10 глобальных проблем, откоторых нас избавит цифровая эпоха
Знание - власть: как данные изменят государство в XXI веке
20 неожиданных открытий, сделанных благодаря анализу данных
Каждому по потребности. Как данные меняют образование
Добровольцем будешь? Доставай смартфон!
Когда данных слишком много: Банки на передовой Big Data
Супермаркет в роли гинеколога: Как данные растят прибыль, раскрывая лишнее
Ураганный бизнес: как заработать на прогнозах погоды
Собеседование с роботом
Большие данные для Большого брата
Интерпретируй это. Как избежать ошибок Big Data
Учимся считать: откуда берутся специалисты по анализу Big Data
Они нас посчитали
Сети ритейла: как Big Data помогает поймать нужного покупателя
Немашинный перевод

Собеседование с роботом: как компьютеры нанимают на работу и почему за этим будущее

Новые алгоритмы Big Data позволяют прогнозировать, хорошим ли работником окажется кандидат на вакантное место в вашей компании, уволится ли он в следующем году, когда он заболеет и с кем из коллег вступит в конфликт. Slon разобрался, к чему приведет эта революция в HR-менеджменте.

При словах «научный менеджмент» у многих в воображении всплывают разработки Фредерика Тейлора, в начале XX века стремившегося превратить людей в надежные и взаимозаменяемые части конвейера. Мы привыкли думать, что эта механистичность и массовость уже в прошлом. Теперь, в постиндустриальную эру, к подбору, обучению и мотивации людей, даже если это люди нетворческих профессий, нужно индивидуальное, личное отношение, которое не заменишь никакой процедурой. Однако новые технологии и методы анализа данных позволяют совместить и то и другое: научный метод, прогнозы в массовом масштабе — и личный подход к каждому человеку. Сейчас, как замечают аналитики софтверной компании eQuest, мы стоим перед исторической возможностью: принимать беспрецедентно точные и обоснованные решения в области человеческого капитала. А в результате таких исследований мы и сами узнаем больше о себе и о том, когда мы продуктивнее всего.



Slon попытался выяснить, как изменится мир труда в результате внедрения новых аналитических подходов.

Найди того, не знаю кого

Дальновидные компании понимают, что людей на планете, по большому счету, не так уж много. Чтобы подобрать среди них самых правильных и самых нужных, в будущем придется копать глубже. Это и довольно очевидные решения: собирать как можно больше доступной информации в соцсетях и других открытых источниках, проводить разнообразные тесты, игры и симуляции при приеме на работу. Скажем, американский стартап Knack разрабатывает сервис для работодателей: соискателям предлагается немного поиграть в невинную игру, и по ее результатам компьютер выясняет, в какой последовательности вы решаете проблемы, что вызывает у вас колебания, насколько вы настойчивы, учитесь ли вы на своих ошибках и т.д.

Компания Gild, которая подбирает для крупных фирм программистов, придумала методологию, которая позволяет автоматически анализировать не только качество написанного ими кода (если он доступен публично), но и по общению программистов в соцсетях — по употребляемым терминам и сочетаниям слов — отличать реальных профессионалов от начинающих, которые просто хорошо себя пиарят.

Есть и более фундаментальные идеи — например, искать таких людей, которые еще сами не знают, что хотят устроиться на работу именно к вам и вообще в вашу отрасль. Несколько американских университетов недавно начали серьезно анализировать своих студентов и абитуриентов, пытаясь предсказать, кто из них добьется успехов в учебе, а потом и найдет хорошую работу. Пока процесс заточен на то, чтобы подобрать более подходящую образовательную траекторию и скорректировать учебу тех, кто сбивается с пути. Но дальше такие прогностические системы будут все больше ориентированы на работодателей. Появляются и другие инструменты, помогающие предсказать, насколько студенты и выпускники готовы к работе и какая именно карьера соответствует их методу решения проблем и образу действий. Технологические компании в США уже пользуются такими университетскими базами и сервисами, чтобы еще на втором-третьем курсе подобрать себе потенциальных талантливых инженеров. Ведь тогда можно заранее направить их образование в нужную сторону, чтобы подготовить их к работе и нацелить на создание нужных вам продуктов.

Но зачем останавливаться на университетах? Один из самых знаменитых бизнес-мыслителей мира, автор «Викиномики» Дон Тапскотт недавно заметил: модель отношений с людьми в компаниях принципиально меняется. Теперь главное — не заключить трудовой контракт, а вовлечь способного и талантливого человека в орбиту своего бизнеса, выстроить с ним долгосрочные отношения. И начинать надо не с университетских «ярмарок вакансий», а еще в школе. Тут и поможет опора на данные. Во-первых, можно собирать и изучать информацию о классных и внеклассных успехах учеников по открытым источникам. Во-вторых, можно запускать свои конкурсы, стажировки, другие публичные проекты, которые добавляют данные о том, как то или иное юное дарование проявляет себя сейчас и как оно может пригодиться вашей компании. Это, конечно, вариант для тех бизнесов, кто планирует надолго и понимает будущее лучше.

Конец дискриминации

Новый, более аналитичный подход к HR помогает избавиться и от традиционных предубеждений при найме. Многие помнят громкий эксперимент, в котором предлагали оценить качество игры и профессионализм музыкантов, нанимаемых в оркестр. Оказалось, что когда оценивающие не видят, кто именно играет, они гораздо чаще дают высокую оценку женщинам. Это классический случай дискриминации, который отрицательно влияет на итоговый результат подбора кадров. Еще сильнее эта проблема проявляется при поиске и подборе топ-менеджеров.

Если же при поиске руководителя исключить дискриминирующие факторы, то есть в буквальном смысле не показывать тем, кто принимает решения, имя, пол, расу, внешность и прочие параметры, которые могут негативно повлиять на наши суждения, а вместо этого опираться на более объективные и измеримые критерии, то качество управленческих кадров вырастет, а на их зарплатах можно будет немного сэкономить.



Иногда неоправданная дискриминация кажется вполне обоснованной, и только анализ данных помогает это понять. В Xerox долгое время подбирали людей в свои колл-центры, опираясь на то, был ли у кандидатов опыт работы в службе поддержки. Но проведенное исследование показало, что это совершенно не важно: главное — определенные черты личности.



Люди с определенным личным портретом (живущие недалеко от работы, имеющие более изобретательный склад ума и т.д.) способны задержаться на такой работе на значительное время. Другие же — например, те, кто пользуется множеством социальных сетей или кто слишком пытлив, долго не выдерживают. Теперь в компании поручили отбор кандидатов алгоритму, и это имеет вполне конкретные финансовые последствия: люди, которые работают дольше, с лихвой окупают затраты на их обучение (порядка $5000 на человека). Текучка сократилась на 20%, ну а качество поддержки выросло.

В своей оценке в Xerox использовали методологию и софт аналитической фирмы Evolv. Как рассказывают WSJ и The Atlantic, другие компании с помощью этих алгоритмов пытаются отфильтровывать кандидатов, более склонных рисковать и получать увечья на работе или же подворовывать.

Крупная сервисная компания Transcom планирует таким образом подбирать сотрудников и менеджеров, у которых лучше получится работать друг с другом, исходя из их характера и стиля работы. Ну а на какие конкретно параметры опираться при отборе, зависит от самой компании. Стоит провести собственный анализ, какими качествами и способностями обладают наиболее успешные ваши работники. Так сделали, например, в Google в ходе своего знаменитого Project Oxygen. Проанализировав множество примеров поведения менеджеров и проведя массу интервью с сотрудниками, компания вывела восемь качеств, без которых в Google не преуспеть, а также типичные и самые опасные ошибки менеджеров. (Среди важных находок, например, то, что роль образования преувеличена.) Как выясняется, больше данных — это не обязательно больше сложности; наоборот, научный анализ позволяет свести менеджмент к более простой и однозначной системе правил.

Боссы и роботы

Превращаем ваши данные
в новый источник эффективности

Системы автоматического анализа бизнес-данных или, говоря по-простому, искусственный интеллект, очень сильно повлияют на управление в XXI веке. Вопрос о том, заменят ли они когда-нибудь работников и руководителей, лежит за рамками этой статьи, да и в любом случае это будущее пока отдаленное. Но важные перемены происходят уже сейчас, и о некоторых из них рассказывают в недавней статье партнеры McKinsey Мартин Дьюхерст и Пол Уилмотт. Наблюдая за компаниями, которые активно внедряют новые аналитические инструменты, они вывели несколько последствий появления в бизнесе искусственного интеллекта.

1

Высший и средний менеджмент передает все больше мелких решений на нижние уровни. Вообще-то это и раньше следовало сделать, но при поддержке компьютеров такое делегирование кажется более надежным и легче контролируется — а значит, происходит более массово.

2

Поскольку аналитические алгоритмы повышают уровень доверия между начальниками и подчиненными, на нижние уровни начинают передаваться и более важные решения. Риск снижается в том числе потому, что благодаря анализу данных в реальном времени результат таких решений проще отследить и скорректировать.

3

Как ни парадоксально, роль человеческих качеств руководителя в эпоху машин и данных только растет. Когда компьютеры берут на себя рутинный анализ, людям приходится больше экспериментировать, больше фантазировать, больше ставить сложные и неудобные вопросы, наконец, больше опираться на свои «мягкие» навыки — то есть вдохновлять сотрудников, сопереживать им, подталкивать их талант в нужном направлении. Избавившись от решения рутинных задач, менеджеры должны направить это свободное время на более творческие дела.

Кто на самом деле главный?

Важная задача аналитики — повышать управляемость компании. Далеко не всегда тот, кто назначен менеджером, действительно влиятельный человек, способный задавать тон в коллективе, влиять на умы и поступки коллег. Зачастую такие авторитеты никак не фигурируют в организационной структуре, они скрыты от начальства. Например, оказывается, что в торговых сетях подобную роль могут играть кассиры. Сидит такой человек на невысокой должности, вроде бы ничего не решает, но коллеги его знают и прислушиваются к нему.

При анализе неформальных и теневых структур — сетей наркотрафика или уличных банд — часто используется метод «снежного кома». Социологи опрашивают рядовых участников сетей об условиях их жизни и походя задают вопрос: а с кем еще мне бы стоило поговорить? Когда потом ответы наносятся на карту, выясняется, что все пути сходятся в нескольких точках, то есть существует небольшое число авторитетов, которых называет большинство опрошенных. Такой метод попробовала реализовать в крупных компаниях консалтинговая фирма McKinsey, и оказалось, что он открывает много нового: вышестоящее начальство во многих случаях даже не догадывалось, кто на самом деле определяет реальную судьбу проектов, новых управленческих инициатив и квартальных продаж.

Вышестоящее начальство во многих случаях даже не догадывалось, кто на самом деле определяет реальную судьбу проектов, новых управленческих инициатив и квартальных продаж.

Когда такие неформальные авторитеты выявлены, их можно подключить к новым проектам и за счет этого запустить их быстрее, застраховаться от рисков их неприятия в коллективе. А может оказаться и так, что среди этих людей есть хороший кандидат на управленческую вакансию, которую вы никак не можете заполнить.

Игорь Губанов

Директор программ в департаменте HR-сервисов IBS

Важное качество современных аналитических инструментов в том, что они не просто мониторят ситуацию, а могут просчитать каким из возможных способов рациональнее решить задачу. Приведу очень простой, но распространенный случай из нашей практики. Текучесть персонала в компании на 10% выше средней по отрасли, то есть людей постоянно не хватает. Менеджмент наседает на рекрутеров, требуя в короткие сроки обеспечить компанию сотрудниками. При этом стоимость набора этих дополнительных «процентов» сравнима с затратами на подбор в режиме естественной текучести. Принимая решение «добирать» кадры на рынке менеджмент скорее всего не видит, что дешевле уменьшить текучесть на 10% в сравнении с затратами на покрытие сверхтекучести. Не говоря уже о том, что при расчете самих затрат не всегда учитываются косвенные расходы и упущенная выгода, а они зачастую достигают 50%. Важно, что на этом уровне управления общих рецептов нет. Нужно решение актуальное именно для вашего конкретного бизнеса в сложившейся именно у вас ситуации. И современные технологии способны это обеспечить. То есть в случае с нашим примером у каждой компании будет свой ответ на вопрос как эффективнее снизить затраты на подбор персонала: с помощью инвестиций в качество самого рекрутинга или за счет мероприятий по снижению текучки.

Кому вы переплачиваете?

Как говорит уже упомянутый Дон Тапскотт, ежегодные оценки эффективности все быстрее утрачивают смысл. Работникам, особенно молодым, обратная связь нужна не через год, а прямо здесь и сейчас. А главное, и самим работодателям очень важно понимать именно сейчас, как справляются с делом сотрудники, чего они хотят, чем недовольны. Сервисы типа Work.com помогают быстро собирать обратную связь и обмениваться ею, но нужен следующий шаг: анализ динамики производительности и мотивации сотрудников в реальном времени. Это тоже уже не фантастика.

Опора на данные помогает не только понять, что именно мотивирует людей, но и увидеть, какие управленческие ошибки допускают компании, пытаясь добиться от сотрудников большего. Об одном из таких случаев рассказывает Forbes. Некая компания изучила, как повышение зарплаты влияет на текучку кадров. Прежде она исповедовала такую практику: основной массе сотрудников зарплату индексировали по определенной базовой ставке, а тем, у кого работа шла лучше других, на чуть более высокий процент.

Оказалось, что надежные, но не звездные работники на деле удовлетворились бы и более скромным повышением (на 10% меньше). Работники же, входящие в 20% лучших, ожидали более серьезного повышения (на 15–20% больше), иначе они готовы были искать другую работу. Таким образом, менее производительным работникам компания в итоге переплачивала, а самым успешным — недоплачивала, лишаясь лучших кадров (естественно, в другой фирме все могло бы быть и наоборот).

В дальнейшем такие аналитические инструменты будут все более изощренными. Когда-нибудь они смогут предсказывать, например, что мотивирует сотрудников компании при разном уровне загрузки и стресса и в разное время дня. В одной из лабораторий MIT уже вовсю ведутся разработки в этой области. Ее руководитель Алекс Пентлэнд рассказывает об идее электронного бейджа, который сотрудники могут носить постоянно и который будет фиксировать их уровень энергии, взаимодействия с коллегами, интонации разговоров, наличие отвлекающих факторов. Это позволяет и прогнозировать продуктивность команды, и находить естественных лидеров, способных мотивировать других. Вокруг этого можно выстраивать офисную среду и планировать задачи, которые раздает подчиненным руководитель.

Гонка будущих лидеров



Анализ данных также помогает понять, какова будущая карьера сотрудника в вашей компании, а может быть, и не в вашей. Венчурный фонд Bloomberg Beta вместе с аналитической компанией Mattermark попытался вывести главные характеристики людей, которые создают успешные стартапы. В точности эти черты, разумеется, не раскрываются, однако среди критериев — образование, опыт, занятие определенных позиций в предыдущих компаниях. Получив доступ к базе сотрудников крупных технологических фирм, фонд выбрал на ее основе триста человек, у которых есть шанс запустить новый Dropbox или Uber.

Понятно, что сейчас это все напоминает гадание на кофейной гуще, но в дальнейшем качество данных и анализа неизбежно повысится. Тогда многие компании смогут достаточно надежно предсказывать, кто из их сотрудников больше ориентирован на наемный труд, а кто рано или поздно уйдет в собственное плавание. Это поможет понять, например, надо ли всеми силами удерживать такого работника, если он решил уйти, какую позицию ему предложить, чтобы он остался, а также не стоит ли инвестировать в стартап, который он вот-вот создаст. Заодно можно попробовать предсказать, добьется ли этот стартап финансового успеха.



Фирма Workday, поставляющая управленческий софт для HR-служб, теперь включает в него прогностические функции: предлагает, например, оценить, кто из самых успешных сотрудников, с более высокой вероятностью, покинет вас в следующем году или какие отделы в этом году, скорее всего, превысят свой бюджет. Опираясь на такие аналитические инструменты, компании начинают лучше понимать, кого из их сотрудников ждет большая управленческая карьера, кого стоит подтолкнуть к ней именно сейчас, а кто может подождать, ну а для кого будет оптимальной и комфортной работа на нынешней позиции — углубление профессионализма без попыток прыгнуть выше головы. Это в конечном счете не только расширит скамейку запасных и снизит потребность искать кадры на стороне, но и повысит уровень удовлетворенности сотрудников.

И наконец, еще одно немаловажное влияние новых инструментов работы с данными на менеджмент и рынок труда: для организации процессов на новый лад понадобится больше инженеров, программистов, аналитиков и проектировщиков. То есть рынок труда для этих людей будет расти и расти, а значит, понадобятся новые исследования и методики, помогающие их искать, обучать и мотивировать. Впрочем, это вы уже наверняка и без нас поняли.

совместно с IBS

slon.ru 2014