Давайте отдадим это машинам. Как с помощью BigData сэкономить на фонде оплаты труда

— Представьте, что вашей компании нужен продавец, ваш эйчар долго его искал, наконец нашел, специалист пришел к вам, все выдохнули, — начинает объяснять Александр Сидоров. — Но, как вы понимаете, это не конец, это только начало. Люди работают по–разному, показывают разные результаты.

У сотрудников есть так называемая lifetime value, то есть прибыль, которую они приносят, пока работают в компании. LTV может быть положительным или отрицательным.

Отрицательным показатель становится, когда человек плохо работает. И это простой случай. Либо когда человек уходит из компании быстрее, чем окупаются затраты на его наем, обучение и развитие. Вот как раз с этим последним вариантом можно работать. Как?

У нас есть база резюме более–менее массовых должностей — менеджеров по продажам или инженеров, мы знаем, сколько кто из них проработал в компании. И поэтому на основе этих данных можно строить модели, которые описывают и прогнозируют время работы человека в компании.

Модели могут оценивать время работы кандидата в компании, его эффективность, например, выполнение плана продаж, а также риски ухода существующих сотрудников.

По всей видимости, чтобы говорить о работающей модели, нужно время.

— Как раз сейчас одна из российских компаний проводит такой эксперимент. Часть сотрудников нанимают с помощью моделей, часть — как обычно.

Про эффективность системы пока говорить сложно. Но предварительно могу сказать, что получается находить интересных людей, и это чем–то похоже на поиск скрытых, скромных талантов на рынке труда, людей, которые долгое время и хорошо работают, но резюме не пользуется популярностью.

Вы сказали, что в основе модели данные о более–менее массовых должностях. Работает ли смарт–рекрутинг для топ–менеджеров или высококлассных специалистов?

— Пока подобного заказа не было. Кроме того, для применения машинного обучения нужно, чтобы количество резюме специалистов определенного профиля с опытом работы в компании превышало несколько тысяч. Поэтому строить прогнозы для топов и редких специалистов можно только по отрасли в целом.

Вообще, у смарт–рекрутинга есть несколько ограничений. Одно я уже назвал. Второе — в разных случаях модели могут давать разную пользу. Обычно с их помощью компания может экономить долю фонда оплаты труда, которая уходит на поиск персонала, от нескольких десятков процентов до нескольких раз.

По статистике, в среднем 2 / 3 работников уходят из компаний в течение первых 2 лет работы. Модель же может выбирать резюме таких работников, из которых только 1 / 3, вероятно, покинет компанию в течение этого времени. К примеру, если за 2 года конкретный банк покинут 36% работников, а не 48% и если мы понимаем, что в нем, как в среднем по рынку труда, на восполнение текучести тратится 10% ФОТ, то экономия на ФОТ составит 2,5%. А для FMCG–компании экономия может составить 2,1 раза. Это существенная экономия.

Можно подобрать по резюме отличного специалиста, но в компании он сталкивается с корпоративной культурой, с особенностями управления. Это как–то учитывается?

— Прямо сейчас учитывается опосредованно через то, что у кандидатов есть опыт работы в разных компаниях.

Продолжительность работы характеризует не только человека, но и место, где он проработал. Но можно использовать дополнительные данные о корпоративной культуре и соответствии ей сотрудников, например, из отзывов и опросов.

Я утверждаю, что если модель говорит, что человек проработает долго, то есть смысл попробовать.

Кроме того, никто не отменял собеседование, где и становится понятно, соответствует ли человек культуре, принимает ли он ее.

Насколько вообще точны подобные модели, когда речь идет о человеке, существе противоречивом и иррациональном?

— Опыт показывает, что с определенной полнотой и точностью с помощью алгоритмов машинного обучения можно прогнозировать продолжительность работы и KPI человека, а также вероятность, что он откликнется на вакансию.

Модель учитывает, что есть люди, которые пишут резюме так–то, которые работали до этого в таких–то сферах, у которых такие–то навыки, и на основе того, что они работают такое–то время в компании, машина и делает выводы. Да, конечно, при этом будет некое количество ошибок. Но эти модели полезны. Лучше ли они, чем профессиональный менеджер или суперразбирающийся в теме HR? Пока вряд ли, но суперпрофессиональных рекрутеров и HR не так много, а модели как минимум не хуже средних.

Машины готовы экономить время специалистов на более полезные дела. И, более того, они делают такой анализ объективно, потому что есть человеческий фактор, кому–то внешность не понравилась, у кого–то в момент рекрутинга болела голова, да мало ли. А модель — это модель. На мой взгляд, эта штука может сильно разгрузить рекрутеров.

По–вашему, не преувеличена ли роль диджитал в HR?

— Эта роль преуменьшена. У эйчаров сейчас есть много сложной работы, требующей размышлений, творческого начала, а на нее у них почти не остается времени. Часть рутинной работы давно пора передать машинному обучению. А бумажки можно было автоматизировать еще 30 лет назад.

Сегодня HR можно переводить как human resourses, а можно как human relations. В большинстве компаний сотрудники видят эйчаров, когда нанимаются и когда увольняются. Но это гораздо меньше, чем могли бы делать эйчары, имеющие высшее образование и большой опыт. А им некогда. Потому что их KPI привязаны к количеству нанятых сотрудников, скорости закрытия позиций, по принципу "делайте еще больше рутинной работы и про бумажки, про бумажки не забывайте". Давайте отдадим рутину машинам, они из кремния, металла и математики — работают быстро, их времени не жалко.

Справка

Александр" Сидоров

Окончил МИФИ. Работал в "Лаборатории Касперского" руководителем направления системного анализа, затем в "Яндексе" — менеджером проектов и руководителем направления (веб–антивирусы, геотаргетинг, обработка пользовательских данных, веб–поиск). В 2017 году возглавил направление анализа данных в HeadHunter.