Мэтчинг в рекрутинге: придут ли технологии Tinder в подбор персонала?

Андрей Крылов Автор

Компании постепенно идут к подходу H2H — human to human. Успех HR-специалистов будет зависеть от того, насколько быстро и эффективно они смогут приспособиться к этим изменениям

Сфера рекрутинга на данный момент остается одной из консервативных областей. Тем не менее интернет-сервисы заменяют кадровые агентства персонала (подробнее о тренде — в материале Forbes). В ситуации кризиса бизнесу нужны новые сервисы и продукты для подбора и оценки персонала, позволяющих делать больше, но в рамках минимального бюджета. Как и в других отраслях, исход борьбы за место под солнцем определяют технологии.

Самое частое решение — это автоматизация в сборе анкет по базам данных крупных рекрутинговых сайтов. Но собрать анкеты мало. Важно научить машину анализировать и распознавать типаж кандидата по максимально возможному количеству параметров (от данных стандартного резюме и соцсетей до поведения кандидата при работе с видеоинтервью). Для того чтобы робот научился считать закономерности и отбирать «правильных кандидатов», необходимо накопить достаточно данных. В обработке данных и использовании для конечного пользователя может помочь технология мэтчинга.

Мэтчинг

Мэтчинг — это объединение наборов данных, полученных из разных источников, в единый профиль кандидата на должность. Цель сопоставления — получить полную картину о поведении конкретного кандидата, чтобы затем использовать этот набор данных при приеме его на работу, а также в интересах компании.

Как сделать мэтчинг максимально эффективным инструментом? Тут нужно немного уйти в математику. По сути, в этом формате мы решаем задачу такого вида: ищем пути для сокращения издержек поиска и подбора кандидатов при сохранении нужного уровня эффективности найма сотрудников.

Рассмотрим теоретические модели, которые так или иначе учитывают гетерогенность агентов на рынке труда. Одна из первых «расширенных» моделей – это модель Э. Лэзира, в которой вводится предпосылка о том, что работники различаются не только навыками, но и «рискованностью» для работодателя. В это понятие Лэзир вкладывает неопределенность относительно производительности работника после его трудоустройства. В этой логике молодые работники ( с небольшим списком в трудовой книжке) — рискованное приобретение. При определенных предпосылках (если компания закладывает расходы на увольнения или принимает, что у тех или иных сотрудников не будет абсолютной мобильности) рискованные работники становятся вполне привлекательными для фирмы. В равновесной модели фирмам безразлично, какого работника нанимать, «безопасного» или «рискованного», хотя Лэзир отмечает, что этот выбор все-таки зависит от специфических характеристик работодателя. Так, большие корпорации, которые работают на рынке давно, будут выбирать «котов в мешке», а молодые компании с высокими издержками на найм и увольнения предпочтут «безопасных» работников. Вопросы вызывает «операционализация» «рискованности» работника. Эту модель эмпирически тестировали на «спортивных» данных, и на таком специфичном рынке труда предпосылки модели оказались вполне реалистичными.

В 2003 году Лэзир предложил модель, в которой эффективность мэтчинга определяется удачным сочетанием общих навыков работника. В этой модели гетерогенность фирм задается через разные веса, которые разные фирмы присваивают тем или иным общим навыкам. Авторы большинства работ на эту тему сходятся во мнении, что чем специфичнее потребности фирмы в человеческом капитале, тем выше вероятность того, что фирма будет инвестировать в обучение своих работников.

Человеческий капитал принято делить на общие и специфические навыки. Общий человеческий капитал – это такие знания и навыки, которые могут быть реализованы на любом рабочем месте, в любой фирме. Специфический человеческий капитал пригоден лишь для того места работы, где он накоплен, — они обесценивается при переходе человека на другую работу. Специфичность человеческого капитала складывается из знания конкретных, уникальных технологий, используемых в работе в той или иной фирме, и его включенности в определенную коммуникативную культуру.

Согласно теории Г. Беккера, работодателям может быть выгодно инвестировать только в развитие специфического человеческого капитала своих сотрудников: такие навыки не будут востребованы остальными предприятиями на рынке труда, и работодатель, оплативший такое образование своих сотрудников, окупит инвестиции в сотрудника. Человек, увеличивший набор своих специфических навыков, будет «прибыльным» для организации — за счет того, что компания сможет выплачивать сотруднику заработную плату ниже его предельной производительности. А вот получив общие навыки, работник будет претендовать на заработную плату, равную своей предельной производительности. Если текущий работодатель, оплативший образование, не захочет выплачивать такую заработную плату, работник может найти другого работодателя, который оценит его по достоинству (если исходить из предпосылок о совершенной конкуренции на рынке труда и абсолютной информированности агентов). Еще одна важная работа — М. Грановеттера. Она проливает свет на теорию социальных связей как один из возможных каналов поиска сотрудников. С развитием социальных сетей снижается асимметрия информации и ограничения мобильности (из-за того, что агенты быстрее получают информацию о новых вакансиях). Индивиды, получившие информацию о вакансии, оценивают ее и либо самостоятельно откликаются на нее, либо передают информацию о ней дальше, используя социальные сети как канал распространения информации. На основе теории социальных связей Г. Салонер предложил свою модель рекомендаций при найме сотрудников. Когда работодатель не может оценить продуктивность работника, он обращается за рекомендациями. Рекомендатели дорожат своей репутацией, и поэтому советуют «правильные» решения о найме. Работодатель максимизирует прибыль, и поэтому прислушивается к рекомендациям.

В качестве альтернативы для теории сигналов М. Спенса авторы А. Каселла и Н. Ханаки предприняли попытку объяснить функциональные стратегии найма персонала на основе социальных сетей и сигналов . У работника есть выбор: устанавливать социальные связи или пытаться подавать сигналы работодателю самостоятельно. Сетевые коммуникации предполагают, что в силу уникальности информации, фирмы обладают некой монопсонической властью и претендуют на часть ренты с производительности своих сотрудников. Работники будут выбирать сетевые коммуникации только в том случае, если они дают более точную информацию об их производительности. В отсутствие издержек сетевого поиска, найм через социальные связи будет для предприятий предпочтительнее, потому что дает компаниям возможность обладать уникальной информацией о производительности работника. В ситуации с сигналами такая информация является общедоступной. П. Ойер и С. Шайфер в своей статье отмечают главный недостаток данной модели — отсутствие процедур поиска и подбора.

В целом сегодня в мировой литературе в общем на сегодняшний день тенденции таковы, что исследователи сосредотачиваются на одном из каналов найма и пытаются оценить его эффективность. Но в реальности фирмы сталкиваются с наборов альтернатив в процессе найма персонала. Если мы хотим понять, как формируется стратегия найма персонала, нам необходимо сосредоточить свое внимание на том, какие каналы найма фирмы выбирают, как взаимодействуют с рынком труда. И новые технологии для автоматизации «мэтчинга» как раз могут в этом помочь.

Мэтчинг 2.0

Сегодня технологии мэтчинга на HR-рынке все больше напоминают технологии в основе дейтиговых сервисо. В дейтинговых приложениях для знакомств рядовой пользователь не должен полагаться исключительно на волю случая и везение при выборе того с кем хотел бы начать серьезные отношения. Он, к тому же, избавлен и от необходимости пересматривать огромное множество страниц пользователей, выискивая на них надежного и подходящего партнера. Достаточно просто открыть Tinder, чтобы начать выбирать себе партнера. Для этого есть три свайпа - like, ignore, superlike (последний как раз создан для того, чтобы выбрать потенциальный «мэтч»). Если вас (с другой «стороны») тоже лайкнули, то Tinder даст вам возможность пообщаться с этим человеком — возможно, вам стоит получше узнать друг друга. Tinder выбирает людей исходя из их взаимной симпатии. Но это не всё. Большую роль играет и географический фактор (ваше местоположение), религия, а также некоторые другие данные, которые вы заполняете в своём профиле. eHarmony.com и Match.com, например, просто автоматически сопоставляют людей, без возможности выбора, основываясь на их профилях. Но в Tinder надо проявить активный интерес к фото профиля и дождаться взаимного лайка. А, например, принцип подбора eDarling, сайта для серьезных знакомств, подразумевает прохождение личностного теста при регистрации, который учитывает различные стороны личности, в результате чего получается индивидуальный психологический портрет.

Мэтчинг в целом очень похож на технологии персонификации интернета. Наверное каждый слышал о том, что «скоро интернет для каждого будет выглядеть индивидуально». Работает это примерно так — данные о вашем поведении в интернете накапливаются, социальные сети, аналитические агентства и поисковики умеют накапливать сведения об увлечениях, геолокации, покупках в интернете и так далее. На основании предпочтений каждого конкретного пользователя, к примеру, социальные сети выстраивают ленты новостей, а интернет-магазины персонифицируют витрины. Почему бы не сделать тоже самое для поиска работы.

Очевидной тенденцией становится поиск соответствия человека корпоративной среде предприятия. Проблема только в том, что сами предприятия часто не знают какие именно сотрудники у них работают, чем занимаются в свободное время, как общаются с окружающими. Но практически любой сотрудник пользуется интернетом, электронной почтой, социальными сетями, мессенджерами. Всю эту информацию можно накапливать и анализировать, то есть искать взаимосвязи между социальным поведением сотрудников и их реальными успехами на рабочем месте, на основании чего строить профили «идеального» кандидата эмпирическим путем. Такие «профили идеального кандидата» как раз и участвуют в мэтчинге, они могут задаваться как входящий фильтр для кандидатов.

Мэтчинг полезен и для кандидата. Можно потратить годы на попытки вырасти в компании, в которую человек изначально не подходил по своим социальным компетенциям, но за несколько месяцев показать себя в компании, с которой произошел «мэтч». До переходного периода рынок труда в России был достаточно однороден, этому способствовала плановая экономика. Проблемы мэтчинга как таковой не возникало: образование, полученное в техникуме или вузе, полностью отвечало требованием работодателя. В транзитивном периоде проблема соответствия уровня квалификации выпускников учебных заведений и структуры вакансий впервые начала проявляться.

Хороший пример — то, как сервис Neo4j с помощью данных от компании Neo Technology помогает найти идеальный «мэтч».

Люди могут быть связаны между собой дружескими отношениями. Все они обладают теми или иными компетенциями, работают или работали на тех или иных предприятиях. На рисунке видно, что Джеймс и Паул работают в Acme (вымышленной компании). Они друзья, обладают знаниями общего управления, при этом Джеймс разбирается в финансовом менеджменте, а Пауль - в Python (один из языков программирования — Forbes).

Далее, с помощью некоторых манипуляций мы выявляем сколько людей из базы обладают теми компетенциями, которые необходимы для нашей должности. После этого можно выявить людей, которые, например, умеют программировать.

Для идеального «мэтча« нам необходимо выбрать того кандидата, который по максимуму обладает всеми необходимыми компании компетенциями.

«Большие данные»

По данным KPMG, примерно треть компаний не используют продвинутые аналитические инструменты и Big Data для увеличения эффективности работы HR. Более 76% ожидают, что в течение следующих нескольких лет data положительно скажутся на компании и прибыли. Корпоративная культура — одно из крупных препятствий на пути использования больших данных (32%), за этим следует, отсутствие навыков и ресурсов (30%), а также качество самих данных (29%).

По подсчетам Deloitte, аналитика больших данных в 2016 году входила в топ десять трендов HR, и на данный момент является одним из самых перспективных направлений развития отрасли. Примерно в 60% HR-департаментах в компаниях по всему миру используются инструменты big data, а исследователи ожидают стремительный рост этого показателя. В том, что в скором времени принимать решение о найме того или иного кандидата будет зависеть от робота или искусственного интеллекта, сомневаться уже не стоит. Компании уже активно используют идеи, лежащие в основе «больших данных».

Google проанализировали десятки тысяч собеседований, сравнив оценку кандидатов на интервью с тем, как сейчас они справляются с работой. Также они выявили сколько собеседований нужно, чтобы найти хорошего кандидата, и то, что вопросы, дразнящие мозг, не очень то эффективны на собеседовании. Компания смогла структурировать поведенческое интервью, подобрать нужные вопросы для эффективного собеседования.

Xerox с помощью больших данных выяснил, как удержать большую часть работников службы поддержки на своих местах. Просто, но эффективно. В ходе анализа оказалось, что на работе задерживаться готовы те, кто живет рядом или имеет способ добраться до дома. Последнее и обеспечили сотрудникам Xerox. Это позволило снизить текучку кадров на 20%.

Juniper Networks отслеживают карьерную лестницу своих лучших сотрудников при помощи объема данных, собранных Linkedin. Эйчары смотрят откуда к ним пожаловали талантливые сотрудники, куда они ушли после работы в Juniper. Фишка в том, что HR отдел получал полное представление о развитие карьеры в данной отрасли, что помогло компании разработать новые стратегии для привлечения, а также удержания талантливых сотрудников.

Walmart используют большие данные, чтобы предсказать, когда и по каким причинам тот или иной сотрудник покинет рабочее место. Это очень удобно, эйчары уже могут набирать и обучать людей. А также грамотно реагировать на потребности сотрудников и совершенствоваться в решении проблем.

Что дальше?

Проникновение технологий на российском рынке обусловлено недоверием и консервативностью. У многих специалистов есть страх, что «робот заменит человека». Но автоматизация неизбежна. И важно понимать, что индивидуальное мышление пока незаменимо, а рутинный труд лучше отдать машинам, от этого выигрывает и корпорация (сокращение издержек) и сам специалист (остается время и возможность на творческие процессы, поиски новых решений).

Я, как и многие другие, уверен, что основной тренд последних и следующих нескольких лет в HR сфере – это не просто автоматизация систем, но еще и новое мышление, новый подход ко всем процессам взаимодействия с людьми. Компании постепенно идут к подходу H2H — human to human. Успех HR-специалистов будет зависеть от того, насколько быстро и эффективно они смогут приспособиться под изменяющуюся среду. Уже сейчас HR-директорам необходимо понимать, куда движется глобальный рынок, иначе есть риск выпасть из отрасли через 5-10 лет. На мой взгляд, будущее за автономной цифровой платформой по управлению человеческим коллективным потенциалом.