ВЫЯВЛЕНИЕ ЛАТЕНТНЫХ КОМПЕТЕНЦИЙ ПЕРСОНАЛА НА ОСНОВЕ ГИБРИДНОЙ КЛАСТЕРИЗАЦИИ

IDENTIFICATION OF LATENT PERSONNEL COMPETENCIES BASED ON HYBRID CLUSTERING

Sapsueva Zlata Nikolaevna

Student, Faculty of Engineering and Economics, Belarusian State University of Informatics and Radioelectronics,

Republic of Belarus, Minsk

АННОТАЦИЯ

В статье рассматривается проблема выявления скрытых компетенций сотрудников. Предложен метод гибридной кластеризации (k-means + иерархическая кластеризация) для сегментации персонала. Выявлен кластер «скрытый кадровый резерв» – сотрудники с малым стажем, но высокой обучаемостью.

ABSTRACT

The article addresses the problem of identifying latent competencies of employees. A hybrid clustering method (k-means + hierarchical clustering) is proposed for personnel segmentation. A cluster of "hidden talent pool" was identified – employees with low seniority but high learning speed.

Ключевые слова: кластеризация; k-means; латентные компетенции; кадровый резерв.

Keywords: clustering; k-means; latent competencies; talent pool.

Традиционные методы оценки персонала ориентированы на явные компетенции: стаж, образование, выполнение KPI [1, с. 45]. Однако обучаемость и скорость адаптации остаются скрытыми для стандартных процедур. Кадровый резерв часто формируется из сотрудников с большим стажем, а перспективные новички остаются незамеченными [2, с. 112].

В работе предлагается подход на основе гибридной кластеризации: иерархическая кластеризация (для выбора числа кластеров) и k-means (для финальной сегментации). Для анализа использовались признаки: стаж, результат тестирования, скорость выполнения заданий и динамика обучения. Два последних признака являются прокси латентных компетенций.

На первом этапе применялась иерархическая кластеризация (метод Уорда). Оптимальное число кластеров k определялось по максимуму индекса силуэта:

     s(i)= (b(i)−a(i))/max{a(i),b(i)}                                          (1)

a(i) – среднее расстояние до других объектов в своём кластере;

b(i) – минимальное среднее расстояние до соседнего кластера [3, с. 53].

На втором этапе выполнялась кластеризация методом k-means с целевой функцией:

    J= ∑ ∑∥x−μj∥^2→min                                                  (2)

Оптимальное число кластеров составило k=3. На рисунке 1 представлена дендрограмма иерархической кластеризации.

Рисунок 1. Дендрограмма иерархической кластеризации сотрудников

В таблице 1 приведены средние значения признаков по кластерам.

Таблица 1.

Профили кластеров сотрудников

Кластер 3 имеет минимальный стаж (1,5 года) и средние результаты теста (67,3 балла). Однако скорость выполнения заданий (89,7%) и динамика обучения (+19,4 балла) сопоставимы с экспертами из Кластера 1. При традиционном подходе такие сотрудники не попали бы в кадровый резерв. Кластеризация выявила их латентные компетенции.

На рисунке 2 представлена визуализация кластеров.

Рисунок 2. Визуализация кластеров в пространстве признаков

Для Кластера 3 предлагается: включение в программы ускоренного развития, назначение наставников из Кластера 1, пересмотр критериев отбора в кадровый резерв.

Предложенный подход позволяет выявлять латентные компетенции, которые не фиксируются стандартными HR-процедурами.

Список литературы:

1. Армстронг М. Практика управления человеческими ресурсами. — СПб.: Питер, 2018. — 848 с.
2. Чуланова О.Л. Компетентностный подход в работе с персоналом. — М.: ИНФРА-М, 2020. — 292 с.
3. Rousseeuw P.J. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis // Journal of Computational and Applied Mathematics. — 1987. — Vol. 20. — P. 53–65.