Нина Осовицкая - HR #digital #бренд #аналитика #маркетинг

© ООО Издательство «Питер», 2019

© Серия «Деловой бестселлер», 2019

© Нина Осовицкая, 2019

HR digital, яркий и масштабный тренд 2016 года, продолжил набирать обороты и в 2017–2018 годах. Самое динамичное развитие, самые инновационные проекты сегодня концентрируются в двух направлениях: рекрутинг и обучение . Автоматизация массового подбора, использование аудио- и чат-ботов в рекрутинговых коммуникациях и при первичном отборе, видеоинтервью с оценкой компетенций – от первых экспериментов с новыми инструментами рынок перешел к их активному применению в повседневной практике.

Ну а на пике ожиданий сейчас находятся рекрутинговые технологии с применением искусственного интеллекта (ИИ). «Под капотом» сайта hh.ru, например, реализуются модели и алгоритмы машинного обучения для поиска вакансий, сортировки откликов на вакансии, а также работы с базой резюме.

Подробнее об HR digital, новых возможностях и вызовах мы поговорили с Борисом Вольфсоном, директором по развитию hh.ru , и Ольгой Мец, директором по маркетингу и PR hh.ru .

Поделитесь впечатлениями от последних изменений в HR-технологиях. Возникло ли что-то принципиально новое в 2018 году, ощутим ли прогресс этого рынка в России?

Б. В.:Называть прошедший год прорывным я бы не стал. Все-таки по сравнению с США, Европой и даже некоторыми азиатскими странами, с тем количеством стартапов и уже зрелых бизнесов, которые реализуются в сфере HR Tech, мы пока отстаем.

Если выделять тренды, то одним из самых интересных являются чат-боты, пусть это даже немного перегретая и хайповая тема с точки зрения шумихи вокруг нее.

Продолжают развиваться продукты, связанные с автоматизацией, в первую очередь в рекрутинге. Все больше компаний используют ATS-системы, отказываются от решений, которые требуют установки на компьютер, в пользу облачных сервисов.

Сюда же я бы отнес внедрение систем по обработке трафика, его закупке с целью формирования рекрутинговой воронки (привлечения, отбора и дальнейшей оценки). Это делается целиком или частично силами провайдеров, в том числе hh.ru .

Следующее важное направление – аналитика, принятие решений, основанных на имеющихся данных. Здесь также отмечу наши разработки, которые позволяют анализировать, куда уходят соискатели и сотрудники, выявлять компании, выступающие потенциальными акцепторами, и принимать контрмеры.

Наконец, предлагаемое hh.ru использование искусственного интеллекта в работе с соискательской аудиторией, поиском и рекомендацией вакансий уже полноценно заявило о себе и было успешно опробовано на десятках миллионов человек.

Данная технология может определять по метрике вероятности отклика, какие вакансии наиболее подходят кандидату; соответственно, мы их поднимаем вверх с учетом поискового запроса. Это эффективнее, чем выборка и фильтрация по параметрам резюме, то есть в каком-то смысле ИИ понимает людей лучше их самих.

О. М.:Мне кажется, минувший год охарактеризован появлением большого числа стартапов, причем как в сфере классического рекрутинга (старые игроки сильно видоизменяются, появляются компании mobile-only), так и в HR в широком смысле.

Эта позитивная тенденция говорит о том, что рынок начинает созревать, предлагает больше интересных возможностей заработать на нем, а разрабатываемые технологии становятся все более понятными и практически применимыми.

Соглашусь, что со своей стороны hh.ru привносит много различных новшеств. Мы объявили о запуске собственной ATS-системы Talantix, внедрили умный поиск, отказавшись от семантического алгоритма и сделав ставку на искусственный интеллект.

А если говорить о совсем новых, передовых продуктах, которые еще находятся на стадии тестирования и доработки?

Б. В.:Для работодателей мы сейчас делаем две большие системы, первая из них – рекомендация резюме на вакансию. Суть в том, чтобы провести обратную операцию и из гигантского объема резюме (более 27 миллионов) выбирать те, которыми рекрутер заинтересуется с высокой долей вероятности. Уже можно утверждать, что подобный функционал ценен для пользователей, так как приносит дополнительные приглашения.

Вторая задумка, реализуемая «под капотом» нашего сайта, совершит революцию в сфере поиска пассивных кандидатов – не через вакансию, а по базе hh.ru. Применяется похожая модель, как в случае с рекомендацией резюме, но при этом учитываются поисковые запросы и другие параметры, чтобы поднять вверх наиболее релевантных кандидатов.

О. М.:Теперь, благодаря накопленным за многолетнюю историю компании данным, в рамках сайта можно не просто искать соответствия по словам, но и производить скоринг.

Эта база позволяет еще до непосредственного общения (неважно, по телефону, в офлайне или в чат-боте), по психотипу и другим параметрам, дать ответ, в какой степени совместимы профили кандидата и компании.

Многие стартапы утверждают, что они тоже используют ИИ, нейронные сети. Как HR-специалисту, мало разбирающемуся в этой области, предугадать, не являются ли их обещания качественного результата лишь продуманным маркетингом?

Б. В.:Это может сделать даже неспециалист, потому что ключевым является вопрос о количестве данных, которые используются для построения модели машинного обучения.

Когда провайдер оперирует тысячами или даже десятками тысяч резюме и откликов, этого явно недостаточно. Для сравнения, hh.ru использует миллионы и десятки миллионов пар, чтобы выявить наличие сигналов. В упрощенном виде, для подходящих рекомендаций следует иметь в обучающей выборке похожие вакансии и компании с откликнувшимися и далее приглашенными кандидатами. Речь идет об огромном числе вакансий, резюме и взаимодействий между ними.

Далее необходимо поинтересоваться теми подходами, которые используются в процессе разработки ИИ. Эксперты обычно уточняют наличие ключевых слов, а остальные – какая метрика является целевой для обучения моделей, то есть что они оптимизируют.

Например, по отношению к соискателям hh.ru оптимизирует вероятность отклика, а к работодателям – вероятность приглашения. Если вам не смогут ответить даже на такой простой вопрос, продолжать разговор о машинном обучении нет смысла.

Третий момент – как измеряется точность моделей. Неправильных вариантов два: полное отсутствие такой практики либо (что приходится часто слышать) «наша точность – 100 %».