Big Data в HR

Невероятные темпы цифровизации и внедрение смешанных форматов работы открывают новую дорогу для развития HR. Еще недавно сложно было представить, что технологии распознавания лиц могут применяться не только для идентификации клиентов, но и при отборе кандидатов на должность. «Рейтинги надежности» для почасовых сотрудников, системы непрерывной обратной связи, организационный сетевой анализ в удаленной рабочей среде – всё это уже вошло в нашу жизнь.

Границы применения аналитики Big Data постоянно расширяются. Tesco уже давно использует большие данные для того, чтобы лучше понимать своих клиентов и обеспечивать эффективность персонала на всех этапах цепочки создания ценности. McDonalds смогла определить, как демографические характеристики персонала, поведение руководства и отношение сотрудников влияют на работу ресторана.

Конечно, есть сложности в самом выстраивании аналитических моделей, и прежде всего это связано со следующими пунктами:

Если все четыре пункта охвачены в полной мере, компания получает от Big Data для себя именно то преимущество, которое она искала.

Безусловно, ярких событий, которые предшествовали, способствовали и благоприятствовали созданию Data Science и Big Data, намного больше, чем на таймлайне, но наша цель – показать, как разворачивается логика их возникновения.

Следующим пунктом в таймлайн можно вписать разработку стандартов в управлении Big Data. Первый международный стандарт в области больших данных появился в 2015 году благодаря усилиям экспертов Международного союза электросвязи. В 2018 году в этом направлении продвинулась и Международная организация по стандартизации (ISO). В 2021 году Росстандарт утвердил отечественные терминологические нормативы, которым должны следовать все участники рынка. Так появился ГОСТ «Информационные технологии. Большие данные. Обзор и словарь». Таким образом Россия преодолела некоторое отставание.

Надо признать, что для бизнеса стандарт ничего не меняет, однако в признании терминов есть очевидный плюс: участники рынка будут говорить на одном языке, а для компаний, которые еще только начинают работать с Big Data, это еще и ликбез.

По словам председателя совета директоров Института развития информационного общества Юрия Хохлова¹, стандартизация терминов – только начало. В разработке еще 8 национальных стандартов в сфере больших данных, и здесь уже речь пойдет об эталонной архитектуре, безопасности, методах анализа, сценариях использования и т. д.

Кому не хочется с опорой на данные ответить на ключевые вопросы в HR?

Каждый профессионал в HR хочет получать ответы. Такие компании, как Google, многое изменили в представлениях об HR. Книга “Work Rules!”, написанная бывшим HR Ласло Боком, завораживает описанием практики найма в Google после внедрения инструментов аналитики. Тем не менее, он признает, что всё еще существует разрыв между теорией и практикой. В HR многое делается интуитивно, на базе практического опыта, который сложился у руководителей за прошедшие 20-30 лет. Но мир буквально перевернулся в последние два года, а это значит, что интуиция срабатывает всё хуже и эта тенденция будет усугубляться. Следовательно, бизнес перестанет обладать достаточным представлением о кадровом потенциале.

Конечно, есть HR-метрики, но они практически не дают возможности проанализировать большие и разнородные пласты параметров без специальных инструментов. Понятно, что нужно прилагать самостоятельные усилия для постановки гипотез и далее проводить их тестирование и тонкие настройки по корректировке, чтобы выстроить рабочую аналитическую модель. Но в любом случае, когда под рукой реальные данные, уже можно выстроить продуктивный диалог с бизнесом, опираясь на них.

Обратимся к конкретным инструментам. Например, компания из Кремниевой долины Yva.ai создала цифровой продукт для организаций, который позволяет проводить умные опросы персонала на основе ИИ, а также собирать аналитику сотрудничества и предсказывать некоторые события, например, выгорание и вероятное увольнение.

Алгоритм обучен на большом массиве анонимизированных данных тысяч организаций в России, Европе и Северной Америке. Когда происходит существенное изменение на рынке, которое влияет на работу всех компаний, как это было во время пандемии, нейросеть «дообучают» на основе этих данных. Соответственно, в связи с коронакризисом были учтены новые паттерны выгорания. Так, в режиме онлайн HR может видеть результат на виртуальной доске по всем сотрудникам и реагировать на снижение уровня какого-то из факторов вовлеченности, например, кросс-функциональной коммуникации или вознаграждения и признания.

Кроме того, на индивидуальном графике можно увидеть состояние сотрудника: зеленый цвет будет означать благополучие, желтый – раннее выгорание, а красный – позднее сильное выгорание.

Аналитика сотрудничества показывает, на кого уходит рабочее время сотрудника. Алгоритм учитывает скорость реакции, объем коммуникации, количество задач, сопоставляет объемы внутренней и внешней переписки и т. д. Если с разрешения сотрудника подключен семантический анализ, то анализируется позитив и негатив, наличие в сообщении задачи, конфликта или похвалы. При этом нейросеть отличает позитив от общепринятых письменных форм вежливости, а шутливую иронию от реального негатива.

Используя платформу Yva.ai для анализа данных, строительный холдинг BI Group (Казахстан) смог установить, что 34% топ-менеджеров, которые испытывали синдром выгорания, а соответственно – были в зоне риска потенциального увольнения.

Онлайн-диагностика вовремя дала информацию о том, что многим руководителям нужна помощь в борьбе со стрессом. В компании провели индивидуальные коуч-сессии с каждым таким сотрудником, и в результате абсолютно все топ-менеджеры справились с выгоранием и остались на своих позициях. Итогом проактивной работы команды HR-ов с данными о состоянии сотрудников стало то, что BI Group в 2020 году перевыполнила план по операционной прибыли в 1,5 раза.

Следует помнить, что Big Data покажет вам, когда что-то идет не так. Но вовремя отреагировать, разобраться и принять меры – это задача руководителей. Инструменты могут показать изменения в поведении сотрудников, но интерпретация и решения – это все еще работа людей. Поэтому не стоит точить ножи в сторону больших данных, приводя в пример Xsolla, уволившую по результатам онлайн-анализа 150 сотрудников как «невовлеченных и малопродуктивных». Проблему вовлеченности и продуктивности можно решать по-разному. В данном случае вопрос не в данных, а в человеческом решении, пусть даже оно кажется слишком уж «механистическим».