История развития

Читать в полной версии

Кто будет востребован через пять лет: дата-сайентисты или сварщики? Как предсказывать спрос на профессии с помощью прогнозной аналитики, объясняет Виталий Алтухов, директор по разработке и исследованиям «Профилум»

Дефицит кадров — одна из главных проблем современного рынка труда — отчасти следствие его быстрого развития: только за последнее десятилетие 30% востребованных рабочих навыков сменились другими, а с появлением генеративного искусственного интеллекта этот процесс может ускориться в разы. Требования к специалистам и сами профессии постоянно трансформируются, а система образования не успевает подстроиться под меняющиеся запросы рынка. Цикл внедрения изменений в классическом высшем и среднем специальном образовании занимает несколько лет, а за это время тенденции и технологии снова успевают измениться. В такой ситуации особенно важной становится роль предиктивной аналитики рынка труда.

Оценить эффективность текущей HR-функции можно при помощи системы показателей. Они также называются HR-метриками, так как напрямую связаны с кадровыми процессами в компании.

Стоимость закрытия вакансии. Чтобы оценить, во сколько обошёлся найм одного сотрудника, учитывают расходы на работу рекрутера, стоимость размещения вакансии на сторонних площадках, рекламное продвижение.

Затраты зависят от ниши, требований к кандидату, спроса на специалистов на рынке, уровня HR-бренда. Чем быстрее находится сотрудник, тем ниже стоимость закрытия вакансии.

Время закрытия вакансии. Это срок с момента сбора требований и публикации вакансии до выхода сотрудника на работу.
Работодатель может влиять на срок закрытия вакансии. Для этого используются автоматизированные системы: в них можно в несколько кликов публиковать вакансии на разных площадках, проводить первичный подбор и общаться с кандидатами в одном окне. Самые популярные сервисы —

Talantix

Поток

E-Staff

Хантфлоу

Стоимость текучести кадров. Показатель определяет, сколько теряет компания с уходом персонала. Работодатель должен заменить ушедшего сотрудника, поэтому в расчёт метрики закладываются затраты на поиск, отбор, обучение и адаптацию.

Затраты окупаются в течение первого года работы нового сотрудника. Именно поэтому работодатели стремятся снижать текучку в первые месяцы после найма.

Средний срок пребывания в должности. Метрика показывает ожидаемый срок работы человека на должности. Также помогает понять, почему он перестаёт работать. Зная средний срок работы на должности, можно попытаться удлинить этот период или подготовиться в своевременному открытию вакансии.

Средний срок пребывания в должности рассчитывается на основании статистических данных, а именно коэффициента текучести кадров. Они сильно отличаются в зависимости от ниши и должности, например, в колл-центрах показатели ниже всего у операторов поддержки.

На срок работы влияет несколько показателей: многозадачная рутина, ежедневный стресс, работа с большим количеством информации, отсутствие карьерного роста или негативный психологический климат.

Средний возраст персонала. Его важно знать при выстраивании коммуникационной стратегии, проведении формальных и неформальных мероприятий, подборе и адаптации персонала.

Вовлечённость и лояльность (eNPS). Ключевые HR-показатели, которые показывают, что сотрудники думают о работодателе и как к нему относятся. Показатели важны для создания well-being-программ и построении корпоративного бренда. Узнают eNPS при помощи опроса сотрудников, туда также могут включать вопросы о состоянии и настроении при работе. Эффективнее проводить анонимные опросы, чтобы опрашиваемые давали честную обратную связь.

Компания может разработать собственную систему метрик, чтобы детальнее анализировать внутренние HR-процессы. Чаще всего это необходимо, если обычных стандартов не хватает или они неинформативны.

Советуем подробнее почитать о 

метриках HR-бренда

оценки эффективности обучения

Тренинг очный, предназначен для тех, кто за 2 дня хочет узнать конкретные инструменты и получить готовые шаблоны и алгоритмы для анализа HR-данных, не вдаваясь глубоко в дебри статистики. 

• все примеры и практикумы курса выполнены в MS Excel, что позволяет участникам сразу применить полученные навыки в своей практической работе
• программа обучения создана практиком для практиков, поэтому в нем нет «воды»
• мы рассказываем просто о сложном
• каждое понятие иллюстрируется примерами
• мы даем подробный алгоритм и шаблоны для анализа HR-данных
• материалы курса максимально визуализированы, что делает удобным их восприятие
• участники получают возможность отточить полученные навыки при выполнении самостоятельного проекта и получить обратную связь от ведущего
• формат курса максимально интерактивен за счет использования кейсов, групповой работы и упражнений.

1. «Дескриптивная HR-аналитика»

1.1. Описательная статистика и вариативность HR-данных:

• Меры центральной тенденции: среднее, мода, медиана,
• Перцентили и квантили
• Диаграмма «Ящик с усами»
• Меры изменчивости в HR-практике
• Технология работы с выбросами

          Практикум: «Создание обзора заработной платы»

          Практикум: «Анализ результатов выборочного опроса»

1.2. Нормальное распределение:

• Особенности нормального распределения и эмпирическое правило
• Нормализация данных
• Проверка нормальности

          Практикум: «Кто лучше обрабатывает звонки: чатбот или человек?»

          Практикум: «Сравнение двух соискателей на должность?»

1.3. Статистика вывода: насколько мы можем быть уверены в своих выводах:

• Оценка ошибки среднего
• Распределение среднего и центральная предельная теорема
• Доверительный интервал
• Проверка гипотез для принятия решений

          Практикум: «Нравится ли сотрудникам работать в нашей компании: определяем на основе выборочного опроса»

          Практикум: «Оценка разницы в уровне средней ежемесячной заработной платы по должности между мужчинами и женщинами»

          Практикум: «Есть ли разница в мнении сотрудников мужского и женского пола?»

 1.4. Алгоритм сравнения двух выборок:

          Практикум: «Оценка разницы в уровне удовлетворенности работников разных поколений»

1.5. Дисперсионный анализ (ANOVA) для анализа вариации:

          Практикум: «Выбор инструмента, который поможет снизить текучесть»

          Практикум: «Есть ли разница в уровне текучести между филиалами компании?»

1.6. Анализ сопряженности в HR-практике:

          Практикум: «Связан ли уровень абсентеизма с семейным положением сотрудников?»

2. «Предиктивная HR-аналитика»

2.1. Корреляция — оценка взаимосвязи между данными:

• Оценка силы корреляционный связи
• Типы взаимосвязей
• Ложная корреляция
• Корреляция в непараметрической статистике

          Практикум: «Оценка связи между HR-показателями»

2.2. Парная регрессия – линейная и нелинейная:

• Алгоритм создания линии регрессии в MS Excel
• Проверка значимости линии регрессии

• Особенности работы с качественными данными

          Практикум: «Расчет численности сотрудников на основе драйверов численности»

          Практикум: «Оценка эффективности сотрудников отдела продаж»

2.3. Множественная регрессия как инструмент HR-прогнозирования:

• Алгоритм расчета уравнения линейной множественной регрессии в MS Excel
• Проверка качества уравнения множественной регрессии
• Возможные проблемы и способы их решения
• Нелинейная множественная регрессия: невозможное возможно
• Шаговая регрессия: как и когда использовать
• Логистическая регрессия

          Практикум: «Прогноз результативности работников»

          Практикум: «Поиск факторов, влияющих на вовлеченность»

          Практикум: «Кто из кандидатов будет более эффективным сотрудником»

          Практикум: «Проверка решений руководителя на дискриминацию по половому признаку»

2.4. Совместный анализ предпочтений персонала (conjoint-analysis)

• Алгоритм совместного анализа

          Практикум «Формирование пакета льгот»

2.5. Кластерный анализ:

• Предназначение кластерного анализа
• Метод k-средних

2.6. Деревья решений: цель, метод и примеры использования

2.7. Анализ организационных сетей (ONA):

• Что такое организационная сеть и зачем ее анализировать
• Свойства оргсетей
• Инcтрументы для ONA

          Практикум: «Анализ организационной сети компании»

2.8. Создание команды HR-аналитиков:

• Чем занимается команда HR-аналитиков
• Как распределяются обязанности в команде
• Траектории развития членов команды

2.9. Тренды в HR-аналитике

Финальное задание: Анализ HR-данных

для физических лиц: 40 000 рублей, 

для юридических лиц: 42 000 при условии 100%-ной предоплаты; 44 000 — при условии постоплаты в течение 10 дней; 46 000 рублей — при условии постоплаты в течение более чем 10 дней. НДС=0%.

Ведущий: Ариадна Денисова

проведения:

26 — 27 ноября 2024г

По итогам обучения выдается удостоверение о повышении квалификации нашей «Бизнес-Академии «ЭКСПЕРТУМ» (ООО).

Методы кадровой аналитики обычно делятся на одну из трех категорий. Давайте рассмотрим, что это за методы и как они используются в бизнесе:

1. Описательная аналитика

Описательная аналитика (также известная как историческая аналитика) — это, пожалуй, самый простой подход к данным в нашем списке. Он помогает организациям собирать и анализировать данные, которые описывают текущий или прошлый ландшафт. Это крайне важно, поскольку закладывает основу для принятия будущих решений и развития бизнеса.
Пример описательной аналитики

Допустим, компания росла в геометрической прогрессии с 2000 по 2010 год и, соответственно, наращивала усилия по найму персонала. Затем, к 2012 году, им пришлось объявить о сокращении штата и уволить сотрудников. Описательная аналитика предполагает, что хранение этих данных поможет компании избежать подобных проблем в будущем.

2. Предиктивная аналитика

Подсектор прогнозной аналитики помогает предвидеть будущие результаты на основе данных, полученных в ходе описательной аналитики. Это также называется прескриптивной аналитикой.

Пример предиктивной аналитики

Как и в случае с описательной аналитикой, компания может использовать предиктивную аналитику, чтобы увидеть, где она переборщила с наймом. Они также могут определить текущую производительность компании, чтобы увидеть, в каких отделах наблюдается избыток и недостаток персонала.

Предиктивный анализ также намного глубже. Он также может изучать такие данные, как оценка личности и результаты работы наиболее успешных сотрудников. Это поможет руководству сделать выводы о том, каких людей HR-отделу следует нанимать в будущем.

3. Диагностическая аналитика

Диагностическая аналитика помогает менеджерам решать конкретные проблемы, используя данные кадрового планирования. Это в значительной степени решение проблемы, но оно может быть подкреплено большими данными и анализом прошлых лет.

Пример диагностической аналитики

Допустим, в компании высокий уровень текучести кадров, но только в отделе маркетинга. Во всех остальных отделах количество сотрудников остается неизменным.

Диагностическая аналитика покажет, в чем проблема в этом отделе. Это низкая зарплата, плохие бонусы, руководство или плохая офисная культура? Выходные интервью, оценка обратной связи и оценка менеджеров дадут точную картину проблемы.

Важно отметить, что кадровая аналитика не отнимает обязанности по принятию решений у HR или высшего руководства. HR-менеджеры привносят ценное обучение, человеческий опыт, понимание рабочего места и человеческой психологии. Аналитика трудовых ресурсов просто предоставляет руководству данные, необходимые для принятия обоснованных решений.

В чем преимущества аналитики трудовых ресурсов?

Компании используют аналитику трудовых ресурсов для улучшения целого ряда областей в организации. К ним относятся:

• Найм лучших специалистов
• Прогнозирование дефицита кадров
• Управление бюджетами и расходами
• Определение потребностей в обучении
• Оценка и снижение юридических рисков
• Выявление недостатков или неэффективности в работе
• Выявление низкой культуры труда
• Улучшение производительности
• Сравнение заработной платы с конкурентами
• Создание высококвалифицированных команд
• Обеспечение организационного разнообразия
• Создание эффективных рабочих процессов
• Повышение уровня удержания сотрудников

Итак, мы поговорили об аналитике трудовых ресурсов и о том, как она может помочь менеджерам по персоналу, рекрутерам, финансовым менеджерам и генеральным директорам принимать взвешенные решения. Но как это сделать? Давайте обсудим несколько практических способов начать работу и некоторые инструменты аналитики, которые могут вам помочь.

Изучите KPI компании

Разработка надежной стратегии анализа трудовых ресурсов требует понимания ключевых показателей эффективности и желаемых результатов вашей компании. Вы должны знать, какие данные вам нужны и как вы хотите, чтобы они вам помогли.

Если у вас нет KPI для сотрудников, то сейчас самое время их установить. Они могут включать такие факторы, как желаемый уровень текучести кадров менее 15% или максимальное время заполнения открытой вакансии в 30 дней. Помните, что большие данные в кадровом планировании не помогут, если у вас нет конкретной цели!

Прежде чем приступать к анализу трудовых ресурсов, разработайте стратегию, в которой будут собраны соответствующие данные из различных источников. Это могут быть внешние источники, такие как отраслевые эксперты или отраслевые прогнозы. Или же обратите внимание на ключевых сотрудников вашей организации.

Сбор данных, необходимых для реализации этой стратегии, может занять некоторое время. Это могут быть такие данные, как текучесть кадров, успешные и неудачные проекты, бюджет. Ваша стратегия и сбор данных должны быть направлены на определение задач, стоящих перед персоналом, идеальных целей и параметров, требующих интерпретации данных.

Согласование действий ключевых заинтересованных сторон

На этом этапе необходимо согласовать действия ключевых заинтересованных сторон. Если вы хотите, чтобы заинтересованные стороны приняли решение, представьте четкие и хорошо оформленные данные. Описывайте проблемы и цели с помощью визуальных средств, а не только электронных таблиц. Представление данных без наглядного представления редко бывает эффективным и может быть неверно истолковано.

После того как вы написали свою стратегию и представили ее заинтересованным сторонам, вам нужно будет обратить внимание на инструменты, которые помогут вам достичь желаемых результатов. Популярными инструментами являются Fuel50, Visier, Qualtrics People Analytics, Lattice.

Автор: Кирилл Лавренюк

IT HR бизнес-партнер в Сберлогистике

Зачем нужна HR-аналитика?

HR-аналитика — процесс сбора, анализа и интерпретации данных о человеческом капитале компании для принятия обоснованных решений в области HR (и не только!). Она включает в себя анализ данных о результативности и эффективности сотрудников, текучести персонала, обучении и развитии (L&D), компенсациях и льготах (C&B), а также других аспектах работы с сотрудниками.

HR-аналитика необходима для оптимизации процессов в области HR. Она помогает принимать обоснованные решения, связанные с наймом, L&D, мотивацией и удержанием персонала, и т.д. 

Примеры задач, с решением которых может помочь HR-аналитика:

1. Принять решение о выставлении контроффера сотруднику: на основе анализа эффективности и важности сотрудника, среза заработных плат в компании и на рынке труда

2. Принять решение о повышении сотрудника в должности: на основе анализа эффективности и важности сотрудника и соответствия его текущего уровня компетенций целевому в рамках матрицы компетенций

3. Ускорить закрытие вакансии: на основе анализа конверсии подбора в разрезе различных источников и причин отказов кандидатов на этапах подбора

4. Сформировать план по снижению текучести персонала в юните: на основе анализа причин увольнения сотрудников, их уровней удовлетворенности, вовлеченности, лояльности и мотивированности

5. Скорректировать оффер кандидату: на основе анализа причин отказов от офферов, соответствия текущего уровня компетенций кандидата целевым значениям в рамках матрицы компетенций, среза заработных плат в компании и на рынке труда

6. Оценить уровень исполнения HR-бюджета юнита: на основе анализа плановых и фактических затрат по статьям расхода в рамках HR

7. Сформировать корректный план подбора персонала: на основе анализа капаситета и time to hire команды рекрутмента и реальных потребностей в тех или иных сотрудниках в рамках развития продуктов

8. Сформировать эффективный план обучения и развития сотрудников: на основе анализа текущего капаситета команды L&D, причин обучения сотрудников, реальной потребности в обучении и пр.

9. Оценить эффекты от реализации конкретных HR-инициатив: на основе анализа влияния конкретных HR-инициатив (в т.ч. через их продуктовые метрики) на бизнес-результаты юнита

10. Подобрать и адаптировать новую команду: на основе анализа капаситета и time to hire команды рекрутмента и реальных потребностей в тех или иных сотрудниках в ходе запуска продукта

11. Сформировать результативную HR-стратегию в разрезе юнита: на основе анализа влияния конкретных HR-инициатив (в т.ч. через их продуктовые метрики) на бизнес-результаты юнита, удовлетворенности, вовлеченности, лояльности и мотивированности персонала юнита

12. Спланировать реальный HR-бюджет юнита: на основе анализа текущих затрат на HR в юните и ресурсного плана на последующие прогнозные периоды

13. Создать релевантный кадровый резерв: на основе анализа оценок уровня компетентности сотрудника, его потенциала развития и результативности / эффективности, а также ключевых позиций позиций в компании, на которые необходимо иметь кадровый резерв

14. Оценить реальную капитализацию IT-продуктов: на основе анализа реальных трудозатрат сотрудников на развитие продукта (человеко-часы) и затрат на их заработные платы, развитие и пр.

15. Создать релевантные должностные профили / матрицы компетенций: на основе анализа соответствия текущего уровня компетенций сотрудника и его результативности / эффективности в компании

В целом, HR-аналитика помогает компаниям стать эффективнее и конкурентоспособнее, обеспечивая при этом оптимальное управление человеческим капиталом и раскрытие и использование потенциала своих сотрудников.

Цели HR-аналитики

HR-аналитика может закрывать 7 основных целей:

• формировать цели HR-подразделений и мониторить продвижение по их достижению

• осуществления мониторинга эффективности и результативности HR-процессов

• выявлять проблемы, напрямую или косвенно касающиеся управления персоналом

• выстраивать прогнозы HR-метрик на будущие периоды

• повышать эффективность процесса планирования в HR

• оценить влияние HR-инициатив на бизнес-результаты подразделения, компании

Модели зрелости и качества данных

Модель зрелости данных (Data Maturity Model, DMM) — инструмент, используемый для определения текущего состояния управления данными в компании и оценки возможностей для улучшения. Она помогает организациям определить области, требующие внимания, и разрабатывать стратегии для улучшения качества, доступности и полезности данных.

Модель зрелости данных обычно состоит из пяти уровней:

• Level 1. Начальный: На этом уровне данные не структурированы, не организованы и не используются для принятия решений

• Level 2. Повторяющийся: Данные собираются и организуются, но они не используются систематически для принятия решений или улучшения процессов

• Level 3. Управляемый: Данные систематически собираются и анализируются для принятия решений, но этот процесс не автоматизирован

• Level 4. Интегрированный: Данные из различных источников собираются, интегрируются и анализируются автоматически для принятия решений и улучшения процессов

• Level 5. Оптимизированный: Данные используются для оптимизации процессов и принятия решений на основе искусственного интеллекта и машинного обучения

Для определения текущего уровня зрелости данных в компании обычно проводится аудит, который включает анализ процессов сбора, хранения, обработки и использования данных. Затем компания определяет стратегии для достижения следующих уровней зрелости, такие как внедрение автоматизированных систем анализа данных, улучшение инфраструктуры для хранения и обработки данных и обучение сотрудников работе с данными.

Модель качества данных (Data Quality Model, DQM) — набор критериев и метрик, которые используются для оценки качества данных в компании.

DQM включает в себя следующие аспекты:

• Точность: степень соответствия данных действительности.

• Полнота: наличие всех необходимых данных для выполнения задачи.

• Актуальность: своевременность данных.

• Целостность: отсутствие ошибок и искажений в данных.

• Консистентность: согласованность данных между различными источниками.

• Устойчивость: способность данных сохранять качество при изменении условий.

DQM позволяет оценить текущее состояние данных в компании и определить области, где необходимо ее улучшить.

Инструменты решения задач HR-аналитики

В HR-аналитики нужно работать с большими объемами данных. Сначала необходимо извлечь эти данные, затем систематизировать, проанализировать и визуализировать их. Как правило, стандартного пакета Microsoft Office для этого недостаточно.

Основные источники данных для HR-аналитики:

• Корпоративные информационные системы (КИС)
  В них хранят информацию о компании и ее бизнес-процессах. В разных компаниях используют разные КИС. Например, HRM-система предоставляет наибольший объем данных. В ней есть функции по управлению персоналом, поиску и отбору кандидатов, организации труда и т.д. Соответственно, из HRM-системы можно выгрузить практически любые данные об HR-процессах компании. Примеры других КИС, из которых тоже можно выгрузить данные для HR-анализа — CRM, ERP, WMS.

• Опросы и исследования
  Системы, о которых мы сказали выше, не всегда позволяют получить достоверную информацию и провести точный анализ. Опросы и исследования проводят, чтобы проанализировать отдельные социальные и психологические аспекты. Например, чтобы понять, почему снижается мотивация сотрудников или почему увеличилась текучесть кадров.

• Системы управления проектами / трекеры (например, Jira)
  Так как в таких системах можно реализовать Kanban по сопровождению тех или иных HR-процессов, например, процесс подачи заявок на подбор, то из них также можно забирать большое количество полезных данных.

Полученную информацию нужно выгрузить, проанализировать и преобразовать в отчет (ну или презентацию). Вот несколько инструментов, с помощью которых это можно сделать быстро и качественно:

• Excel, Google Таблицы (или иные таблицы)
  Это основные инструменты аналитики в любой сфере. С помощью них можно собрать данные в разных форматах, систематизировать их, подготовить отчеты и диаграммы.

• R, VBA, SQL, Python
  Владея этими языками программирования, можно проводить более глубокий анализ данных, оптимизировать работу с большими массивами, визуализировать информацию, строить регрессионные зависимости и многое другое.

• Power BI, Tableau, Qlik и пр. BI-системы
  Это системы для визуализации данных. Позволяют агрегировать и визуализировать информацию, делать ее более читаемой и наглядной.

HR-аналитика — относительно новое направление, поэтому четкого набора инструментов, которые применяют для анализа HR-процессов, пока нет. Можно выбирать и адаптировать инструменты, которые используются в других направлениях аналитики, под поставленные задачи и свои предпочтения.

Прогнозы в VUCA-BANI мире

Но здесь мы сталкиваемся с еще одной проблемой. Кризисы с 2020 года наглядно продемонстрировали, насколько хрупки и ненадежны могут быть любые прогнозы под влиянием внешних факторов. Вспомним первый год ковида, который временно «отменил» все офлайн-профессии и выдвинул на первый план медицинские и цифровые специальности. Сильно повлияли на рынок труда и события 2022 года. Насколько вообще возможно строить прогнозы рынка труда в современном нестабильном VUCA-BANI мире?

Вообще ориентация на прошлые тренды похожа на вождение автомобиля с помощью зеркала заднего вида. Если дорога начинает поворачивать, можно предугадать, что дальше поворот продолжится, но если ситуация впереди резко изменится, отражение в зеркале нам мало чем поможет. Поэтому к трендам на рынке труда, особенно сформулированным искусственным интеллектом, нужно относиться аккуратно. А «черного лебедя» вроде того, что мы видели в 2020-м или 2022 году, бывает сложно предсказать даже экспертам.

Но с другой стороны, глобальные тренды, как правило, не меняются по щелчку пальцев. Если на рынке есть потребность в большом количестве каких-то специалистов, вряд ли они одномоментно перестанут быть нужными. Может просто измениться структура их компетенций: к примеру, во время ковида учителя и репетиторы не утратили своей востребованности, просто для них стал важен навык удаленной работы.

Глобальные тренды, такие, как цифровизация, довольно устойчивы. Спрос на диджитал-профессии активно рос и до ковида, — пандемия просто дала этой тенденции мощный толчок. Иначе говоря, рынок труда сохраняет устойчивость трендов, хотя отдельные его элементы могут меняться под влиянием событий. Поэтому строить прогнозы важно точно так же, как важно постоянно обогащать их новыми факторами в связи с меняющейся ситуацией. В России роль таких разработок особенно важна с учетом жесткого дефицита кадров во многих сферах: они позволят сократить дисбаланс спроса и предложения и обеспечить соответствием компетенций специалистов запросам экономики.

Не только ИИ

Но все же невозможно построить прогноз, опираясь исключительно на динамику последних лет. Спрос и предложение на рынке труда зависят от множества факторов: появление новых вузов и ссузов, технологические тренды, стратегия развития страны и региона, законодательные инициативы, миграция населения, в том числе внутренняя, и многое другое. Если регион планирует осваивать новое месторождение, скоро у него появится потребность в большом числе рабочих и инженеров. Другой пример: после прошлогоднего указа президента о дополнительных мерах по обеспечению информационной безопасности вырос спрос на специалистов ИБ. А развитие ИИ уже скоро может снизить востребованность линейных специалистов в ряде сфер с очень алгоритмизированной работой.

Поэтому аналитики ищут информацию по технологическим, демографическим, экономическим трендам и накладывают ее на прогноз, сделанный с помощью машинного обучения, — так, в частности, делаем мы. И уже эта новая полная картина требует еще одного экспертного «человеческого» анализа. Возможно, с развитием ИИ алгоритмы смогут взять на себя часть этой работы, но пока сложно судить, какой в принципе будет роль машинного обучения в любых аналитических процессах в разрезе ближайших лет. Скорее всего, мы будем использовать искусственный интеллект как инструмент для помощи в сборе и обработки информации — но ключевая роль в принятий финальных решений и построении прогнозных моделей останется за человеком.

Развитие предиктивной аналитики

Классическая аналитика рынка труда, которая оценивает его текущее состояние, начала развиваться довольно давно. Пожалуй, один из самых ярких примеров — американский проект O*NET, созданный в 1990-х, который проводит регулярные исследования профессионального ландшафта всех США и в отдельных штатах.

Первые data-driven решения, анализирующие большие объемы данных на основе машинного обучения, стали появляться на рубеже веков, когда, с одной стороны, накопилось достаточные объемы информации, а с другой — появилась возможность их компьютеризировать. Так возникли такие структуры, как американский The Burning Glass Institute, сингапурский SkillsFuture, австралийский Faethm и другие.

В России в 2023 году появилось сообщение о планах разработать систему для вузов, которая позволят анализировать кадровую ситуацию в разрезе специальностей и строить прогнозы о развитии рынка труда на пять лет вперед. Предполагается, что это поможет снизить разрыв меняющихся требований рынка с компетенциями, которые получают студенты.

Российские IT-решения для предиктивной аналитики на основе big data и машинного обучения уже существуют: одно из них уже несколько лет развиваем мы в «Профилум» на базе направления Data Lab.

Как это работает

По такому принципу, например, работают решения института The Burning Glass — мирового бенчмарка, результаты исследований которого используются на Всемирном экономическом форуме. Организация собирает открытые данные о рынке труда на сайтах и хабах, где представлена информация о спросе на специалистов и резюме соискателей, и пропускает их через машинный анализ. На выходе формируется понимание, какие компетенции пользуются спросом и как это будет меняться со временем. Кроме того, The Burning Glass делает много проектов для образовательной сферы и помогает адаптировать программы под меняющиеся требования рынка.

В «Профилум» мы тоже пользуемся информацией с работных сайтов за определенный промежуток времени. За годы аналитики накапливаются исторические данные, которые дают представление о тех или иных долговременных трендах в рамках отдельной профессии, региона или страны. Например, в последние несколько лет хорошо видно, как с рынка вымывается профессия кредитного аналитика, функции которого постепенно забирают автоматизированные системы. А с середины 2010-х прослеживается отчетливый тренд на рост популярности новой роли — специалиста по маркетплейсам. По такой динамике можно строить прогноз развития ниши на срок до трех лет, а добавлением дополнительных данных — и значительно дальше.

Зачем нужна прогнозная аналитика

В отличие от стандартной аналитики, которая оценивает состояние рынка труда в текущий момент, предиктивная предсказывает, что будет со спросом и предложением в разных профессиях и сферах деятельности в разрезе ближайших лет, какие компетенции и специальности будут востребованы, а какие потеряют актуальность.

Для чего это нужно? Первое и самое очевидное — так люди смогут более рационально выбирать направление обучения, оценивать свои перспективы в текущей профессии, принимать решение о переквалификации. Но это лишь один из эффектов прогнозной аналитики. Более глобальные ее возможности позволяют менять рынок труда и систему образования с учетом будущих трендов.

1. Образование. Зная, на какие компетенции и профессии вырастет спрос через несколько лет, образовательные учреждения смогут расширять и сокращать программы, вносить в них коррективы, менять контент, чтобы дать студентам те навыки, которые будут востребованы к моменту их выпуска.
2. Государство. Понимание тенденций в экономике региона дает властям возможность корректировать стратегию, открывать новые вузы и ссузы, создавать рабочие места, формировать программы по привлечению тех или иных специалистов.
3. Бизнес. На основе предиктивной аналитики компания может прогнозировать дефицит/профицит специалистов и адаптировать свою HR-стратегию под эти вводные.

Метрики HR-процессов

HR-данные — информация о сотрудниках, процессах и системах управления персоналом в компании, например: данные о квалификации сотрудников, их стаже работы, заработной плате, данных об обучении, результатах оценки персонала и многое другое.

HR-метрики — количественные измерители, помогающие компании мониторить ключевые области, на которые оказывает прямое или косвенное влияние реализация HR-процессов; количественные измерители, которые помогают отследить и измерить эффективность сотрудников, их инициативность, проактивность, вовлеченность и т.д.

• Количественные: количество нанятых сотрудников; время, затраченное на обучение; количество уволенных сотрудников и т.д.

• Качественные: уровень удовлетворенности сотрудников; уровень текучести кадров; процент успешно пройденных испытательных сроков и т.д.

• Относительные: соотношение количества нанятых и уволенных сотрудников; соотношение затрат на обучение и производительности труда и т.д.

• Интегральные: общий уровень эффективности HR-процессов в компании; совокупные затраты на управление персоналом и т.д.

Посмотреть примеры HR-метрик вы можете по вот этой ссылке.

Сбор и хранение HR-данных

Сбор и хранение HR-данных играют ключевую роль в управлении персоналом. Без доступа к актуальной информации о сотрудниках менеджеры не смогут принимать обоснованные решения и эффективно управлять персоналом.

Для того чтобы Сбор HR-данных был эффективным, необходимо определить, какие данные нужно собирать и как их обрабатывать.

Методы сбора HR-данных также могут быть разными. Это могут быть опросы, собеседования, наблюдения, анализ документов и т.д. Выбор метода зависит от цели сбора данных и доступных ресурсов.

Хранение HR-данных должно быть безопасным и надежным. Компании могут использовать различные системы управления персоналом (HRMS) для хранения и обработки данных. Эти системы позволяют управлять информацией о сотрудниках, их должностях, заработной плате, стаже работы и других аспектах.

Также для хранения данных многие компании создают собственные HR Data Lake (CRM), в которую поступают все данные по HR из разных источников (ERP, ATS, LMS и пр.).

Кроме того, компании должны обеспечивать конфиденциальность и защиту персональных данных сотрудников. Для этого следует соблюдать законодательство о защите персональных данных и использовать надежные системы защиты информации.

Описательная статистика

Описательная статистика — раздел статистики, который занимается сбором и представлением данных. Она включает в себя вычисление различных мер центральной тенденции (например, среднего значения) и мер разброса (например, стандартного отклонения).

Описательная статистика помогает получить представление о данных, выявить их основные характеристики и закономерности. Она может быть использована для анализа различных типов данных, включая числовые, категориальные и текстовые.

Основные меры описательной статистики включают:

• Среднее значение: среднее арифметическое всех значений в наборе данных. Оно показывает “центр” распределения данных

• Медиана: значение, которое разделяет набор данных на две равные части — выше и ниже медианы

• Мода: наиболее часто встречающееся значение в наборе данных

• Стандартное отклонение: мера разброса значений вокруг среднего значения. Чем больше стандартное отклонение, тем больше разброс данных

• Размах: разница между максимальным и минимальным значениями в наборе данных. Он показывает насколько велики различия между самыми маленькими и самыми большими значениями.

• Коэффициент вариации: стандартное отклонение, деленное на среднее значение. Он позволяет сравнивать стандартное отклонение разных наборов данных, имеющих разные средние значения

Например, можно использовать описательную статистику для анализа данных о производительности труда сотрудников. Можно вычислить среднее значение производительности, медиану, стандартное отклонение и другие меры, чтобы получить общую картину эффективности команды. Это поможет выявить наиболее продуктивных сотрудников и определить области, требующие улучшения.

Важным элементом описательной статистики является нормальное распределение. Нормальное распределение или распределение Гаусса является одним из самых важных и широко используемых распределений в статистике и вероятности. Это распределение описывает случайную переменную с колоколообразной формой графика распределения, которое имеет максимум в точке среднего значения случайной переменной.

Нормальное распределение характеризуется двумя параметрами: средним значением (μ) и стандартным отклонением (σ). Чем больше стандартное отклонение, тем шире кривая нормального распределения, и наоборот.

Примером нормального распределения может быть рост человека. Средний рост взрослого человека составляет около 170 см, но есть люди, которые выше или ниже этого значения. Однако, несмотря на то что некоторые люди могут быть значительно выше или ниже среднего роста, большинство людей имеют рост, близкий к среднему. Это объясняется тем, что рост большинства людей имеет нормальное распределение.

В статистике нормальное распределение имеет особое значение, так как многие случайные величины приближаются к нормальному распределению при определенных условиях. Например, закон больших чисел утверждает, что среднее значение большого количества независимых случайных величин имеет тенденцию приближаться к среднему значению этих величин.

Одним из примеров использования нормального распределения в HR является оценка кандидатов на вакансию. Большинство рекрутеров используют стандартные тесты для оценки кандидатов, такие как тесты на интеллект или личностные тесты. Результаты этих тестов обычно имеют нормальное распределение, что позволяет сравнивать кандидатов между собой и определять, насколько они соответствуют требованиям вакансии.

Корреляционный и регрессионный анализ

Корреляционный анализ — метод статистического исследования, который позволяет определить наличие и степень взаимосвязи между двумя или более случайными величинами. Корреляционный анализ используется для изучения связей между различными факторами, влияющими на исследуемый процесс или явление.

Существует два основных типа корреляционного анализа: линейный и ранговый. Линейный корреляционный анализ используется для определения наличия и степени линейной связи между двумя переменными. Ранговый корреляционный анализ применяется для оценки взаимосвязи между переменными, которые не имеют линейной зависимости.

Корреляционный анализ позволяет определить, насколько сильно одна переменная влияет на другую. Если коэффициент корреляции близок к 1, это означает, что две переменные сильно связаны и изменение одной переменной приводит к изменению другой. Если коэффициент корреляции равен 0, то переменные не связаны между собой.

Важным понятием в корреляционном анализе является коэффициент корреляции, который может принимать значения от -1 до +1. Коэффициент корреляции равный -1 означает полную отрицательную корреляцию, то есть увеличение одной переменной приводит к уменьшению другой. Коэффициент корреляции равный +1 означает полную положительную корреляцию, то есть увеличение одной переменной приводит к увеличению другой.

Для проведения корреляционного анализа необходимо иметь данные о значениях двух или более переменных. Затем данные обрабатываются с помощью специальных статистических методов, которые позволяют определить наличие и степень корреляции между переменными.

Одним из примеров использования корреляционного анализа в HR может быть исследование взаимосвязи между уровнем удовлетворенности сотрудников и их производительностью. Предположим, что мы хотим узнать, есть ли связь между этими двумя показателями. Для этого мы можем провести корреляционный анализ данных об удовлетворенности сотрудников и данных об их производительности за определенный период времени. Если коэффициент корреляции будет близок к 1, то это означает, что существует сильная положительная связь между удовлетворенностью сотрудников и их производительностью. Если же коэффициент корреляции будет близок к 0, то это говорит об отсутствии связи между этими показателями.

Регрессионный анализ — статистический метод, используемый для изучения взаимосвязи между одной зависимой переменной и одной или несколькими независимыми переменными. Он позволяет предсказать значение зависимой переменной на основе значений независимых переменных.

Регрессионный анализ может помочь понять, как различные факторы влияют на исследуемый процесс или явление, а также предсказать его развитие в будущем.

Существуют различные виды регрессионного анализа, такие как линейная регрессия, логистическая регрессия, множественная регрессия и другие. Выбор вида регрессии зависит от типа данных и задачи исследования.

Одним из основных этапов регрессионного анализа является выбор модели регрессии. Для этого необходимо определить, какие переменные будут использоваться в модели и как они будут связаны друг с другом. После выбора модели необходимо оценить ее качество, используя различные статистические показатели, такие как коэффициент детерминации, стандартная ошибка и другие.

Наконец, после оценки модели можно использовать ее для предсказания значений зависимой переменной на основе известных значений независимых переменных. Однако следует помнить, что регрессионный анализ не может гарантировать абсолютную точность предсказаний, так как на результаты могут влиять различные факторы, не учтенные в модели.

Примером использования регрессионного анализа в HR может служить задача прогнозирования уровня заработной платы сотрудника на основе его опыта работы, образования и других факторов. Для решения этой задачи можно использовать методы линейной регрессии или множественной регрессии.

Исследование HR-данных, формулирование и проверка гипотез

После анализа HR-данных необходимо провести дополнительные исследования. Особенно важно это делать по данным, которые являются аномальные, т.е. имеют отклонения от бенчмарков.

Также хотелось бы отметить, что важно подкрепить выявленные аномалии хотя бы одним из двух источников: подтверждение аномалии владельцем процесса, где она определена; подтверждение аномалии сотрудниками, которые способны чекнуть наличие той или иной проблемы.

По сути, мы формируем на основе HR-данных некоторую продуктовую гипотезу, которую необходимо проверить. Гипотеза — предположение, которое еще не было доказано. Например, если мы хотим узнать, влияет ли температура на скорость реакции, мы можем создать гипотезу, которая утверждает, что при повышении температуры скорость реакции увеличивается.

Гипотеза обычно формулируется в виде утверждения, за которым следует слово “если”. Например: “Если температура увеличивается, то скорость реакции тоже увеличивается”.

Чтобы проверить гипотезу, нужно провести эксперимент. В примере можно провести эксперимент, в котором будет измеряться скорость реакции при разных температурах. Если станет понятно, что скорость реакции действительно увеличивается с повышением температуры, то гипотеза подтвердится.

Однако, важно помнить, что даже если гипотеза подтвердилась в одном эксперименте, это не означает, что она будет верна всегда. Можно провести еще эксперименты, чтобы проверить, насколько гипотеза универсальна.

Для проверки гипотез можно использовать следующие методы исследования:

• Анкетирование:  метод сбора информации, при котором респондентам предлагается заполнить анкету. Анкеты могут быть бумажными или электронными

• Интервью: метод, при котором исследователь проводит беседу с респондентом, задавая ему вопросы. Интервью могут быть структурированными (с заранее подготовленными вопросами) или неструктурированными (без заранее подготовленных вопросов)

• Наблюдение: метод исследования, при котором исследователь наблюдает за поведением людей в рабочей среде. Наблюдение может быть прямым (непосредственное наблюдение) или косвенным (наблюдение через системы)

• Анализ документов: метод анализа информации, содержащейся в различных документах, таких как отчеты, инструкции, должностные инструкции и т.д.

• Опрос сотрудников: метод получения информации от сотрудников компании. Опросы могут проводиться в форме анкетирования или интервью

Одним из самых эффективных методов исследования является CustDev (ИМХО!). CustDev (Customer Development) — процесс выявления и понимания потребностей и проблем клиентов, а также разработки и тестирования решений для их удовлетворения. Этот процесс помогает компаниям лучше понимать своих пользователей и создавать продукты и услуги, которые действительно нужны рынку.

Что делать с результатами HR-анализа?

После проведения HR-анализа результаты могут использоваться для различных целей, например:

• Улучшение процессов управления персоналом: результаты анализа могут помочь выявить проблемы в процессах управления персоналом и на их основе можно предложить решения для их устранения

• Оптимизация организационной структуры: результаты могут помочь определить, какие структурные подразделения или роли (должности) или уровни (грейды) требуют изменений или улучшений

• Оценка эффективности работы сотрудников: результаты могут быть использованы для оценки производительности труда сотрудников и определения их потенциала для роста

• Разработка программ обучения и развития: результаты анализа могут быть использованы для разработки программ обучения, которые помогут сотрудникам развивать свои навыки и достигать лучших результатов

• Принятие стратегических решений: результаты HR-анализа могут быть использованы при принятии стратегических решений, таких как изменение структуры организации или внедрение новых технологий

Таким образом, результаты HR-анализа являются важным инструментом для принятия решений в области HR и могут помочь компании улучшить свою работу и достичь необходимых результатов.

Основы предиктивной HR-аналитики

Предиктивная аналитика в HR — процесс использования данных и аналитики для прогнозирования будущих тенденций, событий и поведения в области управления человеческими ресурсами. Она позволяет компаниям предсказать потребности в персонале, определить наиболее релевантных кандидатов для конкретной позиции, а также оценить эффективность текущих сотрудников и стратегий рекрутинга.

Предиктивная аналитика использует алгоритмы машинного обучения и статистические модели для анализа ретроспективных данных о сотрудниках, их поведении и производительности труда, чтобы выявить закономерности и сделать прогнозы на будущие периоды. Она позволяет менеджерам принимать более обоснованные решения, касающиеся найма, обучения, развития и удержания талантов.

Вот некоторые примеры использования предиктивной аналитики в HR:

• Прогнозирование оттока сотрудников: HR-эксперты могут использовать данные об удовлетворенности сотрудников, их вовлеченности и производительности труда для определения вероятности их увольнения или ухода из компании. Это позволяет предпринимать меры по удержанию наиболее ценных сотрудников.

• Прогнозирование потребностей в новых сотрудниках: Аналитика может помочь определить, какие позиции в компании будут вакантными в будущем, и какие навыки и компетенции потребуются новым сотрудникам. Это поможет формировать и реализовывать более эффективную стратегию рекрутинга в компании.

• Прогнозирование производительности сотрудников: Использование данных о производительности сотрудников, таких как количество отработанных часов, количество и качество выполненных задач, отзывы коллег и клиентов, позволяет строить модели, которые предсказывают будущую производительность сотрудника и помогают HR-специалистам принимать решения о премиях, обучении или пересмотре системы мотивации.

• Прогнозирование текучести персонала: Анализ данных об уровне удовлетворенности сотрудников, средней продолжительности работы в компании, возрасте и поле сотрудников может помочь выявить причины высокой текучести и разработать меры по снижению этого показателя.

• Прогнозирование успешности адаптации новых сотрудников: Анализ данных о новичках, таких как возраст, образование, опыт работы, предыдущие места работы, может помочь HR определить, какие новые сотрудники могут столкнуться с проблемами в адаптации и нуждаются в дополнительной поддержке.

В целом, предиктивную аналитику в HR можно использовать и в обратную сторону, т.е. для того, чтобы получить ответ на вопрос, например: “Как нужно изменить удовлетворенность сотрудников в компании, чтобы сократить текучесть персонала на X процентов”.

Предиктивная аналитика в HR позволяет компаниям принимать более обоснованные решения по управлению человеческим капиталом и создавать более эффективные и мотивирующие рабочие места.

В завершение напоминаем об открытых уроках курса «IT HRBP»: