Сегодня проходит конференция #marhr, на которой собираются эйчары, которые думают, что они маркетологи. Сходив на эту конференцию, вы узнаете:
- Что реальные фото непричесанных колхозников на сайте компании лучше, чем прилизанные картинки из фотобанков.
- Что чем сложнее задания на интервью, тем выше последующая удовлетворенность сотрудника.
- Что хорошо проработанный карьерный сайт может не только увеличить количество откликов, но и снизить количество отказов кандидатов.
Некоторые из этих утверждений могут звучать как исповедь Капитана Очевидность, но, если вы начинаете работать во внутренних или внешних коммуникациях, такие вещи лучше знать. Подробности можно получить по хештегу #marhr в чатике @hrdigital.
- Что реальные фото непричесанных колхозников на сайте компании лучше, чем прилизанные картинки из фотобанков.
- Что чем сложнее задания на интервью, тем выше последующая удовлетворенность сотрудника.
- Что хорошо проработанный карьерный сайт может не только увеличить количество откликов, но и снизить количество отказов кандидатов.
Некоторые из этих утверждений могут звучать как исповедь Капитана Очевидность, но, если вы начинаете работать во внутренних или внешних коммуникациях, такие вещи лучше знать. Подробности можно получить по хештегу #marhr в чатике @hrdigital.
Вчера на #marhr представитель HH.ru показала слайдик, на котором напротив профиля кандидата на сайте Headhunter работодатель видит прогноз продолжительности его работы в компании и выполнения плана продаж (!). По слухам, даже были сказаны слова "это пока тест, но скоро будет доступно на сайте".
Некоторые коллеги уже поспешили объявить это достижением в области искусственного интеллекта. Но есть пара крайне тревожных вещей вокруг этой картинки. Дело в том, что для прогнозирования успеха сотрудника на должности, нужны данные о двух сторонах вопроса – о сотруднике и о должности.
Предположим, что HH может строить прогнозные модели на основании предыдущих периодов работы кандидата, указанных в резюме. Предположим даже, что люди в среднем предрасположены к одному и тому же поведению на всех рабочих местах, вне зависимости от совпадения профиля должности и человека, а также корпоративной культуры и многого другого (что как минимум не доказано).
Но вот на основании чего HH будет делать выводы о потенциальной эффективности сотрудника на конкретной должности в конкретной компании, тем более в такой форме (прогноз производительности с точностью до единиц процентов)?!
Даже если понимать, как профиль сотрудника соотносится с тем, как он пишет резюме (ну типа «целеустремленные пишут в CV больше результатов»), для создания модели, дающей хотя бы приблизительный прогноз по эффективности, нужно как минимум сопоставить резюме нескольких десятков тысяч кандидатов и реальные данные performance management о тех же кандидатах. Желательно за несколько отчетных периодов, чтобы снять сезонность, эффект плохого/хорошего начальника и движение рынка. Но даже такие данные будут эффективны только в рамках одной компании и на одной должности (это примерно то, как работают модели предиктивного найма в рознице). Как известно, даже должности с похожими описаниями в разных компаниях могут предполагать разное наполнение.
Еще раз. Если верить глазам, коллеги из HH всерьез собираются делать прогноз о эффективности сотрудника на должности с точностью до процента выполнения плана (!), не имея информации ни о реальной производительности сотрудников на должностях, ни о реальном содержании самих должностей, ни об этом самом плане.
Даже Гугл с их возможностями таких прогнозов себе не позволяет. Во-первых, из-за трезвого отношения к возможностям ИИ и моделирования, а во-вторых из-за того, что понимает: как только они попытаются выкатить такую фичу, они могут получить массовые судебные иски от соискателей. А как только прогнозы начнут по разным причинам не сбываться – и от работодателей.
Искренне надеемся, что мы все неправильно поняли и это была история в стиле «вот до чего теоретически когда-нибудь может дойти ИИ в рекрутменте». Ну или что мы не правы и у HH действительно есть все необходимые данные для прогнозов такой точности. Но в последнее верится с большим трудом.
.
Слайдик ниже для интересующихся.
#WTF_HRпредупреждает #волшебнаяпилюля
Некоторые коллеги уже поспешили объявить это достижением в области искусственного интеллекта. Но есть пара крайне тревожных вещей вокруг этой картинки. Дело в том, что для прогнозирования успеха сотрудника на должности, нужны данные о двух сторонах вопроса – о сотруднике и о должности.
Предположим, что HH может строить прогнозные модели на основании предыдущих периодов работы кандидата, указанных в резюме. Предположим даже, что люди в среднем предрасположены к одному и тому же поведению на всех рабочих местах, вне зависимости от совпадения профиля должности и человека, а также корпоративной культуры и многого другого (что как минимум не доказано).
Но вот на основании чего HH будет делать выводы о потенциальной эффективности сотрудника на конкретной должности в конкретной компании, тем более в такой форме (прогноз производительности с точностью до единиц процентов)?!
Даже если понимать, как профиль сотрудника соотносится с тем, как он пишет резюме (ну типа «целеустремленные пишут в CV больше результатов»), для создания модели, дающей хотя бы приблизительный прогноз по эффективности, нужно как минимум сопоставить резюме нескольких десятков тысяч кандидатов и реальные данные performance management о тех же кандидатах. Желательно за несколько отчетных периодов, чтобы снять сезонность, эффект плохого/хорошего начальника и движение рынка. Но даже такие данные будут эффективны только в рамках одной компании и на одной должности (это примерно то, как работают модели предиктивного найма в рознице). Как известно, даже должности с похожими описаниями в разных компаниях могут предполагать разное наполнение.
Еще раз. Если верить глазам, коллеги из HH всерьез собираются делать прогноз о эффективности сотрудника на должности с точностью до процента выполнения плана (!), не имея информации ни о реальной производительности сотрудников на должностях, ни о реальном содержании самих должностей, ни об этом самом плане.
Даже Гугл с их возможностями таких прогнозов себе не позволяет. Во-первых, из-за трезвого отношения к возможностям ИИ и моделирования, а во-вторых из-за того, что понимает: как только они попытаются выкатить такую фичу, они могут получить массовые судебные иски от соискателей. А как только прогнозы начнут по разным причинам не сбываться – и от работодателей.
Искренне надеемся, что мы все неправильно поняли и это была история в стиле «вот до чего теоретически когда-нибудь может дойти ИИ в рекрутменте». Ну или что мы не правы и у HH действительно есть все необходимые данные для прогнозов такой точности. Но в последнее верится с большим трудом.
.
Слайдик ниже для интересующихся.
#WTF_HRпредупреждает #волшебнаяпилюля
Итак, интрига со слайдом, показанным Хедхантером на #marhr, разрешилась. Вчера Борис Вольфсон из HH вышел в народ в чатике @hrdigital и объяснил ситуацию, а также выложил презу.
Мы можем констатировать, что у IBS c их рекрутмент-аутсорсингом, рекрутмент-аналитикой и прочими "HR-трамплинами" может появиться довольно серьезный конкурент.
Мы также можем констатировать, что мы оказались правы в своем анализе. HH может строить модели продолжительности работы в компании на основании своих данных из резюме кандидатов, но для прогнозирования производительности у них нет данных, и эта часть пока существует только в теории. Возможно, первые результаты появятся после пилотных проектов с большими организациями, в которые Вольфсон всех призывает вступать.
В целом бизнес-кейс построен на прогнозе продолжительности работы сотрудников на стандартных массовых должностях низкого уровня (продавцы в рознице, сейлы по физлицам в розничных банках и т.д.). Завлено, что это может привести к двукратному снижению затрат на масс-рекрутмент и экономии до 5% годового ФОТ. Вполне понятная история.
Но никаких данных по анализу производительности, повторим, в бизнес-кейсе пока нет, то есть наличие на слайде прогнозных данных выполнения плана с точностью до процента - в чистом виде #волшебнаяпилюля.
Давайте ради интереса посмотрим на то, что нужно, чтобы эта пока теоретическая штука у вас в компании полетела. Если все предельно упрощать, то нужно скормить модели несколько тысяч пар данных "резюме сотрудника - результаты performance management сотрудника за несколько отчетных периодов". При этом обязанности на должности не должны за это время серьезно меняться (например продавец-кассир не должен становиться продавцом-консультантом), иначе модель будет выдавать кривые данные.
Если у вас есть нормальная система управления талантами, в которой все данные по сотруднику хранятся в одном месте, это будет сделать очень просто. Если ее нет, или резюме хранятся в одном модуле, характеристики должностей в другом, а данные по выполнению плана в третьем - то привет Excel и "собираем дэшборд всего за пять суток".
Мы также хотим передать привет от Капитана Очевидность, и напомнить что если у вас в компании все плохо с системой вознаграждения и процессами оценки, то даже супер продвинутые модели рекрутмента вас не спасут.
Преза доступна по ссылке ниже.
https://cloud.hh.ru/index.php/s/21QILt67PKokWr2
Мы можем констатировать, что у IBS c их рекрутмент-аутсорсингом, рекрутмент-аналитикой и прочими "HR-трамплинами" может появиться довольно серьезный конкурент.
Мы также можем констатировать, что мы оказались правы в своем анализе. HH может строить модели продолжительности работы в компании на основании своих данных из резюме кандидатов, но для прогнозирования производительности у них нет данных, и эта часть пока существует только в теории. Возможно, первые результаты появятся после пилотных проектов с большими организациями, в которые Вольфсон всех призывает вступать.
В целом бизнес-кейс построен на прогнозе продолжительности работы сотрудников на стандартных массовых должностях низкого уровня (продавцы в рознице, сейлы по физлицам в розничных банках и т.д.). Завлено, что это может привести к двукратному снижению затрат на масс-рекрутмент и экономии до 5% годового ФОТ. Вполне понятная история.
Но никаких данных по анализу производительности, повторим, в бизнес-кейсе пока нет, то есть наличие на слайде прогнозных данных выполнения плана с точностью до процента - в чистом виде #волшебнаяпилюля.
Давайте ради интереса посмотрим на то, что нужно, чтобы эта пока теоретическая штука у вас в компании полетела. Если все предельно упрощать, то нужно скормить модели несколько тысяч пар данных "резюме сотрудника - результаты performance management сотрудника за несколько отчетных периодов". При этом обязанности на должности не должны за это время серьезно меняться (например продавец-кассир не должен становиться продавцом-консультантом), иначе модель будет выдавать кривые данные.
Если у вас есть нормальная система управления талантами, в которой все данные по сотруднику хранятся в одном месте, это будет сделать очень просто. Если ее нет, или резюме хранятся в одном модуле, характеристики должностей в другом, а данные по выполнению плана в третьем - то привет Excel и "собираем дэшборд всего за пять суток".
Мы также хотим передать привет от Капитана Очевидность, и напомнить что если у вас в компании все плохо с системой вознаграждения и процессами оценки, то даже супер продвинутые модели рекрутмента вас не спасут.
Преза доступна по ссылке ниже.
https://cloud.hh.ru/index.php/s/21QILt67PKokWr2