Умный HR: как быстро внедрить Big Data и Machine Learning в управление человеческими ресурсами

Big Data, Большие данные, машинное обучение, Machine Learning, CRISP-DM, PDCA, HR, бизнес, люди, внедрение

Как быстро и эффективно внедрить Big Data и Machine Learning в прикладную область бизнеса для решения практических задач, избежав популярных ошибок Data Scientist — разбираемся на примере HR-направления.

Подготовка к внедрению Big Data в HR и не только

Зачем HR-специалисту большие данные и какую пользу они принесут управленческим процессам и предприятию в целом, мы уже рассказывали в этой статье. Сегодня поговорим о непосредственном встраивании технологий Big Data в управление персоналом.

Внедрение любой новой технологии и, тем более, методологии – процесс длительный и итеративный, состоящий из нескольких этапов, как это предписывает стандарт CRISP-DM, об особенностях работы с которым мы уже рассказывали здесь и здесь. Однако, CRISP-DM – это методическое руководство для Data Scientist, а с точки зрения бизнеса, в частности, для HR-специалиста, нужен более абстрактный подход, без технических особенностей. Таким вариантом, демонстрирующим все необходимые этапы Big Data-проекта, будет управленческий цикл принятия решений Деминга-Шухарта или PDCA (от английского Plan-Do-Check-Act) [1]

PDCA
Классический цикл Деминга-Шухарта (PDCA)

Как связаны циклы PDCA и CRISP-DM?

Процесс принятия и осуществления управленческих решений по циклу PDCA актуален для любой бизнес-сферы, включая практику выполнения ИТ-проектов по направлению Big Data: сперва мы планируем деятельность, затем воплощаем эти планы, после проверяем степень достижения поставленных целей и, наконец, корректируем выявленные несоответствия между плановыми и фактическими показателями [1]. Аналогичные шаги включает стандарт CRISP-DM: от формулирования прикладной проблемы до развертывания программных продуктов. Однако, в эти 6 фаз не входит непрерывный мониторинг и корректировка полученных решений, что, в свою очередь, влечет за собой ошибку деградации моделей машинного обучения (Machine Learning) [2].

Комбинация двух подходов позволит избежать проблем на этапе развертывания CRISP-DM [3] за счет цикличности шагов PDCA [1]. Таким образом, одна из итераций по непосредственному внедрению Big Data в бизнес-направление выполняется на этапе Do, наблюдается и корректируется, а затем повторяется снова с учетом необходимых изменений.

CRISP-DM, PDCA
Место цикла CRISP-DM в процессе Деминга-Шухарта (PDCA)

Этапы внедрения Big Data в HR

Поскольку основной смысл HR состоит в кадровом обеспечении компании для выполнения ее ключевой деятельности, целесообразно рассматривать эти шаги в прикладном контексте:

  1. Определение конкретной бизнес-проблемы, например, повышение эффективности продаж. В разрезе HR-аналитики следует найти факторы, которые способствуют высокой производительности менеджеров по продажам, чтобы привлекать и нанимать подходящих людей, а затем развивать их потенциал [4].
  2. Фильтрация сведений, создание словаря данных и чистка информации: удаление дублей, устаревших значений и т.д. Например, как определить «текучесть персонала»: стоит ли учитывать людей, которые включились в команду менее полугода назад, работают неполный день или оставили компанию в последний день года? Создание словаря данных является межотраслевым проектом – необходимы не только основные HR-сведения (дата найма, возраст, опыт, информацию об образовании), рекрутинговые характеристики (оценка до найма, интервью), информация о производительности (рейтинги, распределение работы) и обучении (завершение программ, сертификация, оценки), а также данные по лидерству (лидерские качества, обратная связь) [4].
  3. Построение гипотез и их реализация. Например, как качество межличностных коммуникаций в команде влияет на эффективность ее работы или какие факторы провоцируют профессиональное выгорание сотрудников и как их предупредить. На этом этапе к HR-аналитику подключается Data Scientist, организуя дальнейшую работу по стандарту CRISP-DM: от бизнес-анализа до внедрения модели машинного обучения (Machine Learning). Этот этап пойдет быстрее, если менеджер владеет хотя бы минимальными навыками программирования на языке R.
  4. Анализ полученных результатов, улучшение качества построенных моделей и их последующее внедрение в другие бизнес-задачи с необходимой адаптацией.

На наших практических курсах мы расскажем, как реализовать все эти шаги на практике, чтобы улучшить работу вашей HR-службы и предприятия в целом. Аналитика больших данных для руководителей – это 3-дневный интенсив по извлечению прикладных знаний из разноформатных сведений и их монетизация в контексте ваших бизнес-задач: от оптимизации производственных процессов до формирования высокоэффективной организационной структуры предприятия с помощью средств Big Data (Hadoop, Spark, Kafka и пр.). Выбирайте удобную дату, записывайтесь на занятия и приходите в наш образовательный центр, чтобы в совершенстве освоить современные ИТ-инструменты: большие данные, машинное обучение (Machine Learning) и интернет вещей (Internet Of Things). Увидимся в классе!

Источники

  1. https://ru.wikipedia.org/wiki/Цикл_Деминга
  2. https://www.bigdataschool.ru/bigdata/crisp-dm-7-популярных-ошибок.html
  3. https://www.bigdataschool.ru/bigdata/data-scientist-и-crisp-dm-20-главных-проблем.html
  4. http://hrm.ru/db/hrm/C71B4DD16539965244257B23003E0919/print.html