請選擇 進入手機版 | 繼續訪問電腦版

人資小周末

 找回密碼
 立即註冊
搜索
熱搜: 活動 交友 discuz
人資小周末 HR Times 查看內容

機器學習──人資應用的現在與未來

2020-12-11 16:13| 發佈者: admin| 查看: 24| 評論: 0|來自: HR Times

摘要: 在先前的一篇外電編譯〈後疫情時代AI人資應用的再思考〉(網址:https://reurl.cc/8nMXRM)中,我們得知了AI協助人資專業人員能夠以數據為基礎,優化招募流程及員工體驗,進而讓公司敏捷地應變各種競爭環境的挑戰。 ...

在先前的一篇外電編譯〈後疫情時代AI人資應用的再思考〉(網址:https://reurl.cc/8nMXRM)中,我們得知了AI協助人資專業人員能夠以數據為基礎,優化招募流程及員工體驗,進而讓公司敏捷地應變各種競爭環境的挑戰。
而這一次,我們將更細部探討機器學習(Machine Learning,以下簡稱ML)在人資領域各方面的應用;從當前的局勢中,為人資工作者指出一個將HR人性化的洞見,能夠以更為科學與客觀的方式精準呈現的未來。

什麼是機器學習(ML)?
ML是一門人工智慧的科學。在維基百科的敘述中,機器學習理論主要是設計和分析一些讓電腦可以自動「學習」的演算法。ML演算法是一類從資料中自動分析獲得規律,並利用規律對未知資料進行預測的演算法。根據預測的演算結果,計算機能夠(學習)調整其未來的決策方式。
ML基本上有三大類:強化學習、監督式學習,以及非監督式學習。

一、強化學習
強化學習最有名的案例應該是IBM的深藍(超級電腦),它「學習」了如何下西洋棋,並擊敗當時人類的世界冠軍卡斯帕羅夫(Garry Kimovich Kasparov)。
強化學習是一種技術,它使演算法能夠通過試驗和錯誤來學習,並使用來自其自身操作和經驗的回饋。與「帕夫洛夫的狗」一樣,強化學習涉及獎勵導致成功的決策,以及懲罰導致成功以外的任何決策,最終使演算法在此過程中變得更加智慧。
在產業中應用強化學習的例子,最普遍的包括教育(根據學生的進步情況提供內容)、財務與投資(高級預測)、供應鏈(在倉庫中完成訂單的機器人)、交通流量優化和醫療保健(活體組織切片圖像的準確分類)。

二、監督式學習
跨產業中(尤其是HR領域)最常見的形式是監督式學習,其次是非監督式學習。
在監督式學習中,我們嘗試預測結果,例如員工是否會離開公司、員工受傷的風險或新進員工的理想起薪。
為了做出預測,我們需要不同的輸入變數。重點在於我們認為什麼是重要的、我們可以獲得什麼數據,以及可以建立什麼數據,例如:透過了解某人在哪裡工作、他們住在哪裡,我們便可建立一個變數,專注於員工的通勤距離。
讓我們以預測誰將離開組織為例。試想一下,在任職的前12個月,有五分之一的新進人員離開組織。為了防止這種情況發生,我們可以建立一個監督式的學習模型,預測新進人員離職的可能性,以便HR和負責管理的同事可以進行干預。
在此案例中,所預測的模型結果是離職風險,用於預測的特徵可能包括人口結構與就業特徵(例如:年齡、教育水準、角色級別、相對於市場的薪酬、就業月份、發展計畫的存在等)。
這個監督式學習模型可能會降低顯著成本,包括財務影響(例如:空缺、招募、訓練和更替)、聲譽(例如:侵蝕員工價值主張EVP和/或降低應試者的吸引力)及與生產力相關的部分(例如,組織平均投資四週至三個月培訓新員工)。其中某些成本可方便量化,以便能夠辨識出防止人員離職後組織能省下的成本。

三、非監督式學習
與嘗試預測結果的監督式學習不同,非監督式學習會同時分析許多變數,以識別數據中的相似性、模式或關係。非監督式學習最常見的兩個用途是:
1. 集群(Clustering):根據分析要素之間的相似性,自動將數據集拆分為組。在組織層面的應用上,則是去了解我們員工的集群,並確定人力資源政策是否服務於這些市場區隔。
2. 關聯挖掘(Association mining):標識數據集中經常一起發生的變數集。例如,識別特定的工作站中,員工受傷的模式。
集群分析是經典的非監督式學習形式,可以幫助我們更好地了解之前所討論的員工流失。這種方法能夠協助根據類似特徵(例如:位置、任期、國籍、教育水平、年齡、績效水準等)將員工進行分組。
一旦將員工分組後,下一步是確定每個組的離職風險。當你識別出一些共同的風險因素時,實際上就暗示了這集群中的員工正在以類似的方式在體驗他們的工作場所。這可以幫助我們訂製針對特定員工集群的干預措施,從而產生最大影響(即留住員工和降低離職成本)與投資報酬(例如:每花費一美元,就能從降低的離職率中省下XX美金)。

當前機器學習的人資應用
一、申請人追蹤與評估
在ML的早期應用中,申請人追蹤和評估位居第一,特別是對於接收大量申請人的企業來說。以Glint為例,透過ML追蹤應試者在整個面試過程中的流程,並幫助加快向應試者提供簡化的回饋,從而幫助HR和管理人員雇用新的團隊成員。
使用演算法來鑑定應試者充滿諸多爭議,因此,人的監督依然重要。直接使用對數據的洞察來採取行動是不夠的,你必須將此資訊與下述問題相結合:一、我們如何將申請人的特質與業務成果聯繫起來;二、招募時哪些結果應該是我們關注的焦點;以及,三、我們如何以沒有偏誤的方式進行預測。
二、吸引人才
在招募前吸引人才的ML應用於近幾年不斷攀升。Glint的組織發展高級總監賈斯汀.布萊克(Justin Black)指出,LinkedIn就是使用ML最常見的案例,也就是推薦工作。
其他求職網站如Indeed、Glassdoor和 Seek亦使用類似的演算法,根據使用者從以前的搜尋、連結、貼文和點擊中的數據,來建構互動地圖。
三、員工流失檢測
了解員工及他們決定留任或離開工作的原因,可說是人資部門要回答的最重要的問題之一,而ML可識別出員工自然流失的早期警訊。
透過監控員工滿意度的調查結果,可以清楚看到員工效率和缺席率是否下降,使你了解他們真正遭受的影響。因此,你可以在不滿或動機降低等問題發生之前採取行動。
金融機構JPMorgan也已實施演算法,可以在任何犯罪活動發生之前調查員工行為並識別所謂的「流氓雇員」。這顯然是一種更為陰險的流失形式,若是發生的話,其後果將不堪設想。
四、個人技能管理/績效發展
ML在推動個人技能管理和發展方面顯示出其潛力。雖然這個領域還有成長空間,然而,無需真人教練就能提供校準指導的平臺可替員工節省時間,並為更多的人提供在職涯中成長和保持參與的機會。
財務管理和人力資本管理軟體供應商Workday就利用ML,根據公司需求、市場趨勢和員工具體情況,來替員工建立個人化的培訓套組。

未來機器學習的人資應用
一、企業管理
畢馬威(KPMG)推廣其訂製的「智能企業方法」,利用預測分析和大數據管理幫助公司做出業務決策,優化關鍵KPI和其他指標。Google的re:Work網站提供其他領先組織(包括畢馬威)的最佳職場實務與想法,是了解該領域最新工具和案例研究的極佳資源。
Google的人員分析部門是企業層面建構績效管理引擎的先驅。從早期階段開始,團隊就提出了現有問題(像是給定團隊或部門的理想規模),但專注於尋找新的使用數據方法,以協助回答這些問題。人員分析解決與員工生命週期相關的基本業務問題,重點在於改善Google內部人員的生產力與整體健康。
在過去幾年,該團隊所產生的見解導致了全公司行動的改善,例如:
• 限制申請人所需的面試數量(超過四次不會帶來更高的品質)。
• 顯示最佳組織規模和部門規模。
• 更好地管理產假(Google的叛逃率減少了50%)。
• 為員工頭四天的工作建立報到計畫,將生產水平提升高達15%。
二、雇用後結果演算法
顧能(Gartner)指出,理想的演算法將預測招募後的結果(例如:減少致電客戶的服務時間,但同時保持較高的客戶滿意度),而非僅將員工履歷或雇用前評估結果中的項目,與當前的工作要求相吻合。
三、內部管理
人才分析科學家帕夏.羅伯茲(Pasha Roberts)於2016 年指出:「你可以使用智能體基模型(agent-based modeling,編注:是一種計算模型,能解決各種商業和科技問題,包括建模組織行為和認知、團隊合作、供應鏈優化、物流,以及消費行為建模)來模擬與查看人們如何在公司內移動……並能更好地雇用一個可能往公司階梯爬升的基層人員。」
四、增加行為追蹤和基於數據的決策
軟體公司Humanyze的執行長班.瓦伯(Ben Waber)談到了在工作場所中日益使用物聯網(IoT,編注:由實際物體如車輛、機器、家用電器等,經由嵌入式感測器和 API 等裝置,透過網際網路所形成的訊息連結與交換網路)可穿戴數據的問題。
瓦伯在麻省理工學院媒體實驗室擔任訪談科學家時,便利用從智慧ID徽章收集的數據來查看員工對話、互動、公司內部網路、人們花費的時間等內容。
雖然隱私似乎是個問題,但智慧ID徽章等技術正開始迅速擴散。瓦伯說,這種類型的數據使我們能夠提出並回答以前無法問的關鍵業務驅動問題,例如:「我的銷售團隊與我的工程團隊談了多少?」
★★★
Google 人員分析主管伊恩.歐基福(Ian O'Keefe)曾在「人員分析與未來工作」會議上講述了他的團隊透過納入招募決策、團隊氣氛和個人發展來量化效率、效能及員工體驗等情況的故事。最後,他的團隊發現,擁有更好數據的人能夠做出比演算法本身更好的決策。
布萊克說,精心設計的AI應用有三個主要的交叉功能:主要專業、數據科學專業,以及設計/用戶體驗專業。目前,很少有技術供應商能做好這三項工作。當今和近期的最佳解決方案不會取代人類,而是強調使用機器作為工具和協作者來擴展更好的決策。
AI/ML的應用絕非完美。對人資工作者的專業而言,除了AI工具的概念與操作上的了解外,HR必須提出正確的問題,才能結合產出數據做出精確的決策判斷。
從以上說明中,我們看見了ML作為以人為中心的輔助工具,能夠協助人資專業人員進行預測與分析模式,找出群體與事件的因果關係,使常見的離職率、缺席率、招募成本等人力資源指標,能夠提供策略性洞見,促使組織主動出擊而非被動回應,不致讓這些數據在會議後就塵封於檔案室,而能真正成為以實證為基礎的人資最佳實務。
****************
參考資料
機器學習應用於人資實務的初學者指南
https://www.analyticsinhr.com/blog/machine-learning-hr/
機器學習的人資應用趨勢
https://www.hrinasia.com/....../%EF%BB%BFthe-trends....../
人力資源中的機器學習:應用與趨勢
https://emerj.com/....../machine-learning-in-human....../

人力資源分析,讓HR「硬」起來!
https://reurl.cc/1x19Wp
編譯:陳維岳
核稿:盧世安

路過

雷人

握手

鮮花

雞蛋

相關分類

下級分類

Archiver|手機版|小黑屋|人資小周末

GMT+8, 2021-2-28 10:55 , Processed in 0.016746 second(s), 14 queries .

Powered by Discuz! X3.4

Copyright © 2001-2020, Tencent Cloud.

返回頂部