Без страху і болю: як роботи вибирають правильних працівників

Без страху і болю: як роботи вибирають правильних працівників

Ні для кого не секрет, що знайти хороших працівників нелегко, особливо у конкурентному технологічному світі.

Менеджери по найму можуть витрачати годинник на перегляд безлічі резюме, використовуючи примітивні інструменти пошуку за ключовими словами, а працівники з особливо затребуваними навичками завалені листами від рекрутеров, що пропонують не цікаву їм роботу, говорить Ед Доннер, один із засновників і генеральний директор нью-йоркського стартапа Untapt.

"Знайти інженерів — неймовірний головний біль, — говорить Доннер, який раніше очолював технологічну команду з сотнями співробітників в JPMorgan Chase. — Знайти талант все ще нестерпно важко".

Untapt — одна з тих компаній, які хочуть спростити процес відбору резюме. Використовуючи методи машинного навчання, вони розробляють алгоритми, які можуть передбачити, наскільки добре кандидат підходить для конкретної роботи. Прибічники і експерти галузі говорять, що автоматизація рекрутинга може заощадити час і гроші, а також допомогти hr— менеджерам знаходити і розглядати різноманітніший набір претендентів.

Допомагаючи здолати забобони

"Люди дуже схильні до забобонів, а за допомогою машини ви зможете здолати цю упередженість, — говорить Том Хаак, директор HR Trend Institute. — Якщо машина дізнається, що ви шукаєте, вона повідомить, коли знайдеться відповідний кандидат".

Untapt, який був запущений на початку 2015 року, орієнтований на заповнення позицій у фінансово-технологічному секторі. Його софтвер допомагає шукати кандидатів з певними технічними навичками ефективніше, ніж це можна було б зробити за допомогою традиційного текстового пошуку в резюме і супровідних листах. Якщо компанія шукає розробників з великим досвідом у функціональному програмуванні — методиці розробки софтвера, популярної у фінансово-технологічному світі, — інструмент Untapt може навчитися розпізнавати, що знання певних мов програмування — хороший знак, говорить Доннер.

"Ви маєте справу з цим дуже "шумним" набором даних з великою кількістю інформації, — говорить він. — Такого роду завдання ідеально підходять для штучного інтелекту і машинного навчання".

Компанія стежить за тим, які кандидати, вибрані її софтвером, були запрошені на інтерв'ю і на які позиції, і використовує цю інформацію, щоб постійно удосконалювати свої алгоритми. Вони, як говорить Доннер, часто вже випереджають людей-рекрутеров по відсотку кандидатів, запрошених на співбесіду.

Untapt також розглядає кандидатів з недостатньо представлених груп — жінок, ветеранів і кольорових, — щоб дати шанс тим, кого традиційні рекрутери можуть проігнорувати.

"У нас також є функції в Untapt, [де] клієнти можуть вибрати, щоб імена і фотографії в їх резюме були приховані, і рішення приймалися наосліп", — говорить Доннер.

За його словами, компанія притягає претендентів, використовуючи різні методи, у тому числі інтернет-рекламу, блоги і виступи на галузевих заходах, а потім просто поширює резюме серед тих компаній, з якими кандидати згодні співпрацювати. Це допомагає притягнути клієнтів, які, можливо, не хочуть брати активну участь у більше традиційному пошуку роботи, але зацікавлені у вивченні різних варіантів.

Машинне навчання також може допомогти компаніям знаходити хороших кандидатів, звертаючись до наявних резюме, говорить Стів Гудман, один із засновників і генеральний директор Restless Bandit з Сан-Франциско. Компанія спеціалізується на повторній "перевірці таланту" — вона шукає серед раніше поданих резюме ті, які можуть виявитися відповідними для нової вакансії. Програма вивчає записи претендентів і оцифровані дані про найм, що вказують, чи досягли успіху попередні претенденти на подібні ролі. З часом вона вчиться розуміти, які резюме підходять для конкретних вакансій. "Ми вивчаємо шаблони найму компанії", — говорить Гудман.

В майбутньому компанія, ймовірно, отримає більше даних про те, як успішні кандидати досягають успіху на своїх нових робочих місцях і як вони просуваються по кар'єрних сходах. Restless Bandit також збирає загальнодоступні дані про претендентів, тому компанії можуть підтримувати свої бази в актуальному стані і переглядати їх з точки зору нових позицій.

"Одна з речей, які ми робимо для компаній, це пошук даних у відкритій мережі, — говорить Гудман. — Ми намагаємося знайти потрібну людину і доповнити резюме останніми даними".

Замінник "сьомого почуття"?

Що системи машинного навчання доки не можуть зробити, так це усунути необхідність співбесіди, говорить Гудман. Вони не можуть оцінити мову тіла і розмовні навички претендентів, передбачити, як вони впишуться в існуючу культуру цієї команди. Тобто ще існує певна потреба участі людини в процесі прийому на роботу.

"Ми можемо вибрати вам для співбесіди 15 або 20 чоловік, — говорить він. — Але ми не можемо сказати вам, кого найняти".

Проте, деякі компанії навіть розробляють інструменти, які використовують машинне навчання для оцінки особових якостей і здібностей претендентів. У ідеалі штучний інтелект може допомогти компаніям вийти за рамки базових особових тестів, якими, як давно говорять критики, претенденти можуть легко маніпулювати, вгадуючи "правильні відповіді" для конкретної роботи.

Cognisess, заснована в англійському місті Бат, пропонує програмну платформу з приблизно 40 різними ігровими методами аналізу, що вимірюють такі чинники, як робоча пам'ять, співпереживання, уміння розділити увагу між декількома завданнями. На основі оцінки існуючих успішних працівників платформа розробляє профілі тих, хто добре підійде для конкретної позиції, і вказує, наскільки кандидати відповідають їй, говорить один із засновників і генеральний директор Кріс Батт. Оскільки оптимальні результати по різних тестах варіюються від позиції до позиції, претендентів важко сфальсифікувати результати.

В цілому застосування штучного інтелекту для найму може означати перехід від інтуїтивних рішень до процесів, більшою мірою заснованих на даних, говорить Ден Райан, директор Ryan Search and Consulting і член Суспільства управління людськими ресурсами.

"Частина проблем з працевлаштуванням, а також з процесом пошуку роботи, пов'язана з тим, що існує залежність від інтуїтивних рішень на противагу рішенням, заснованих на даних, — говорить він. — Якщо ми отримаємо підтвердження, що використання аналітичного підходу дає ефективніший результат, ніж опора на інтуїцію, то з'являться і реальні результати".