Toborzás Machine Learning segítségével – Google-módra
„Az interjúk első tíz másodpercében megszületett ítéletek alapján megjósolható az interjú kimenetele. … A baj ugye az, hogy ezek az első tíz másodpercen alapuló előrejelzések használhatatlanok. … A legcsekélyebb interakció megfigyelése alapján, meglévő előítéleteink és vélekedéseink befolyása alatt elsietett ítéleteket hozunk. Majd anélkül, hogy észrevennénk, váltunk, majd innentől kezdve nem a jelöltet próbáljuk értékelni, hanem bizonyítékokra vadászunk, melyek kezdeti benyomásainkat alátámasztják.”
Nagyon őszinte szavak ezek Bock Lászlótól a Google korábbi HR vezetőjétől, mely a magyarul is megjelent „A Google titok” könyvében olvasható. Igen, az a Bock László, aki a Google szenior HR-alelnökeként forradalmasította a munkaerő-kiválasztási folyamatokat.
A könyv későbbi szakaszában leírja, hogy ők a Google-nél milyen stratégiákat és folyamatokat alkalmaztak, hogy a toborzás és kiválasztás csapdáit kikerüljék: beszél az alkalmazott sablonokról, a csapatban történő interjúztatásról, és nem utolsósorban az adatok és a mesterséges intelligencia jelentőségéről.
Miként használjuk fel az adatokat és algoritmusokat az eredményesebb toborzás és megtartás érdekében?
A felvételi interjúk során gyakran áll elő az a helyzet, hogy az interjúztató személyes szimpátiáján múlik, hogy egy jelentkező kiválasztásra kerül-e vagy sem. Sok esetben azonban az ösztönös megérzések és a társított tulajdonságok nem a valóságot tükrözik, így végül az újdonsült munkavállaló nem teljesíti be a hozzáfűzött reményeket.
Manapság egyre több cég próbálja meg objektív alapokra helyezni az olyan folyamatait, amelyekben korábban túlnyomó szerepet játszottak a behaviorális elemek, és amelyeket már lehet – a technikai fejlődésnek hála – különböző elemzési és algoritmikus eszközökkel racionalizálni.
Bock László munkája során a HR-megoldásokban a statisztikát és a kutatási eredményeket vette alapul. A vezető az elemzésre esküszik, és az ő úttörő munkájának köszönhetően a Google-nél már minden szervezeti döntésben – így a HR-ben is – tudományos módszereket alkalmaznak. A Google külön divízióban foglalkozik HR-kérdésekkel, a PiLab (People and Innovation Lab) szakértői azt kutatják, hogy mitől lesznek boldogok az alkalmazottak, milyen jutalmazási formát értékelnek a leginkább, és mi kell a vezetői fejlődéshez.
Azok a cégek, amelyek felismerik az adatok elemzésének szükségességét és jelentőségét, az alábbi főbb komponensek nyomán dolgoznak:
- Nagy mennyiségű és különböző forrásokból összelapátolt adatok.
- Különböző elemzések és riportok.
- Mesterséges intelligencia (Machine Learning) alapú algoritmusok, melyek segítenek a megértésben és az előrejelzésben.
Hogyan alkalmazhatják a hazai cégek is ezt a gyakorlatot a napi munkájuk során?
A legtöbb cég az interjúztatási folyamatában nagyon kevés adatot használ, és azt is legtöbbször csak kis mértékben veszi figyelembe. Pedig a cégek nagyon sok adattal rendelkeznek a dolgozóikról. Ilyen adatok lehetnek például kereskedők esetében a CRM rendszerben tárolt adatok, melyek sokat elárulnak az egyes dolgozók “működési” sajátosságairól, vagy akár a gyártósori adatok a termelő cégeknél. Ezeket a histórikus adatokat be lehet építeni a kiválasztási folyamatba, mellyel ki lehet szűrni azokat a pályázókat, akik – akár a törzsadatok, akár viselkedési adatok alapján – nem fognak hosszú időszakot eltölteni cégünknél, bármilyen szimpatikusak is az interjúztatónak.
A fentiek alapján vegyünk például egy céget, amely rendelkezik egy vagy több olyan adatbázissal, amelyben a jelenlegi és korábbi munkavállalóik tapasztalataira és munkavállalói viselkedésére vonatkozóan találhatóak információk. Ilyen információ lehet többek között az iskolai végzettség, korábbi munkatapasztalat, fizetési szint, a lakhely munkahelytől való távolsága, vagy éppen egy adott munkahelyről való távozás oka.
Az adatok önmagukban azonban nem elegendőek, hiszen ha nincs megfelelő erőforrás és módszer arra, hogy ezeket összekapcsoljuk egymással és a meglévő folyamatokkal, akkor nem tudjuk kihasználni az információs előnyünket. Az adatok akkor lehetnek segítségünkre ebben az esetben, ha azok alapján hasznos következtéseket tudunk levonni a kiválasztás-toborzás-megtartás folyamataiban.
Ahogy Bock László többször is nyilatkozta, nagyon nagy hangsúlyt fektetett rá, hogy a HR csapatban sok elemző, statisztikus legyen. Ezáltal sokkal fókuszáltabban lehetett azoknak a torzító tényezőknek a kiszűrésére koncentrálni, melyek az emberi elme különös játékának eredményei. Ezeket a torzításokat az adatok nagyfokú használatával és elemzésével próbálták vizsgálni, és kigyomlálni. Ahogy az adatok esetében, úgy a riportoló megoldásoknál is nagy tartalékokkal rendelkezik a legtöbb cég, melyeket sokkal hatékonyabban ki lehetne aknázni.
Ezeknek az adatbázisoknak az összekapcsolásával, az adatok tisztázásával, rendszerezésével és elemzésével az Azure Machine Learning prediktív algoritmusai ki tudják mutatni, hogy a fenti példával élve egy hasonló paraméterekkel rendelkező, azaz hasonló képzettségű, fizetési sávban vagy műszakban dolgozó interjúalany mekkora valószínűséggel és mennyire fog beválni a szervezetben.
Napjainkban nemcsak a riportoló eszközök esetében, hanem a Machine Learningnél is minden rendelkezésére áll a cégeknek, hogy elinduljanak a Google által mutatott úton. Hiszen most már zéró beruházás mellett – például az Azure Machine Learning szolgáltatás segítségével – el lehet mozdulni a mesterséges intelligenciával támogatott döntéshozatal irányába.
Innentől kezdve az adott cég belátására van bízva, hogy mennyire hagyatkozik az emberi ösztönökre és mennyire a statisztikai valószínűségekre. Természetesen az emberi megérzést, tapasztalatot nem mindig lehet és kell is kizárni, de az adatok alapján és az algoritmus segítségével létrejött elemzések nagyban meg tudják könnyíteni egy cég életét. Nem utolsó sorban racionalizálni lehet például a HR-kiadásokat, így a munkaerő toborzásának, kiválasztásának és megtartásának a költségeit.
Amennyiben kiválasztottuk, hogy milyen adatokkal fogunk dolgozni, és az adatainkat megértettük az elemzések mentén, akkor már csak a vezetői elhatározás szükséges az induláshoz. A Training360 és a BCS Consulting által közösen indított Machine Learning for Business workshopja pont abban segíti a cégeket, hogy a fentiekben bemutatott üzleti esetre, valamint az azokhoz hasonlókra gyorsan találjanak megoldást, és összerakjanak minden szükséges elemet az induláshoz.
