstifter af MejorTrato.com.mx, et firma, der sammenligner finansielle produkter, "Tidligere brugte vi 67,2 procent af hver persons tid i HR til at læse cv'erne for hver kandidat, der kom til os gennem vores eget websted og tredjepart. Takket være AI udføres dette arbejde i dag automatisk af vores interne system, som vi gennem dyb læring ved hjælp af TensorFlow kan automatisere denne opgave. "
Nøjagtige forudsigelser
HR-analyse kan ofte nøjagtigt forudsige nøglefaktorer såsom udtræden, medarbejdernes ydeevne og endda uønskede hændelser såsom uetisk opførsel. For eksempel kan data fra forskellige forumsamtaler, poster på sociale medier, s, videoer, rivaliserende organisationer og markedsmuligheder pege på ændringer i slidniveauer. Udmattelsesniveauer er især modtagelige for ændringer efter vurderingscyklusser.
Forudsigelser om jobsucces
Data om en kandidats legitimationsoplysninger, medlemskab, holdninger og præstationer kan pege på suksesssandsynlighed i jobroller. Pointen er, at manuelt at forsøge at beregne forudsigelser baseret på så mange variabler er simpelthen utilstrækkelig. HR-analyse kan give nøjagtige indsigter baseret på, hvilke organisationer der kan finde de rigtige kandidater til de rigtige jobroller.
Konklusion
Organisationer høster allerede fordelene ved at vedtage maskinlæring.Mens maskinindlæring allerede har reduceret den manuelle indsats, forventes ML at blive endnu mere nøjagtig og fremtrædende inden for områder som slidspådom og -styring, medarbejderstyring og succes.