مدیریت سرمایه انسانی در عصر یادگیری ماشینی

نویسنده: John Lipinski

مترجم: مریم رضایی

یادگیری ماشینی که به‌عنوان زیرشاخه علوم کامپیوتر تعریف می‌شود و یادگیری را اتوماتیک‌ می‌کند تا شناسایی و پیش‌بینی‌ الگوها را امکان‌پذیر کند، حوزه‌ای است که به تدریج نحوه ارزیابی کسب‌وکارها و تصمیم‌گیری‌ها از سوی رهبران کسب‌وکار را متحول می‌کند. به همین دلیل، به‌کارگیری یادگیری ماشینی برای ارزیابی رفتار انسانی و اقتصاد کار در حال افزایش است. یادگیری ماشینی اساسا یعنی سیستم‌های اتوماتیک‌شده بدانند چطور الگوها و روابط موجود در داده‌ها را شناسایی کنند. در برخی موارد، این ماشین‌ها یاد می‌گیرند یک نتیجه خاص مثل اینکه چه کسی یک محصول را می‌خرد یا شغل خود را ترک می‌کند، پیش‌بینی کنند. در نمونه‌های دیگر، یادگیری ماشینی می‌تواند به رهبران کسب‌وکار کمک کند که چطور با استفاده از هزاران متغیر مانند متغیرهای جمعیت‌شناختی، عملکرد شغلی و فعالیت‌های آنلاین، به‌طور موثری افراد و رفتارهای آنها را گروه‌بندی کنیم.

بسیاری از این تکنیک‌های تحلیلی سال‌ها وجود داشته‌اند، اما برخی از آنها نسبتا جدید هستند. تفاوت واقعی برای اینکه رهبران کسب‌وکار ریسک‌های همراه با سرمایه انسانی را ارزیابی کنند ظهور الگوریتم‌های جدید نیست، بلکه دسترس‌پذیری ناگهانی انبوه داده و قدرت پردازش ناشی از آن است. چیزی که در حال ظهور است، جمع‌آوری فرصت‌ها و دیدگاه‌ها است که تخصص و قدرت علم کامپیوتر را در کنار یادگیری ماشینی و سرمایه‌ انسانی قرار می‌دهد تا پرسش‌های جدید مطرح شوند، پاسخ داده شوند و با توجه به آنها اقدامات مناسب صورت گیرد. به گفته پائول رومر، اقتصاددان دانشگاه نیویورک، رشد اقتصادی زمانی صورت می‌گیرد که افراد منابع را به روش‌هایی که آنها را ارزشمندتر می‌کند، بازتنظیم کنند. بازتنظیم سرمایه انسانی در فضای یادگیری ماشینی - یعنی استخدام، توسعه و حفظ نیروها - مثالی از این رشد مطلوب است و درحالی‌که یادگیری ماشینی تاکنون در بسیاری از صنایع و نظام‌های دیگر مورد استفاده قرار گرفته، کارکرد آن در ارزیابی و مدیریت استعدادها هنوز در ابتدای راه است.

تحلیل توصیفی، پیشگویانه و تجویزی

برای اینکه اثر یادگیری ماشینی را درک کنیم، بهتر است ابتدا وضعیت فعلی سرمایه انسانی و تحلیل‌ استعدادها را بدانیم. به‌طور خلاصه، سرمایه انسانی و تجزیه‌ و تحلیل‌های منابع انسانی به سه دسته کلی قابل تقسیم‌بندی هستند: توصیفی، پیشگویانه و تجویزی. تحلیل‌های توصیفی به پرسش‌هایی در مورد تاریخچه و وضعیت استعدادها درون سازمان پاسخ می‌دهد. طبق منابع انسانی سنتی، این موضوع را می‌توان با گزارش‌دهی در قالب گردش سالانه، نرخ استخدام‌های داخلی، تعداد ارتقای شغلی و موقعیت استعدادهای برتر توضیح داد. بیشتر تحلیل‌های منابع انسانی تلاش‌های خود را بر این معیارهای توصیفی متمرکز می‌کنند. تجزیه و تحلیل پیشگویانه یک قدم جلوتر می‌رود و به رهبران سازمان‌ها کمک می‌کند به پرسش‌هایی در مورد اینکه در آینده چه اتفاقاتی می‌افتد پاسخ دهند. پیش‌بینی وقایع آینده مانند میزان جابه‌جایی کارکنان می‌تواند راهنمایی برای تلاش‌هایی که در جهت حفظ، ارتقا و به‌کارگیری نیرو صورت می‌گیرد باشد. اما تحلیل‌های پیشگویانه اموری بیشتر از اینکه چه کسی قرار است بماند و چه کسی قرار است برود را پیش‌بینی می‌کنند. از این تحلیل‌ها می‌توان برای پیش‌بینی مسائل دیگری مانند: چه کسی در نقش خود به پیروزی خواهد رسید، تغییرات در استراتژی‌های پاداش‌دهی چگونه بر کل نیروی کار اثر می‌گذارد، کدام کارکنان احتمالا در محیط کار خود آسیب می‌بینند، یا حتی چگونه یک تغییر سازمانی بر تحرک و ارتباطات کارکنان اثر می‌گذارد، استفاده کرد.

نوع سوم، تحلیل‌های تجویزی هستند. تحلیل‌های تجویزی به مدیران می‌گویند که باید چه کنند. در برخی صنایع، مرز بین تحلیل‌های پیش‌بینی‌کننده و تحلیل‌های تجویزی کاملا مشخص است. مثلا در صنعت هواپیمایی، پیش‌بینی‌ها در مورد فروش بلیت‌های تخفیف‌دار به‌طور مستقیم مدل‌های بهینه‌سازی را تغذیه می‌کنند. این مدل‌ها تجویز می‌کنند که کرایه حمل چگونه باید تغییر کند و بازاریابی شود. اما این مرز همیشه و وقتی پای استعدادها به میان می‌آید، آنقدر واضح نیست. به‌عنوان مثال، اگر یک مدل پیش‌بینی‌کننده بگوید که زیرمجموعه‌ای از داوطلبان، در اولین ماه استخدام خود احتمالا کارشان را رها می‌کنند، راهکار واضحی پیش روی ما است. اما با کمک یک مدل بهینه‌سازی رسمی، این داوطلبان اصلا نباید استخدام می‌شدند. چالش اصلی رهبران کسب‌وکار این است که افراد و سازمان‌ها بسیار پیچیده و آشفته هستند. بهینه‌سازی فروش بلیت‌های هواپیما یک مساله‌ است، تغییر رفتار در سطح فردی، تیمی و سازمانی برای رسیدن به عملکرد بهینه، مساله‌ای دیگر. با در نظر گرفتن این آشفتگی، منطقی است که تحلیل‌های تجویزی در مورد استعدادها را در عمل به شکل ترکیبی از تحلیل‌های توصیفی و پیش‌بینی‌کننده تعریف کنیم. دانستن اینکه مدیران استفاده‌کننده از این داده‌ها چه باید بکنند، یعنی کشف اثر تصمیم‌ها و اقدامات درون یک فرآیند در حال پیشرفت و دینامیک؛ نه شکار یک نقطه پایان دائمی و از پیش تعیین‌شده در یک مسیر خطی. رهبران موفق به شیوه‌های متعدد همواره از تحلیل‌های تجویزی استفاده کرده‌اند. تنها تغییری که رخ داده، دسترس‌پذیری داده‌های بهتر و تکنیک‌های جدید برای شناخت آن است.

چگونه مزیت رقابتی ایجاد کنیم؟

در مورد یادگیری ماشینی چطور؟ اگر تقریبا همه کارکردهای منابع انسانی سنتی هنوز بر اطلاع‌رسانی در مورد وقایع گذشته (تحلیل‌های توصیفی) متمرکز باشند، رهبران سازمانی داده‌محور چگونه می‌توانند مدل‌های پیش‌بینی‌کننده‌تر را پیش ببرند؟رهبران سازمانی برای تقویت پتانسیل یادگیری ماشینی باید سه کار انجام دهند: فضای مناسب را به دست آورند، داده‌های دینامیک را جمع‌آوری کنند و استعدادهایی را که قابلیت آشکارسازی دیدگاه‌ها را دارند جذب کنند. اگر این شرایط محقق شود، یادگیری ماشینی می‌تواند یک مزیت رقابتی قابل سنجش و روشی جدید برای رسیدن به اقتصاد استعداد در داخل و خارج از سازمان، ارائه دهد.

تجزیه و تحلیل استعدادها اغلب به صورت فردی شروع می‌شود و پایان می‌یابد. این موضوع در ظاهر منطقی به نظر می‌رسد، چون عملکرد در سطح فردی بررسی می‌شود. همچنین ساده است، چون بیشتر داده‌های منابع انسانی مطابق با هر فرد به ردیف‌های کوچک‌تر شکسته می‌شود. اما مشکل اینجا است که سازمان‌ها صرفا مجموعه‌ای از ردیف‌های مجزا از «واحدهای مردمی» نیستند. سازمان‌ها از افرادی تشکیل شده‌اند که در یک تیم، در یک شرکت، در یک اقتصاد محلی با هم در ارتباط هستند. سازمان‌ها افراد زنده، رهبران، گزارش‌های مستقیم و مربیان و حتی رقبا را به‌کار می‌گیرند. چشم‌پوشی کردن از فضاهایی که شکل‌دهنده، محدودکننده و رهاکننده فعالیت‌های فردی هستند، به نتایج تحلیلی ضعیفی منجر می‌شود که واقعیت را نهی می‌کند. فرض کنید مدیری می‌خواهد به اثر سطح تحصیلات بر میزان حفظ استعدادها در شرکتش پی ببرد. وقتی به داده‌ها نگاه می‌کنیم، به این نتیجه می‌رسیم که داشتن مدرک MBA به‌طور میانگین تاثیری بر ماندن زیاد در یک شرکت ندارد. اما کاوش عمیق‌تر نتیجه‌ای کاملا متفاوت را نشان می‌دهد؛ مثل میزان جابه‌جایی پایین کارمندان دارای مدرک MBA در بازارهای کار کوچک و جابه‌جایی زیاد در بازارهای بزرگ‌تر. تعجبی ندارد که فرصت‌هایی که مدرک MBA ایجاد می‌کند به فضای بازار بستگی دارد.

برای اینکه بیشتر به نقش بالقوه فضای موجود پی ببریم، نمونه دومی را در عرصه کامپیوتر بررسی می‌کنیم. تصور کنید داده‌های ما نشان می‌دهند افرادی که بیش از پنج سال در یک شرکت مانده‌اند، احتمالا دیگر شغل خود را در این شرکت ترک نخواهند کرد. این داده‌ها ممکن است اطمینان‌بخش به نظر برسند، اما فضای تیمی مشخص‌کننده این نتیجه، کاملا تعمیم‌یافته است. مثلا اگر مدیران شرکت برای یک موقعیت بهتر و تحولی عظیم خیز بردارند، آیا همچنان امنیت شغلی برای این افراد وجود دارد؟ از سوی دیگر، شاید تعدادی از همین کارکنانی که بیش از پنج سال است در شرکت مانده‌اند و عملکرد ضعیفی دارند، در بخشی کار می‌کنند که ظرفیت تحمل این عملکرد ضعیف را دارد. پس داده‌ها یک امر ظاهری را به ما نشان داده‌اند. این نمونه‌ها به ما می‌گویند که تجزیه و تحلیل‌ حرفه‌ای در مورد استعدادها در متناسب‌سازی آن با فضای موجود باید خلاقانه‌تر و سلطه‌جویانه‌تر صورت گیرد و در قالب فعالیت‌های تحلیلی تجویزی و پیش‌بینی‌کننده ارائه شوند. الگوریتم‌های قدرتمند یادگیری ماشینی برای پیش‌بینی کردن بسیار خوب هستند، اما اگر داده‌های ما به اندازه کافی غنی نباشند، کمک زیادی نخواهند کرد.

اهمیت تطابق با فضا

دومین نکته حیاتی برای اینکه یادگیری ماشینی را به تجزیه و تحلیل استعدادها ارتباط دهیم این است که بفهمیم رفتار و تصمیم‌گیری در طول زمان ظهور می‌کند و آشکار می‌شود. برای اینکه مغایرت دیدگاه استاندارد و ایستا نسبت به استعدادها و یک دیدگاه واقعا دینامیک را بدانیم، بیایید تصور کنیم بخش خرده‌فروشی همین حالا قرار است دست به یک تغییر سازمانی گسترده بزند. در شرایط جدید برخی رهبران ارشد از سازمان می‌‌روند و برخی روابط و نقش‌ها تغییر می‌کنند. به صورت شهودی، می‌دانیم که کلیه گفت‌وگوهای درون سازمانی بین کارمندان تغییر خواهد کرد و به دنبال آن رفتارها عوض خواهد شد. اما سنجه‌های استاندارد و ایستای منابع انسانی مانند سن، جایگاه شغلی، نقش و تحصیلات در مواجهه با چنین ابهامی چه شکلی خواهد بود؟ هیچ. مشکل همین‌جا است. تغییرات ناگهانی در فضا و شرایط، تفکر افراد را در مورد شغل و رفتارشان در محیط کار تغییر خواهد داد. اگر اقدامات ما نتواند این تغییرات را کشف کند، تلاش‌های یادگیری ماشینی ما بی‌اثر خواهد بود. اتخاذ یک ذهنیت دینامیک اساسا یعنی دور کردن نگاهمان از ویژگی‌های جمعیت‌شناختی و دسته‌بندی‌های ثابت و معطوف کردن آن به سوی داده‌هایی که با تغییر رویکردها و رفتارها، تغییر می‌کنند.

رهبران سازمانی کجا باید به دنبال منابع داده‌ دینامیک باشند؟ مطمئنا این موضوع در هر صنعتی متفاوت است، اما معمولا داده همه جا وجود دارد و منتظر است تا از آن بهره‌برداری شود. یک راه این است که جریان استعدادها را در یک سازمان دنبال کنیم. رهبران سازمانی در قدم اول باید جریان تاریخی استعدادها را بین سطوح مختلف و بخش‌های مختلف یک سازمان در دو تا سه سال بررسی کنند. این بررسی‌ها می‌تواند استخدام‌های جدید، اخراج‌ها و ارتقای استعدادها در سلسله‌مراتب سازمانی را شامل شود. سپس آنها می‌توانند یک مبنا ایجاد کنند و بعد الگوهای حرکتی اخیر را با این مبنا مقایسه کنند. این کار به آنها امکان می‌دهد تغییرات معنادار را کشف کنند. این نوع تحقیق نه تنها داده‌های مهمی را در مورد فرهنگ حرکت و پیشرفت‌ استعدادها در اختیارشان قرار می‌دهد، بلکه شاخص‌های قابل سنجشی را ارائه می‌دهد مبنی بر اینکه رفتارهای سازمانی در پاسخ به تحولاتی که در سیگنال‌های داخلی یا خارجی صورت می‌گیرد، تغییر می‌کنند.

لزوم پرورش دانشمندان آینده

آخرین تکه پازل ترکیب تحلیل‌ استعدادها و یادگیری ماشینی یافتن ذهنیت‌ تحلیلی مناسب برای انجام این کار است. فعلا تعداد دانشمندان علوم داده در بازار اندک است، اما تعداد دانشجویانی که به این حوزه روی می‌آورند در حال افزایش است. با این حال، استعدادهای تحلیلی هم زیاد هستند. رهبران کجا باید به دنبال آنها باشند؟ ابتدا، منبع تحلیلی موجود در سازمان خود را شناسایی کنید. حوزه‌هایی مثل بازاریابی یا هر‌گونه کار تحقیقاتی که طولانی مدت می‌توان روی تحلیل آنها متمرکز شد، گزینه‌های خوبی هستند. شرکت‌های کوچک که منابع تحلیلی چندانی ندارند، باید از میت‌آپ‌های محلی یا دانشگاه‌های نزدیک خود که اخیرا برنامه‌های تجزیه و تحلیل داده را اجرا کرده‌اند، کمک بگیرند. دوم، اگر موانع فرهنگی یا سازمانی برای انجام تحلیل‌های داخلی در حوزه استعدادها وجود دارد، به دنبال فرصت‌هایی باشید که استعدادهای موجود را به صورت استراتژیک توسعه دهد. اگر بودجه کافی برای اجرای برنامه‌های آموزشی ندارید، با کارهای کوچک شروع کنید. مثلا از کارمندانی که سوابقی در برنامه‌ریزی و آمار دارند کمک بگیرید. به جز این، رهبران سازمان باید به دنبال مربیان بادانش باشند که بتوانند راهنمای آموزشی عملی ارائه کنند. این موضوع کمک می‌کند افراد خیلی سریع بر ناامیدی ناشی از یاد گرفتن مجموعه مهارت‌های جدید غلبه کنند.

در نهایت، اگر یافتن یا توسعه استعدادهای درون‌سازمانی به سادگی امکان‌پذیر نیست، در بیرون از سازمان به دنبال آنها باشید. در مصاحبه شغلی با این افراد به صورت شفاف مشخص کنید به دنبال چه چیزی هستید. عصر یادگیری ماشینی فرا رسیده، اما سهم آن در سرمایه انسانی چندان زیاد نیست. درحالی‌که بسیاری از شرکت‌ها در سطح توصیفی گیر کرده‌اند، حرکت به سوی استقبال از آنچه یادگیری ماشینی عرضه می‌کند، به این معنا نیست که گزارش‌دهی‌های عادی را نادیده بگیریم. در واقع، متدهای پیچیده‌تر یادگیری ماشینی عمدتا به یک سوال واضح، داده‌های قابل اطمینان و تحلیل‌های دقیق و توصیفی وابسته هستند. قبل از روی آوردن به تکنیک‌های پیچیده سطوح پیش‌بینی‌کننده و تجویزی، این فعالیت‌های پایه‌ای باید در ذهن حک شوند. به محض اینکه اینها پوشش داده شد، سه شرط لازم برای پیشروی موفق در سلسله‌مراتب تحلیلی وجود دارد: اضافه کردن داده‌های مبتنی بر فضا و شرایط، داده‌های دینامیک و استعدادهایی که سوالات خوبی مطرح کنند و یادگیری ماشینی را برای رسیدن به پاسخ‌های عملی تقویت می‌کنند.

منبع: Talent Economy