People analytics: l’utilizzo del machine learning a supporto delle risorse umane

Le people analytics permttono di utilizzare soluzioni di machine learning per realizzare un motore di ricerca delle competenze ottimali per una determinata posizione lavorativa [...]
machine-learning people analytics
  1. Home
  2. Intelligenza Artificiale
  3. Machine Learning
  4. People analytics: l’utilizzo del machine learning a supporto delle risorse umane

In un contesto economico-sociale in totale trasformazione, chi sta avendo un ruolo strategico e di notevole rilevanza è sicuramente la funzione risorse umane (HR). L’avvento improvviso del Coronavirus ha segnato un solco indelebile sulle principali sfide che questa funzione si trova ad affrontare quotidianamente. Il supporto al business nelle sfide di innovazione e trasformazione digitale delle imprese, la gestione, la formazione e lo sviluppo dei talenti sono solo alcuni dei temi chiave per una gestione ottimale dell’organizzazione aziendale. Inoltre, si è sempre più accentuata la necessità di prendere decisioni veloci e consapevoli, oggettive e basate su dati di monitoraggio delle metriche di performance aziendali. In tale contesto, c’è chi si è trovato a dover reagire a una situazione di criticità e chi invece ha agito sfruttando i vantaggi competitivi che i sistemi di people analytics offrono.

Cosa permettono di fare le applicazioni di people analytics

In questo articolo, Davide Green riporta alcuni esempi di risposte che i team di people analytics hanno fornito durante il periodo di emergenza. Un esempio ne è lo sviluppo di una piattaforma di analisi che facilita la piena allocazione della workforce nell’ottica di una occupazione continua (caso di successo del Lincoln Financial Group, Service Now e Verizon).

Tuttavia, nell’approccio a una nuova normalità non dobbiamo pensare che le soluzioni di people analytics siano quick win per situazioni di emergenza. Anzi, l’utilizzo di soluzioni data-driven sono da qualche anno uno dei trend principali delle strategie HR. Un mondo che ha come principale mission la massimizzazione dell’engagement e dell’experience del dipendente, è ormai pronto all’utilizzo di algoritmi di machine learning o di soluzioni di intelligenza artificiale.

Supportare un decision making consapevole attraverso un approccio human-digital deve essere il pillar centrale per giocare un ruolo trasversale tra le varie funzioni aziendali, favorendo processi di governance che prevedano un dialogo aperto con le direzioni Finanza e Controllo, Marketing e Operation.

Le applicazioni di people analytics, unite ad algoritmi innovativi e analisi approfondite su big data relativi alle persone, permettono di scegliere strategie e motivare il personale, disegnare i percorsi professionali, investire sui talenti e contestualmente controllarne i costi, attraverso un approccio agile e di continuo miglioramento delle “performance” aziendali.

Efficientare il processo di recruiting con l’utilizzo del text analytics

Le fonti dato non strutturate sono uno dei patrimoni informativi a maggior valore quando si parla di data analytics. Comprendere automaticamente il contenuto di un documento scritto senza doverlo leggere per intero abilita saving di tempo e ottimizzazioni di processo.

Nel mondo della people analytics queste applicazioni sono alcune delle più note, soprattutto quando si parla di recruiting.

WHITEPAPER
Ricerca IDC: come aggregare i dati per un'analisi ottimale
Big Data
Business Analytics

Alcune giovani startup hanno ricevuto investimenti importanti rispetto a soluzioni verticali per la gestione del processo di selezione, mentre altre sono state acquisite come componenti complementari ai classici gestionali HR (es. acquisizione di In-recruiting da parte di Zucchetti).

Un’altra società che opera nel settore della fornitura di servizi professionali, ad esempio, ha cominciato a usare strumenti di automazione avanzata per la prima scrematura dei curricula (riceve circa 250mila candidature ogni anno per posti di lavoro di ogni genere). Non solo ha ottenuto risparmi di tempo e denaro, con un ritorno sull’investimento, ma anche attraverso una maggiore efficacia: con l’automazione, lo screening ha fatto emergere il 15% di CV di donne in più (sempre in base alle competenze) rispetto a quello manuale.

La costruzione di soluzioni di machine learning per la costruzione di un motore di ricerca delle competenze ottimali per una determinata posizione lavorativa si possono racchiudere nelle seguenti fasi:

  • digitalizzazione dei CV: utilizzo di tecniche di OCR, injection del dato e parsing del corpo del curriculum per salvare le informazioni, non strutturate che i candidati forniscono all’azienda, in tabelle analizzabili da algoritmi complessi nei sistemi big data;
  • mapping delle competenze: analisi delle competenze presenti nei curriculum in termini di frequenza nell’ottica di valutare la coerenza della job description pubblicata ed eventualmente aggiornare i sistemi di mappatura interni;
  • gap analysis rispetto a competenze attese dalla posizione: algoritmi per la classificazione e segmentazione delle competenze rispetto alle posizioni su cui il candidato ha applicato, al fine di comprendere similarità tra i candidati ed eventuali criticità di copertura di competenze del mercato. Si parla di matching index per la valutazione della coerenza del profilo con le competenze target della posizione;
  • costruzione di modelli di machine learning per prevedere i top performer: costruzione di modelli predittivi che sulla base delle risorse selezionate in passato predicano le performance a 1 o 2 anni a partire dalle competenze del candidato e da fattore contestuali (es. competenze del team, sentiment delle analisi di clima, ecc.);
  • costruzione di dashboard di analisi e scouting delle risorse: a partire dalle metriche sopra descritte vengono proposte delle dashboard di sintesi ai recruiter che permettono di individuare e selezionare posizioni e candidati ordinandoli per matching di competenze e probabilità di esprimere il proprio talento in azienda arrivando ad essere top performer.

Tale strumento non sostituisce il lavoro ad alto valore che il recruiter fa nella comprensione delle motivazioni del candidato o nella valutazione omnicomprensiva del profilo della persona, ma lo aiuta a scremare quelle posizioni e quei curriculum che verrebbero comunque scartati dopo una lettura di dettaglio.

Dalla previsione al suggerimento dell’azione: modelli prescrittivi per agire sulle performance

La people analytics può essere rappresentata attraverso 3 diverse tipologie e livelli di complessità:

  • Descrittiva: utilizzo di tecniche statistiche di base per l’analisi dei fenomeni e la descrizione dei principali processi HR monitorandone le principali metriche a valore;
  • Predittiva: utilizzo di algoritmi di machine learning per studiare i comportamenti del passato e applicare le logiche sulla popolazione aziendale in essere al fine di abilitare segnali predittivi sul prossimo futuro;
  • Prescrittiva: sistema di simulazione per suggerire azioni di sviluppo e interazione con i dipendenti al fine di abilitare iniziative HR che valorizzino il capitale umano in ottica prospettica.

Ne è un esempio il modello prescrittivo sulla previsione delle performance aziendali. Tale modello, partendo dal sistema di valutazione e talent management interno, si addestra a studiare quali fattori contestuali o personali del collaboratore influenzano valutazioni outstanding.

Le tecnologie big data abilitano una data fusion di tutto il patrimonio informativo a disposizione dell’azienda, prendendo in considerazione dati come:

  • variabili demografiche: anzianità, distribuzione geografica, genere, fasce d’età
  • analisi delle performance
  • retention e turnover
  • analisi di clima aziendale
  • elementi di total compensation dei lavoratori e benchmark di mercato
  • efficienza organizzativa: kpi su assenteismo, sostituzioni
  • formazione: tipo di corso, frequenza, costi, valutazione
  • analisi dei canali di reclutamento

Il sistema di intelligenza artificiale armonizza tali informazioni, garantendone l’anonimato e gestendo il patrimonio informativo in ottica di tutela della privacy della persona.

Partendo da questo presupposto, l’algoritmo di machine learning si addestra e si parametrizza mettendo in comparazione le diverse caratteristiche di dipendenti top performer da dipendenti che non hanno performato sopra alle aspettative.

L’output del modello di machine learning è uno score di probabilità che rispetto alla composizione ottimale del mix di caratteristiche del dipendente stima un indice predittivo.

La caratteristica ulteriore di un sistema prescrittivo è la capacità di individuare quali delle caratteristiche del singolo collaboratore, se influenzate da iniziative HR di sviluppo, possano portare il collaboratore ad aumentare le probabilità di diventare un top performer.

Questo permette all’HR di costruire percorsi di sviluppo tailor made e personalizzati sulla base delle caratteristiche del singolo individuo, che solitamente portano a un maggior engagement e una maggiore soddisfazione del dipendente.

 

FacebookTwitterLinkedIn