Bias как тренд HR-аналитики

 Хотел поделиться с вами своим видением одного из тренда. В статьях западных часто мелькает термин “bias” – “предвзятость” – задача HR-аналитики обеспечить минимальный “bias” при принятии решения, например, при подборе или назначении на должность. 

Эсперты футурологи даже называют новую профессию будущего Human Bias Officer, см. 21 HR профессия будущего. См. также по теме 

1. Искусственный интеллект в рекрутинге исключает предвзятость или создаёт её? 
2. Описание вакансий Google на пути к непредвзятости согласно «гендерному декодеру»
3. Уменьшится ли уровень гендерной предвзятости при приеме на работу благодаря применению искусственного интеллекта (Al)?
4. Неосознанная предвзятость? Использование аналитики текста для понимания гендерных различий в оценке эффективности работы

Т.е. тема предвзятости неплохо представлена в статьях по HR-аналитике. За “bias” стоит, безусловно, политический момент – BLM и все такое.

Но как аналитик я бы высказал еще и такой мотив происхождения тренда:

1. HR-аналитики на сегодня приобрели достаточный опыт построения моделей машинного обучения при отборе, оттоке, карьерном росте и т.п.
2. Качество этих моделей а) очень невысоко и б) эти модели не позволяют избегать “bias”, поскольку, если, например, в компании чаще мужчины идут на повышение, то модель это видит и использует (модели, собственно, все равно, справедливо это или нет) (см. например, Amazon отказались от секретного инструмента рекрутинга c ИИ из-за предвзятости против женщин или Как Amazon автоматически отслеживает и увольняет работников склада для повышения «производительности») 
3. И даже если мы будем иметь ввиду только пункт а) , то получаем не очень приятный вывод: при достигаемом качестве модели отдача от нее (ROI) просто в минусе – мы больше теряем, чем приобретаем от применения модели
4. Предыдущий вывод касается не только моделей: если мы, например, используем свои собственные критерии при отборе кандидатов (была у нас когда-то замечательная многосоткомментная дискуссия на тему женатых / неженатых мужчин – в итоге оказалось, что одни других ничуть не хуже, см. статью Неженатые мужчины старше 35 лет как фактор риска для работодателя - диаграмма дижития ниже - также из статьи), то по сути утыкаемся в ту же проблему – наши критерии с точки зрения аналитики такие же “bias”, поскольку в 99 % случаев статистический анализ показывает, что наши критерии не позволяют отбирать лучших кандидатов, но при этом отказываем другим достойным, что не подошли под наши критерии отбора. 
   
   
   

5. Для последнего пункта снижение отдачи (ROI) очевидно хотя бы потому, что мы отказывая достойным кандидатам, не подошедшим под наши критерии, мы, как минимум, увеличиваем затраты на подбор. 
6. Из всего вышесказанного следует важный вывод: поскольку наши модели и критерии отбора не улучшают качество кандидатов, а только “засоряют трубопровод” (я имею ввиду под этим помимо прочего конверсию воронки рекрутмента), то единственное важное, что может сделать HR-аналитика в этих условиях – максимально “очистить трубопровод”, т.е. избавить процесс принятия решения от наших “критериев” отбора.

Отсюда, опять же, например, берется тренд на “blind hiring” – отбор вслепую (см. Как с помощью «отбора вслепую» обеспечить личностное разнообразие на рабочем месте (Workplace Diversity) и Хельсинки и Эспоо вдохновляют другие города страны на "слепой" рекрутмент), ровно поэтому же я задался вопросом Должен ли рекрутер оценивать кандидата на собеседовании

но многими коллегами был не понят, а некоторые даже усомнились в моей адекватности😊

Таким образом, задача HR-аналитики сводится к поиску всех возможных "bias" и отказу / предостережению их использования в принятии решений.

В качестве пожелания к рынку: хотелось бы увидеть такие кейсы в российской практике и посмотреть на экономическую эффектиность внедрения