머신 러닝이 HR 분석에 미치는 영향

동영상: [People Analytics] HR/HRD/HRM 실무에서 적용 가능한 통계분석

콘텐츠

HR의 역할
HR의 머신 러닝 사례
버그 없음, 스트레스 없음-인생을 파괴하지 않고 인생을 바꾸는 소프트웨어를 만드는 단계별 가이드
개발
결론

출처 : Kentoh / Dreamstime.com

테이크 아웃 :

HR 분석은 인적 자원 부서의 운영 방식을 혁신하여 전체적으로 효율성과 결과를 향상시킵니다.

인적 자원은 수년 동안 분석을 사용해 왔습니다. 그러나 데이터 수집, 처리 및 분석은 대부분 수동으로 이루어졌으며 인적 자원 역학 및 HR KPI의 특성을 고려할 때 이러한 접근 방식으로 인해 HR이 제한되었습니다. 따라서 HR 부서가 게임 늦게 기계 학습의 유용성을 깨달았다는 것은 놀라운 일입니다.

그럼에도 불구하고 머신 러닝은 느리지 만 확실하게 HR 영역에 진입했으며, 마모 예측, 올바른 채용 및 인적 자원 교육과 같은 다양한 사용 사례가 확립되었습니다. 머신 러닝은 잠재적 후보의 성공을 예측할 수 있다고 믿어집니다. 더 많은 사용 사례가 곧 발견 될 것입니다. 수동 접근 방식과 달리 기계 학습 접근 방식은 훨씬 더 빠르고 동적 상황에 훨씬 신속하게 반응하며 정확하고 실행 가능한 귀중한 데이터를 제공합니다. (데이터 분석 분야가 점점 자동화되고 있음에도 불구하고 아직 실업에 대해 걱정할 필요가 없습니다. 아니오에서 자세히 알아보십시오. 데이터 분석 봇은 곧 직업을 훔치지 않을 것입니다.)

HR의 역할

인적 자원은 틀림없이 조직의 가장 소중한 자산입니다. HR은 조직의 인력을 최대한 활용할 수 있도록 조직의 인사 관리를 담당합니다. HR의 역할은 다음과 같습니다.

올바른 역할에 적합한 인재 식별
적절한 보상 및 혜택
교육 및 기회로 직원 개발 관리
증분, 프로모션, 기회 및 혜택으로 인적 자원 성장 추적 및 관리
직원 동기 부여, 불만 및 감정 관리
이탈 관리

HR의 머신 러닝 사례

시간이 지남에 따라 HR 부서의 기대치가 변하고 있습니다. 이전에는 HR이 적합한 후보를 찾았습니다. 평가 수행 또는 촉진; HR 정책에 따라 오퍼, 보상 및 혜택을 제공합니다. 직원 경력 및 퇴직 관리. 이제 HR은 역할의 예측 및 후보 성공을 예측하는 등 이미 수행하고 수행하는 작업에 더 많은 가치를 부여 할 것으로 예상됩니다. 이러한 기대치를 충족하기위한 현재의 접근 방식이 HR을 가능하게하거나 제한합니까?

머신 러닝을 도입하기 전에 HR은 수동 및 반자동 방식으로 데이터를 관리했습니다. 상황이 변하고 데이터를 업데이트해야했기 때문에 데이터가 빠르게 부적절 해지기 전에 데이터를 수집, 저장 및 처리하여 분석을 생성합니다. 예를 들어, 연간 평가주기 이전에 수집 된 데이터는 마모 위험이 낮았습니다. 그러나 평가 후, 기대와 실제 보상의 불일치 및 고용 시장의 기회 증가로 인해 감소 및 직원 불만이 급증했습니다. 기본적으로 사전 평가 분석은 조직을 잘못 인도했으며 그 노력은 낭비로 간주 될 수 있습니다.

HR이 인적 자원과 관련된 급변하는 변수에 대한 데이터를 관리 할 수 있도록 수동 및 반 수동 방법은 갖추고 있지 않습니다. HR은 조직 내 직원 정서, 정책에 대한 직원 태도, 시장 기회의 매력 성, 조직이 제공하는 것과 같은 관련 요소에 대한 정기적이고 업데이트 된 분석이 필요합니다. 이것은 진지한 사업입니다. 인적 자본이 잘 관리되지 않으면 조직은 귀중한 직원을 잃을 수 있습니다. Bill Gates는 한때“최고 20 명의 직원을 데려 가고 평범한 회사가되었습니다.”라고 언급했습니다. 기계 학습에 참여하십시오. 머신 러닝은 기존 방법에 비해 무엇을 제공 할 수 있습니까? 다음을 고려하세요:

변화하는 역학에 대한 빠른 대응

이것은 빅 데이터의 시대입니다. 직원을 관리하려면 다음에 대한 데이터가 필요합니다.

버그 없음, 스트레스 없음-인생을 파괴하지 않고 인생을 바꾸는 소프트웨어를 만드는 단계별 가이드

아무도 소프트웨어 품질에 신경 쓰지 않으면 프로그래밍 기술을 향상시킬 수 없습니다.

직원의 태도와 느낌
자격 또는 자격
정책에 대한 직원의 견해
보상 및 혜택 동향
고용 시장 및 경쟁 기관과 같은 관련 외부 개발 및 직원에 대한 영향

그것은 매 순간 도착하는 엄청난 양의 데이터를 추가합니다. 수동 관리는이를 처리하기에 적합하지 않습니다. 그러나 머신 러닝은 이러한 데이터 볼륨을 지속적으로 수용, 저장 및 처리하고 간단한 분석 형식으로 관련성 있고 실행 가능한 통찰력을 제공하는 데 적합합니다. (Tackling Big Data Analytics Pain Points를 통한 비즈니스에서의 빅 데이터 역할에 대해 자세히 알아보십시오.)

정확한 예측

머신 러닝은 마멸, 직무 수행 성공 및 비 윤리적 행동과 같은 불리한 사건과 같은 주요 개발을 예측할 수 있습니다. 예를 들어, 새로운 역할을 수행하는 직원의 성공 가능성은 과거 프로젝트 성과, 지식 기반 및 지식 기반을 개선하기 위해 취한 주요 이니셔티브와 같은 과거 데이터의 분석을 기반으로 예측 될 수 있습니다. 이러한 매개 변수를 기반으로 한 결과를 분석으로 변환 한 다음 결정을 내릴 수 있습니다.

후보자 식별 및 신청자 추적

머신 러닝은 직무 역할과 응시자의 자격 증명, 경험 및 관심사에 따라 올바른 직무를 올바른 후보에 연결할 수 있습니다. 머신 러닝은이를 위해 소셜 네트워크를 활용할 수 있습니다. 후보 평가 및 추적에서 수동 노력을 크게 줄입니다.

개발

머신 러닝에 대한 미지근한 반응 이후에 HR 도메인은 그 유용성을 깨고 있습니다. 많은 유스 케이스가 구현되고 있으며 더 많은 사례가 진행 중입니다. 주요 개발 내용은 다음과 같습니다.

후보자 식별 및 응용 프로그램 추적

포럼 및 소셜 미디어와 같은 웹 소스의 빅 데이터를 통해 조직은 올바른 역할에 적합한 후보를 찾고 있습니다. 후보자를 평가하는 동안 머신 러닝은 자격, 경험, 관심사, 전문가 관계 및 회원, 업적, 포럼 토론 등을 고려합니다. 이를 통해 역할 조정 가능성이 크게 향상되지는 않습니다. 전문 네트워킹 사이트 인 LinkedIn이 좋은 예입니다.

기계 학습은 응용 프로그램 관리의 수동 노력을 크게 줄이고 HR이보다 생산적인 노력에 집중할 수 있도록 해줍니다. 금융 상품을 비교하는 회사 인 MejorTrato.com.mx의 CEO이자 공동 창립자 인 Cristian Rennella에 따르면, "우리는 HR 부서에서 각 사람의 시간의 67.2 %를 우리에게 온 각 후보자의 이력서를 읽는 데 소비했습니다. AI 덕분에 오늘날이 작업은 TensorFlow를 사용한 딥 러닝을 통해이 작업을 자동화 할 수있는 내부 시스템에서 자동으로 수행됩니다. "

정확한 예측

HR 분석은 종종 마멸, 직원 성과 및 비 윤리적 행동과 같은 불리한 사건과 같은 주요 요소를 정확하게 예측할 수 있습니다. 예를 들어, 다양한 포럼 대화, 소셜 미디어 게시물, 비디오, 라이벌 조직 및 시장 기회의 데이터는 감소 수준의 변화를 가리킬 수 있습니다. 평가주기 후 마모 수준이 특히 변경되기 쉽습니다.

직업 성공 예측

응시자의 자격 증명, 회원 자격, 태도 및 성과에 대한 데이터는 직무 역할에서 성공 확률을 가리킬 수 있습니다. 요점은 너무 많은 변수를 기반으로 예측을 수동으로 계산하는 것이 부적절하다는 것입니다. HR 분석은 조직이 올바른 직무 역할에 적합한 후보자를 찾을 수있는 방법에 따라 정확한 통찰력을 제공 할 수 있습니다.