Tartalom
- A HR szerepe
- Eset a gépi tanuláshoz HR-ben
- Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
- fejlesztések
- Következtetés
Forrás: Kentoh / Dreamstime.com
Elvitel:
A HR elemzés forradalmasítja az emberi erőforrás osztályok működését, ami nagyobb hatékonyságot és jobb eredményeket eredményez.
Az emberi erőforrások évek óta használják az elemzést. Az adatok gyűjtése, feldolgozása és elemzése azonban nagyrészt kézi jellegű volt, és tekintettel az emberi erőforrások dinamikájának és a HR KPI-knak a megközelítés korlátozta a HR-t. Ezért meglepő, hogy a HR osztályok olyan későn ébredtek fel a gépi tanulás hasznosságára.
Ennek ellenére a gépi tanulás lassan, de biztosan belépett a HR területbe, és többszörös felhasználási eseteket, például a kopás előrejelzését, a megfelelő bérbeadást és az emberi erőforrás képzést hoztak létre. Azt is gondolják, hogy a gépi tanulás megjósolja a potenciális jelöltek sikerét. Több felhasználási eset valószínűleg hamarosan felfedezhető. A kézi megközelítéstől eltérően a gépi tanulási megközelítés sokkal gyorsabb, sokkal jobban reagál a dinamikus helyzetekre, pontos, kivitelezhető és értékes adatokat szolgáltat. (Annak ellenére, hogy az adatelemzés területe egyre inkább automatizálódik, még nem kell aggódnia a munkanélküliség miatt. Tudjon meg többet a Nem, az Data Analytics botjai hamarosan nem fogják ellopni a munkájukat.)
A HR szerepe
Az emberi erőforrások vitathatatlanul a szervezet legértékesebb eszközei. A HR felelős a szervezet emberi erőforrásainak kezeléséért, hogy az emberekből a lehető legjobban ki tudjon jönni. A HR szerepe a következőket foglalja magában:
- A megfelelő tehetség azonosítása a megfelelő szerephez
- Megfelelő kompenzáció és ellátások
- Az alkalmazottak fejlesztésének irányítása képzéssel és lehetőségekkel
- Az emberi erőforrások növekedésének nyomon követése és kezelése lépésekkel, promóciókkal, lehetőségekkel és előnyökkel
- Munkavállalói motivációk, sérelmek és érzések kezelése
- Kilépések kezelése
Eset a gépi tanuláshoz HR-ben
Az idő múlásával a HR osztály elvárásai megváltoztak. Korábban a HR megfelelő jelölteket találna; értékeléseket végezni vagy megkönnyíteni; a HR-politikán alapuló ajánlatok, kompenzációk és juttatások kiosztása; és kezelni a munkavállalói karriert és a kilépéseket. Most a HR-től várhatóan nagyobb hozzáadott értéket fog hozzáadni ahhoz, amit már tesz, és még többet megtesz, mint például a megrázódás és a jelölt szerepének előrejelzése. Ezen elvárások teljesítésének jelenlegi megközelítése lehetővé teszi vagy korlátozza a HR-t?
A gépi tanulás elfogadása előtt a HR kézi és félautomata módon kezeli az adatokat. Az adatok gyűjtése, tárolása és feldolgozása elemezni fogja az elemzést, mielőtt az adatok gyorsan irrelevánssá válnának, mivel a helyzet megváltozott, és az adatokat frissíteni kellett. Például az éves értékelési ciklus előtt összegyűjtött adatok alacsony mértékű kopódási kockázatokat mutattak. Utólagos értékelés esetén azonban tapasztalható a kopás és a munkavállalók elégedetlensége, főként az elvárások és a tényleges jutalmak eltérése, valamint a munkaerő-piaci lehetőségek növekedése miatt. Alapvetően az előzetes értékelési elemzés félrevezette a szervezetet, és az erőfeszítés hulladéknak tekinthető.
A kézi és a félkézi módszerek nem képesek felszerelni a HR-t az emberi erőforrásokkal kapcsolatos gyorsan változó változók adatainak kezelésére. A HR-nek rendszeres, frissített elemzésre van szüksége a releváns tényezőkről, például a szervezeten belüli munkavállalói érzelmekről, a munkavállalók politikájához való hozzáállásáról és a piaci lehetőségek vonzerejéről, szemben a szervezet által kínált lehetőségekkel. Ez komoly üzlet. Hacsak az emberi tőkét nem kezelik megfelelően, egy szervezet potenciálisan elveszítheti az értékes alkalmazottakat. Bill Gates egyszer megjegyezte: „Ön elveszi a 20 legfontosabb alkalmazottunkat, és közepes méretű vállalattá válunk.” Írja be a gépi tanulást. Mit kínálhat a gépi tanulás a régi módszerekkel szemben? Tekintsük a következő:
Gyorsabb válasz a változó dinamikára
Ez a nagy adatok kora. Az alkalmazottak kezeléséhez az alábbiakra van szüksége:
Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
Nem javíthatja a programozási készségét, ha senki sem törődik a szoftver minőségével.
- A munkavállalók hozzáállása és érzései
- Megbízólevelek vagy képesítések
- Az alkalmazottak véleménye a politikák felé
- Kompenzációs és juttatási tendenciák
- Releváns külső fejlemények, például a munkaerőpiac és a rivális szervezetek, valamint ezek hatása az alkalmazottakra
Ez összead egy humánus adatmennyiséget, amely minden pillanatban megérkezik. A kézi kezelés egyszerűen nincs megfelelő felszereltséggel ahhoz, hogy kezelje. A gépi tanulás azonban megfelelő az ilyen adatmennyiségek következetes elfogadására, tárolására és feldolgozására, valamint releváns és gyakorlati betekintést nyújt az egyszerű elemzés formájában. (Tudjon meg többet a nagy adatok üzleti vállalkozásban játszott szerepéről a Big Data Analytics fájdalomcsillapításának kezelése útján.)
Pontos jóslatok
A gépi tanulás meg tudja jósolni a kulcsfontosságú fejleményeket, mint például a kopás, a munkakörben betöltött siker és a kedvezőtlen események, például az etikátlan viselkedés. Például egy alkalmazott szerepének valószínűségét új szerepkörben előre lehet becsülni olyan múltbeli adatok elemzése alapján, mint például a múltbeli projektteljesítmény, a tudásbázis és a tudásbázis javítását célzó kulcsfontosságú kezdeményezések, amelyek tükrözik a hozzáállást. Az ezekre a paraméterekre alapozott eredmények konvertálhatók elemzésre, majd döntéseket lehet hozni.
A jelölt azonosítása és a pályázó nyomon követése
A gépi tanulás összekapcsolhatja a megfelelő állást a megfelelő jelölttel a munkakör és a jelölt képesítései, tapasztalata és érdeklődése alapján. A gépi tanulás erre képes a társadalmi hálózatok kihasználására. Jelentősen csökkenti a kézi erőfeszítést a jelöltek értékelése és követése során.
fejlesztések
A HR tartomány a gépi tanulásra való langyos válasz után felébred annak hasznosságára. Számos felhasználási esetet hajtanak végre, és még több úton van. Az alábbiakban összefoglaljuk a legfontosabb fejleményeket.
Jelöltek azonosítása és alkalmazáskövetés
Az olyan internetes forrásokból származó adatokból, mint a fórumok és a közösségi média, a szervezetek megtalálják a megfelelő jelölteket a megfelelő szerepekhez. A jelölés értékelése során a gépi tanulás figyelembe veszi a képesítéseket, a tapasztalatokat, az érdekeket, a szakmai kapcsolatokat és tagságokat, az eredményeket, a fórum megbeszéléseit és egyebet. Ez jelentősen javítja a szerepek illesztésének esélyét, ha nem garantálja azt. Jó példa erre a hivatalos hálózati oldal, a LinkedIn.
A gépi tanulás jelentősen csökkenti az alkalmazáskezelés kézi erőfeszítéseit, és felszabadítja a HR-t arra, hogy a produktívabb erőfeszítésekre összpontosítson. Cristian Rennella, a MejorTrato.com.mx, a pénzügyi termékeket összehasonlító cég vezérigazgatója és társalapítója szerint: "A múltban az ember személyi idejének 67,2 százalékát töltöttük azért, hogy elolvassuk minden jelöltünk önéletrajzát, aki a Saját weboldal és harmadik felek. Az AI-nek köszönhetően ma ezt a munkát automatikusan elvégzi belső rendszerünk, amely a TensorFlow használatával történő mély tanulás révén automatizálhatja ezt a feladatot. "
Pontos jóslatok
A HR elemzése gyakran pontosan meg tudja jósolni a kulcsfontosságú tényezőket, mint például a kopás, az alkalmazottak teljesítménye, és még a káros eseményeket, például az etikátlan viselkedést. Például a különféle fórum-beszélgetésekből, közösségi médiabejegyzésekből, videókból, rivális szervezetekből és piaci lehetőségekről származó adatok rámutathatnak az elhasználódás szintjére. A kopás szintje különösen érzékenyen változik az értékelési ciklusok után.
A munka sikere előrejelzései
A jelölt mandátumával, tagságával, hozzáállásával és teljesítményével kapcsolatos adatok rámutathatnak a siker valószínűségére a munkakörben. A lényeg az, hogy a jóslatok manuális kiszámítása olyan sok változó alapján egyszerűen nem megfelelő. A HR elemzés pontos betekintést nyújthat annak alapján, hogy a szervezetek megtalálják a megfelelő jelölteket a megfelelő munkakörökhöz.
Következtetés
A szervezetek már élvezik a gépi tanulás elõnyeit.Míg a gépi tanulás már csökkentette a kézi erőfeszítést, az ML-től várhatóan még pontosabbá és kiemelkedőbbé válik olyan területeken, mint a kopás előrejelzése és kezelése, az alkalmazottak irányítása és a siker.