Быть датасаентистом в HR
Функция Data science в HR требует баланса зрелости руководителей бизнеса с одной стороны и HRD с навыками специалиста по данным с другой. Очень важно найти связь науки о данных с потребностями HR, кроме того, Data science — это еще и очень увлекательно!
Это интервью с Elizabeth Esarow, датасаентистом, занимающей позицию старшего специалиста продвинутой аналитики в AT&T. Размышляя тем, что еще предстоит изучить и разработать, находим здесь некоторые подсказки для развития специалистов по данным в домене HR.
Исследуем будущее работы вместе! HR-Tech, автоматизация, HR-Аналитика, digital EJM.
Карьерный путь из HR в Data Scientist
Littal Shemer Haim: Расскажите нам о своем бэкграунде, текущей роли и профессиональном пути от HR-специалиста до специалиста по данным.
Elizabeth Esarow: 20 лет назад меня пригласили на должность отдела кадров благодаря моему опыту аналитики в банковской сфере. В то время HR начали осознавать ценность использования данных для улучшения функций управления персоналом. Моя позиция была создана в новой группе анализа данных, я была третьим специалистом, присоединившимся к группе. С тех пор я выполняла анализ данных для привлечения талантов, управления талантами и обучения, где я изучила каждую область HR и отточила свою компетенцию в предоставлении информации, которая имеет значение. Когда HR сфокусировался на отчетах в режиме self-service, я перешла на роль руководителя проекта. Я выступала в качестве партнера для IT и HR в проекте по разработке отчетов. В этой роли я освоила бизнес-терминологию HR и технические понятия IT. Это помогает мне сегодня в роли Data Scientist, поскольку я хорошо объясняю результаты своего анализа руководителям. В 2013 году я читала новости о компаниях, которые использовали прогностические модели для сокращения текучести кадров. Я видела и другие потенциальные возможности для применения прогностических моделей, чтобы решать проблемы трудовых ресурсов и бизнеса. Я была готова принять новый вызов в своей карьере. Так я решила получить степень магистра в области науки о данных, чтобы развить свои навыки в прогнозной аналитике. В ходе обучения я прошла курс текстовой аналитики, который является преимуществом в моей текущей роли, поскольку он необходим для анализа текста комментариев, полученных в наших опросах сотрудников. Я начала применять свои новые навыки за год до выпуска и следующие шесть лет работала над проектами прогнозного моделирования и текстовой аналитики. Мне нравится применять свои навыки работы с данными в HR-проектах!
Роль, навыки и инструменты специалиста по обработке данных в HR
Littal Shemer Haim: Чем ваша роль Data Scientist отличается от других ролей в команде, таких как инженеры данных или аналитики данных?
Elizabeth Esarow: Как Data Scientist, я фокусируюсь на статистическом анализе, прогностических моделях или анализе текста, чтобы предоставить информацию для принятия бизнес-решений. В нашей группе также есть инженеры данных, которые создают и развивают нашу архитектуру и обеспечивают безопасность, а также отслеживают целостность данных чтобы сохранить точность в продуктах, созданных нашими аналитиками данных и Data Scientist. Кроме того, наши аналитики данных разрабатывают, создают и управляют отчетами, которые можно автоматизировать; некоторые из них также выступают в качестве консультантов для HR, помогая рассказывать истории на основе подученных данных и разъяснять потребности бизнеса в наших проектах.
Littal Shemer Haim: Нужны ли определенные навыки или области знаний, чтобы быть специалистом по данным в HR, в отличие от других функций?
Elizabeth Esarow: Я считаю, что понимание этических и правовых стандартов в отношении использования данных сотрудников невероятно полезно для специалиста по данным, работающего в сфере управления персоналом. Наша команда People Analytics тесно сотрудничает с юристами, чтобы соблюдать законы, в части использования данных сотрудников. У нас также есть группа по обеспечению конфиденциальности, которая проверяет использование данных сотрудников в отчетах и прогнозных моделях; они дают рекомендации, основанные на стандартах нашей компании, в отношении защиты и надлежащего использования данных сотрудников.
Littal Shemer Haim: Опишите инструменты, которыми вы пользуетесь. Существуют ли обязательные библиотеки R или другие инструменты с открытым исходным кодом? Какой ваш любимый и почему?
Elizabeth Esarow: R и Python — это инструменты с открытым исходным кодом, используемые специалистами по данным в нашей команде. Я предпочитаю R с интегрированной средой разработки RStudio. У меня более дюжины библиотек R для разных проектов; мой любимый — dplyr — это тот, на который я больше всего полагаюсь при обработке данных, и, вероятно, он появляется в моем R-коде для каждого проекта. Для прогнозирования временных рядов я использую пакеты feasts и fable, для анализа текста — пакеты tm и topmodels. Пакет ggplot2 отлично подходит для создания красивых визуализаций данных.
Вклад специалиста по данным в отдел кадров
Littal Shemer Haim: Как возникают вопросы бизнеса, связанные с людьми? Кто их инициирует? Как они становятся проектом или продуктом?
Elizabeth Esarow: Наши HRBP обычно получают вопросы от своих клиентов в бизнес-подразделениях. HRBP связывается с консультантом по People-аналитике из нашей команды, чтобы обсудить проект. Затем консультант определяет, какие члены команды должны быть включены в проект, и назначает встречу с соответствующими заинтересованными сторонами, чтобы начать определение объема проекта и ожиданий относительно конечного продукта проекта. Команда проекта разрабатывает решение и регулярно встречается с клиентом, чтобы информировать его о ходе работы и, при необходимости, внести изменения до завершения проекта. Если это проект по исследованию данных, Data Scientist будет участвовать в представлении конечного продукта руководителю бизнес-подразделения и HRBP.
Некоторые проекты инициируются нашей командой People Analytics. Например, если мы видим схожие запросы от нескольких бизнес-подразделений или просто повторяющиеся запросы, мы можем создать продукт для регулярного решения этих бизнес-задач.
Littal Shemer Haim: Каковы этические соображения в вашей повседневной работе? В частности, как вы определяете прозрачность при создании прогностических моделей? Можете ли вы поделиться некоторыми примерами?
Elizabeth Esarow: Я поделюсь выдуманным примером, чтобы было проще объяснить этическую сторону вопроса. Допустим, компания разрабатывает прогнозную модель, определяющую, какие сотрудники могут уволиться. Если бы они использовали модель «черного ящика», которая не позволяет объяснить влияние переменных в этой модели, в результате получается модель, которая предсказывает, какие сотрудники уйдут, но модель не объясняет, почему они с большей вероятностью уйдут. Такая модель не позволит рекомендовать действия, которые компания может предпринять для удержания ценных сотрудников.
Смотрите, как используются прогностические модели: при неправильном использовании модель может негативно повлиять на сотрудников и компанию. Например, что будет, если руководитель получит доступ к этой информации и решит не назначать члена команды для нового проекта, потому что модель прогнозирования указывает на то, что сотрудник, скорее всего, уволится? Ведь может быть так, что назначение такого сотрудника на новый проект поставит перед ними новую задачу и устранит причину его возможного ухода.
Теперь рассмотрим ситуацию, когда компания использовала прозрачную объяснимую модель и обнаружила, что сотрудники, которые годами сидят на одной позиции, без повышений в должности, с большей вероятностью уйдут. Теперь у компании есть некоторая информация, которая может быть использована для снижения текучести кадров! Возможно, решение состоит в том, чтобы помочь сотрудникам узнать об имеющихся карьерных возможностях, корпоративном обучении или других возможностях роста. Опять же, использование объяснимых моделей и их правильное использование очень важно в HR.
Littal Shemer Haim: Каковы, по вашему мнению, основы науки о данных, которые должны быть частью обучения каждого HR-специалиста, чтобы они могли быть лучшими внутренними клиентами специалистов по данным?
Elizabeth Esarow: Я думаю, что HR-специалисты должны получать общее введение в Data Science, возможно, с некоторыми примерами. Так они смогут понять возможности науки о данных, а также как она может помочь ответить на вопросы бизнеса и решить проблемы. Нужно получить базовое понимание различных типов прогностических моделей, изучить примеры, связанные с HR, того, и то, как их можно использовать. Кроме того, если компания использует опросы, включающие комментарии сотрудников, нужно знать возможности анализа текстов. Если у HR-специалистов есть такое понимание, они с большей вероятностью распознают ситуацию, в которой можно использовать Data Science, и предложат помощь своим клиентам. А если HR понимают процесс, связанный с разработкой решений для обработки данных, это может помочь быстро сбалансировать ожидания в отношении сроков и результатов на раннем этапе разговора с руководителями бизнес-подразделений.
Перевод статьи-интервью Being A Data Scientist In The HR Department hrdive от 23.01.2023, Автор Littal Shemer Haim
Исследуем будущее работы вместе! HR-Tech, автоматизация, HR-Аналитика, digital EJM.
