Перевод статьи Progressing HR with Max Blumberg нашего проекта переводы статей по hr-аналитике на английском (отслеживайте материалы блога через телеграм канал HR-аналитики). Автор Neelie Verlinden

Перевод выполнила Ирина Самойленко -- Сhief HR производстенной компании г. Днепр, Украина (профиль на LinkedIn) . Это третий перевод Ирины в нашем блоге, смотрите также 

1. 50 показателей адаптации персонала для улучшения Опыта сотрудника (Employee Experience)
2. Talent acquisition. Привлечение талантов: полное руководство
3. Руководство для начинающих по машинному обучению для HR-практиков
4. Нужна ли Вам Data Strategy (Стратегия данных)?
5. Как Карьерный Путь (Career Pathing) может помочь Вам завоёвывать таланты и повышать вовлеченность 
6. Чтобы найти лучшие стимулы для сотрудников, начните с простого A/B-теста 

Итак,

Progressing HR с Максом Блумбергом

О серии:

«Progressing HR» (развитие  HR) - это еженедельная серия в нашем блоге, в которой представлены мнения экспертов по диджитализации HR в отношении предвзятости и найма.

Об авторе:

Доктор Макс Блумберг - основатель консалтинговой компании Blumberg Partnership, специализирующейся на HR аналитике, которая занимается трансформацией рабочей силы с помощью аналитики на основе данных. Он является научным сотрудником Лондонского университета Goldsmiths и приглашенным профессором бизнес-школы Университета Лидса.

<

"БАРОМЕТР МНЕНИЯ"

На сколько важной Вы считаете диджитализацию при отборе персонала?
□ Очень важно	■ Важно	□ Не столь важно	□ Не важно
На сколько важным Вы считаете сокращение предвзятости при отборе персонала?
■ Очень важно	□ Важно	□ Не столь важно	□ Не важно
Сейчас появляются в доступе алгоритмы, решающие HR'овские задачи. Находите ли вы их преимущественно позитивными?
□ Да	□ Преимущест-  венно да	■ Преимущест- верно нет	□ Нет
В приведенных ниже примерах Вы бы предпочли, чтоб решение принимал алгоритмы или человек? Или их комбинация?     Алгоритм Комбинация Человек Сокращение предвзятости □ ■ □ Избежание неверных решений □ ■ □ Прозрачность в принятии решений □ ■ □ Нахождение лучших кандидатов □ ■ □ Быстрое реагирование □ ■ □

Видите ли вы потенциал использования алгоритмов при подборе персонала? В чем есть риски?

Если ручная работа сократится в результате автоматизации, большая часть будущего найма будет сосредоточена на двух общих типах работы, которые нелегко автоматизировать: это должности, относящиеся к интеллектуальной работе и к «эмоциональному труду» (например, руководящие и управленческие роли).

1. Эмоциональная работа: предсказание эмоций является Святым Граалем для разработчиков алгоритмов с тех пор, как Фрейд впервые предложил квазинаучную модель для прогнозирования эмоционального поведения человека; к сожалению, ни одному алгоритму пока не удалось предсказать эмоциональное поведение (по крайней мере, значимым образом).

Смогут ли алгоритмы когда-либо предсказывать эмоциональное поведение? Можно предположить, что до разработки алгоритмов, способных предсказать, обладают ли кандидаты «эмоциональной» способностью управлять другими, осталось примерно лет 25. Это связано с тем, что современные алгоритмы искусственного интеллекта работают на когнитивном уровне примерно 5-летнего ребенка, поэтому, вероятно, потребуется еще 20–30 лет, прежде чем они "повзрослеют".

2. Интеллектуальная работа: алгоритмы намного лучше подходят для отбора кандидатов с соответствующим уровнем знаний, чем для отбора кандидатов, способных управлять эмоциями других.

Например, алгоритмы уже способны выбирать эффективных кандидатов в области STEM (аббревиатура от S-science (наука), T-technology (технологии), E-engineering (инженерия), M-mathematics (математика); и мы можем ожидать, что это быстро распространится на отбор кандидатов на другие должности, такие как медицина. (Обратите внимание, однако, что алгоритмы отбора по знаниям не смогут предсказать поведение этих медицинских работников у постели больного, потому что поведение у постели больного предполагает предсказание эмоций - см. Пункт 1 выше).

Так что да, потенциал в помощи при отборе для интеллектуальной работы есть. Но риски здесь следующие:

1. Развертывание выбора на основе алгоритма для должностей, для которых алгоритм не предназначен (например, попытка отбора по эмоциональным  компетенциям)

2. Алгоритмы, которые смещены в сторону одних групп больше, чем других из-за неадекватной калибровки «GRRACCES» (GRRACCES - аббревиатура = G-пол, R-раса, R-религия, A- (не)способности, C-класс, C-культура, E-этническая принадлежность, S-сексуальная привлекательность). Это может привести к тому, что психологи и юристы называют неблагоприятным воздействием, и неуспешные кандидаты могут подать в суд на работодателей за дискриминацию. Подробнее о неблагоприятном воздействии ниже.

3. Последний риск заключается в разработке неточных алгоритмов, поскольку они не соответствуют научному процессу, такому, как описан ниже.

Как вы думаете, в какой степени предвзятость играет роль в отборе персонала?

Хотя мы можем уменьшить неблагоприятное воздействие, предвзятость не может быть полностью устранена из алгоритмов или поведения человека. Например, допустим, мы с вами набираем продавцов. При наборе продавцов следует учитывать как минимум два интересных аспекта:

Во-первых, продажи включают в себя значительную часть эмоционального труда (например, управление эмоциями потенциальных клиентов); значит - согласно обсуждению в разделе 1 выше - мы не можем использовать алгоритм для выбора кандидатов. Таким образом, нам с вами придется проводить большую часть процесса отбора лично.

Во-вторых, существует не единственный тип «успешных» продавцов; успешные продавцы имеют самый разный вид, стиль, познавательные отношения, знания, навыки и способности; единого шаблона нет. (На самом деле это верно для большинства должностей).

Вернемся к вам и мне, когда мы отбираем кандидатов на роль продавца:

По своему опыту работы менеджером по продажам вы, возможно, пришли к выводу, что кандидаты типа A (какими бы они ни были) являются лучшими продавцами; напротив, мой опыт работы менеджером по продажам, возможно, научил меня, что кандидаты типа B - лучшие продавцы.

Реальность в этой ситуации такова, что мы оба правы, исходя из нашего прошлого опыта, а опыт часто является другим словом для обозначения «предвзятости».

Поэтому, когда приходят кандидаты типа А, я говорю, что они замечательные, а вы говорите, что нет. И когда приходят кандидаты типа B, наши взгляды меняются на противоположные. Таким образом, мы оба делаем выбор на основе наших личных предубеждений - и в данном случае это нормально, потому что мы оба можем быть правы.

Но предвзятость недопустима, когда мы несправедливо дискриминируем людей на основании «GRRACCES» (см. расшифровку выше). Итак, итоги: да, предвзятость играет значительную роль при подборе персонала, иногда хорошую, иногда плохую.

Как вы думаете, какой процесс поиска подходящего сотрудника является идеальным?

Научный метод, разработанный за последние 400 лет и используемый в академических кругах по всему миру, вероятно, лучший из известных нам способов создания достоверных и надежных прогнозов. Он применим к отбору, так же, как и к прогнозированию безопасности нового медицинского препарата.

Вот этот научный метод, применяемый для отбора сотрудников на определенную должность в конкретной организации:

1. Определите показатель эффективности результатов

Сначала определите метрику для измерения результативности на данной должности. В худшем случае эта метрика может быть просто рейтингом, полученным на основе оценок производительности сотрудников, но мы часто можем добиться большего, используя дополнительные метрики производительности, собранные от команд компании-работодателя.

2. Ранжируйте сотрудников по выбранной метрике производительности

Теперь ранжируйте сотрудников по возрастанию результативности, согласно шкале, полученной выше. Если мы набираем сотрудников на будущие должности (например, на 3 года вперёд), то нам необходимо ранжировать наших нынешних сотрудников на основе того, как, по нашему мнению, их результаты будут выглядеть через 3 года.

Конечно, чем на дольше в будущем мы прогнозируем наши рейтинги, тем менее точным становится процесс отбора. По нашему опыту, обычно лучше всего выполнять этот процесс на основе результатов работы сотрудников в текущем году, а затем повторять этот процесс ежегодно.

3. Определите характеристики, по которым можно отличить высокие и низкие показатели

Итак, теперь у нас есть список сотрудников для должности, на которую мы набираем, ранжированных от высокого до низкого уровня по некоторой согласованной компанией метрике производительности. Затем мы просим менеджеров и опытных сотрудников на данной должности выдвинуть гипотезы о характеристиках, которые могут различать исполнителей с высокими и низкими показателями на данной должности.

Затем мы измеряем эти предполагаемые характеристики у наших нынешних сотрудников и строим статистическую модель, чтобы определить, какая из предполагаемых характеристик лучше всего предсказывает нашу метрику производительности (при этом помня, что корреляция является не обязательно обусловленной).

Результатом этого шага является набор «победивших» характеристик, которые предсказывают производительность на данной должности с требуемым уровнем точности. (Может быть несколько кластеров характеристик, которые предсказывают высокую производительность, как обсуждалось в примере отбора продавцов, обсужденном ранее).

4. Используйте победившие характеристики для построения алгоритма отбора

Теперь, когда мы знаем, какие победившие характеристики предсказывают производительность, мы можем встроить их в алгоритм найма, который оценивает потенциальных кандидатов по этим характеристикам, а затем использует статистическую модель, разработанную на шаге 3, чтобы определить, насколько кандидаты похожи на наших существующих высокоэффективных сотрудников.

Вот и все: таков научный процесс поиска подходящего сотрудника.

Могут ли алгоритмы помочь снизить предвзятость при подборе персонала?

Предвзятость при подборе персонала часто сводится к неадекватной выборке при создании алгоритма. Например, если я брал только сотрудников из Великобритании при разработке научного алгоритма отбора, описанного выше, есть разумная вероятность того, что алгоритм может быть неточным при отборе кандидатов из других стран.

Алгоритмы могут помочь уменьшить предвзятость при подборе персонала, если есть гарантия, что при разработке алгоритма используются репрезентативные выборки сотрудников.