Takeaway: HR analytics is revolutionizing the way human resources departments operate, leading to higher efficiency and better results overall.
Kaushik Pal, 12 mar 2018
Human resources has been using analytics for years. However, the collection, processing and analysis of data has been largely manual, and given the nature of human resources dynamics and HR KPIs, the approach has been constraining HR. Therefore, it is surprising that HR departments woke up to the utility of machine learning so late in the game.
Nevertheless, machine learning has been slowly but surely entering the HR domain, and multiple use cases such as attrition prediction, right hiring and human resource training have been established. It is also believed that machine learning can predict the success of a potential candidate. More use cases are likely to be discovered soon. Unlike the manual approach, the machine learning approach is much faster, far more responsive to dynamic situations and provides accurate, actionable and valuable data. (Even though the field of data analytics is becoming increasingly automated, people aren't likely to lose their jobs due to it anytime soon. Learn more in No, Data Analytics Bots Aren’t Going to Steal Your Job Anytime Soon.)
The Role of HR
Human resources is inarguably an organization's most valuable asset. HR is responsible for managing the human resources department so that the organization gets the most possible value out of its people. The role of HR includes the following:
- Identifying the right talent for the right role
- Proper compensation and benefits
- Managing employee development with training and opportunities
- Tracking and managing human resources growth with increments, promotions, opportunities and benefits
- Managing employee motivations, grievances and feelings
- Managing exits
Over time, expectations of the HR department have been changing. Previously, HR would find suitable candidates; conduct or facilitate assessments; hand out offers, compensation and benefits based on HR policies; and manage employee careers and exits. Now, HR is expected to add more value to what it already does and do even more, such as predict attrition and candidate success in a role. Is the current approach to fulfilling these expectations enabling or constraining HR?
Prior to the adoption of machine learning, HR would manage data in manual and semi-automated ways. It would collect, store and process data to produce analytics before the data would quickly become irrelevant because the situation had changed and the data needed updating. For example, data collected before the annual appraisal cycle showed low attrition risks. However, post-appraisal, there is a spike in attrition and employee dissatisfaction, mainly because of mismatch in expectations and actual rewards and a rise in opportunities in the job market. Basically, pre-appraisal analytics misled the organization, and the effort can be considered a waste.
Manual and semi-manual methods are not equipped to enable HR to manage data on the rapidly changing variables related to human resources. HR needs regular, updated analytics on relevant factors such as employee sentiments within the organization, employee attitudes toward policies, and attractiveness of market opportunities versus that offered by the organization. This is serious business. Unless the human capital is managed well, an organization can potentially lose valuable employees. Bill Gates once commented, “You take away our top 20 employees and we [Microsoft] become a mediocre company.” Enter machine learning. What can machine learning offer over the old methods? Consider the following:
Faster Response to Changing Dynamics
This is the age of big data. To manage employees, you need data on:
- Employee attitudes and feelings
- Credentials or qualifications
- Employee views toward policies
- Compensation and benefits trends
- Relevant external developments such as the job market and rival organizations and their impact on your employees
That adds up to a humongous data volume arriving every moment. Manual management is simply ill-equipped to handle it. However, machine learning is appropriate to consistently accept, store and process such data volumes and provide relevant and actionable insights in the form of simple analytics. (Learn more about big data's role in business with Tackling Big Data Analytics Pain Points.)
Accurate Predictions
Machine learning can predict key developments such as attrition, success in job roles and adverse events such as unethical behavior. For example, the success likelihood of an employee in a new role can be predicted based on an analysis of past data such as past project performance, knowledge base and key initiatives taken to improve the knowledge base, which reflects attitudes. Findings based on these parameters can be converted to analytics and then decisions can be made.
Candidate Identification and Applicant Tracking
Machine learning can connect the right job to the right candidate based on job role and the candidate's credentials, experience and interests. Machine learning can leverage social networks for that. It significantly reduces manual effort in candidate assessments and tracking.
Developments
The HR domain, after a lukewarm response to machine learning, is waking up to its utility. Many use cases are being implemented and more are on the way. A summary of the key developments is given below.
Candidate Identification and Application Tracking
With big data from web sources such as forums and social media, organizations are finding the right candidates for the right roles. While assessing candidature, machine learning considers qualifications, experience, interests, professional connections and memberships, achievements, forum discussions and more. This significantly improves chances of role fitment, if not guaranteeing it. A good example could be the professional networking site, LinkedIn.
Machine learning significantly reduces manual effort in applications management and frees the HR to focus on more productive efforts. According to Cristian Rennella, CEO & Cofounder of MejorTrato.com.mx, a company that compares financial products, "In the past, we spent 67.2 percent of each person's time in HR to read the CVs of each candidate who came to us through our own website and third parties. Thanks to AI, this work today is done automatically by our internal system, which through deep learning using TensorFlow, we can automate this task."
Accurate Predictions
HR analytics can often accurately predict key factors such as attrition, employee performance, and even adverse events such as unethical behavior. For example, data from various forum conversations, social media posts, emails, videos, rival organizations and market opportunities can point to changes in attrition levels. Attrition levels are particularly susceptible to change after appraisal cycles.
Job Success Predictions
Data on a candidate's credentials, memberships, attitudes and performance can point to success probability in job roles. The point is, manually attempting to calculate predictions based on so many variables is simply inadequate. HR analytics can provide accurate insights based on which organizations can find the right candidates for the right job roles.
Conclusion
Organizations are already reaping the benefits of adopting machine learning. While machine learning has already reduced manual effort, ML is expected to become even more accurate and prominent in areas like attrition prediction and management, employee management and success.
________________________________
Written by Kaushik Pal
Kaushik is a technical architect with 15 years of experience in enterprise applications and product development. He has expertise in Web technologies, architecture/design, Java/J2EE, open source and Hadoop/big data technologies. Full Bio
§ § §
Come l'apprendimento automatico sta influenzando l'analisi delle risorse umane
Da asporto: l' analisi delle risorse umane sta rivoluzionando il modo in cui operano i dipartimenti delle risorse umane, portando a una maggiore efficienza e migliori risultati generali.
Le risorse umane utilizzano l' analisi da anni.
Tuttavia, la raccolta, l'elaborazione e l'analisi dei dati è stata in gran parte manuale e, data la natura delle dinamiche delle risorse umane e dei KPI delle risorse umane , l'approccio ha limitato le risorse umane. Pertanto, è sorprendente che i dipartimenti delle risorse umane si siano resi conto dell'utilità dell'apprendimento automatico così in ritardo nel gioco.
Ciononostante, l'apprendimento automatico è entrato lentamente ma inesorabilmente nel dominio delle risorse umane e sono stati creati diversi casi d'uso come la previsione di logoramento, l'assunzione di diritti e l'addestramento delle risorse umane. Si ritiene inoltre che l'apprendimento automatico possa predire il successo di un potenziale candidato. Presto saranno scoperti altri casi d'uso. A differenza dell'approccio manuale, l'approccio di machine learning è molto più veloce, molto più reattivo alle situazioni dinamiche e fornisce dati accurati, fattibili e di valore. (Anche se il campo dell'analisi dei dati sta diventando sempre più automatizzato, le persone non rischiano di perdere il loro lavoro a causa di esso in qualsiasi momento presto.
Scopri di più in No, i robot di analisi dei dati non stanno rubando il tuo lavoro in qualsiasi momento a breve .)
Il ruolo delle risorse umane
Le risorse umane sono indiscutibilmente il bene più prezioso di un'organizzazione.
L'HR è responsabile della gestione del dipartimento risorse umane in modo che l'organizzazione ottenga il maggior valore possibile dalla sua gente. Il ruolo di HR include quanto segue:
- Identificare il talento giusto per il ruolo giusto
- Corretta compensazione e benefici
- Gestire lo sviluppo dei dipendenti con formazione e opportunità
- Monitoraggio e gestione della crescita delle risorse umane con incrementi, promozioni, opportunità e benefici
- Gestione delle motivazioni, dei reclami e dei sentimenti dei dipendenti
- Gestione delle uscite
Caso per l'apprendimento automatico nelle risorse umane
Nel tempo, le aspettative del reparto risorse umane sono cambiate. In precedenza, l'HR avrebbe trovato candidati idonei; condurre o facilitare valutazioni; distribuire offerte, compensi e benefici basati sulle politiche delle risorse umane; e gestire le carriere e le uscite dei dipendenti. Ora, si prevede che le Risorse Umane aggiungano più valore a ciò che già fa e facciano ancora di più, come prevedere l'attrito e il successo dei candidati in un ruolo. L'attuale approccio per soddisfare queste aspettative consente o limita le risorse umane?
Prima dell'adozione dell'apprendimento automatico, l'HR gestiva i dati in modi manuali e semi-automatizzati. Raccogliere, archiviare ed elaborare i dati per produrre analisi prima che i dati diventassero rapidamente irrilevanti perché la situazione era cambiata e i dati necessari all'aggiornamento. Ad esempio, i dati raccolti prima del ciclo di valutazione annuale hanno mostrato bassi rischi di attrito. Tuttavia, dopo la valutazione, c'è un picco nel logoramento e nell'insoddisfazione dei dipendenti, principalmente a causa del disallineamento delle aspettative e dei benefici effettivi e l'aumento delle opportunità nel mercato del lavoro. Fondamentalmente, l'analisi pre-valutazione ha fuorviato l'organizzazione e lo sforzo può essere considerato uno spreco.
I metodi manuali e semi-manuali non sono attrezzati per consentire alle risorse umane di gestire i dati sulle variabili in rapida evoluzione relative alle risorse umane. Le risorse umane necessitano di analisi periodiche e aggiornate su fattori rilevanti quali i sentimenti dei dipendenti all'interno dell'organizzazione, l'atteggiamento dei dipendenti nei confronti delle politiche e l'attrattiva delle opportunità di mercato rispetto a quelle offerte dall'organizzazione. Questo è un affare serio. A meno che il capitale umano non sia gestito bene, un'organizzazione può potenzialmente perdere dipendenti preziosi. Bill Gates una volta ha commentato: "Tu porti via i nostri 20 dipendenti principali e noi [Microsoft] diventiamo una società mediocre." Inserisci l'apprendimento automatico. Cosa può offrire l'apprendimento automatico rispetto ai vecchi metodi? Considera quanto segue:
Risposta più rapida alle dinamiche mutevoli
Questa è l'era dei "grandi dati". Per gestire i dipendenti, hai bisogno di dati su:
- Atteggiamenti e sentimenti dei dipendenti
- Credenziali o qualifiche
- Visualizzazioni dei dipendenti verso le politiche
- Tendenze di compensazione e benefici
- Sviluppi esterni rilevanti come il mercato del lavoro e le organizzazioni rivali e il loro impatto sui dipendenti
Ciò si traduce in un enorme volume di dati in arrivo ogni momento. La gestione manuale è semplicemente mal equipaggiata per gestirlo. Tuttavia, l'apprendimento automatico è appropriato per accettare, archiviare ed elaborare costantemente tali volumi di dati e fornire approfondimenti pertinenti e utilizzabili sotto forma di semplici analisi. (Ulteriori informazioni sul ruolo dei big data nelle attività commerciali con Tackling Big Paining Analytics ).
Previsioni accurate
L'apprendimento automatico può prevedere sviluppi chiave come il logoramento, il successo nei ruoli lavorativi e gli eventi avversi come il comportamento non etico. Ad esempio, la probabilità di successo di un dipendente in un nuovo ruolo può essere prevista sulla base di un'analisi dei dati passati quali le prestazioni del progetto passato, la base di conoscenze e le iniziative chiave adottate per migliorare la base di conoscenze, che riflette gli atteggiamenti. I risultati basati su questi parametri possono essere convertiti in analisi e quindi le decisioni possono essere prese.
Identificazione del candidato e tracciamento del candidato
L'apprendimento automatico può collegare il lavoro giusto al candidato giusto in base al ruolo professionale e alle credenziali, all'esperienza e agli interessi del candidato. L'apprendimento automatico può sfruttare i social network per questo. Riduce significativamente lo sforzo manuale nelle valutazioni e nel monitoraggio dei candidati.
Sviluppi
Il dominio delle risorse umane, dopo una tiepida risposta all'apprendimento automatico, si sta svegliando alla sua utilità. Molti casi d'uso vengono implementati e altri sono in arrivo. Di seguito è riportato un riepilogo degli sviluppi chiave.
Identificazione del candidato e tracciamento delle applicazioni
Con i big data da fonti web come forum e social media , le organizzazioni stanno trovando i candidati giusti per i ruoli giusti. Durante la valutazione della candidatura, l'apprendimento automatico considera le qualifiche, l'esperienza, gli interessi, le connessioni professionali e le iscrizioni, i risultati, le discussioni sul forum e altro ancora. Ciò migliora significativamente le possibilità di adattamento dei ruoli, se non lo garantisce. Un buon esempio potrebbe essere il sito di networking professionale, LinkedIn .
L'apprendimento automatico riduce significativamente lo sforzo manuale nella gestione delle applicazioni e libera le risorse umane per concentrarsi su sforzi più produttivi. Secondo Cristian Rennella, CEO & Cofounder di MejorTrato.com.mx , una società che mette a confronto prodotti finanziari, "In passato, abbiamo speso il 67,2 percento del tempo di ciascuna persona in Risorse Umane per leggere i CV di ciascun candidato che ci è venuto tramite il nostro proprio sito Web e terze parti. Grazie a AI, questo lavoro oggi viene eseguito automaticamente dal nostro sistema interno, che attraverso l'apprendimento approfondito con TensorFlow , possiamo automatizzare questo compito. "
Previsioni accurate
L'analisi delle risorse umane può spesso prevedere con precisione fattori chiave come il logoramento, le prestazioni dei dipendenti e persino eventi avversi come il comportamento non etico. Ad esempio, i dati provenienti da varie conversazioni sul forum, post sui social media, email, video, organizzazioni rivali e opportunità di mercato possono indicare cambiamenti nei livelli di attrito. I livelli di attrito sono particolarmente suscettibili al cambiamento dopo cicli di valutazione.
Previsioni di riuscita nell'attività
I dati relativi alle credenziali, alle appartenenze, alle attitudini e alle prestazioni di un candidato possono indicare probabilità di successo in ruoli di lavoro. Il punto è che tentare manualmente di calcolare le previsioni sulla base di così tante variabili è semplicemente inadeguato. L'analisi delle risorse umane può fornire approfondimenti accurati in base alle organizzazioni in grado di trovare i candidati giusti per i ruoli di lavoro giusti.
Conclusione
Le organizzazioni stanno già sfruttando i vantaggi dell'adozione dell'apprendimento automatico. Mentre l'apprendimento automatico ha già ridotto lo sforzo manuale, si prevede che la tecnologia ML diventi ancora più precisa e prominente in aree come la previsione e la gestione dell'attrito, la gestione dei dipendenti e il successo.
________________________________
Scritto da Kaushik Pal
Kaushik è un architetto tecnico con 15 anni di esperienza nelle applicazioni aziendali e nello sviluppo del prodotto. Ha esperienza in tecnologie Web, architettura / design, Java / J2EE, tecnologie open source e Hadoop / big data. Biografia Completa
