Share |

пятница, 11 июля 2014 г.

Забудьте про резюме: Большие Данные определяют решение рекрутера



Еще одна  статья из серии Больших Данных Forget the CV, data decide careers. Рекомендую, в первую очередь, тем, кто хотел бы управлять текучестью персонала на основе Больших данных. Пишите мне, если Вас заинтересовало, как это работает (edvb()yandex.ru). Или приходите на семинар Аналитика для HR
Забудьте про резюме: Большие Данные определяют решение рекрутера

Забудьте про резюме: Большие Данные определяют решение рекрутера

«Я больше не смотрю в резюме кандидата, чтобы понять, приглашать его на интервью или нет», говорит Teri Morse, который управляет рекрутингом более 30 000 кандидатов в год для компании Xerox Services. Вместо резюме, рекрутеры его команды анализируют данные с тем, чтобы принять решения по кандидатам.

Она не одинока. “Big data” все чаще используется при принятии решения о кандидате вместо решения конкретного рекрутера – этот тренд имеет далеко идущие последствия для рекрутеров и соискателей.
Компания, чье имя стало синонимом фотокопии, превратилась в аутсорсера – поставщика практик бизнес процессов – от бухгалтерии до управления персоналом. Ксерокс недавно объединился (в статье - teamed up  - не понимаю, что фактически стоит за объединением, прим Э.Б.) с компанией Evolv (посмотрите на потрясающие результаты исследований данной компании Ключевые факторы удержания и текучести персонала), которая использует данные о прошлом поведении для предсказания всего: от успешности в продажах до лояльности.
Для Ксерокса это значит работу по закрытию 55 000 позиций в Колл Центре через скрининговый тест, который охватывает широкий круг вопросов. Evolv использует эти данные с тем, чтобы предсказывать склонность кандидатов к тому, насколько долго в ней проработать (понятно, что для колл центров это проблема №1).
Результаты удивительны. Лишь небольшой кусок: работники с количеством аккаунтов один - два в социальных сетях склонны дольше работать в компании, чем те, кто имеют четыре пять аккаунтов в социальных сетях, поэтому Ксерокс принял решение отказаться от некоторых сетевых решений (см. также наши исследований про количество аккаунтов в соц сетях  Почему рекрутеру важно знать, сколько аккаунтов в социальных сетях у кандидата). Некоторые результаты носят фундаментальный характер: предыдущий опыт работы в схожей позиции не является предиктором успешности.

«Это открывает двери кандидатам без опыта», говорит Ms Morse. Поначалу некоторые менеджеры задавались вопросом, почему мы берем на работу людей без опыта, но когда по некоторым колл центрам расходы на обработку звонков снизились на 20 %, то менеджеры больше не задавали вопросы. «Я не знаю, как это работает», продолжает Ms Morse, «я знаю только, что это работает».
Организации содержат огромные объемы данных. От финансовой информации до табелей учета рабочего времени. С переходом к хранению от бумаги к цифре ситуация по анализу изменилась кардинально. Возможности обработки информации увеличиваются в геометрической прогрессии. Диск 1990 года выпуска мог хранить чуть более одного мегабайта данных, сегодня 16 гигабайтная USB флешка стоит меньше, чем пять тех дисков.
Будет интересно посмотреть точку, в которой живого рекрутера заменит машина. Исследование NewVantage Partners показало, что 85 % руководителей из компаний списка Fortune 1000 планируют использовать big data или находятся на этапе внедрения, а почти половина используют на операционном уровне.
Компания Ceridian одна из многих компаний, кто видит большой потенциал больших данных в управлении персоналом. «У HR и рекрутинга большие перспективы: большие данные позволяют читать прошлое, что позволит предсказывать будущее», объясняет David Woodward, менеджер по продукту и инновациям в Ceridian UK.
Это включает «использование имеющихся у вас данных о сотрудниках и том, как они работают, так, чтобы обнаружить причинно - следственную связь между показателями найма и показателями деятельности работников. Понимание связей позволит принимать решения при приеме на работу».
Важно: анализ должен проводиться на основе своих (внутренних) данных.
«Данные Социальных медиа дают нам возможность слушать бизнес,» говорит Zahir Ladhani, вице президент IBM Smarter Workforce. «Вы можете видеть, что клиенты пишут о бизнесе, что говорят работники, что вы сами говорите – все эти данные вместе позволят понять, что влияет на бизнес».
«Большинство рекрутинговых компаний используют социальные медиа и job site данные,» продолжает Mr Ladhani. «Мы смотрели кандидатов для одной очень узкоспециализированной компании спецов с уникальными навыками. Посмотрели на лучшие компании в отрасли и увидели, что их спецы тусуются в одной нишевой социальной сети, после чего случилось БУМММ!».
«Я нанимаю 30 000 работников колл центра на ежегодной основе – и мы нанимаем мало руководителей», отвечает Ms Morse из Ксерокса. «у нас недостаточно данных». Тем не менее, Mr Ladhani из IBM не согласен, веря что со временем компания получит валидные данные.
И поскольку все больше компаний используют данные при рекрутинге, может быть рекрутинг станет больше наукой, чем искусством?
«Потенциал больших данных сейчас вырос больше, чем когда либо прежде, и на основе этих данных мы можем принимать решения,» говорит Mr Woodward. «Методы обработки и анализа данных, которые были доступны немногим 10 лет назад, теперь может использовать каждый».
Этот тренд может быть заставит вас прислушаться: и вместо исправления резюме вы задумаетесь, какие следы вы оставляете в киберпространстве.

Case study:  Как Большие данные позволили улучшить качество рекрутинга компанииLV= 

Кевин Хью, глава рекрутинга в страховой компании LV =, был пионером "больших данных", прежде чем он услышал этот термин.
Компания имеет 5 800 сотрудников в 17 различных местах Англии. Год назад компания задалась вопросов, по каким регионам лучше вести рекламную кампанию по привлечению новых агентов. «Мы получили адреса всех наших работников в базе данных HR – где они работают и где они живут – и сегментировали их по уровню позиции», объясняет Mr Hough. «Использование софта Geo-Maps, который похож на Google Maps, помогло вывести несколько кластеров расположения работы и мест проживания работников.
«В начале мы посмотрели, как наши люди находили работу – из данных рекрутинга. Потом посмотрели характеристики наших фоловеров в Facebook и LinkedIn: демографию, интересы, гендер и т.п..
«Стало возможным построить профайл успешного кандидата, демографические и географические характеристики. Это было реально интересно понять эффект нашей рекламы, но особенно – пробелы компании».
Рекламная компания в LV= была впоследствии изменена. Инвестиции и знания для анализа потребовались минимальные: потребовалась лицензия для Geo-Maps и загрузка наших данных туда из таблиц excel. Очень часто оказывается, что для достижения результата не нужны те умные программы, что есть в наших компаниях. Иногда решения просты»
Далее LV= will добавил результаты эффективности деятельности работников
«Мы посмотрели на тех работников, что пришли год назад, это помогло нам понять не только то, как лучше привлекать людей, но и то, как показатели рекрутинга влияют на показатели деятельности»
Источник Forget the CV, data decide careers

11 комментариев:

  1. А чего в кейсе хорошего?

    По пунктам, что они реально сделали.

    1. Посмотрели где живут их сотрудники сейчас и откуда им удобнее ездить на работу.
    Big Data особо не нужна, задача решается традиционными методами. Реальный результат – лучше таргетировать рекламу. Наверняка еще вылезла корреляция между временем работы в компании и удаленностью места жительства от работы.

    2. Структурировали по демографии и проживанию фолловеров в соц сетях – опять таки более точное позиционирование.

    И тут бум.

    “We were able to build up a profile of who our successful candidate was, the age demographic, and where people were hunting for jobs.»

    Подразумевается, что успешность кандитата определяется его возрастом, и где он ищет работу. При этом перфоманс они только собираются докинуть в модель. Как минимум спорно

    И посмотрят на результаты, кто остался – через год.

    В сухом остатке – изменили рекламную компанию по пост-данным. Где она приносит результат. Качественно – банальная реакция на отчетность.

    ОтветитьУдалить
    Ответы
    1. Иван, если вы посмотрите, что сделали в Гугл, то бум - фигня полная: корреляция между решением задачек и перфомансом. Они не обнаружили корреляции
      И я согласен с вами - кейс с т.з. аналитики легкий.
      Вопрос в другом: киньте мне на е майл edvb@yandex.ru кейс вашей компании - я вас так пропиарю... Обещаю!

      Удалить
    2. я Вам больше того могу сказать: KPMG показывала кейс о связи тестов способностей и эффективности
      да, нашли, супер
      но так это же совсем простенько, не так ли?
      В этом случае на фоне KPMG данный кейс более сложный
      KPMG посмотрела еще связь между эффективностью и уровнем образования. супер

      скажу вам по секрету: я связь между эффективностью и тестами способностей, образованием и еще некоторыми приятными вещами считал в 2004 году в Сбере. И не думал ни про какую БигДату

      Удалить
  2. "работники с количеством аккаунтов один - два в социальных сетях склонны дольше работать в компании, чем те, кто имеют четыре пять аккаунтов в социальных сетях" - может быть справедливо, но для всех ли профессий? Например, многие PR-менеджеры и тем более SMM-менеджеры даже по долгу службы обязаны иметь аккаунты во всех социальных сетях - и их наличие не показатель возможного срока работы в компании.

    ОтветитьУдалить
    Ответы
    1. Елена, здесь не про PR говорится)

      Удалить
    2. Анонимный17 июля 2014 г., 13:33

      Эдуард, поправьте, пожалуйста, перевод.
      1. ... поэтому Ксерокс принял решение от некоторых сетевых решений...
      2. ... не является предиктором успешности...
      3. С переходом к хранению от бумаги к цифре
      4. данных о сотрудниках и том, как она работают так
      5. Посмотрели на лчуше компании в отрасли
      6. И поскольку все более компания используют данные
      7. это помогла нам понять

      Спасибо за интересную статью.
      Алексей

      Удалить
    3. простите, Алексей
      есть у меня такое: идеи меня интересуют больше, чем слова)

      Удалить
  3. Все логично:
    Меньше сидишь в сети - больше уделяешь время работе,
    больше уделяешь время работе - больше успеваешь сделать, соответственно, эффективность труда на хорошем уровне,
    эффективность труда на хорошем уровне - выполнение планов, похвала руководства, а зачем уходить с работы, когда ты справляешься.
    Для ряда специалистов очень даже приемлемо.
    Спасибо за интересную информацию, ранее не задумывалась о такой связи.

    ОтветитьУдалить
    Ответы
    1. Марина, я бы не рекомендовал использовать это без валидизации под свою компанию)

      Удалить
  4. Эдуард,
    я вижу тут несколько проблем:
    1) Не все компании крупные для Big Data. Скорее даже так: мало компаний, которые настолько крупные, чтобы делать нормальную Big Data по сотрудникам. И историю по прошлым сотрудникам у большинства компаний, к сожалению, пока не хранится (никто не задумывался, зачем это понадобиться может), но возможно, это дело ближайших лет 10. Но опять же, пока массив данных накопится... А так получается многомерная проблема, когда у нас данных много по относительно небольшому числу сотрудников - в этом я вижу основное ограничение здесь. Единственный вариант - обрабатывать данные возможной "аудитории" (потенциальных сотрудников) компании, например, через нейронные сети определяя возможные "профили" сотрудников по соц сетям. Ну и проблема с небольшими компаниями, которые и набирают немного народу, и текучесть у них небольшая - там можно собрать много данных, но на 50, скажем, человек. Опять всё та же многомерность.
    2) То, что тяжело датифицируется, - это уникальные сотрудники - топы или редкие специалисты, которые делают значительную часть вклада в результат компании. А есть компании (небольшие, чаще всего АйТишного или другого инновационного формата), которые из таких человек и состоят преимущественно.

    Я, конечно, за машинное обучение для HR и всё такое, но думаю, что это решение может быть общерыночное, но не в конкретной компании, где всё-таки чисто автоматическое решение, основанное на данных, может быть недостаточно из-за того, что недостаточно данных по конкретной компании. Можно, конечно, и в общем исследовании составить подробную категоризацию компаний, чтобы было больше данных, но это, опять же, вопрос концептуальный, насколько можно категоризовать компании. Так же, как насколько возможно категоризовать людей - кажется, уже было обсуждение о том, что кластеризация никогда не позволяет хорошо раскидать людей в достаточно ограниченное число категорий :)

    ОтветитьУдалить
    Ответы
    1. Николай, а ты понимаешь, почему я все время наезжаю на ХХ?

      если бы я туда попал, я бы всю эту махину развернул на достижение этой цели.

      А они на конференциях гистограммки показывают

      Удалить

рек

Популярные сообщения