機器學習如何影響人力資源分析

人力資源多年來一直在使用分析。然而，數(shù)據(jù)的收集，處理和分析主要是手動的，考慮到人力資源動態(tài)和人力資源關(guān)鍵績效指標的性質(zhì)，這種方法一直限制人力資源。因此，令人驚訝的是，人力資源部門在游戲的這么晚就醒悟了機器學習的效用。

然而，機器學習已經(jīng)緩慢但肯定地進入人力資源領(lǐng)域，并且已經(jīng)建立了諸如磨損預測，正確雇用和人力資源培訓的多個用例。還認為機器學習可以預測潛在候選人的成功。很快就會發(fā)現(xiàn)更多用例。與手動方法不同，機器學習方法更快，對動態(tài)情況的響應更快，并提供準確，可操作和有價值的數(shù)據(jù)。(盡管數(shù)據(jù)分析領(lǐng)域正在變得越來越自動化，但現(xiàn)在還沒有必要擔心失業(yè)問題。在No，了解更多信息，數(shù)據(jù)分析機器人不會隨時竊取你的工作。)

人力資源的作用

人力資源無疑是組織最寶貴的資產(chǎn)。人力資源部門負責管理組織的人力資源，以便從組織中獲得最大的價值。人力資源的作用包括以下內(nèi)容：

為正確的角色確定合適的人才

適當?shù)难a償和福利

通過培訓和機會管理員工發(fā)展

通過增量，促銷，機會和利益來跟蹤和管理人力資源增長

管理員工的動機，不滿和感受

管理退出

人力資源機器學習案例

隨著時間的推移，人力資源部門的期望一直在變化。以前，人力資源部門會找到合適的人選; 進行或促進評估; 根據(jù)人力資源政策分發(fā)報酬，補償和福利; 并管理員工的職業(yè)生涯和退出?，F(xiàn)在，人力資源有望為其已經(jīng)做的事情增加更多價值，并做更多的事情，例如預測員工的自然減員和候選人成功。當前實現(xiàn)這些期望的方法是否能夠?qū)崿F(xiàn)或限制人力資源?

在采用機器學習之前，人力資源部門將以手動和半自動方式管理數(shù)據(jù)。它會收集，存儲和處理數(shù)據(jù)，以便在數(shù)據(jù)迅速變得無關(guān)緊要之前產(chǎn)生分析，因為情況已經(jīng)發(fā)生變化，數(shù)據(jù)需要更新。例如，在年度評估周期之前收集的數(shù)據(jù)顯示出較低的損耗風險。然而，在評估后，人員流失和員工不滿情緒高漲，主要是因為期望和實際獎勵不匹配以及就業(yè)市場機會增加?；旧?，預評估分析誤導了組織，這種努力可能被視為浪費。

沒有配備手動和半手動方法，使人力資源部門能夠管理與人力資源相關(guān)的快速變化的變量數(shù)據(jù)。人力資源需要對相關(guān)因素進行定期，更新的分析，例如組織內(nèi)的員工情緒，員工對政策的態(tài)度以及市場機會的吸引力與組織提供的吸引力。這是一項嚴肅的事業(yè)。除非人力資本管理得當，否則組織可能會失去有價值的員工。比爾蓋茨曾評論說：“你帶走了我們的前20名員工，我們[微軟]成為一家平庸的公司。”進入機器學習。機器學習能提供什么樣的舊方法?考慮以下：

對動態(tài)變化的快速反應

這是大數(shù)據(jù)的時代。要管理員工，您需要以下數(shù)據(jù)：

員工的態(tài)度和感受

證書或資格證書

員工對政策的看法

薪酬和福利趨勢

相關(guān)的外部發(fā)展，如就業(yè)市場和競爭對手組織及其對員工的影響

這加起來每時每刻都有大量的數(shù)據(jù)量。手動管理根本沒有能力處理它。但是，機器學習適合于始終如一地接受，存儲和處理此類數(shù)據(jù)量，并以簡單分析的形式提供相關(guān)且可操作的見解。(了解有關(guān)大數(shù)據(jù)在處理大數(shù)據(jù)分析痛點方面的業(yè)務角色的更多信息。)

準確的預測

機器學習可以預測關(guān)鍵的發(fā)展，如消耗，工作角色的成功和不道德行為等不良事件。例如，可以根據(jù)對過去數(shù)據(jù)的分析來預測員工擔任新角色的成功可能性，例如過去的項目績效，知識庫和為改善知識基礎(chǔ)而采取的關(guān)鍵舉措，這反映了態(tài)度?；谶@些參數(shù)的結(jié)果可以轉(zhuǎn)換為分析，然后可以做出決策。

機器學習可以根據(jù)工作角色和候選人的證書，經(jīng)驗和興趣將正確的工作與正確的候選人聯(lián)系起來。機器學習可以利用社交網(wǎng)絡。它大大減少了候選人評估和跟蹤的手動工作量。

發(fā)展

在對機器學習做出冷淡反應之后，人力資源領(lǐng)域正在意識到其效用。許多用例正在實施，還有更多用例正在實施中。下面給出了主要發(fā)展的摘要。

候選人識別和申請跟蹤

利用來自論壇和社交媒體等網(wǎng)絡資源的大量數(shù)據(jù)，組織正在尋找合適角色的合適人選。在評估候選資格時，機器學習考慮資格，經(jīng)驗，興趣，專業(yè)聯(lián)系和成員資格，成就，論壇討論等。如果不能保證，這可以顯著提高角色配合的機會。一個很好的例子可能是專業(yè)網(wǎng)站LinkedIn。

機器學習顯著減少了應用程序管理中的手動工作，并使HR能夠?qū)Ｗ⒂诟咝У墓ぷ?。根?jù)MejorTrato.com.mx的首席執(zhí)行官兼聯(lián)合創(chuàng)始人Cristian Rennella的說法，該公司比較金融產(chǎn)品，“在過去，我們花了67.2%的每個人在人力資源部門的時間閱讀通過我們來到我們這里的每位候選人的簡歷。自己的網(wǎng)站和第三方。感謝AI，今天的這項工作由我們的內(nèi)部系統(tǒng)自動完成，通過使用TensorFlow的深度學習，我們可以自動完成這項任務。“

準確的預測

人力資源分析通?？梢詼蚀_地預測關(guān)鍵因素，如人員流失，員工績效，甚至不道德行為等不良事件。例如，來自各種論壇對話，社交媒體帖子，電子郵件，視頻，競爭組織和市場機會的數(shù)據(jù)可以指出消耗水平的變化。在評估周期后，損耗水平特別容易發(fā)生變化。

工作成功預測

候選人的證書，成員資格，態(tài)度和表現(xiàn)的數(shù)據(jù)可以指向工作角色的成功概率。關(guān)鍵是，手動嘗試根據(jù)這么多變量計算預測是不夠的。人力資源分析可以根據(jù)哪些組織找到合適的工作角色的合適人選來提供準確的見解。

組織已經(jīng)從采用機器學習中獲益。雖然機器學習已經(jīng)減少了手動工作，但預計ML在消耗預測和管理，員工管理和成功等領(lǐng)域變得更加準確和突出。