Колонки

Вас наняли на работу с помощью больших данных (правда или миф?)

Колонки
Никита Рогозин
Никита Рогозин

Исполнительный директор системы контроля действий сотрудников «Стахановец»

Виктория Кравченко

Данные собирают во всех компаниях: личные дела сотрудников, журналы учета и посещаемости, статистика выполнения планов и задач. Но что с ними делать потом? Правильно проанализировать и использовать эту информацию себе во благо могут единицы. 

Именно с этим связано множество заблуждений и мифов, в которых уверены даже руководители HR-отделов. 

Никита Рогозин, исполнительный директор системы контроля действий сотрудников «Стахановец», решил развеять главные мифы о роли больших данных в HR.

Вас наняли на работу с помощью больших данных (правда или миф?)

Миф 1. Число направлений HR, где можно применять Big Data, ограничено

Сканирование резюме кандидатов вручную отнимает львиную долю рабочего времени HR-специалистов – помимо существенного ускорения этого процесса, большие данные также успешно применяются при адаптации, мотивации, обучении и развитии сотрудников.

Главная цель – сократить издержки компании в каждом из этих направлений с помощью следующих способов:

Определение подходящих методов подбора персонала

Кейс 1

Многие компании, анализируя данные, определяют наиболее подходящие методы подбора персонала. Например, Google отказался от сложных задачек на интервью, потому что выяснил, что способность кандидата их решить никак не влияет на его дальнейшую эффективность.

Аналитикой в компании занимается целый отдел. Результаты своих исследований они, как правило, не разглашают. Однако известно, что благодаря большим данным Google удалось найти рецепт идеального менеджера, а также сократить количество собеседований с успешными кандидатами с 10 до 5. Что, в свою очередь, помогло сэкономить не только время, но и миллионы долларов.

Все сервисы и компании, связанные с релокацией, на одной карте

Кейс 2

Другая компания смогла определить, что самые лояльные сотрудники работают в радиусе 5 км от нее. Офис перенесли в более удобный район, чем смогли добиться снижения текучки без дополнительных затрат на мотивацию.

Анализ задач компании

Анализируя задачи компании, можно определить, какие именно навыки вскоре потребуются от работников, и составить тщательный план по обучению имеющихся сотрудников вместо того, чтобы долго и мучительно подбирать новых.

Такой план может включать в себя список планируемых мероприятий по обучению подразделений и сотрудников в отдельности с кратким описанием обучающих программ.

Кейс 1

Например, применение больших данных помогло выявить, что специалистов с бухгалтерскими сертификатами ACCA особенно сложно найти в Лондоне, а потому компаниям быстрее и выгоднее организовать дополнительное обучение своих работников, нежели искать новых сертифицированных сотрудников.

Кейс 2

Консалтинговая компания Accenture выявила прямую зависимость между обучением и тем, насколько эффективно работают сотрудники. Те, в чье развитие фирма вложилась, склонны были добиваться более высоких результатов.

Создание модели компетенции

Многие компании создают модель компетенций и выявляют, какие из них важнее для тех или иных позиций. Например, для менеджеров по продажам главным оказалась эффективная коммуникация, а для руководителей отделов – ориентация на результат.

Кейс

Крупная энергетическая компания даже выяснила, что нацеленность на результат гораздо важнее, чем технические навыки или опыт работы. Это помогло правильно нанять новых сотрудников и увеличить выручку.

Исследуя, какими компетенциями обладают сотрудники, можно помогать им развиваться и правильно продвигаться по карьерной лестнице. А заодно получать и наиболее эффективных работников на каждом из направлений.

Анализ карты дня работника

Если периодически анализировать карту дня работника, можно:

  • Во-первых, сократить испытательный срок и принять решение о трудоустройстве раньше,
  • Во-вторых, увеличить продуктивность уже работающих сотрудников.
  • В-третьих, выявив причины успеха одних и неудач других, можно внедрить лучшие методики повсюду.

В нашей практике, например, удалось выяснить, что самый эффективный менеджер отдела продаж делал звонок в течение 15 минут после отправки письма, в то время как его менее успешные коллеги перезванивали клиентам в течение часа.

Таким образом, менеджер отдела продаж пошел на повышение, а компании удалось по-новому выстроить работу всего отдела и добиться большей прибыли.

Миф 2. Анализ больших данных выявит все проблемы компании

Big Data – не панацея. Прежде чем внедрять «умные» технологии, необходимо определить цель: для чего это делается и каков должен быть результат.

Допустим, компания хочет понять, почему никак не удается найти достойного кандидата на определенную должность. Здесь можно провести анализ рынка и сравнить свою вакансию с аналогичными:

  • Сколько еще компаний сейчас ищут таких же специалистов?
  • Может быть, вы предлагаете меньшую, чем конкуренты, зарплату?
  • Или хотите, чтобы ваш соискатель обладал слишком большим количеством навыков?

Ответы на эти вопросы помогут скорректировать ожидания и быстрее закрыть вакансию.

С помощью больших данных можно узнать, как обстоят дела у конкурентов. Новые вакансии дадут представление об обновлениях линейки продукции или оборудования. А локация новых офисов выявит, насколько их бизнес будет угрожать вашему в ближайшем будущем.

Огромное значение имеет качество данных. Большинство компаний обладают примерно одним и тем же набором: статистикой опозданий, проведенных часов на рабочем месте, результатами тестов и KPIs. Но можно ли только на основании этого делать выводы и строить долгосрочные прогнозы? По сути, данных для полноценного анализа чаще всего оказывается недостаточно. А потому и результаты не впечатляют, и работа HR-cпециалистов далеко не всегда становится эффективнее.

Нужно не ограничиваться стандартным набором статистики, а прежде всего, исходить из потребностей бизнеса. Определить, что влияет на ту или иную цель, и уже на основе этого решить, какие именно данные нужны для анализа.

Однако согласно исследованию CEB Corporate Leadership Council, только 5% компаний успешно внедряют подобные технологии. Между тем, по данным Deloitte, возрастающую важность качественной аналитики в HR отмечают более 70% компаний.


Миф 3. Кадровый консалтинг – самый эффективный способ наладить бизнес

По сути, консалтинговые компании вроде Deloitte и Accenture работают с теми же источниками, что и менеджмент фирмы. И вряд ли они смогут предложить что-то кардинально новое. При этом очень сложно оценить эффект изменений, которые привносят эти кадровые консультанты.

А он часто оказывается негативным: сотрудников переставляют, меняются названия должностей, меняется подчиненность, и это в конце концов приводит к обратной стороне медали — кадровой текучке.

Кейс

Известны и более фатальные случаи. Так, американская энергетическая компания Enron за год до банкротства по совету консалтинговой фирмы McKinsey внедрила «свободную модель управления». Согласно ей, под контролем оставался лишь бюджет компании, в остальном же сотрудники получали максимальную свободу, чтобы принимать нестандартные решения. Среди причин банкротства фирмы впоследствии называли как раз ошибки в управлении.

Чаще всего у руководителей и HR-специалистов отсутствует понимание, что процессы можно автоматизировать вместо того, чтобы проводить миллион интервью с людьми, сидеть с ними по несколько часов с секундомером. И стремясь сэкономить время, они обращаются к консалтинговым компаниям.


Миф 4. «Большие данные» требуют больших инвестиций

Безусловно, вам потребуются первоначальные инвестиции. Главным образом для установки специализированного софта на компьютеры HR-специалистов.

Однако эти затраты, во-первых, достаточно быстро принесут результат, во-вторых, не сопоставимы с расходами, которые компании сегодня вынуждены тратить на найм персонала. При этом нужно понимать, что статьи расходов для каждой компании будут разными, так как стоимость программного обеспечения на рынке Big Data варьируется в зависимости от отрасли, в которой работает компания, объема обрабатываемой информации, количества задействованных серверов и выбранной конфигурации. Если данных много, как и серверов, то стоимость будет заметно выше.

Расценки платформ по внедрению Big Data также разнятся: начинаясь с 1500$ в месяц, их стоимость может доходить до нескольких миллионов, если учитывать в том числе затраты на интеграторы и IT-специалистов, которые помогают развернуть и наладить систему хранения данных в компании.

В разных учреждениях США на нового сотрудника в среднем уходит около $4000. В сфере услуг поиск нового сотрудника обычно обходится компании примерно в 1000$, в то время как найм специалистов, например, в промышленном производстве начинается уже от 5000$.

В эту сумму входит стоимость размещения вакансии, работы HR-специалиста, его помощника, сотрудников, которые также принимают участие в интервью, составление различные тестовых заданий, а также другие сопутствующие найму тесты и процедуры.


Материалы по теме:

Большой брат с большими данными: как в Китае вводят индивидуальный рейтинг граждан

10 фактов про первое в мире министерство AI

Что происходит на российском RegTech-рынке?

Компьютерное зрение для поиска контрафакта в интернете — опыт Brand Monitor

Как выглядит типичный день дата-сайентиста в петербургском стартапе

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

Материалы по теме

  1. 1 Эволюция ML-сервисов в микрофинансовых организациях и советы по внедрению
  2. 2 Цифровые двойники: как работают, зачем нужны и как смоделировать своего
  3. 3 С какими сложностями может столкнуться компания при внесении данных в IT-системы и как упростить этот процесс
  4. 4 Помощь агробизнесу. Как Big data улучшает работу сельхозпредприятий
  5. 5 Как использовать Big Data & AI для увеличения потока клиентов: кейс с крупным банком
AgroCode Hub
Последние новости, актуальные события и нетворкинг в AgroTech-комьюнити — AgroCode Hub
Присоединяйся!