Закадрить большие данные. Как управление персоналом превращается в точную науку

20.02.2018 |

Анализ больших объемов данных о жизни и деятельности сотрудников позволяет компаниям определить реальную ценность каждого и снизить текучку. А заодно — разрушить несколько устоявшихся в управленческой среде опасных мифов.

В числе главных трендов 2018 года, которые отразятся на управлении персоналом, авторитетные сайты по менеджменту называют анализ значительных объемов информации (часто неструктурированной), которую можно собрать по любым происходящим в компании процессам (для этого подхода часто используют термин big data, большие данные). «Главное, что несут с собой большие данные, — это то, что они наконец превратят менеджмент в точную науку, — считает Григорий Финкельштейн, партнер «Экопси Консалтинг». — Сейчас менеджмент определяется в основном модой: сегодня модно строить «бирюзовые» организации, завтра — внедрять agile, послезавтра — заниматься «гибкими навыками» и так далее. Каждая мода длится в среднем около года».

Но при этом никакого научного понимания, какие из этих концепций подходят конкретной организации и могли бы сделать ее эффективнее, нет. «Например, наше исследование факторов, которые влияют на производительность труда в российских компаниях, показало, что примерно 90% учебных программ, которые компании применяют, чтобы повышать квалификацию персонала, никак не отражаются на эффективности, — говорит Финкельштейн. — Компании тратят массу денег на усилия, которые не помогают улучшить финансовые показатели».

Задача аналитики больших данных в управлении персоналом — выявить, какими должны быть сотрудники и процессы в компании, чтобы работа была максимально эффективной. Одно из преимуществ этого инструмента — многофакторный анализ: чтобы выявить проблему или сделать работу более эффективной, информацию о сотрудниках можно классифицировать по десяткам категорий, выявляя совершенно неожиданные закономерности.

Алгебра и гармония

Высший пилотаж и одна из самых перспективных областей применения больших данных в менеджменте — так называемая предиктивная аналитика, позволяющая отбирать наиболее ценных исполнителей тех или иных функций. «Сейчас компании делают выводы о ценности соискателя в основном на основе грубых и зримых показателей — работал ли он ранее на аналогичной должности, выполнял ли схожие функции, а личные качества оценивают предельно субъективно: мне понравился, берем», — говорит Ольга Сабинина, партнер хедхантинговой компании «Контакт». Многие важные личные качества — такие как целеустремленность, ответственность, коммуникабельность и т.п. — менеджеры и рекрутеры оценивают на глазок, без понимания, насколько они коррелируют с задачами, которые сотруднику предстоит выполнять на новом месте работы. Справиться с этой субъективностью и помогает предиктивная аналитика — она опирается не на личное впечатление менеджера от сотрудника, а на формализованные оценки личных качеств и достижений соискателя.

Правда, есть одно «но»: чтобы давать прогноз успеха сотрудника на новом месте работы, хедхантер должен годами вести его «личное дело» — оценивать успехи и провалы, переходы из компании в компанию и так далее. Возможно, в будущем каждый работник на рынке попадет в такие базы, но пока рекрутеры ведут досье лишь на топ-менеджеров — и спортсменов. Эффективность этого инструмента еще в 2001 году показал менеджер американской бейсбольной команды «Окленд Атлетикс» Билли Бин, столкнувшийся с необходимостью собрать сильный состав при весьма ограниченных финансовых возможностях. С помощью экономиста Питера Бренда Бин разработал математическую модель расчета полезности игроков на основе их личной статистики. Набрав с помощью этой модели команду из считавшихся не самыми сильными игроков, он добился того, что «Окленд Атлетикс» одержал 20 побед подряд, установив рекорд Американской лиги бейсбола.

История, описанная в книге «MoneyBall. Как математика изменила самую популярную спортивную лигу в мире», успела стать классической. Бину и Бренду удалось доказать, что тренеры в своей оценке игроков сплошь и рядом опирались не на их подлинные результаты, а на устоявшееся реноме игрока: например, кого-то считали слишком старым, хотя он по-прежнему демонстрировал приличные результаты; других, напротив, воспринимали как перспективных игроков, несмотря на то что их результативность уже давно оставляла желать лучшего.

С тех пор и сами модели стали более совершенными, и данных по эффективности сотрудников собирается все больше. Компаний, которые пользуются предиктивной аналитикой в управлении персоналом (конкретно — в найме новых сотрудников или повышении/переводе уже имеющихся), пока не так уж много, зато их число быстро растет: по данным Deloitte, в 2016 году 8% компаний мира использовали этот инструмент (еще годом ранее таких было всего 4%).

Большие данные — большие возможности

Компании также готовы тратить солидные суммы на то, чтобы определить главные качества, влияющие на эффективность сотрудников на той или иной должности. Например, в 2012 году IBM приобрела за $1,3 млрд рекрутинговую и тренинговую компанию Kenexa, получив доступ к данным о карьерной истории 40 млн соискателей. Одной из задач было изучение опыта продажников — какие качества делают их успешными? Традиционно считалось, что сейлз должен быть яркой личностью — чем он представительнее, тем больше продуктов продает. Выяснилось, что в действительности это слабо влияет на продажи. Ключевым качеством оказалась настойчивость — больше всего продуктов продавали те, для кого ответ клиента «нет» являлся сигналом к продолжению диалога, а не к его окончанию.

Схожую закономерность обнаружили аналитики «Экопси Консалтинг», определявшие по заказу крупной российской телекоммуникационной компании качества, которыми должны обладать специалисты, занимающиеся b2b-продажами по телефону. «Компания считала, что ей нужны коммуникабельные, яркие продажники. Мы проанализировали эффективность десятков специалистов и обнаружили, что идеальные исполнители этой роли — упорные, настойчивые и — курьез — чаще всего не любящие общение люди. Продажи — это стрессовое общение, оно по умолчанию не может быть приятным», — говорит Григорий Финкельштейн.

По словам эксперта, сейчас компании представляют, кто им нужен, обычно интуитивно: ни в одном из подобных исследований, которые «Экопси Консалтинг» проводила по заказам российских работодателей, профиль идеального специалиста, каким его представляла сама компания, не совпадал с оптимальным (вычисленным на основе анализа эффективности реальных работников) больше чем на 50%.

Другое исследование, проведенное анонимной финансовой компанией из США, показало, что успешного продажника можно нанять, полагаясь на весьма неочевидные факты в его резюме. Важны шесть пунктов: он не делает опечаток и орфографических ошибок в резюме; не бросал в детстве школу; имеет опыт торговли недвижимостью или автомобилями; демонстрировал успех на предыдущих местах работы; умеет эффективно работать, располагая весьма неясными инструкциями; многозадачен и умеет планировать время. А вот что оказалось совершенно неважным — так это то, какую именно школу он окончил, что у него за диплом и какие рекомендации от прежних работодателей имеет.

По словам Ольги Сабининой, на рынке давно ждут, когда программы научатся обрабатывать посты соискателей, составляя их психологический портрет по ключевым словам. «Существуют приложения для рекрутинга, которые могут к резюме кандидата подтягивать его профили в соцсетях, но пока нет приложений, которые могли бы вычленять маркеры социального поведения кандидатов и смотреть, как это влияет на их результативность, — говорит Сабинина. — Скажем, приложение, изучив десятки тысяч аккаунтов в Facebook, установило бы, что если у человека много хобби — и дайвинг, и альпинизм, и горные лыжи, то он хорошо общается с клиентами, а если он читает книжки и ходит в театр, то не очень. Или наоборот».

Большие данные могут совершить революцию и в области управления талантами. Специалисты по персоналу Royal Dutch Shell изучили базу данных технических и организационных предложений, поданных за несколько лет 1400 сотрудниками, и выделили из нее те идеи, которые были внедрены в компании и показали хороший результат. Затем они предложили работникам, генерировавшим наиболее интересные идеи, сыграть в несколько видеоигр, разработанных стартапом Knack в тесном сотрудничестве с психологами и экспертами по аналитическим данным. Хорошие результаты в играх, как правило, коррелировали с результатами внедрения идей в компании. В итоге Royal Dutch Shell удалось определить лучшие умы компании, на чьи идеи стоит обращать пристальное внимание.

Департаменту персонала компании удалось выделить и шесть главных качеств работников, подававших самые светлые мысли: склонность к «свободному блужданию» мысли (из любопытства изучать интересные, неожиданные ответвления главной задачи, даже если этого не требует начальник), социальный интеллект (способность понимать мотивы собственных поступков и поступков окружающих), быстрое понимание целей, имплицитное научение (способность мимоходом осваивать множество разных навыков в процессе работы), умение переключаться с одной задачи на другую и сознательное отношение к работе.

Не покидай

Большие данные помогают не только найти ценных сотрудников, но и удержать их. 63% американских компаний инвестируют в новые технологии, которые решают упомянутые задачи.

В 2013 году Xerox провела анализ данных по сотрудникам службы поддержки, пытаясь понять, как сделать так, чтобы они реже покидали компанию. Обычно в таких случаях специалисты по персоналу предполагают, что главную роль играет недовольство сотрудников зарплатой. Однако анализ выявил совершенно неожиданную причину. Выяснилось, что один из важнейших факторов лояльности — расстояние от дома сотрудника до офиса и доступность транспорта. Следовательно, выгоднее нанимать тех, кто живет рядом. Учтя этот и несколько других факторов, компания сумела снизить число сотрудников, ежегодно покидающих компанию, на 20% в экспериментальной группе. Среди других компаний, которые снизили текучку с помощью аналитики больших данных, — Walmart и Credit Suisse.

В 2014 году нью-йоркский фотобанк Shutterstock, в штате которого было около 300 офисных сотрудников, задумался о переезде из Финансового квартала Манхэттена в другой район того же острова. Основатель компании Джон Оринджер решил подойти к переезду грамотно — ввел адреса сотрудников в программу, которая вычисляет время, требующееся, чтобы добраться из одной точки города до другой. В итоге он решил снять помещения на 20-м и 21-м этажах Эмпайр-стейт-билдинг: Оринджер подсчитал, что благодаря этому ежедневный путь каждого сотрудника в среднем сократился на три минуты.

Иногда такие исследования помогают вскрыть довольно неожиданные закономерности. В 2011 году справиться с классической проблемой технологических компаний — высокой текучкой кадров — решила Hewlett-Packard. Ежегодно штат компании, составлявший на тот момент свыше 300 тыс. сотрудников, обновлялся в среднем на 20%. Два аналитика HP собрали данные по сотрудникам, покинувшим компанию и, наоборот, никуда не уходившим в течение двух предыдущих лет. Не вызвало большого удивления, что высокая оплата, продвижение по карьерной лестнице и эффективность сотрудников снижали вероятность того, что он покинет компанию. Зато неожиданным оказалось то, как влияли на поведение работников различные комбинации этих стимулов. Так, если сотрудник получал продвижение, но при этом ему не повышали зарплату, вероятность, что он уйдет, росла.

У таких исследований есть временные рамки, в которых выводы будут достоверными. Специалисты аналитической компании Visier считают: для того чтобы эффективно предсказывать, какие сотрудники с высокой вероятностью покинут компанию, нужны данные по персоналу минимум за два-три года. Разумный подход — зайти с обратной стороны: не пытаться предугадать, кто из новых сотрудников не задержится в компании, а делать работу над ошибками уже на основе информации об ушедших специалистах.

Например, американский производитель телекоммуникационного оборудования Juniper Networks стал отслеживать в соцсети LinkedIn дальнейший путь своих бывших сотрудников. Замысел в том, чтобы понять, какие именно функции, позиции и условия искали бывшие сотрудники, — и понять, что сделать, чтобы эффективнее удерживать лучших из них.

Разрушители мифов

Аналитика больших данных для менеджмента развенчивает многие устоявшиеся в среде управленцев и рекрутеров представления. Так, уже много десятилетий общим местом для рекрутеров является то, что при приеме на работу нужно отсекать «летунов» — если он часто менял место работы или вовсе на время прерывал карьеру, такого лучше не нанимать.

Однако исследовательская компания Evolv, изучив данные по 20 тыс. сотрудников компаний, обнаружила, что практически нет разницы в ожидаемой продолжительности деятельности на новом месте у тех сотрудников, которые в последние пять лет имели работу, и тех, которые бездельничали по тем или иным причинам. Закономерность верна, по крайней мере, для работников с почасовой оплатой (в США оплату по такому способу обычно получают работники ресторанов быстрого питания, розничных продаж, контактных центров и т.п.), данные которых задействовали исследователи. Выходит, компании, чьи рекрутеры доверяют расхожим представлением, попросту усугубляют проблему безработицы, оставляя за бортом крепких профессионалов.

Зато играют роль совершенно другие факторы. Evolv выяснила, что сотрудники, которые поддерживают личное знакомство с другими людьми, работающими в той же компании, имеют гораздо больше шансов остаться в компании, чем те, кто ни с кем на работе не дружил. За несколько лет до этого Evolv сделала несколько других «открытий», некоторые из которых были предсказуемы, а другие — нет. Так, компания обнаружила, что сотрудники в возрасте покидают компании вдвое реже, чем молодые. Сотрудники, которые вернулись в компанию, некоторое время поработав в других, покинут ее с вероятностью на 44% более высокой, чем впервые пришедшие туда работники. Наконец, сотрудники с криминальным прошлым работают в целом лучше законопослушных граждан.

В США есть уже около десятка компаний (среди них — Riviera Partners, Gild, TalentBin и др.), которые предлагают услуги аналитики больших данных в найме и управлении персоналом. Спрос на такие услуги пока невелик, но он уверенно растет. «В России пока нет практики регулярно обращаться к компаниям за решениями, построенными на анализе больших данных. Но компании все чаще обращаются за решением какой-то одной проблемы, которую считают особенно острой. В 2015 году у нас был всего один такой проект, годом позже — три, в 2017 году — около 15», — говорит Григорий Финкельштейн.

Многие эксперты прогнозируют, что этот рынок будет расти просто потому, что автоматизация рекрутинга и оценки эффективности персонала на основе больших данных позволит компаниям набирать лучших специалистов и работать эффективнее.

Илья Носырев