ОРГАНИЗАЦИЯ КАДРОВОГО КОНСУЛЬТИРОВАНИЯ С ПРИМЕНЕНИЕМ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ

ORGANIZING HR CONSULTING USING MACHINE LEARNING ALGORITHMS

Anna Dubrovskaya

student, Department of Corporate Finance and Corporate Training, Financial University under the Government of the Russian Federation,

Russia, Moscow

АННОТАЦИЯ

В статье проводится исследование применения машинного обучения в кадровом консультировании.

ABSTRACT

The article investigates the application of machine learning in HR consulting.

Ключевые слова: машинное обучение; персонал; кадры; консультирование; HR.

Keywords:  machine learning; personnel; staff; consulting; HR.

В эпоху стремительных перемен на рынке труда и внедрения новых технологий, грамотное управление кадрами и максимизация производительности приобретают решающее значение для достижения целей современных компаний. Новые задачи и перспективы требуют от руководителей более взвешенных решений в вопросах оценки и развития сотрудников. Традиционные методы оценки персонала зачастую оказываются субъективными и недостаточно гибкими, что снижает их эффективность.

Машинное обучение предоставляет собой действенный инструмент для автоматизации и совершенствования процессов управления персоналом. Использование алгоритмов машинного обучения даёт возможность анализировать обширные массивы данных о сотрудниках и работе компании, находить неочевидные связи и предвидеть будущие изменения. Современные предприятия всё активнее фокусируются на оптимизации управления человеческими ресурсами и повышении профессионального уровня своих работников. Это особенно актуально для компаний, нацеленных на повышение результативности и поддержание конкурентоспособности. Регулярный анализ эффективности работы персонала критически важен для роста продаж, поддержания высокой мотивации в коллективе, принятия обоснованных кадровых решений, выявления будущих лидеров. Внедрение автоматизированных систем анализа KPI (ключевых показателей эффективности) способствует более объективному принятию кадровых решений, минимизации человеческого фактора и повышению общей результативности бизнеса [1].

Актуальность данной темы обусловлена тем, что современные цифровые технологии, включая машинное обучение и искусственный интеллект, открывают возможности для повышения мотивации работы персонала, оперативного анализа их работы и принятия обоснованных решений в области управления кадрами.

Кадровое консультирование – это деятельность, направленная на объективную диагностику и оптимизацию управления персоналом для достижения целей организации [2].

Сейчас бизнес стал чаще использовать ML технологии, в том числе и в HR процессах. Это позволяет оптимизировать многие ключевые задачи, которые связаны с управлением персонала.

Ключевые направления MO в HR-консалтинге:

1) Аналитика текучести кадров. С помощью алгоритмов можно выявлять сотрудников с высокими рисками увольнения, определять факторы, которые влияют на лояльность персонала, разрабатывать меры удержания ключевых кадров, а также снижать затраты на поиск и адаптацию новых сотрудников.

2) Подбор нового персонала с использованием современных систем на основе ML. Алгоритмы автоматически анализируют огромное количество резюме на различных платформах и оценивают кандидатов на соответствие определенным вакансиям, строят прогнозы об успешности будущих сотрудников, а также значительно сокращают время закрытия вакансии, которое обычно указано в KPI сотрудников HR отдела.

3) Системы МО проводят анализ производительности сотрудников: объективно оценивают вклад каждого человека или отдела, оптимизируют распределение задач, выявляют различные скрытые закономерности в процессах работы и разрабатывают эффективные системы мотивации.

4) Машинное обучение анализирует деятельность персонала и предлагает персонализированное обучение под потребности, автоматически оценивая уровень компетенций, дает индивидуальные рекомендации для развития карьерной лестницы и прогнозирует потенциал каждого работника.

5) ML повышает эффективность взаимодействия между компанией и сотрудниками. С помощью виртуальных ассистентов, которые работают круглосуточно, можно обрабатывать основную часть типичных вопросов и мгновенно предоставлять информацию о льготах, зарплате, отпуске. Это сокращает время ответов на вопросы во много раз.

Основными видами машинного обучения являются обучение без учителя и с ним [3]. Главное отличие этих обучений состоит в том, что на вход подаются разные данные. В первом случае модель получает входные данные без правильных ответов, то есть во входных данных нет результирующих переменных, и пытается разделить их на определенные группы с определенными параметрами. Во втором же случае модель получает и правильные ответы, то есть обладает результирующими данными. В итоге построенная модель возвращает прогноз или решение на основе найденных закономерностей.

В машинном обучении принято выделять два основных подхода, различающихся по характеру используемых данных и поставленных задач. К задачам обучения с учителем относятся:

1) Регрессия. Она применяется, когда необходимо спрогнозировать непрерывные числовые значения, например, выручку организации, цену акции, стоимость недвижимости. В бизнес-аналитике регрессионные модели особенно востребованы для прогнозирования дохода, продаж, оценки рисков и оптимизации ценообразования. К популярным алгоритмам можно отнести линейную регрессию, деревья решений, случайные леса, градиентный бустинг. Исследования показывают, что ансамблевые методы имеют более высокую точность прогнозирования на более сложных нелинейных зависимостях в отличие от классической линейной регрессии.

2) Классификация. Ее цель предсказывать классы объектов, то есть принадлежность к категории. Например, определить болезнь человека, спам в сообщениях на почту, отток клиентов и сотрудников, вид цветка или марку машины. В HR модели классификации успешно применяют для прогнозирования текучести кадров с высокой точностью. Выделяют следующие алгоритмы: логистическая регрессия, деревья решений, метод опорных векторов и ближайших соседей.

К задачам без учителя относятся:

1) Кластеризация. Алгоритм группирует схожие объекты по выявленным скрытым структурам данных без знания истинных ответов. С помощью алгоритмов кластеризации можно выделять сегменты клиентов, группировать статьи и сайты по определенным тематикам. К популярным алгоритмам можно отнести DBSCAN (Density-Based Spatial Clustering of Applications with Noise), K-means (K-means Clustering), иерархическую агломеративную кластеризацию, OPTICS (Ordering Points To Identify the Clustering Structure).

2) Уменьшение количества параметров. Существуют специальные алгоритмы, которые позволяют сократить число характеристик в данных, сохраняя при этом их основную ценность. Хороший пример – метод PCA (анализ главных компонент). Этот способ особенно полезен, когда приходится работать с информацией, содержащей очень много параметров – сотни или даже тысячи разных показателей.

Подбор правильного способа машинного обучения – это важный этап, который требует внимательного изучения исходных данных и ясного представления о том, что именно нужно получить в результате.

Таким образом, машинное обучение играет важную роль в управлении персоналом, но для этого необходимы совместные усилия бизнеса, науки и образования. Очень важно продолжать исследовать и применять технологии, которые помогут создать более эффективные, адаптивные и осознанные HR-практики в организациях. На практике грамотно разработанная система мотивации персонала помогает компаниям в достижении поставленных целей бизнес-плана.

Список литературы:

1. Дедяева, Л. М. Кадровый консалтинг в обеспечении эффективного использования трудового потенциала / Л. М. Дедяева, Ю. А. Тимошин // Менеджер. – 2020. – № 1(91). – С. 193-202.
2. Тезикова, Н. В. Литературный обзор понятий "кадры", "персонал", "трудовые ресурсы": общее и частное этих понятий / Н. В. Тезикова // Экономика и предпринимательство. – 2020. – № 12(125). – С. 1050-1053.
3. Машинное обучение: 10 популярных методов и алгоритмов ML // skillfactory media URL: https://blog.skillfactory.ru/mashinnoe-obuchenie-10-populyarnyh-metodov/ (дата обращения: 01.03.2025).