Переводы

Я продолжаю изучать западные HR-Tech решения через перевод статей из корпоративных блогов. На очереди компания Visier, которая идентифицирует себя как лидера решений HR-Аналитики. В этот раз они предлагаю перейти от регулярных отчетов в отдельных модулях к встроенной аналитики. Вау, они изобрели виджеты! На самом деле, идея немного глубже. Они предлагают публиковать простые элементы аналитики в стандартных карточках HRM систем и эти карточки будут различны для разных ролей. Например, для рекрутера будет важен срок закрытия массовой вакансии, для финансиста — динамика salary и т.д. Авторы статьи предполагают, что доставка аналитики прямо в рабочие процессы в результате повысит осознанность пользователей при работе. Думаю, с этим стоит быть аккуратным, не перебарщивать, но иногда такой подход может принести пользу. Я, по крайней мере, опробую это.

Workday — это популярная на Западе core-система управления персоналом, аналогичная нашей 1С. Я слежу за западным рынком HRTech и конечно, Workday в группе лидеров вместе с решениями от Oracle и SAP. Восторженная статья Джоша Берсина о внедрении искусственного интеллекта в Workday позволит нам узнать, среди прочего, как устроена эта экосистема.
Как они стали лидерами? Прежде всего — фокус на платформе, а не бизнес-приложениях. Сама Workday развивает в первую очередь общую архитектуру (Workday Enterprise прямая аналогия 1С Предприятие) и глобальные вертикальные приложения. Кроме того, они открывают свою платформу для партнеров, которые могут писать свои дополнения и приложения, используя платформу — ничего не напоминает? Это же модель 1С франчайзинга в чистом виде и мы наблюдаем, что она универсальна и вполне успешна.

Статья Harvard Business Review предлагает читателю провести ревизию периода пандемии и тех изменений, которые произошли у компаний. В статье приведена яркая цитата: «Это величайшее изменение в работе со времен Промышленной Революции». Чтож, этого достаточно, чтобы углубиться, о чем же статья?
Теперь, когда смешанный режим работы уже не необходимость, а опция для компаний и сотрудников, авторы разбираются с тем, как сделать этот выбор максимально осознанно. На ранних стадиях пандемии компании концентрировались на здоровье и продуктивности отдельных сотрудников. Теперь стало ясно, что этого уже недостаточно.

ETL, от англ. Extract, Transform, Load — дословно «извлечение, преобразование, загрузка» — это управление данными HR, конвейер, который необходимо настроить для формирования People аналитики.
Компания OneModel, за которой я слежу с большим интересом, опубликовала статью об особенностях сбора данных для HR-аналитики и тут прежде всего важна специфика самих данных — их персонализированный и конфиденциальный характер. Не собирайте данных больше, чем требуется, чтобы дать релевантный бизнес-результат, автоматизируйте сбор данных и помните, что ваша — цель Data science, а не просто очередной отчет или Dashboard.

Метод Employee Journey Map пришел к нам из Product Management. В CRM таким способом исследовали касания клиента, потом из этих касаний сделали целый путь-приключение. В статье Harvard Business School описан алгоритм составления такой карты для сотрудника, а также то, как извлечь из EJM максимум пользы совершенствуя опыт на каждом этапе взаимодействия компании и сотрудника.

В пятницу Josh Bersin опубликовал свою статью про применение генеративного ИИ в домене HR. Это самый авторитетный автор индустрии HRTech, и я очень старался подготовить перевод как можно скорее, чтобы поделиться с Вами.
Пустые статьи про ChatGPT уже навязли на зубах, но это другой случай: большая вдумчивая статья о том, что уже сейчас фактически происходит у лидеров индустрии.
Обязательно уделите время прочтению, впитайте прагматичный оптимизм автора. Следите за руками: несмотря на все наши попытки оцифровать HR, основные данные у нас — текстовые. Новые методы обработки текста, которые предоставляют большие языковые модели (LLM), открывают для нас новые горизонты. Уже сейчас доступны функции обучения моделей ИИ, которые позволят почти мгновенно сопоставить огромные массивы данных. Josh Bersin указывает на обнадёживающие результаты применения ИИ в рекрутинге и развитии талантов, оценке эффективности, обучении и самообслуживании работников.

Предписывающий анализ, который выстроен системно, это, пожалуй, высший уровень зрелости аналитической функции. Он дает ответ на вопрос, что делать дальше, чтобы достичь желаемых результатов и этот ответ будет основан на данных.
Как к нему прийти? Наладьте качество данных в ваших системах и получите первые отчеты – вы будете знать, что произошло. Добавьте аналитику и узнаете, почему это произошло. Следующий уровень, часто связанный с математическими методами, Прогностический анализ, он ответит на вопрос – что может произойти в будущем. Высший пилотаж работы с данными, которые у вас есть, это прескриптивный или предписывающий анализ. Подробнее об этом с примерами бизнес-результатов, без фокуса на HR, в моем переводе статьи из блога Harvard Business School на моем сайте.

Этот материал — перевод интервью. Его взял Дэвид Грин у Дженифер Сиглер и их разговор посвящен недавнему исследованию «Big, Bad State of EX». Они обсудили проблемы, связанные со сбором и использованием данных в сфере People аналитики.
Тонны данных доступны в HR, но всегда ли это полезные данные? Кажется, что нет, и вот в чем проблема. Если данные описывают явление, но не объясняют его; если данные слишком общие, распространены на весь персонал и не дают инсайтов; кроме того, если данные people-аналитики недостаточно связаны с финансовыми показателями — все это примеры плохих данных. В материале предлагается универсальный рецепт: теперь, когда мы хорошо описываем явления, авторы статьи призывают People-аналитиков предоставить менеджменту инструмент измерения бизнес-результатов, связанных с HR решениями. Когда мы проводим изменения, основанные на данных об опыте сотрудников, необходимо давать четкие метрики влияния на финансовые показатели.

Началась весна и в это время особенно хочется в отпуск, держаться нету больше сил. Майкрософт — лидер в экспериментах Future Of Work — предлагает своим сотрудникам неограниченный отпуск. Зачем? Прежде всего для лучшего привлечения и удержания талантов. Это помогает, звучит круто, но, в остальном — сплошные минусы.
В статье также есть шокирующая статистика по количеству оплачиваемых отпускных дней в США и отличия в группе участников эксперимента. Читайте мой перевод свежей статьи Bloomberg.

Анализ текстов (NLP) — это какая-то магия. Опросы вовлеченности с множеством открытой обратной связи, настоящая золотая жила и вы можете разрабатывать ее вручную до тех пор, пока у вас, скажем, меньше 500 сотрудников. Если сотрудников и текстов больше — вам нужен автоматизированный анализ на основе технологий машинного обучения. Залог успеха анализа — это подготовка обучающего набора, список ответов размеченных по ключевым темам. Великолепная и детализированная статья из блога компании OrganizationView расскажет о том, как делается разметка и почему она так важна.