Инновационные аспекты современной кадровой политики крупных коммерческих организаций

Введение

В условиях сложившейся действительности, связанной с форсайтом систем импортозамещения в нашей стране, все больше крупных коммерческих организаций стали прибегать к автоматизации процессов набора и тестирования персонала. Особенно остро данная проблема стоит для персонала с техническими навыками и знаниями, так как объективно наблюдается растущая потребность рынка труда в высококвалифицированных талантах, знающих и применяющих современные инновационные технологии, способных к обучению и восприятию нового, что на сегодняшний день реализовано не в полной мере. Например, крупные коммерческие компании могут инвестировать в инновационные проекты, но без соответствующих технических кадров данные инвестиции никогда не достигнут окупаемости. Однако, в современной национальной литературе исследование данного вопроса ведется бессистемно и неполно, что предопределяет актуальность данной статьи.

Вопросами, связанными с анализом и влиянием уровня технических знаний талантов на повышение общего уровня инновационной активности и рентабельности деятельности современных крупных коммерческих организаций занимались некоторые современные ученые. В их числе: Анисимов А.Ю. [1], Зайковский Б.Б. [5], Ипполитова К.А. [6], Кирпишникова В.С. [8], Королев В.И. [9], Мельникова М.В. [12], Романова А.Ю. [13] и другие. Однако, выявлена объективная необходимость разработки современных программных средств и комплексов, которые бы не только занимались набором талантов, но также их сортировкой, тестированием, повышением и отслеживанием уровня знаний и компетенций, сравнения их между собой, ранжированием и построением аналитического результата для hr-специалиста. К сожалению, на данный момент на кадровом рынке не существует подобной аналитической разработки, только присутствуют программы, частично закрывающие данные потребности, а также не изучено применение модели BERT для повышения инновационности системы подбора персонала с техническими навыками, обученной на навыках из резюме, позволяет получить эффективное векторное представление для сопоставления с вакансиями. В связи с этим налицо научный пробел, связанный с разработкой универсальной инновационной программы BERT для современных крупных коммерческих организаций для оценки, тестирования и отбора талантов соответствующих компетенций. [10]

Целью исследования является разработка методических подходов к моделированию системы программного обеспечения для внедрения в деятельность крупных коммерческих организаций с целью выявления уровня знаний и компетенций технических талантов на современном кадровом рынке и повышения эффективности работы кадровой службы.

Научная новизна представленного исследования заключается в разработке синергетического подхода в виде модели уникальной системы ИТ-нейрокомплекса для современных крупных коммерческих организаций в контексте оценки, тестирования и отбора талантов соответствующих компетенций.

Авторская гипотеза заключается в предположении, что разрабатываемый программный комплекс позволит постоянно повышать уровень инновационности современных крупных коммерческих организаций за счет объективной оценки общего технического уровня знаний и компетенций талантов, который будет объективно оценен, а также постоянно повышаться, что снизит расходы крупных коммерческих организаций на кадровый подбор и увеличит рентабельность. Использование модели BERT для построения векторного представления навыков из резюме повышает точность и качество анализа данных, обеспечивая более глубокое понимание содержания текста и улучшая процесс подбора персонала. Такой подход может значительно улучшить эффективность HR-процессов, облегчив поиск кандидатов и оптимизируя процесс подбора персонала в организации.

Для таких целей необходимо использовать перспективную оценку с точки зрения результативного и комбинированного подходов. Перечисленные методы включают потенциальную оценку, связанную с динамикой оценки кадровых программных проектов современных крупных коммерческих организаций. [12]

В ходе проведения настоящего исследования были использованы методы описания, обобщения и синтеза.

Основная часть

Тенденции в области HR-технологий будут двигаться в сторону персонализации. Рекомендательная система подберет кандидата для компании (и, наоборот, вакансию для кандидата), учитывая индивидуальные предпочтения и требования сторон, способствуя эффективной связи между потенциальными работодателями и соискателями. При грамотном административном управлении программное обеспечение для управления техническим персоналом оказывается практичным и важным решением, когда различные отделы организации находятся в процессе цифровизации. Программное обеспечение для управления персоналом должно иметь возможность использоваться как можно дольше и помогать отделу кадров оптимально управлять и безопасно обрабатывать конфиденциальные данные всех сотрудников. Выбор программного обеспечения такого уровня в качестве решения для управления персоналом является естественным выбором, учитывая простоту его использования и разнообразие приложений. Функциональные возможности, предлагаемые программным обеспечением для управления персоналом, очень разнятся и полностью отражают текущий сектор управления персоналом и присущие ему потребности. Все программное обеспечение такого рода имеет свои сильные стороны и предлагает решения различных задач по оптимизации работы HR-отдела компании. Благодаря программному обеспечению для управления личными данными теперь можно и просто оцифровать личные дела. Управление всеми данными и документами, касающимися сотрудников, упрощается, поскольку централизовано в едином пространстве. Отдел кадров может решить, кто и к каким данным может иметь доступ. [1]

Создание и управление объявлениями о вакансиях может быть утомительным. Благодаря программному обеспечению для управления персоналом отделы кадров получают приложения непосредственно в программном обеспечении. Программное обеспечение позволяет интегрировать процессы адаптации новых сотрудников (с добавлением необходимых документов) и процессы увольнения, когда сотрудник желает покинуть компанию. Общение с кандидатами остается гибким и более прямым и даже персонализированным. В зависимости от потребностей компании и человеческих ресурсов стало легче выбрать подходящее программное обеспечение для управления онбордингом технического персонала. Чтобы найти программное обеспечение для управления наймом и тестированием персонала, которое наилучшим образом соответствует ожиданиям крупных коммерческих организаций, важно заранее определить цели, которые необходимо достичь. Также важно проанализировать, как следует оптимизировать управление персоналом, определив различные процессы, которые необходимо выполнить. [3]

Продавцы и веб-сайты полны практических решений. Крайне важно сравнивать программное обеспечение для управления персоналом и проверять по пунктам, соответствуют ли эти решения конкретным потребностям. Ограничив себя двумя или даже тремя программами, уже можно будет иметь четкое представление о типе необходимого программного обеспечения для онбординга и тестирования технического персонала.

Инструмент управления персоналом, такой как программное обеспечение для управления онбордингом и тестированием технического персонала, оказывает значительное влияние на производительность крупных коммерческих организаций. Этот инструмент автоматизирует и делает более надежными многие процессы, такие как управление адаптацией или мониторинг времени активности. Благодаря экономии времени, надежности и концентрации информации программное обеспечение обеспечивает эффективный мониторинг в режиме реального времени для лучшей организации процесса онбординга и тестирования. Все эти возможности приносят настоящий комфорт в повседневную работу и позволяют каждому достичь наилучшего баланса между профессиональной и личной жизнью. Такое программное обеспечение служит работникам и отношениям между отделом кадров или руководством и сотрудниками. С помощью программного обеспечения для управления процесса онбординга и тестирования технического персонала компания выявляет умения и квалификационное соответствие каждого сотрудника. Благодаря регулярно обновляемым данным и тестам, а также возможности использования обученных нейросетей менеджеры имеют актуальную и достаточную информацию для облегчения принятия решений. [4]

В условиях ограниченного рынка и нехватки талантов поиск подходящих кандидатов становится все труднее и дороже. По данным консалтинговой фирмы, средняя стоимость подбора персонала составляет от 5000 до 8000 рублей. Поэтому рекрутинг всегда требует больше усилий, ресурсов и стратегии. Согласно исследованию, проведенному рекрутинговой компанией Robert Walters в 2023 году, 85% компаний заявили, что обеспокоены нехваткой технических талантов. Поэтому оснащение фирмы программным обеспечением для подбора персонала больше не роскошь, а необходимость. Проблемы, с которыми сталкиваются предприятия при подборе персонала, никогда не были более сложными. [7]

Рынок труда становится чрезвычайно конкурентным. Поиск квалифицированных кандидатов является серьезной проблемой для компаний. В 2023 году каждая четвертая компания была вынуждена отказаться от подбора руководителей из-за отсутствия подходящих кандидатов. [18] Эта ситуация подчеркивает необходимость принятия новых подходов, таких как автоматизированные и персонализированные процессы. Последняя, ​​также называемая ATS (система отслеживания приложений), предлагает кандидатам расширенный опыт, адаптированный к последним ожиданиям, что особенно привлекательно для поколений миллениалов.

Сегодня технический персонал ищет больше, чем просто работу. В поколении, движимом привычками быстрого потребления, кандидаты отдают предпочтение простым и быстрым процессам подачи заявок. Платформы интерактивных приложений множатся. Социальные сети, сайты рекомендаций и специализированные доски объявлений открывают новые возможности для поиска кандидатов там, где они находятся. Что касается крупных коммерческих организаций, процессы подбора и тестирования технического персонала становятся все более сложными и трудоемкими. Такое изменение отношения со стороны кандидатов требует от компаний переосмысления своей стратегии подбора персонала, чтобы соответствовать этим новым ожиданиям. Однако, не разработано ни одной программы для онбординга и тестирования компетенций технического персонала с обработкой результатов нейросетью. [3]

Отделы кадров часто оказываются перегружены сложностью и количеством административных задач, связанных с подбором персонала. Поэтому внедрение программного обеспечения для онбординга и тестирования технического персонала очень выгодно. Именно здесь программное обеспечение для подбора персонала имеет решающее значение. Вместо того, чтобы тонуть в потоке резюме, каждое заявление автоматически систематизируется, сортируется и готово к оценке. Автоматизация превращает этот утомительный процесс в плавную и эффективную работу. Наем персонала через внешние агентства может составить от 15 до 35% годовой зарплаты занимаемой должности, в зависимости от профиля искомого кандидата. Даже внутренний набор персонала не обходится без затрат: простая реклама на должность может стоить до 1000 рублей, не говоря уже о 12000 рублей в год за доступ к платформам вакансий и 30000 рублей за часы, потраченные на собеседования. [6]

Разрабатывая и внедряя программу онбординга и тестирования технического персонала, мы говорим не только об экономии прямых затрат, речь идет об эффективности. Централизация всего процесса, от заявок, тестирования, просмотра резюме до отбора, включая распространение предложений. Прежде всего, высвобождается драгоценное время для того, что действительно важно – встречи с кандидатами. [2]

Один из ключей к эффективному процессу подбора персонала заключается в прозрачном и гибком сотрудничестве между операционными командами, HR-командами и менеджерами. Однако, такую ​​синергию не всегда легко реализовать из-за трудоемких ручных процедур и рассредоточенных каналов связи. Благодаря программному обеспечению для подбора персонала все заинтересованные стороны имеют легкий доступ к мониторингу подбора персонала: обмен предложениями о работе, рассмотрение поступивших заявок, внутренняя обратная связь, совместное принятие решений и т. д. Вся информация зашифрована, хранится в центрах обработки данных и подлежит строгому контролю доступа для обеспечения конфиденциальности. На конкурентном рынке труда опыт кандидата может иметь решающее значение. ATS или программное обеспечение для подбора персонала упрощает процесс подачи заявки. Этот опыт более приятен как для соискателя, так и для HR-команды. Персонализированное общение и тщательный мониторинг каждого этапа набора персонала способствуют вовлечению кандидатов и укреплению бренда работодателя. [8]

Искусственный интеллект в подборе персонала (AI-рекрутмент) не только ускоряет процесс найма, но и делает его более точным. Искусственный интеллект при подборе персонала (AI-рекрутмент) оказывает огромную помощь. В последнее время эта технология вернулась на передний план после больших успехов. Его истинное влияние еще предстоит выяснить, но можно проанализировать то, что уже было достигнуто. В конце концов, у отделов кадров есть множество инструментов со встроенным искусственным интеллектом.

Благодаря его возможностям процессы, осуществляемые рекрутерами, ускорились как никогда раньше. Сегодня просмотреть сотни резюме очень просто и быстро. Но прогресс был достигнут и в других областях, таких как персонализированное внимание к кандидату. Из-за важности набора ИИ полезно понять, что именно это такое, какие улучшения он внес, а также некоторые проблемы, с которыми в настоящее время сталкиваются.

Основная функция искусственного интеллекта в рекрутинге - автоматизация повторяющихся задач. В то же время он собирает полезные данные обо всем процессе и увеличивает возможности их обработки и анализа. По сути, это технология, предназначенная для оптимизации более рутинных процессов, которые, хотя и не имеют большой ценности, должны выполняться с качественными результатами, подобными тем, которые получил бы подготовленный специалист. [10]

Искусственный интеллект подбора персонала может выполнять широкий спектр задач на протяжении всего процесса. Он предоставляет кандидатам информацию, автоматически публикуя предложения о работе, фильтрует резюме по различным переменным, назначает встречи для прохождения тестов или собеседований и поддерживает контакт с кандидатами. [9]

Использование искусственного интеллекта на каждом этапе процесса позволяет рекрутерам сосредоточиться на других ключевых задачах без потери точности. Однако, при поддержке ИИ они фильтруют быстрее и находят нужный профиль за меньшее время. Все это благодаря возможности установки фильтров или проведения расширенного поиска. Искусственный интеллект при подборе персонала вмешивается на разных этапах процесса. Его вклад расширяет возможности человека, ускоряя его работу и даже раскрывая аспекты кандидата, которые в противном случае остались бы незамеченными.

Публикация вакансий - это деятельность, которую также можно поручить ИИ. Стоит ли писать текст подробно и за несколько секунд. Как только это будет сделано, мультипостинг массово опубликует его на самых важных порталах или тех, которые интересны рекрутеру. Это ускоряет процесс от начала до конца. Однако, для повышения эффективности полезно контролировать сгенерированные тексты, чтобы они соответствовали стилю, желаемому компанией. Это также ограничивает любые ошибки, дублирования или противоречивые предложения, которые могут возникнуть.

Следует учитывать, что при сочетании ИИ с программным обеспечением для подбора персонала результаты получаются лучше. Хорошая программа анализирует более 200 порталов вакансий и 400 университетов. При этом она позволяет автоматически получать заявки от кандидатов, что ускоряет процесс. Это еще один важный шаг в процессе тестирования технического персонала, который может занять много времени. До сих пор автоматизация предлагала эффективное решение: поиск по определенным терминам или ключевым словам для фильтрации резюме. Однако развитие искусственного интеллекта с обработкой естественного языка (НЛП) стало поворотным моментом. [11]

Человеку требуется шесть секунд, чтобы прочитать резюме, но ИИ с НЛП обрабатывает 600 за одну секунду. [19] Машина понимает тексты, разбивая их на грамматические части, чтобы извлечь соответствующие элементы и обобщить их. После этого резюме классифицируются в зависимости от требований к вакансии, что обеспечивает точные результаты.

Искусственный интеллект при подборе персонала также используется для классификации профилей. Эта технология группирует профили по предпочтениям, навыкам и любым другим параметрам, интересующим рекрутера. После определения в базе данных кандидатов осуществляется поиск совпадающих профилей. После завершения работы рекрутер получает список кандидатов, соответствующих введенным критериям поиска. Другими словами, ИИ заботится о соответствии предпочтений компании полученным резюме. Например, если он хочет получить данные для разработки HR-отчета, чат-бот собирает их в базе данных, к которой у него есть доступ. Через короткое время он будет располагать точной и поддающейся проверке информацией для принятия соответствующих решений. Это также полезно для сравнения кандидатов или выявления преобладания одних навыков над другими.

ИИ при подборе персонала также существенно влияет на отложенные собеседования. Это одна из областей, где рекрутинг с использованием искусственного интеллекта может развиваться наиболее активно. Искусственный интеллект анализирует тысячи видеоинтервью и на основе установленных критериев и параметров выбирает кандидата, который провел лучшее собеседование. Это улучшает качество удаленного собеседования. И все это благодаря более совершенным инструментам для проведения видеоинтервью, более продвинутым функциям, таким как отложенные вопросы, планирование собеседований и другим технологическим системам, которые упрощают выбор лучшего кандидата. [12]

Чат-боты, основанные на генеративном искусственном интеллекте, предлагают удивительные возможности, особенно в качестве помощников. В зависимости от своих потребностей рекрутер может задавать те вопросы, которые считает уместными. Задав их, он получит запрошенную информацию, сэкономив время на исследованиях и других задачах.

Усиление набора персонала с помощью искусственного интеллекта дает несколько преимуществ. Все они помогают улучшить сам процесс. Не только ускоряется набор персонала, но и легче найти кандидатов, которые идеально подходят для данной должности. И это еще не все, потому что у него есть и другие преимущества. Одним из них является экономия времени. Это, несомненно, одно из самых замечательных преимуществ. Сотрудникам не нужно, например, брать на себя задачу сортировки резюме вручную. Для выполнения этой работы можно подготовить несколько вопросов на отбор, которые обеспечат выход на финальный этап только лучших кандидатов.

Предвзятости и другие проблемы снижают эффективность при найме подходящего человека. Однако хорошо запрограммированный ИИ не проявляет предвзятости, которая могла бы привести к дискриминации по поверхностным вопросам, таким как пол или цвет кожи.

Благодаря возможности глубоко проанализировать всю доступную информацию точность поиска правильного профиля позиции возрастает. Фактически, опрос Linkedin показал, что 31% опрошенных рекрутеров справились с этой задачей. [4]

Искусственный интеллект - это технология, которая вызывает много оговорок. Мы склонны думать, что это лишь способствует сокращению рабочих мест. Взяв на себя задачи, ранее выполняемые людьми, похоже, устраняется необходимость человеческого присутствия в этом процессе. Это может привести к решительному неприятию его введения, и это станет проблемой, которую необходимо преодолеть. В конечном счете, ИИ в рекрутинге совершенствует работу рекрутера, но окончательное решение всегда остается за человеком.

Еще одним интересным преимуществом является снижение стоимости каждого набора персонала. Одним из наиболее заметных аспектов является сортировка резюме, как считают 75% опрошенных Linkedin. [18]

По данным IBS Group, 99,3% кандидатов, которые взаимодействовали с чат-ботом, остались довольны процессом. [19] Получение ответов в режиме реального времени или возможность задавать вопросы об их ситуации имеет решающее значение.

Для получения векторных представлений навыков кандидатов для крупных коммерческих организаций авторами использовалась архитектура нейронной сети BERT с маскировкой случайно выбранного навыка. Архитектура модели BERT состоит из нескольких уровней преобразователей. Каждый слой преобразователя включает в себя два подслоя: механизм самообслуживания и полносвязный слой с нормализацией (уровень прямой связи с нормализацией).

Механизм внимания, или самовнимание, является ключевым элементом архитектуры преобразователя. Это позволяет модели BERT управлять контекстом в тексте и учитывать зависимости между токенами. Механизм внимания применяется к каждому токену в последовательности навыков и вычисляет вклад внимания, который каждый токен должен учитывать при вычислении его представления. Этот процесс позволяет модели учитывать контекст и семантические отношения между словами.

Полностью связный слой с нормализацией добавляет модели BERT гибкость и нелинейность. Он принимает выходные данные механизма внимания и применяет нелинейные преобразования для улучшения представления каждого токена. Нормализация масштабирует и центрирует результаты перед передачей их на следующий слой.

Архитектура BERT включает элемент кодирования позиции, который представляет информацию о положении каждого токена в предложении, чтобы модель учитывала порядок слов. В случае последовательности навыков, а не полностью связанного текста, информация о положении навыка не так важна, поскольку их порядок или последовательность не имеют значения, важен тот факт, что конкретный навык присутствует в соответствующем резюме. Поэтому уровень кодирования позиции был удален из архитектуры модели в исследовании. Убрав позиционное кодирование, модель сосредоточится только на самих навыках и их значении, что позволит модели BERT более точно уловить семантику и сходство между навыками.

Проведенный анализ результатов подтвердил изначальную гипотезу о том, что построение нейронной сети, обученной на навыках из резюме, позволяет получить эффективное векторное представление для сопоставления с вакансиями. При этом было выявлено, что балансировка датасета играет важную роль в достижении требуемого качества модели и исходный датасет не позволяет эффективно решить поставленную задачу построения модели. Наблюдается проблема с повторяющимися последовательностями навыков и различными целями, что приводит к переобучению модели и недостаточно точным прогнозам. Для того, чтобы преодолеть эти трудности и повысить качество обучения модели, необходимо преобразование исходного датасета, как было описано ранее. Прежде всего была изменена длина последовательностей и разработан алгоритм, который добавляет в датасет вариации последовательностей навыков, отличающихся на определенное количество элементов. Указанные меры позволили разнообразить и обогатить данные, избежать переобучения и обеспечить модели более глубокое понимание разнообразных целей.

Улучшение разнообразия и структуры данных позволит модели адаптироваться к новым сценариям, улучшит ее способность к обобщению и прогнозированию. Преобразованный датасет будет содержать разнообразные комбинации навыков и целей, что способствует более точному обучению модели и улучшению ее результатов в задаче предсказания.

Преобразование исходного датасета является необходимым шагом для решения проблем с повторяющимися данными и повышения точности работы модели. Этот подход позволит улучшить результативность модели, увеличить обобщающую способность и повысить качество предсказаний в рамках поставленной задачи.

Расчет экономической эффективности проекта разработки модели нейросети с использованием технологии BERT для тестирования технического персонала включал несколько ключевых показателей. В качестве примера рассмотрим упрощенный расчет на основе некоторых предположений. Разработка непосредственно сайта с обучение нейросети анализу тестов и результатов обойдется в 500 000 рублей. Оборудование и программное обеспечение будет стоить 200 000 рублей. Общий объем инвестиций составит 700 000 рублей.

Авторы предположили, что сайт будет использоваться для проведения тестов среди технических специалистов различных компаний с обработкой результатов с помощью обученной нейросети. Стоимость одного теста составляет 1000 рублей, а среднее количество тестов в месяц – 300. Доход за месяц = 300 * 1000 = 300 000 руб. Годовой доход = 12 * 300 000 = 3 600 000 рублей.

Операционные затраты включают зарплату сотрудников (администраторы, разработчики поддержки, разработчики нейросети) в размере 150 000 р./мес. Обслуживание серверов и хостинг составят 50 000 р./мес. Всего операционных расходов в месяц равны 200 000 руб., в год составят 2 400 000 рублей. Амортизация оборудования составит 20% годовых от стоимости оборудования, амортизационные отчисления = 40 000 руб./год.

Чистая прибыль до налогообложения будет равна разнице между чистым годовым доходом и амортизацией и составит 160 000 руб./год.

Срок окупаемости инвестиций будет равен 0,6 года (или около 7 месяцев). Рентабельность инвестиций составит ≈ 165%.

Заключение. Таким образом, современные решения в сфере управления персоналом предлагают не только простоту использования, но и безопасность обработки личных данных сотрудников. Программное обеспечение для управления персоналом адаптируется к специфическим потребностям сектора управления персоналом, помогая отделам кадров эффективно выполнять свои функции. Централизация данных и документов сотрудников в одном месте значительно упрощает процесс управления личными делами и контроль доступа к информации. Использование программного обеспечения для управления онбордингом позволяет автоматизировать процессы адаптации и увольнения, делая взаимодействие с кандидатами более гибким и персонализированным.

Анализ и определение целей и процессов управления персоналом перед выбором программного обеспечения помогают максимально оптимизировать работу отдела кадров. Сравнение и тестирование различных программ для управления персоналом позволяют выбрать решение, которое наиболее полно отвечает потребностям компании. Автоматизация процессов управления адаптацией и мониторинга времени активности с помощью программного обеспечения повышает эффективность и надежность выполнения задач. Регулярное обновление данных и использование современных технологий в программном обеспечении для управления процессом онбординга позволяют менеджерам принимать обоснованные решения на основе актуальной информации.

Исходя из проведенных расчетов, проект стартапа сайта для тестирования технического персонала выглядит достаточно привлекательным с точки зрения экономической эффективности. Окупаемость происходит менее чем за год, а рентабельность инвестиций высокая (более 160%). Это говорит о том, что вложения в разработку данного сайта выгодны, так как могут быстро себя окупить и принести значительную прибыль. Данная разработка будет полезна разным сегментам целевой аудитории, начиная от консалтинговых фирм и заканчивая персоналом технических специальностей.