Oskuste intelligents personalitehnoloogias: AI ontoloogiad tõendatavate mandaatidega

Oskuste intelligents on idee kasutada andmeid ja tehisintellekti, et mõista ja sobitada inimeste oskusi töökoha vajadustega. Tänapäeva personalijuhtimise ja talendisüsteemid seisavad silmitsi suurte väljakutsetega: killustatud oskuste taksonoomiad ja ebausaldusväärsed elulookirjeldused. Traditsioonilised oskuste nimekirjad on sageli aegunud ja müra. Näiteks leidis üks uuring, et suur ettevõte kulutas kuid ja miljoneid eurosid oskuste nimekirja koostamisele, kuid see osutus “aegunuks enne trükkimist” (www.cornerstoneondemand.com). See näitab, et standardtaksonoomiad võivad kiiresti maha jääda. Samal ajal on tööotsijad muutunud väga osavateks end paberil esitlemisel – trend, mida SHRM nimetab „oskuste püüdmiseks“. Hiljutine SHRM-i uuring leidis, et 63% inimestest oli töötanud kellegagi, kes “nägi paberil suurepärane välja, kuid kellel puudusid palgatud isikuna vajalikud oskused” (www.shrm.org). Teisisõnu, elulookirjeldused ja traditsioonilised signaalid (kraadid, ametinimetused) on mürarikkad ja mõnikord eksitavad. See kahjustab tööjõu planeerimist, sest juhid ei saa usaldada, et oskuste andmed on täpsed või ajakohased.

Nende lünkade kõrvaldamiseks pakume välja tehisintellektil põhineva ontoloogia looja. Lihtsamalt öeldes on see AI-süsteem, mis pidevalt ehitab ja uuendab rollide ja oskuste struktureeritud „kaarti“. Mõelge sellest kui nutikast võrgustikust (teadmusgraafikust), mis seob iga ametikoha täpselt vajalike oskustega, lisaks vajaliku oskustaseme või mandaatidega. Erinevalt staatilisest tabelist uuendab see AI-süsteem end reaalmaailma andmete (nagu tööturu signaalide) põhjal, et püsida ajakohane (www.cornerstoneondemand.com) (workforceplanningauthority.com). Näiteks üks personalitehnoloogia platvorm modelleerib tööturgu teadmusgraafikuna, kus oskused, rollid ja töötajate üleminekud on ühendatud kaalutud linkidega. See uuendab end iga päev miljonite tööpakkumiste ja karjäärisündmuste põhjal (www.cornerstoneondemand.com). See võimaldab näha mitte ainult „kas inimesel on X oskus“, vaid ka „kui kaugel on see inimene sihtprofiilist?“ ja „milline koolitus lünga täidab ja kui kiiresti?“ (www.cornerstoneondemand.com).

Ontoloogia looja integreerib ka tõendatavad mandaadid ja hindamissignaalid. Tõendatavad mandaadid on digitaalsed sertifikaadid (nagu ülikoolikraad või professionaalne tunnusmärk), mis on krüptograafiliselt turvatud ja mida saab koheselt kontrollida (www.w3.org). Praktikas võiks see tähendada otsest linkimist plokiahelal põhinevatele või väljastaja allkirjastatud oskuste tunnusmärkidele. Näiteks võivad moodsad „oskuste mandaadid“ sisaldada oskuse nime, taset, väljastavat organisatsiooni ja kuupäeva, mis kõik on salvestatud võltsimiskindlalt (onchaincert.org). Kuna igal mandaadil on krüptograafiline tõend (seda „ei saa võltsida ega muuta“) (onchaincert.org), teab personaliosakond, et nõue on tõeline. Süsteem tõmbaks sisse ka hindamistulemused (eksamihinded, kursuste läbimised, töönäidised) õpihaldussüsteemidest (LMS) või veebitestidest. See tagab, et iga töötaja või kandidaadi oskusprofiil on tõenditega toetatud, mitte ainult enesearuandlusega. Lühidalt, AI ontoloogia kaardistab rollid oskustele ja kontrollib iga oskusenõuet tõendatava mandaadi või testitulemusega.

AI-oskuste ontoloogia loomine

Meie lahenduse tuumaks on dünaamiline oskuste ontoloogia (teadmusgraafik). See töötab järgmiselt:

Andmete sissevõtmine: Süsteem võtab sisse teksti tööpakkumistest, sisemistest projektikirjeldustest, elulookirjeldustest/CV-dest ja õppesisust. See saab kasutada tehisintellekti (loomuliku keele töötlemist), et eraldada mainitud põhioskused ja ülesanded. Aja jooksul õpib see, millised oskused kipuvad koos esinema ja kuidas inimesed rollide vahel liiguvad. Näiteks võib see märgata, et paljud andmeanalüütikud õpivad Pythonit või et projektijuhid liiguvad sageli tooterollidesse.
Graafiku loomine: AI loob graafiku, kus sõlmed on oskused ja rollid ning servad näitavad suhteid. Servad kaalutakse selle järgi, kui tugevalt kaks oskust on omavahel seotud või kui sageli üleminekud toimuvad. Erinevalt lihtsast puust suudab graafik tabada, et ühel oskusel nagu „suhtlemine“ on erinevates töökohtades erinevad tähendused, või et kaks näiliselt mitteseotud oskust võivad tegelikult praktikas tihedalt seotud olla (www.cornerstoneondemand.com) (www.cornerstoneondemand.com).
Automaatsed uuendused: Süsteem uuendab oma mudelit regulaarselt uute andmete põhjal (nt iga päev või nädalas). Kuna see on andmepõhine, suudab see tuvastada esilekerkivaid oskusi (nagu „prompt engineering“ või „süsinikuarvestus“) kohe, kui need muutuvad asjakohaseks, ilma et peaks ootama käsitsi taksonoomia muutusi (www.cornerstoneondemand.com).
Rollide ja oskuste kaardistamine: Ettevõtte iga ametikoha jaoks loob platvorm profiili nõutavate oskuste ja oskustasemetega. Need profiilid pärinevad nii ettevõtte enda ametijuhenditest kui ka laiematest turuandmetest. Näiteks võib AI-süsteemi rollimääratlus öelda: „Pilveinsener vajab AWS-i, Pythonit (edasijõudnud), turvalisust, DevOps-i“, kusjuures lingi kaalud näitavad olulisust. Kui töötaja profiil (tema ajaloo ja mandaatide põhjal) vastab 70%-le nõutavatest oskustest, saab süsteem täpselt näidata, millised 30% puuduvad, ja pakkuda välja koolitusteid või alternatiivseid kandidaate.
Tõendatavate mandaatide integreerimine: Iga inimese profiili oskus on tähistatud tõendiga. Kui Alice'il on „Andmeteaduse sertifikaat (edasijõudnud) XYZ Instituudist“, on see tõendatav mandaat. Süsteem registreerib mandaadi üksikasjad (väljastaja, kuupäev, tase) ja seob need tema oskustega. Või kui Bob sai Java sisemisel hindamisel 85%, läheb see tulemus graafikusse kui „hindamissignaal“, mis kinnitab tema Java oskust. Nõudes neid tõendeid, väldib platvorm tuginemist kinnitamata elulookirjelduse väidetele. Plokiahela või W3C-stiilis tõendatavate mandaatide tehnoloogia tagab, et sertifikaadid (nagu diplomid või veebikursuste märgid) on krüptograafiliselt allkirjastatud, et tööandjad saaksid neid usaldada (www.w3.org) (onchaincert.org).
Kasutajaliides: Personaliosakond ja juhid näevad armatuurlauda, mis näitab tööjõu oskusi ühe pilguga: nt millistel meeskondadel on tulevaste projektide jaoks oskuste lüngad, millised töötajad võiksid olla edutamiseks valmis, kui nad õpivad X oskuse, või hoiatus, et võtmeroll vajab uut töötajat, kui ükski sisemine kandidaat lünka peagi ei täida. Kõik need teadmised pärinevad otse tehisintellekti loodud ontoloogiast ja reaalsetest andmetest.

Lühidalt, käsitsi oskuste nimekirjade haldamise asemel õpib see AI ontoloogia tegelikest tööandmetest ja mandaadi signaalidest. Üks ekspert sõnastab selle nii: süsteem annab teile numbrid (lüngad, ümberõppe aeg), mitte ainult otsused. Näiteks võib see arvutada: „õde vastab 68%-le õdede praktikandi rollist; seitse alamoskust on puudu, nõudes 14-kuulist koolitusteed“ (www.cornerstoneondemand.com). See muudab ebamäärase „oskuste lünga“ jutu konkreetseteks, kulupõhisteks otsusteks (nt ümberõpe vs värbamine).

Integreerimine ATS, LMS ja HCM süsteemidega

Täieliku väärtuse saavutamiseks peab ontoloogia looja olema seotud olemasolevate personalitööriistadega:

ATS (Applicant Tracking System): Kui töökoha kasutaja rolli postitab, pakub ATS esialgse rolliprofiili. Kui kandidaadid kandideerivad, saab AI skaneerida elulookirjeldusi ja sobitada iga kandidaadi kontrollitud oskused rolliga. Oluline on, et kui kandidaat on palgatud (ATS staatus muutub), saab integratsioon automaatselt luua töötaja kirje. Näiteks parima praktika integratsioon on: „Kui kandidaat märgitakse ATS-is „Palgatuks“, loob süsteem töötaja automaatselt HCM-is ja edastab tema andmed LMS-i ja õppesüsteemidesse“ (meridianks.com). See tähendab, et uued töötajad sisestatakse koheselt oskuste platvormile ja registreeritakse mis tahes kohustuslikele sisseelamiskursustele ilma käsitsitööta.
HCM/HRIS süsteemid: Need süsteemid (nagu Workday, SAP SuccessFactors jne) sisaldavad põhilisi töötajaandmeid (roll, osakond, ajalugu). Oskuste platvorm tõmbab selle info, et mõista, kes millist tööd teeb. Vastutasuks saab see tagasi edastada oskusprofiile ja soovitatud õppeteid HCM-i talendimoodulisse (nt järelkasvu planeerimiseks). Näiteks saab HRIS kuvada iga töötaja oskuste hinnanguid (ontoloogia loodud) otse personaliprofiilis. Tulemusvestluste ajal saab juht näha, millised tõendatavad oskused töötaja on omandanud ja kus lüngad veel püsivad. See loob ettevõtteülese „ühtse tõe allika“ oskuste jaoks.
LMS (Learning Management System): Koolitus- ja õppesüsteemid on hindamisandmete pakkumisel kriitilise tähtsusega. Oletame, et LMS korraldab teatud oskuste õpetamiseks kursusi või teste. Ontoloogia looja saab importida läbimise aruandeid ja testitulemusi kui signaale. Näiteks, kui LMS registreerib, et Carol läbis „Excel Mastery“ 92%-ga, sisestatakse see tema oskuste graafikusse kui tõend Exceli oskuse kohta. LMS-pädevuse seos on hästi teada: LMS on digitaalne klassiruum, mis jälgib õppimise edenemist (meridianks.com). Seda integreerides „tõukame“ uue oskuste tõendi automaatselt ontoloogiasse: läbitud kursused või sertifitseerimismärgid tõstavad töötaja oskuste taset. See vastab „parimalt paaris“ stsenaariumile, kus pädevuste (oskuste) süsteem jälgib LMS-i hindamisi (meridianks.com).

Praktikas töötab integreeritud voog nii: ATS teab, millal inimene palgatakse, käivitades tema profiili HCM-is ja registreerides ta vajalikele koolitustele (ATS → HRIS → LMS voog) (meridianks.com). Seejärel võtab töötaja veebikursusi; kui nad lõpetavad, saadab LMS nende tulemused oskuste platvormile. Kui nad sooritavad ka sertifitseerimiseksami, sisestatakse see mandaat (partneri, nagu Credly või plokiahela märgi kaudu) süsteemi. Juhid saavad seejärel näha uuendatud oskuste profiile oma personaliportaalis, ilma et peaksid paljudesse tööriistadesse sisse logima.

Kõikide nende süsteemide linkimisega väldib organisatsioon „ühekordseid“ tabeleid. Iga koolituskrediit või elulookirjelduse kirje läbib sama keskset oskuste teadmiste baasi. See ühtne ökosüsteemi lähenemine on tõestatud: „ATS → HRIS → LMS“ integreerimine kiirendab sisseelamist ja tagab, et uued töötajad „hakkavad koheselt tööle“ digitaalsete koolitustega, mis on automaatselt määratud (meridianks.com), samal ajal kui LMS-i integreerimine märgib oskuste lüngad ja soovitab järgmisi kursusi (meridianks.com). Iga komponent – ATS, HCM, LMS – mängib oma rolli sujuvas oskuste ja rollide tagasisideahelas.

Eelharvamuste leevendamine ja õigluse tagamine

Iga AI-põhine personalitööriist peab aktiivselt tegelema eelarvamustega. Oskuste ja värbamise andmed peegeldavad sageli ühiskondlikke eelarvamusi (nt ajalooliselt vähem naisi inseneritöös). Kontrollimata jätmisel võib AI ontoloogia moonutatud mustreid tugevdada. Seega integreerime eelarvamuste kaitsemeetmed igasse kihti:

Andmete auditeerimine: Enne AI koolitamist auditeerime hoolikalt ajaloolisi andmeid tasakaalustamatuse osas. Näiteks, kui varasemad edutamised soosisid üht demograafilist rühma, võiks AI üle hinnata selle rühmaga jagatud omadusi. Kasutame statistilisi teste asendajate mustrite (nt oskus, mis korreleerub soo või sihtnumbriga) tuvastamiseks ja eelarvamuslike signaalide kohandamiseks või eemaldamiseks (www.resumly.ai) (www.resumly.ai).
Õiglased algoritmid: Valime või kohandame masinõppe meetodeid õigluse edendamiseks. See võib tähendada „õiglusepõhiste“ järjestusalgoritmide kasutamist või sisendfunktsioonide ümberkaalumist. Eesmärk on vältida süsteemi vanade värbamismustrite lihtsat taasesitamist. Näiteks võime nõuda, et paberil sarnased kandidaadid saaksid sarnased rolli vastavuse tulemused, sõltumata kaitstud atribuutidest (www.resumly.ai).
Pidev jälgimine: Pärast juurutamist jälgime tulemusi. Kui AI ennustab, milliseid töötajaid oskuste põhjal juhtpositsioonidele ette valmistada, kontrollime tegelikke demograafilisi andmeid ja vaatame üle, kas mõni rühm on ala- või üleesindatud. Protsess on iteratiivne: nagu üks juhend märgib, on AI eelarvamuste leevendamine „iga mõõtmise, kohandamise ja valideerimise tsükkel“, kuni ilmnevad õiglased tulemused (www.resumly.ai). Automatiseeritud logid salvestavad otsused auditeeritavuse huvides.
Protokoll ja juhtimine: Järgime standardeid, nagu Data & Trust Alliance'i juhiseid AI kasutamiseks personalitöös (www.dtaalliance.org). Nõudes tarnijatelt üksikasjalikke küsimusi eelarvamuste tuvastamise kohta ja mõõtes nende tulemusi, saavad personalimeeskonnad valida partnereid, kes pühenduvad õiglasele praktikale. Näiteks pakuvad paljud personalisüsteemid nüüd vastavusmooduleid eelarvamusliku keele või tulemuste märgistamiseks.

Lühidalt, meie töövoog sisaldab kontrollpunkte igas etapis: oskuste andmete kogumine puhastatakse, sobitusalgoritmid sisaldavad õigluse piiranguid ja meeskond viib läbi planeeritud auditeid. Süsteem esitab oma otsuste kohta selgitatavaid põhjuseid (nt millised oskused põhjustasid sobivuse), muutes inimestel anomaaliate tuvastamise lihtsamaks. Uuringud viitavad, et see terviklik lähenemine suudab „märkimisväärselt vähendada eelarvamusi, säilitades samal ajal AI efektiivsuse kasu“ (www.resumly.ai).

Hinnastamismudel ja väärtuse mõõdikud

Hinnastamine: Soovitame läbipaistvat kasutajapõhist tellimismudelit. Näiteks, kui määrame hinnaks 10 dollarit töötaja kohta kuus (umbes 120 dollarit aastas), on see kooskõlas personalitehnoloogia tarkvara kui teenuse (SaaS) turunormidega (www.capterra.com). Paljud personalitehnoloogia platvormid võtavad tasu ühe- kuni madala kahekohalise dollari ulatuses kasutaja kohta kuus. Kontekstiks, üks hinnaküsitlus näitab, et tööriistad nagu BambooHR maksavad umbes 10 dollarit/kasutaja/kuu, Lattice umbes 11 dollarit ja teised jäävad vahemikku 5–20 dollarit (www.capterra.com). Meie spetsialiseeritud oskuste mootor, mis lisab ennustava tehisintellekti ja integratsiooni väärtust, võiks olla veidi kallim või pakutud koos teiste ettevõtte funktsioonidega. Ettevõtteüleselt juurutamisel rakenduvad hulgisoodustused.

Lõplik investeeringutasuvus avaldub kiiremas värbamises, sisemises mobiilsuses ja kulude kokkuhoius. Peamised mõõdikud hõlmavad:

Täitmisaeg/Värbamisaeg: See mõõdab, kui kaua võtab aega positsiooni täitmine. Omades kohest ülevaadet sellest, kes ettevõttes suudab rolli täita (ja millist koolitust nad vajavad), saavad ettevõtted inimesi kiiremini palgata või liigutada. Näiteks uuringud näitavad, et keskendumine sisemistele talendipõhivõrgustikele võib vähendada värbamisele kuluvat aega umbes 10–12 päeva võrra võrreldes välise värbamisega (www.hrdive.com). Kui keskmine täitmisaeg lüheneb 60 päevalt 48-le, on kulude ja tootlikkuse kasv tohutu. Meie platvormi sisemine Talendipood saab neid parandusi edendada, soovitades esmalt kvalifitseeritud sisemisi kandidaate.
Sisemise mobiilsuse määr: See on olemasolevate töötajate poolt täidetud rollide protsent. Kõrgem sisemine mobiilsus tähendab madalamaid värbamiskulusid ja paremat püsimist. Praegu täidavad paljud ettevõtted sisemiselt vaid umbes 22% rollidest (www.klearskill.com). Maailmatasemel programm võiks seda tõsta 40%-ni või rohkemgi. Iga täiendav sisemine paigutus säästab kulusid umbes 4 korda (SHRM teatab, et välised värbamised maksavad umbes 4683 dollarit vs 1094 dollarit sisemiselt (www.klearskill.com)). Samuti alustavad sisemised värvatud kiiremini – LinkedIni andmed näitavad, et nad saavutavad täieliku tootlikkuse umbes 32 päevaga võrreldes 92 päevaga väliste värvatudega (www.klearskill.com). Näidates juhtidele praeguse personali oskusi, muudab meie süsteem sisemiste kandidaatide esimesena kaalumise lihtsaks. Kui sisemise täitmise määr tõuseb, langeb tootlikkuse saavutamise aeg ja väheneb ka kaadri voolavus (töötajad, kellele antakse karjääriteed, kipuvad kauem püsima).
Värbamiskulud ja kvaliteet: Parem oskuste sobitamine vähendab ebaõnnestunud värbamisi. „Oskuste püüdmise“ kahjud (kellegi palkamine, kes on paberil valesti esitatud) võivad olla kallid. Kui meie süsteem hoiab ära kasvõi ühe halva kõrgema taseme värbamise, võib see end ära tasuda. Lisaks vähendab iga sisemiselt koolitatud töötaja vajadust väliste otsingute järele, säästes agentuuri tasusid ja sisseelamisaega.
Õppe- ja arendustegevuse ROI: Kuna meie platvorm soovitab sihtotstarbelist koolitust täpselt vajalike oskuste jaoks, muutuvad koolitusprogrammid tõhusamaks. Saame mõõta kursuste läbimise määrasid ja siduda need rolli edendamisega. Aja jooksul avaldub see kõrgemate edutamismäärade ja madalama välise värbamisena.

Me jälgiksime neid mõõdikuid võrreldes võrdlusalustega. Juhtkonna aruannete jaoks võiksime viidata: sisemise liikumise programm võib LinkedIni andmetel suurendada seotust (3,5 korda) ja püsimist (2,6 korda) (www.klearskill.com). Määrame eesmärgid nagu: suurendada sisemist täitmist 10 punkti võrra, lühendada täitmisaega 20% võrra ja kvantifitseerida vastavad kulude kokkuhoiud. Demo ROI juhtum võib näidata, et isegi kui süsteem maksab umbes 10 dollarit/kasutaja/kuu, vähendab see teatud rollide värbamiskulusid 50% võrra ja annab 3–5-kordse tulu säästude ja kiirema tootlikkuse kaudu.

Ettevõtte muutuste juhtimine

Selle uue tehisintellektil põhineva oskuste platvormi kasutuselevõtt nõuab hoolikat muutuste juhtimist. Soovitame etapiviisilist juurutamist, kasutades parimaid tavasid:

Valmiduse hindamine: Hinnake praegust oskuste haldamise protsessi. Küsitlege personalijuhte ja -juhte: Kuidas nad täna oskusi jälgivad? Millised valupunktid neil on? Kasutage seda toetuse loomiseks. (See peegeldab „1. etapp – Valmiduse hindamine“ sammu, mida soovitatakse HRIS-i kasutuselevõtu juhendites (www.ocmsolution.com).)
Juhtkonna toetus: Kindlustage kõrgemate juhtide heakskiit, demonstreerides äritegevuse mõju (kulude kokkuhoid, paindlikkus, talentide hoidmine). Juhid peaksid edastama, et eesmärk ei ole töötajaid „hinnata“, vaid toetada karjääri kasvu.
Huvigruppide kaasamine: Moodustage väike tšempionimeeskond personaliosakonnast, IT-st ja paarist pilootosakonnast. Kaasake nad piloottestidesse. Näiteks lase ühel osakonnal proovida täita avatud rolli oskuste tööriista abil ja koguda tagasisidet vastavuste ja soovituste kohta.
Koolitus ja suhtlus: Koostage lihtsad materjalid (videod, kasutusjuhendid), mis selgitavad, kuidas juhid ja töötajad süsteemi kasutavad. Viige läbi elavaid koolitusi. Rõhutage eeliseid: nt töötajad näevad karjääriteid ja värbamisjuhid saavad paremaid kandidaatide vasteid. Esitage KKK, mis käsitleb usaldusprobleeme (andmekaitse, õiglus).
Piloot ja itereerimine: Juurutage esmalt pilootkasutajate rühmale (võib-olla mõnele osakonnale). Koguge andmeid selle kohta, kui tihti seda kasutatakse, ja kohandage konfiguratsiooni. Kasutage AI seletatavust oskuste kaardistuste täpsustamiseks (nt rollimääratluste kohandamine või ilmselgelt ebaõiglaste mustrite eemaldamine). Dokumenteerige ja lahendage kõik ootamatused.
Täielik juurutamine ja tugi: Pärast seadistamist juurutage kogu ettevõttes. Jälgige peamisi kasutuselevõtu KPI-sid (nt süsteemi soovitusi kasutavate tööpakkumiste protsent, sisemiste kandideerimiste määrad, soovitustest tulenevate kursuste läbimised). Pakkuge vastuvõtuaegu või tuge varajastele päringutele.
Säilitamine ja tugevdamine: Uuendage perioodiliselt huvigruppe edusammude kohta (nt „Täitsime sel kvartalil X rolli sisemiselt, kasvades Y-st eelmisel aastal“). Planeerige mõõdikute kvartaalseid ülevaatusi. Värskendage uute töötajate koolitusi. Hoidke IR-i ütlemas, et see on pikaajaline jõupingutus, nagu ka muutuste raamistiku „4. etapp – Säilitamine ja tugevdamine“ (www.ocmsolution.com).

Struktureeritud lähenemist järgides liigub ettevõte järk-järgult vanadest harjumustest (paberkandjal elulookirjeldused ja intuitsioon) tõenduspõhise talendipraktikani. Aja jooksul muutub oskuste platvorm personalijuhtimise planeerimise ja karjääriarenduse lahutamatuks osaks, mitte ühekordseks tööriistaks. Nagu eksperdid soovitavad, sõltub edukas personalisüsteemi kasutuselevõtt mitte ainult tehnoloogiast endast, vaid ka inimeste ettevalmistamisest muutusteks (www.ocmsolution.com). Meie plaan hõlmab suhtlust, koolitust ja pidevat parendamist, et lahendus täidaks oma lubaduse.

Kokkuvõte

Killustatud oskuste nimekirjade ja kahtlaste elulookirjelduse väidete lünkade ületamine on kaasaegse tööjõu planeerimisel hädavajalik. Tehisintellektil põhinev ontoloogia looja, mis on ühendatud tõendatavate mandaatide ja reaalajas hindamisandmetega, pakub terviklikku lahendust. Kaardistades tegelikke rolle tegelikele oskustele (ja ristkontrollides iga väidet tõenditega), saavad organisatsioonid teha targemaid värbamis- ja oskuste arendamise otsuseid. Integratsioonid ATS, LMS ja HCM süsteemidega tagavad, et see intelligentsus voolab värbamis- ja arendusprotsessidesse sujuvalt. Samal ajal integreerime eelarvamuste kontrollid ja muutuste juhtimise, et tagada õiglane ja sujuv kasutuselevõtt. Tulemuseks on rakendatav oskuste intelligentsus: personalijuhid saavad selged mõõdikud (nagu täitmisaeg, sisemise mobiilsuse määr), et näidata väärtust, samal ajal kui töötajad saavad läbipaistvad karjääriteed, mis on tõenditega toetatud. See terviklik lähenemine muudab tööjõu planeerimise oletustest strateegiliseks, andmepõhiseks süsteemiks.

Oskuste intelligents personalitehnoloogias: AI ontoloogiad tõendatavate mandaatidega