Prasmju inteliģence HR tehnoloģijās: AI ontoloģijas ar pārbaudāmiem akreditācijas datiem

Prasmju inteliģence ir ideja izmantot datus un mākslīgo intelektu (MI), lai izprastu un saskaņotu cilvēku prasmes ar darba vajadzībām. Mūsdienu HR un talantu sistēmas saskaras ar lieliem izaicinājumiem: fragmentētas prasmju taksonomijas un neuzticami CV. Tradicionālie prasmju saraksti bieži vien ir novecojis troksnis. Piemēram, kāds pētījums atklāja, ka liela kompānija mēnešiem ilgi un par miljoniem eiro veidoja prasmju sarakstu, lai tikai redzētu, ka tas ir “novecojis, pirms tas tika izdrukāts” (www.cornerstoneondemand.com). Tas parāda, ka standarta taksonomijas var ātri atpalikt. Tikmēr darba meklētāji ir kļuvuši ļoti prasmīgi sevi prezentēt uz papīra – tendence, ko SHRM sauc par “prasmju zveju” (skillfishing). Nesenā SHRM aptauja atklāja, ka 63% cilvēku strādāja ar kādu, kurš “uz papīra izskatījās lieliski, bet pēc pieņemšanas darbā trūka prasmju, lai darbu veiktu” (www.shrm.org). Citiem vārdiem sakot, CV un tradicionālie signāli (grādi, amati) ir trokšņaini un dažkārt maldinoši. Tas kaitē darbaspēka plānošanai, jo vadītāji nevar uzticēties, ka prasmju dati ir precīzi vai aktuāli.

Lai novērstu šīs nepilnības, mēs piedāvājam MI vadītu ontoloģijas veidotāju. Vienkārši sakot, tā ir MI sistēma, kas pastāvīgi veido un atjaunina strukturētu “kartējumu” par lomām un prasmēm. Iedomājieties to kā viedu tīklu (zināšanu grafu), kas katru darba lomu saista ar precīzām nepieciešamajām prasmēm, kā arī ar nepieciešamo prasmju līmeni vai akreditācijas datiem. Atšķirībā no statiskas izklājlapas, šī MI sistēma atjaunina sevi no reālās pasaules datiem (piemēram, darba tirgus signāliem), lai tā paliktu aktuāla (www.cornerstoneondemand.com) (workforceplanningauthority.com). Piemēram, viena HR tehnoloģiju platforma modelē darba tirgu kā zināšanu grafu, kurā prasmes, lomas un darbinieku pārejas ir savienotas ar svērtām saitēm. Tā tiek atjaunināta katru dienu no miljoniem darba sludinājumu un karjeras notikumiem (www.cornerstoneondemand.com). Tas ļauj jums redzēt ne tikai “vai personai ir X prasme”, bet arī “cik tālu šī persona ir no mērķa profila?” un “kādas apmācības novērš plaisu un cik ātri?” (www.cornerstoneondemand.com).

Ontoloģijas veidotājs arī integrē pārbaudāmus akreditācijas datus un vērtēšanas signālus. Pārbaudāmi akreditācijas dati ir digitālie sertifikāti (piemēram, universitātes diploms vai profesionālā emblēma), kas ir kriptogrāfiski aizsargāti un var tikt pārbaudīti uzreiz (www.w3.org). Praksē tas varētu nozīmēt tiešu sasaisti ar blokķēdes balstītām vai izdevēja parakstītām prasmju emblēmām. Piemēram, mūsdienu “prasmju akreditācijas dati” varētu ietvert prasmes nosaukumu, līmeni, izdevējorganizāciju un datumu, un tas viss tiek glabāts viltojumizturīgā veidā (onchaincert.org). Tā kā katram akreditācijas datumam ir kriptogrāfisks pierādījums (tas “nevar tikt viltots vai modificēts”) (onchaincert.org), HR zina, ka prasība ir reāla. Sistēma ievāktu arī vērtēšanas rezultātus (eksāmenu rezultātus, kursu pabeigšanu, darba paraugus) no mācību vadības sistēmām (LMS) vai tiešsaistes testiem. Tas nodrošina, ka katra darbinieka vai kandidāta prasmju profils ir balstīts uz pierādījumiem, nevis tikai paša sniegtu informāciju. Īsumā, MI ontoloģija kartē lomas ar prasmēm un krustām pārbauda katru prasmes apgalvojumu ar pārbaudāmu akreditācijas datu vai testa rezultātu.

MI prasmju ontoloģijas veidošana

Mūsu risinājuma pamatā ir dinamiska prasmju ontoloģija (zināšanu grafs). Lūk, kā tas darbojas:

Datu ievade: Sistēma apstrādā tekstus no darba sludinājumiem, iekšējiem projektu aprakstiem, CV un mācību satura. Tā var izmantot MI (dabiskās valodas apstrādi), lai izgūtu galvenās pieminētās prasmes un uzdevumus. Laika gaitā tā iemācās, kuras prasmes parasti parādās kopā un kā cilvēki pārvietojas starp lomām. Piemēram, tā varētu pamanīt, ka daudzi datu analītiķi apgūst Python, vai ka projektu vadītāji bieži pāriet uz produktu lomām.
Grafa konstrukcija: MI konstruē grafu, kurā virsotnes ir prasmes un lomas, bet šķautnes parāda attiecības. Šķautnes tiek svērtas pēc tā, cik cieši divas prasmes ir saistītas vai cik bieži notiek pārejas. Atšķirībā no vienkārša koka, grafs var attēlot, ka vienai prasmei, piemēram, “komunikācijai”, dažādos darbos ir atšķirīgas nozīmes, vai ka divas šķietami nesaistītas prasmes praksē var būt cieši saistītas (www.cornerstoneondemand.com) (www.cornerstoneondemand.com).
Automātiskie atjauninājumi: Sistēma regulāri atjaunina savu modeli no jauniem datiem (piemēram, katru dienu vai reizi nedēļā). Tā kā tā ir balstīta uz datiem, tā var uztvert jaunās prasmes (piemēram, “prompt engineering” vai “carbon accounting”) tieši tad, kad tās kļūst aktuālas, negaidot manuālas taksonomijas izmaiņas (www.cornerstoneondemand.com).
Lomu un prasmju kartēšana: Katrai uzņēmuma darba lomai platforma ģenerē nepieciešamo prasmju un prasmju līmeņu profilu. Šie profili nāk gan no uzņēmuma paša darba aprakstiem, gan no plašākiem tirgus datiem. Piemēram, lomas definīcija MI sistēmā varētu teikt: “Mākoņu inženierim nepieciešams AWS, Python (padziļinātas zināšanas), drošība, DevOps”, ar saišu svariem, kas parāda nozīmīgumu. Ja darbinieka profils (no viņa vēstures un akreditācijas datiem) atbilst 70% no nepieciešamajām prasmēm, sistēma var precīzi parādīt, kuri 30% trūkst un ieteikt apmācību ceļus vai alternatīvus kandidātus.
Pārbaudāmu akreditācijas datu integrācija: Katrai prasmei personas profilā tiek pievienoti pierādījumi. Ja Alisei ir “Datu zinātnes sertifikācija (padziļināta) no XYZ institūta”, tas ir pārbaudāms akreditācijas datu dokuments. Sistēma reģistrē akreditācijas datu informāciju (izdevējs, datums, līmenis) un saista to ar viņas prasmēm. Vai, ja Bobs ieguva 85% iekšējā Java vērtējumā, šis rezultāts tiek ievadīts grafā kā “vērtēšanas signāls”, kas apstiprina viņa Java prasmes. Pieprasot šos pierādījumus, platforma izvairās paļauties uz nepārbaudītiem CV apgalvojumiem. Blokķēdes vai W3C stila pārbaudāmu akreditācijas datu tehnoloģija nodrošina, ka sertifikāti (piemēram, diplomi vai tiešsaistes kursu emblēmas) ir kriptogrāfiski parakstīti, lai darba devēji varētu tiem uzticēties (www.w3.org) (onchaincert.org).
Lietotāja saskarne: HR speciālisti un vadītāji redz informācijas paneli, kas vienā acu uzmetienā parāda darbaspēka prasmes: piemēram, kurām komandām ir prasmju trūkumi gaidāmajiem projektiem, kuri darbinieki varētu būt gatavi paaugstināšanai, ja viņi apgūst X prasmi, vai brīdinājums, ka galvenajai lomai būs nepieciešams jauns darbinieks, ja neviens iekšējais kandidāts drīzumā nenovērsīs plaisu. Visas šīs atziņas nāk tieši no MI ģenerētās ontoloģijas un reāliem datiem.

Īsumā, tā vietā, lai manuāli uzturētu prasmju sarakstus, šī MI ontoloģija mācās no faktiskajiem darba datiem un akreditācijas datu signāliem. Kāds eksperts saka: sistēma dod jums skaitļus (nepilnības, paaugstināšanas laiks), nevis tikai spriedumus. Piemēram, tā varētu aprēķināt: “medmāsa atbilst 68% medmāsas prakses lomai; trūkst septiņu apakšprasmes, kas prasa 14 mēnešu apmācību” (www.cornerstoneondemand.com). Tas pārvērš neskaidrās “prasmju plaisas” sarunas par konkrētiem, uz izmaksām balstītiem lēmumiem (piemēram, pārkvalificēt vai pieņemt darbā).

Integrācija ar ATS, LMS un HCM sistēmām

Lai iegūtu pilnu vērtību, ontoloģijas veidotājam jābūt saistītam ar esošajiem HR rīkiem:

ATS (Kandidātu izsekošanas sistēma): Kad lietotājs ievieto darba lomu, ATS nodrošina sākotnējo lomas profilu. Kad kandidāti piesakās, MI var skenēt CV un saskaņot katra kandidāta pārbaudītās prasmes ar lomu. Svarīgi, ka, tiklīdz kandidāts ir pieņemts darbā (ATS statuss mainās), integrācija var automātiski izveidot darbinieka ierakstu. Piemēram, labākā prakse integrācijā ir: “Kad kandidāts ATS sistēmā tiek atzīmēts kā ‘Pieņemts darbā’, sistēma automātiski izveido darbinieku HCM sistēmā un nosūta viņa datus uz LMS un mācību sistēmām” (meridianks.com). Tas nozīmē, ka jaunie darbinieki tiek nekavējoties ievadīti prasmju platformā un reģistrēti jebkuros obligātajos ievadkursos bez manuāla darba.
HCM/HRIS sistēmas: Šīs sistēmas (piemēram, Workday, SAP SuccessFactors utt.) glabā galvenos darbinieku datus (loma, departaments, vēsture). Prasmju platforma iegūst šo informāciju, lai saprastu, kas dara kādu darbu. Savukārt tā var atgriezt prasmju profilus un ieteiktos mācību ceļus HCM talantu modulī (piemēram, pēctecības plānošanai). Piemēram, HRIS var parādīt katra darbinieka prasmju vērtējumus (ko veidojusi ontoloģija) tieši HR profilā. Kad notiek snieguma novērtēšana, vadītājs var redzēt, kādas pārbaudāmas prasmes darbinieks ir apguvis un kur vēl ir nepilnības. Tas rada vienu “vienotu patiesības avotu” prasmēm visā uzņēmumā.
LMS (Mācību vadības sistēma): Apmācību un mācību sistēmas ir ļoti svarīgas vērtēšanas datu nodrošināšanai. Pieņemsim, ka LMS rīko virkni kursu vai viktorīnu, lai apgūtu noteiktas prasmes. Ontoloģijas veidotājs var importēt pabeigšanas atskaites un testa rezultātus kā signālus. Piemēram, ja LMS reģistrē, ka Kerola pabeidza “Excel Mastery” ar 92%, tas tiek ievadīts viņas prasmju grafā kā pierādījums Excel prasmei. LMS un kompetenču saistība ir labi zināma: LMS ir digitāla klase, kas izseko mācību progresam (meridianks.com). Integrējot to, mēs automātiski “iespiežam” jaunus prasmju pierādījumus ontoloģijā: pabeigtie kursi vai sertifikātu emblēmas paaugstina darbinieka prasmju līmeni. Tas atbilst “vislabāk saskaņotajam” scenārijam, kurā kompetenču (prasmju) sistēma izseko LMS vērtējumus (meridianks.com).

Praksē integrēta plūsma darbojas šādi: ATS zina, kad persona tiek pieņemta darbā, aktivizējot viņas profilu HCM sistēmā un reģistrējot viņu nepieciešamajās apmācībās (ATS → HRIS → LMS plūsma) (meridianks.com). Pēc tam darbinieks apmeklē tiešsaistes kursus; kad tie ir pabeigti, LMS nosūta viņa rezultātus uz prasmju platformu. Ja viņš arī nokārto sertifikācijas eksāmenu, šis akreditācijas dokuments (izmantojot partneri, piemēram, Credly, vai blokķēdes emblēmu) tiek ievadīts sistēmā. Vadītāji pēc tam var redzēt atjauninātus prasmju profilus savā HR portālā, nepieslēdzoties daudziem rīkiem.

Saistot visas šīs sistēmas, organizācija izvairās no “vienreizējām” izklājlapām. Katrs apmācību kredīts vai CV ieraksts plūst caur to pašu centrālo prasmju zināšanu bāzi. Šī vienotā ekosistēmas pieeja ir pierādīta: “ATS → HRIS → LMS” integrācija paātrina uzņemšanu un nodrošina, ka jaunie darbinieki “nekavējoties sāk darbu” ar automātiski piešķirtām digitālajām apmācībām (meridianks.com), savukārt LMS integrācija atklāj prasmju trūkumus un iesaka nākamos kursus (meridianks.com). Katra sastāvdaļa – ATS, HCM, LMS – spēlē savu lomu nemanāmā prasmju un lomu atgriezeniskās saites ciklā.

Neobjektivitātes mazināšana un godīguma nodrošināšana

Jebkuram MI vadītam HR rīkam ir proaktīvi jārisina neobjektivitātes jautājums. Prasmju un pieņemšanas darbā dati bieži atspoguļo sabiedrības aizspriedumus (piemēram, vēsturiski mazāk sieviešu inženierzinātnēs). Ja tas netiek kontrolēts, MI ontoloģija var pastiprināt izkropļotus modeļus. Tāpēc mēs katrā līmenī iekļaujam aizspriedumu drošības pasākumus:

Datu audits: Pirms MI apmācības mēs rūpīgi auditējam vēsturiskos datus par nelīdzsvarotību. Piemēram, ja iepriekšējās paaugstināšanas deva priekšroku vienai demogrāfiskai grupai, MI varētu pārvērtēt šai grupai kopīgās īpašības. Mēs izmantojam statistikas testus, lai atklātu aizvietojošus modeļus (piemēram, prasmi, kas korelē ar dzimumu vai pasta indeksu) un pielāgotu vai noņemtu neobjektīvus signālus (www.resumly.ai) (www.resumly.ai).
Godīgi algoritmi: Mēs izvēlamies vai pielāgojam mašīnmācīšanās metodes, lai veicinātu godīgumu. Tas varētu nozīmēt “godīgumu apzinošu” ranžēšanas algoritmu izmantošanu vai ievades elementu pārsvarošanu. Mērķis ir novērst to, ka sistēma vienkārši reproducē vecos pieņemšanas darbā modeļus. Piemēram, mēs varētu nodrošināt, ka līdzīgi kandidāti uz papīra saņem līdzīgus lomu atbilstības rādītājus neatkarīgi no aizsargātajiem atribūtiem (www.resumly.ai).
Nepārtraukta uzraudzība: Pēc ieviešanas mēs uzraugām rezultātus. Ja MI prognozē, kurus darbiniekus apmācīt vadības lomām, pamatojoties uz prasmēm, mēs pārbaudām faktisko demogrāfisko sastāvu un pārskatām, vai kāda grupa nav nepietiekami vai pārmērīgi pārstāvēta. Process ir iteratīvs: kā norāda viens ceļvedis, MI neobjektivitātes mazināšana ir “katrs mērīšanas, pielāgošanas un validācijas cikls”, līdz parādās taisnīgi rezultāti (www.resumly.ai). Automatizēti žurnāli ieraksta lēmumus audita veikšanai.
Protokols un pārvaldība: Mēs ievērojam tādus standartus kā Data & Trust Alliance vadlīnijas MI izmantošanai HR jomā (www.dtaalliance.org). Pieprasot pārdevējiem atbildēt uz detalizētiem jautājumiem par neobjektivitātes noteikšanu un mērot viņu rādītājus, HR komandas var izvēlēties partnerus, kas apņemas ievērot godīgu praksi. Piemēram, daudzas HR sistēmas tagad piedāvā atbilstības moduļus, lai atzīmētu neobjektīvu valodu vai rezultātus.

Īsumā, mūsu darba plūsma ietver pārbaudes katrā posmā: prasmju datu vākšana tiek attīrīta, atbilstības algoritmi ietver godīguma ierobežojumus, un komanda veic plānotus auditus. Sistēma sniedz saprotamus lēmumu iemeslus (piemēram, kuras prasmes izraisīja atbilstību), atvieglojot cilvēkiem anomāliju pamanīšanu. Pētījumi liecina, ka šī holistiskā pieeja var “ievērojami samazināt neobjektivitāti, vienlaikus saglabājot MI efektivitātes pieaugumu” (www.resumly.ai).

Cenu modelis un vērtības rādītāji

Cenas: Mēs iesakām caurspīdīgu abonēšanas modeli par lietotāju. Piemēram, ja mēs noteiktu cenu 10 ASV dolāri par darbinieku mēnesī (apmēram 120 ASV dolāri gadā), tas atbilst tirgus normām HR SaaS jomā (www.capterra.com). Daudzas HR platformas iekasē viena līdz zema divciparu skaitļa diapazonā par lietotāju mēnesī. Kontekstam, viena cenu aptauja rāda, ka tādi rīki kā BambooHR maksā apmēram 10 ASV dolārus/lietotājs/mēnesī, Lattice apmēram 11 ASV dolārus, un citi svārstās no 5 līdz 20 ASV dolāriem (www.capterra.com). Mūsu specializētais prasmju dzinējs, kas papildina paredzamo MI un integrācijas vērtību, varētu būt nedaudz dārgāks vai komplektā ar citām uzņēmuma funkcijām. Uzņēmuma mēroga ieviešanas gadījumā tiktu piemērotas apjoma atlaides.

Galīgā investīciju atdeve (ROI) ir redzama ātrākā pieņemšanā darbā, iekšējā mobilitātē un izmaksu ietaupījumos. Galvenie rādītāji ietver:

Laiks līdz amata aizpildīšanai/Laiks līdz pieņemšanai darbā: Tas mēra laiku, kas nepieciešams amata aizpildīšanai. Ar tūlītēju redzamību par to, kurš uzņēmumā var aizpildīt lomu (un kādas apmācības viņam nepieciešamas), uzņēmumi var ātrāk pieņemt darbā vai pārvietot cilvēkus. Piemēram, pētījumi liecina, ka koncentrēšanās uz iekšējiem talantu kanāliem var samazināt apmēram 10–12 dienas uz katru darbinieku salīdzinājumā ar ārējo personāla atlasi (www.hrdive.com). Ja vidējais laiks līdz aizpildīšanai tiek samazināts no 60 dienām līdz 48 dienām, izmaksas un produktivitātes ieguvumi ir milzīgi. Mūsu platformas iekšējais Talantu tirgus var veicināt šos uzlabojumus, vispirms iesakot kvalificētus iekšējos kandidātus.
Iekšējās mobilitātes rādītājs: Tas ir to lomu procentuālais daudzums, ko aizpilda esošie darbinieki. Augstāka iekšējā mobilitāte nozīmē zemākas pieņemšanas darbā izmaksas un labāku noturību. Pašlaik daudzi uzņēmumi iekšēji aizpilda tikai aptuveni 22% no lomām (www.klearskill.com). Pasaules klases programma varētu to palielināt līdz 40% vai vairāk. Katra papildu iekšējā izvietošana ietaupa aptuveni 4x izmaksas (SHRM ziņo, ka ārējie darbinieki maksā aptuveni 4683 ASV dolārus salīdzinājumā ar 1094 ASV dolāriem iekšēji (www.klearskill.com)). Turklāt iekšējie darbinieki sāk strādāt ātrāk – LinkedIn dati liecina, ka viņi sasniedz pilnu produktivitāti aptuveni 32 dienās salīdzinājumā ar 92 dienām ārējiem darbiniekiem (www.klearskill.com)). Parādot vadītājiem pašreizējo darbinieku prasmes, mūsu sistēma atvieglo iekšējo kandidātu prioritātes noteikšanu. Ja iekšējās aizpildīšanas rādītājs pieaug, produktivitātes laiks samazinās un darbinieku aizplūšana arī samazinās (darbinieki, kuriem tiek piedāvāti karjeras ceļi, parasti paliek ilgāk).
Pieņemšanas darbā izmaksas un kvalitāte: Ar labāku prasmju saskaņošanu notiks mazāk nepareizu pieņemšanas darbā. “Prasmju zvejas” zaudējumi (pieņemšana darbā, kas uz papīra ir maldīgi atspoguļota) var būt dārgi. Ja mūsu sistēma novērš pat vienu sliktu augstākā līmeņa darbinieka pieņemšanu darbā, tā var atmaksāties. Turklāt katrs iekšēji apmācīts darbinieks samazina nepieciešamību pēc ārējiem meklējumiem, ietaupot aģentūras maksas un iesākšanās laiku.
Mācību un attīstības ROI: Tā kā mūsu platforma iesaka mērķtiecīgas apmācības tieši nepieciešamajām prasmēm, apmācību programmas kļūst efektīvākas. Mēs varam mērīt kursu pabeigšanas rādītājus un saistīt tos ar lomu virzību. Laika gaitā tas parādās kā augstāki paaugstināšanas rādītāji un zemāka ārējā personāla atlase.

Šos rādītājus mēs salīdzinātu ar etaloniem. Vadības atskaitēm mēs varētu minēt: iekšējās pārvietošanas programma var palielināt iesaisti (3,5×) un noturību (2,6×) saskaņā ar LinkedIn (www.klearskill.com). Mēs noteiktu mērķus, piemēram: palielināt iekšējo aizpildīšanu par 10 punktiem, samazināt laiku līdz aizpildīšanai par 20% un kvantificēt atbilstošos izmaksu ietaupījumus. Demonstrācijas ROI gadījumā varētu parādīt, ka pat ja sistēma maksā aptuveni 10 ASV dolārus/lietotājs/mēnesī, tā samazina pieņemšanas darbā izmaksas par 50% attiecībā uz noteiktām lomām un dod 3–5× atdevi, pateicoties ietaupījumiem un ātrākai produktivitātei.

Uzņēmuma izmaiņu pārvaldība

Šīs jaunās MI vadītās prasmju platformas ieviešana prasa rūpīgu izmaiņu pārvaldību. Mēs iesakām pakāpenisku ieviešanu, izmantojot labāko praksi:

Gatavības novērtēšana: Novērtējiet pašreizējo prasmju pārvaldības procesu. Aptaujājiet HR vadītājus un menedžerus: Kā viņi pašlaik izseko prasmes? Kādas problēmas viņiem ir? Izmantojiet to, lai veidotu atbalstu. (Tas atspoguļo “1. fāzes – Gatavības novērtēšana” soli, kas ieteikts HRIS ieviešanas vadlīnijās (www.ocmsolution.com).)
Augstākās vadības atbalsts: Nodrošiniet augstākās vadības atbalstu, demonstrējot biznesa ietekmi (izmaksu ietaupījumus, elastību, talantu noturību). Vadītājiem ir jāpaziņo, ka mērķis nav “novērtēt” darbiniekus, bet gan veicināt karjeras izaugsmi.
Ieinteresēto pušu iesaistīšana: Izveidojiet nelielu čempionu komandu no HR, IT un dažiem pilotdepartamentiem. Iesaistiet tos pilottestēšanā. Piemēram, lieciet vienam departamentam mēģināt aizpildīt atvērtu amatu, izmantojot prasmju rīku, un apkopojiet atsauksmes par atbilstībām un ieteikumiem.
Apmācība un komunikācija: Izstrādājiet vienkāršus materiālus (video, lietotāja rokasgrāmatas), kas paskaidro, kā vadītāji un darbinieki izmanto sistēmu. Veiciet tiešraides apmācības. Uzsveriet ieguvumus: piemēram, darbinieki var redzēt karjeras ceļus, un personāla atlases vadītāji iegūst labākas kandidātu atbilstības. Nodrošiniet bieži uzdoto jautājumu sadaļu, kas risina uzticības problēmas (datu privātums, godīgums).
Pilotprojekts un iterācija: Vispirms ieviesiet sistēmu pilotgrupai (iespējams, dažiem departamentiem). Apkopojiet datus par to, cik bieži tā tiek izmantota, un pielāgojiet konfigurāciju. Izmantojiet MI skaidrojamību, lai precizētu prasmju kartējumus (piemēram, pielāgojiet lomu definīcijas vai noņemiet acīmredzami netaisnīgus modeļus). Dokumentējiet un atrisiniet visas negaidītās problēmas.
Pilnīga ieviešana un atbalsts: Pēc noregulēšanas ieviesiet visā uzņēmumā. Uzraugiet galvenos ieviešanas KPI (piemēram, to darba sludinājumu procentuālo daudzumu, kuros izmantoti sistēmas ieteikumi, iekšējās pieteikšanās rādītājus, kursu pabeigšanu pēc ieteikumiem). Piedāvājiet konsultāciju stundas vai atbalstu agrīnām izmeklēšanām.
Uzturēšana un stiprināšana: Periodiski informējiet ieinteresētās puses par panākumiem (piemēram, “Šajā ceturksnī mēs iekšēji aizpildījām X lomas, salīdzinot ar Y pērn”). Ieplānojiet ceturkšņa rādītāju pārskatīšanu. Atjauniniet apmācības jaunajiem darbiniekiem. Turpiniet teikt, ka tas ir ilgtermiņa darbs, kā “4. fāzē – Uzturēšana un stiprināšana” izmaiņu ietvaros (www.ocmsolution.com).

Ievērojot strukturētu pieeju, uzņēmums pakāpeniski pāries no veciem ieradumiem (papīra CV un intuīcijas) uz pierādījumiem balstītu talantu praksi. Laika gaitā prasmju platforma kļūs par neatņemamu HR plānošanas un karjeras attīstības sastāvdaļu, nevis vienreizēju rīku. Kā iesaka eksperti, veiksmīga HR sistēmas ieviešana ir atkarīga ne tikai no pašas tehnoloģijas, bet arī no cilvēku sagatavošanas pārmaiņām (www.ocmsolution.com). Mūsu plāns aptver komunikāciju, apmācību un nepārtrauktu uzlabošanu, lai risinājums pildītu savu solījumu.

Secinājums

Nodalītu prasmju sarakstu un apšaubāmu CV apgalvojumu nepilnību novēršana ir būtiska mūsdienu darbaspēka plānošanai. MI darbināms ontoloģijas veidotājs, kas apvienots ar pārbaudāmiem akreditācijas datiem un tiešraides vērtēšanas datiem, piedāvā visaptverošu risinājumu. Kartējot reālās lomas ar reālām prasmēm (un krustām pārbaudot katru apgalvojumu ar pierādījumiem), organizācijas var pieņemt gudrākus lēmumus par pieņemšanu darbā un prasmju paaugstināšanu. Integrācija ar ATS, LMS un HCM sistēmām nodrošina, ka šī inteliģence nemanāmi plūst cauri pieņemšanas darbā un attīstības procesiem. Tajā pašā laikā mēs iekļaujam aizspriedumu pārbaudes un izmaiņu pārvaldību, lai nodrošinātu godīgu un gludu ieviešanu. Rezultāts ir rīcībā noderīga prasmju inteliģence: HR vadītāji iegūst skaidrus rādītājus (piemēram, laiks līdz aizpildīšanai, iekšējās mobilitātes rādītājs), lai parādītu vērtību, savukārt darbinieki iegūst caurspīdīgus karjeras ceļus, ko apstiprina pierādījumi. Šī holistiskā pieeja pārvērš darbaspēka plānošanu no minējumiem par stratēģisku, uz datiem balstītu sistēmu.