Munkaerőpiac

16_AI-header-1.jpg
Forrás: ITB
A HR új csodafegyvere

A HR legjobb barátja: az emberre hangolt prediktív analitika

A mesterséges intelligencia tanulóalgoritmusai a HR-eseket soha nem tapasztalt „hatalommal” ruházhatják fel: a jövőbe látás képességével. A prediktív analitika ugyanis a HR-szakmában is hadra fogható a toborzástól kezdve a munkaerő-tervezésen át egészen a felmondások megjóslásáig. A prediktív analitika képes „kiszámolni” a humán faktort, és szinte tűpontosan megjósolni bármit, ennek köszönhetően HR már idő előtt elkezdhet felkészülni mindenre (is).

Már két évvel ezelőtt is a prediktív analitikát titulálták a HR legnagyobb befutójának, amire a tavalyi tapasztalatok is ráerősítettek, ennek ellenére még mindig kevesebb a tanulóalgoritmus a humánerőforrás-menedzsment szakmában, mint kellene. Nem vitás ugyanis, hogy szükség van rá. Versenyelőny, hatékonyság, energia-, költségoptimalizálás, és ügyfélelégedettség-növekedés – a prediktív analitika, mint csodafegyver, új dimenziót nyithat a HR-ben, ha jókor, jó helyen használják.

 

Tiszta adatbázis, előítéletmentes kiválasztás, közel tökéletes jelölt

Az információnak, és az évek óta háttérben zajló folyamatokból származó adatoknak csak akkor van a HR számára értéke, ha értelmezhetővé és kezelhetővé válik. A prediktív analitika pedig pontosan erre hivatott: felismerhetővé teszi a mintázatokat, előre jelzi a trendeket, valószínű jövőbeli alternatívákat vázol.

A HR-ben az elemzéshez a tanuló algoritmus a számadatokat, szöveges adatbázist, a korábbi teljesítményt, a videós és képi anyagot használja fel, és ezekből kiindulva vázol fel a jövőbeli eseményre vonatkozó feltételezéseket, komoly beválási valószínűséggel. Nyilván nem lehet kijelenteni, hogy száz százalék pontossággal képes mindent előre látni, mert ez nem igaz, ellenben nagyobb predikciós készsége van, mint bármi másnak ezen a világon. Ráadásul a HR szempontjából van egy kiváló jellemvonása: nem sztereotipizál. (Ha jók az adatok. Ha nem, akkor… Lásd a „Piszkos adatokból…” keretet!)

Azok a cégek, amelyek már alkalmaznak tanuló algoritmust a toborzás és kiválasztás során nagyobb valószínűséggel találják meg az adott pozícióra a legalkalmasabb embert. Ez egészen egyszerűen annak köszönhető, hogy az algoritmusra nem hat a szubjektív benyomás. Ha tiszta adatbázisból van tanítva, akkor pedig szinte garantált a siker. De hasonló a helyzet, a munkaerő-tervezés, baleset-megelőzés, kompetenciatréning és egészség-megőrzés esetében is, ha bekapcsolódik a folyamatba a prediktív analitika.

Piszkos adatokból piszok viselkedés ered

Anno nagy port kavart az Amazon projektje, ahol az algoritmus nem tiszta adatbázisból „tanult”, így a mintázatokba bizony sztereotípia és elfogultság is került. Ez annak volt köszönhető, hogy korábban a HR a férfi jelentkezőket részesítette előnyben, annak ellenére, hogy lettek volna jobb, de nőnemű jelöltek.

A másik érdekesség, amely már nem Amazonspecifikus, de a nem tiszta adatbázisokhoz köthető: a szándékos pozitív diszkrimináció. A munkahelyi diverzitás biztosítására is megtanítható az algoritmus.

Ha van prediktív analitika, nincs több váratlan felmondó?

Hasznos jószágok a kiválasztás során a prediktív analitika és a tanuló algoritmusok, de csak akkor, ha a cég olyan adatbázissal szolgál számukra, amely a lehető legobjektívebb, már ami a kiválasztást illeti. Abból kiindulva, hogy kik váltak sikeressé az adott munkakörben, kik teljesítettek jól, milyen karriert futottak be és kik kaptak jó értékeléseket, az algoritmus képes megérteni és felállítani azt a mintázatot, amely a fentieket is figyelembe véve azokat az önéletrajzokat és jelentkezőket ajánlja fel a HR-szakembereknek, amelyek (akik) a legmegfelelőbbek. Ha pedig a HR nem valós időben egy videointerjú vagy pszichológiai teszt alapján hoz döntést, akkor miért ne bízná az algoritmusra a kiválasztást? Ez persze csak a jéghegy csúcsa, elvégre nemcsak a jó kezdet, hanem a rossz vég elkerülésében is a HR-es segítségére lehet a prediktív analitika.

Az algoritmus képes megjósolni a megtanult és elemzett viselkedésmintázatokra, a munkahelyi teljesítményre, a dolgozó online jelenlének milyenségére alapozva azt, hogy ki és mikor akarja otthagyni a céget, ahogy azt is, hogy ki fog kiégni. Természetesen a jó empátiás receptorokkal megáldott vezető is kiszúrja az árulkodó jeleket, de ő sem tud mindenkire odafigyelni.

Szorosan ehhez kapcsolódik így a megtartás témaköre is, amelyben a predikció, mintegy munkahelyi szimulációt képes nyújtani. A tengerentúlon például zajlott olyan szimuláció, amely az adott cég eltérő lépéseinek várható kimenetelét jósolta meg, úgymint a fizetésemelésből, a rugalmasabb munkaidőből vagy épp a feladatkörök cserélgetéséből fakadó eredményeket.

 

Nemcsak a jövőbe lát, de meg is óv tőle

Nem kérdés tehát, hogy a megtartásra, a jobb teljesítményre, és a dolgozói elégedettségre is rá lehet erősíteni a prediktív analitikával. A non plus ultra pedig talán kompetenciafejlesztés és a baleset-megelőzés, amely azonban azonban gyökeresen más tészta. Itt ugyanis a szöveg- és számrengeteg helyett a képi és szenzorelemekből tanul az algoritmus.

A ruhába épített szenzor például figyeli a fizikai dolgozó mozgását és jegyzi, ha túl nehéz dolgokat emel vagy épp rossz mozdulatot végez, ebből pedig az algoritmus predikciót végez a jövőbeni sérülésekre vonatkozóan. Hasonló a helyzet a mesterséges intelligencia elemezte videókkal is, amelyek adatait megtanítva az algoritmussal, az képes lesz arra, hogy előre jelezze a balesetveszélyes helyzeteket a dolgozók és a gépek mozgása alapján.

Ami a kompetenciafejlesztést illeti, megismerve az adott személy képességeit, az algoritmus képes úgy összeállítani a tréninget, hogy a lehető leghatékonyabb információtranszfer valósuljon meg.

Melyik HR-szakember ne sóhajtana fel megkönnyebbülésében, ha a prediktív analitika levenné a válláról ezeket a terheket?