Netflix как система подбора персонала и создания команд

Очень важный пост.

Хочу застолбить за собой идею подбора персонала и создания команд новым методом.Я думаю, что внедрение рекомендательных систем изменит многое в HR-аналитике, появятся многие другие примеры реализации рекомендательных систем, а не только в обучении и в том, о чем пишу я ниже.
Ранее все модели подбора персонала (мне известные, конечно, но известно мне достаточно много, и не только в России) опирались на модели регрессии или модели классификации, где в качестве целевой переменной выступали:

• эффективность сотрудника;
• стаж работы.

Вот пример такой модели Кейс по прогнозу эффективности работников . Проблемы такого подхода состоят в:
Мы не уверены в объективности целевой переменной. Чаще всего эффективность это KPI, который выставил руководитель подчиненному. И на опыте многие знают, что такая оценка руководителя субъективна.
мы берем в модель почти одни генетические факторы работника (т.е. то, что мы знаем о работнике при приеме: его прошлый опыт, данные тестов, интервью и т.п..), но при этом исследование компании Evolv в части текучести персонала показало бОльшую значимость отношенческих вещей (см. Ключевые факторы удержания и текучести персонала), которые дают 50 % дисперсии текучести персонала. И мы в нашей модели никак не схватываем их.

Некоторое время назад я задумался, как же включить в наши предиктивные модели отношения в команде, отношения с руководителем.
И решение пришло в виде ..... Netflix.

Netflix - для тех, кто не знает, американская компания, поставщик фильмов и сериалов на основе потокового мультимедиа. Основана в 1997 году. Штаб-квартира находится в Лос-Гатос, штат Калифорния. На январь 2016 года у компании свыше 69 миллионов клиентов по всему миру. Популярность среди специалистов по аналитике компания получила после того, как предложила решить кейс по рекомендации фильмов зрителям.
Представьте, что у нас есть с вами такая таблица

Где

• User - зритель,
• Item - определенный кинофильм,
• И в ячейке стоит оценка фильма зрителем.

пустые ячейки означают, что зритель не смотрел данный фильм. Задача простая: как по данной таблице найти те фильмы, которые зритель не оценивал (не смотрел), но были бы ему интересны?
Не буду входить в математику, скажу только, что такие задачи решаются с помощью создания рекомендательной системы. И мы с этим сталкиваемся достаточно часто: на Озоне, в других интернет магазинах.

HR-решение

Думаю, кто-то уже по самой форме таблицы догадался, как можно применить эти системы в HR.
У нас с вами, коллеги, есть инструмент, на 100 % копирующий систему Netflix или любую рекомендательную систему! Я взял данные реальной компании, только поменял ФИО и названия компетенций.

Оцениваемый	Эксперт	Клиенто ориентированность	Ответственность	Коммуникация	Лидерство
Иванов	Бабушкин	2.0	1.6	2.0	2.0
Петров	Дедушкин	1.8	1.6	2.0	1.4
Сидоров	Внучкин	2.0	1.6	1.6	1.8
Иванова	Дедушкин	2.0	1.6	1.6	1.9

Знакома таблица? Да, это оценка 360 градусов.

Легким движением руки мы эту таблицу превращаем в сводную таблицу (в ячейках я взял среднее по всем оценкам)

Названия строк	Иванов	Иванова	Петров	Сидоров
Бабушкин	1.9
Внучкин				1.75
Дедушкин		1.775	1.708333333

Вуаля! у нас теперь полное совпадение с данными Netflix, с ой лишь разницей, что вместо фильмов наши сотрудники оценивают коллег. Заметьте, Дедушкин оценил двоих. Кстати, в компании клиента такая таблица получилась размером 808 / 776 ячеек, разреженность матрицы - 99, 6 % (такое количество ячеек не заполнено).

В нашем случае задача стоит так: мы должны спрогнозировать, как бы руководитель (или любой другой сотрудник) оценил тех коллег, кого он не оценивал. Т.е. тех, с кем он и не работал вместе, но данный подход позволяет понять, как бы он оценил, если бы работал. И если он их оценил бы высоко, то значит ему работать с данными людьми более комфортно, они вместе смогли бы добиться более высоких результатов, следовательно их можно ставить работать вместе. 

И мы можем построить систему рекомендаций того, кого бы он оценил наиболее высоко. Т.е. представьте, что руководитель оценивает в нашей системе 360 градусов своих сотрудников. Рекомендательная система расставит ему всех сотрудников по степени того, как бы он их оценил сам, если бы работал с ними. 

Ну или можно получить эти данные в виде файла: первая тройка наиболее подходящих данному руководителю сотрудников выглядит так

Табельный номер	ФИО	Степень подходимости
231	Сидоров	0.040296
488	Петров	0.039839
187	Иванов	0.039819

На данной диаграмме показаны все работники по степени того, как бы их оценил руководитель. Те, что справа, получили бы от руководителя высокие оценки, и, скорее всего, работали бы вместе эффективно. Те, что слева, скорее всего, получили бы низкие оценки, и вызывает сомнение мысль ставить их работать вместе с данным руководителем. 

Заметьте, мы ведь можем в нашей оценке 360 оценивать не только конкретных руководителей, а целые команды, подразделения, тогда станет понятно, как людей подбирать в команды. 

И последний вопрос: если к нам пришел новичок, что делать? Мы ведь про него ничего не знаем. Делать мы будем тоже самое, что делают в Netflix, когда выходит новый фильм: его не оценивали еще ни разу, но у нас есть информация о жанре, точнее, жанрах, составе актеров, режиссере и т.п.. И фильмы таких-то жанров, с такими то актерами конкретный зритель уже оценивал, поэтому мы можем предположить, что с теми же актерами, тот же жанр зритель оценит скорее всего также. Тоже самое мы можем сказать про наших вновь входящих в компанию сотрудниках: у них есть резюме, опыт, результаты тестов и т.п., все, что объединяет их по каким-то параметрам с уже оцененными сотрудниками.  .
Ну и я не показываю всех возможностей данного подхода, но кто-то быстро догадается, что нам и оценка 360 градусов не нужна будет для реализации данного подхода.
Или, как вариант, эта система может стать краеугольным камнем системы кадрового резерва..... Думаю, спецы разовьют эту идею....

Интересно реализовать в своей компании? Пишите edvb@yandex.ru

Понравился пост?

и Вы захотите выразить мне благодарность за интересные результаты, просто покликайте на директ рекламу ниже на странице - у вас это отнимет несколько секунд, а мне принесет немного денег.