Максим Практик – Нейро HR. Адаптация и обучение сотрудников (страница 4)
Сеть, которая учится на ошибках
Один нейрон – это слабо. Но когда вы соединяете тысячи и миллионы таких нейронов в слои, получается мощная система – нейронная сеть. Первый слой может анализировать сырые данные: время выполнения тестового задания, частоту обращений к справочнику, эмоциональную окраску сообщений в чате. Следующий слой ищет более сложные паттерны: например, связь между скоростью чтения инструкций и качеством выполнения первых самостоятельных задач. Третий слой может выявить что-то еще более комплексное, например, паттерн поведения, который за полгода до увольнения демонстрировали 80% уволившихся сотрудников. Самое важное, что сеть – не статичная программа. Она учится. Этот процесс называется «обучение с учителем». Вы ей показываете примеры и говорите: «Вот данные сотрудника Иванова, который через три месяца стал нашим лучшим специалистом (это «правильный ответ» – метка). А вот данные сотрудника Петрова, который уволился в испытательный срок (это «неправильный ответ»). Найди закономерности». Сеть начинает перебирать веса своих нейронных связей, пытаясь угадать. Сначала она ошибается часто, как ребенок, который впервые видит кошку и собаку. Но после каждой ошибки она получает обратную связь («Нет, это не Петров, это Сидоров, и он успешен») и по специальному алгоритму корректирует свои внутренние «веса», чтобы в следующий раз ошибиться с меньшей вероятностью. После тысяч таких примеров сеть настраивается и начинает видеть те самые скрытые закономерности, которые ускользают от человеческого взгляда.
От теории к нашей практике: как сеть «видит» сотрудника
Давайте приземлим эту теорию на нашу почву. Допустим, мы хотим, чтобы нейросеть помогала адаптировать нового менеджера по продажам. Какие данные станут «входными сигналами» для первого слоя нейронов? Всё, что можно измерить и оцифровать. Время, которое он тратит на изучение продукта в обучающей системе. Процент правильных ответов в интерактивных тестах. Даже неочевидные вещи: например, как часто он пересматривает видео-инструкции или с какой задержкой отвечает на первые письма от коллег. Сеть не «понимает» смысла этих действий, как понимаем мы. Для неё это просто числа. Но, анализируя тысячи таких числовых рядов от прошлых успешных и неуспешных менеджеров, она находит шаблоны. Она может обнаружить, что те, кто в первую неделю тратил больше 30 минут на изучение модуля «Возражения клиентов» и при этом активно использовал текстовый гайд, а не видео, в 70% случаев успешно проходили испытательный срок. Или что слишком быстрое прохождение всех тестов с первого раза без ошибок – не всегда хороший знак, а иногда признак поверхностного знакомства с материалом. Получив данные нового человека, сеть, прошедшая обучение, сравнивает его цифровой профиль с найденными паттернами и выдает прогноз: «Высокий риск неусвоения продукта на второй неделе. Рекомендуется предложить дополнительный интерактивный кейс по модулю Х». Это и есть магия, лишенная волшебства: просто анализ данных и поиск закономерностей на скорости, недоступной человеку.
Пазл, который собирается сам
Можно думать о нейросети как об очень усердном и быстром стажере, который сидит над гигантской коробкой с пазлами. Каждый пазл – это кусочек данных о сотруднике. Вначале стажер не знает, какая картина должна получиться. Он просто берет и складывает кусочки наугад, смотрит на получившуюся кашу и сверяется с образцом (данными о результате – ушел человек или остался). Образец говорит: «Нет, это не «успешная адаптация». Стажер сокрушенно вздыхает, разбирает всё и начинает заново, стараясь учесть прошлую ошибку. После миллионов таких попыток он начинает угадывать, что синие кусочки часто ложатся рядом с зелеными, а угловые детали с полоской – это, скорее всего, рамка. Он научается собирать картину быстро и точно. В нашем случае «картина» – это прогноз или решение: насколько персонализировать программу обучения, кому из новичков нужна помощь наставника прямо сейчас, какой учебный формат будет самым эффективным для конкретного человека. Эта сеть не устает, не страдает от выгорания и готова работать с данными 24/7, постоянно становясь умнее. А ваша задача, как руководителя или HR-специалиста, – не писать для неё код, а предоставлять ей качественные «пазлы» (данные) и четко ставить задачу: какую картину мы хотим в итоге собрать? Остальное она сделает сама. Подумайте на минутку, какие «пазлы» о ваших сотрудниках уже лежат разрозненно в вашей компании: в таблицах, в чатах, в системах учета рабочего времени? Возможно, пора начать их собирать.
Типы данных для анализа: от резюме до поведения
Представьте, что вы строите дом для нового сотрудника – дом, в котором ему будет комфортно расти и работать. Нейросеть – ваш главный архитектор. Но даже самому гениальному архитектору нужны кирпичи, бетон и чертежи. В нашем случае это данные. Без них нейросеть слепа, а ваша программа адаптации превращается в гадание на кофейной гуще. Давайте разберемся, какие именно «кирпичи» нам понадобятся и где их взять, даже если ваша компания – это вы, два сотрудника и кофемашина.
Все данные можно условно разделить на две большие корзины: «твердые» и «мягкие». Твердые данные – это факты, цифры, явно выраженные показатели. Их легко измерить и записать в таблицу. Сюда входят резюме (образование, предыдущий опыт, навыки, указанные в CV), результаты входного тестирования, скорость прохождения учебных модулей, время выполнения первых задач, данные из системы учета рабочего времени (если она есть), даже частота и время входа в корпоративный портал. Это скелет вашего будущего понимания сотрудника.
Но скелет без нервов и мышц – просто манекен. Мягкие данные – это как раз то, что делает человека живым в глазах системы. Это поведенческие паттерны, предпочтения, эмоциональный фон. Самые ценные и, зачастую, самые игнорируемые. Как их собрать? Начните с простого. Например, в какой форме новый сотрудник задает больше всего уточняющих вопросов: в чате письменно, голосовым сообщением или тет-а-тет? Как часто он использует справочные материалы перед тем, как обратиться к коллеге? Какова тональность его сообщений в рабочих чатах (здесь могут помочь простейшие анализаторы настроения, которые уже встроены во многие корпоративные мессенджеры)? На какие темы в неформальной части адаптации он реагирует активнее всего? Все это – бесценные поведенческие данные.
Не только цифры, но и контекст
Здесь важно не скатиться в тотальную слежку. Мы не Большой Брат. Цель – не контролировать каждый чих, а понять контекст и оказать поддержку. Представьте, что сотрудник X в первую неделю бойко проходит все задания, а на второй неделе его активность резко падает. Твердые данные (время выполнения, количество ошибок) покажут сам факт снижения. Но почему? Мягкие данные могут дать ключ. Возможно, в чате команды в эти дни была напряженная дискуссия, которая его выбила из колеи. Или он трижды запрашивал доступ к критическому ресурсу и не получил ответа. Нейросеть, обученная на подобных историях, не просто зафиксирует падение KPI, а предположит причину и порекомендует руководителю не «дать пинка», а тактично поинтересоваться, нет ли проблем с доступом к инструментам. Разница, как вы понимаете, колоссальная.
От простого к сложному: с чего начать сбор
Не пытайтесь объять необъятное в первый день. Начните с трех-четырех источников данных, которые у вас уже есть или которые легко создать. Первый источник – это, как ни странно, само резюме и результаты собеседования. Структурируйте их: вынесите в отдельные поля ключевые навыки, опыт работы в конкретных отраслях, упоминание любимых инструментов. Второй источник – анкета новичка. Но не та скучная, про ИНН и номер полиса, а короткая личностная: «Как вы предпочитаете получать обратную связь – письменно сразу или в личной беседе раз в неделю?», «Что вас больше всего мотивирует в работе – признание команды, сложные задачи или четкий график?». Третий источник – лог активности в вашей системе обучения или таск-трекере. Сколько времени ушло на первый модуль? Сколько попыток потребовалось для сдачи теста? Это уже готовые цифры.
Четвертый, и самый тонкий источник – это обратная связь от наставника или тимлида. Но не в форме расплывчатого «ну как он там?», а в виде простой еженедельной оценки по 2-3 параметрам: «Уровень самостоятельности (1-5)», «Эмоциональный фон на этой неделе (1-5)», «Ключевая сложность, с которой столкнулся». Через месяц у вас уже будет небольшая, но живая база данных по новичку. А когда таких новичков наберется десять-пятнадцать, нейросеть начнет видеть то, что не видит человеческий глаз: например, что люди с опытом работы в стартапах на 40% чаще испытывают стресс на третьей неделе из-за более формализованных процессов в вашей компании. И вот тогда вы сможете подготовить для таких сотрудников особый модуль про корпоративную культуру именно на этой критической неделе.
Конец ознакомительного фрагмента.
Текст предоставлен ООО «Литрес».
Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.
Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.