Раздвоение личностей
С началом нового десятилетия многие компании столкнулись с HR-кризисом: талантливых специалистов не хватает, продуктивность падает, а переход на гибридную модель работы меняет привычные форматы взаимодействия. Чтобы справиться с этим, бизнес использует разные IT-новшества — например, создает цифровые клоны сотрудников, которые позволяют заранее понять, когда те достигнут пика продуктивности или решат уволиться. Об этой и других технологиях, помогающих бизнесу раскрыть потенциал своих кадров, в колонке для журнала «Компания» рассказала сооснователь интеллектуальной системы развития персонала Univertus Елена Абашкина.
Кризис продуктивности и мотивации
В 2020-е классические системы оценки эффективности уходят в прошлое — как отмечают аналитики EY, само понятие продуктивности трансформируется. Производительность все меньше зависит от количества часов, проведенных на рабочем месте, и все больше — от грамотно выстроенной мотивации и эффективного планирования. Это общемировая тенденция, которая возникла еще до пандемии. Так, о четырехдневной рабочей неделе начали говорить еще в 2010-е, а недавний эксперимент в Исландии подтвердил эффективность этой практики. Платформа Kickstarter тоже перешла на четырехдневку, а Uber отказался от проведения собраний и встреч по понедельникам.
Сегодня все большей критике подвергаются компании, стремящиеся максимально контролировать сотрудников на удаленке, — например, они требуют устанавливать таймеры и трекеры. Или те, кто слишком пристально следит за персоналом, как Amazon, который мониторит передвижения работников складов и снижает рейтинг тем, кто делает даже короткие перерывы. Параллельно начинается глобальный кризис мотивации и стагнация производительности, которая в ряде стран перестала расти в начале нулевых. Опрос Gallup, проведенный еще до пандемии, показал, что 80% сотрудников испытывают отчуждение или безразличие по отношению к работе. На частичной удаленке этот эффект усиливается.
Неудивительно, что в 2021 году компании по всему миру столкнулись с нехваткой работников, — они массово увольняются. Недавний опрос Microsoft показал, что 41% респондентов всерьез рассматривает сценарий увольнения по собственному желанию.
Можно выделить три ключевые проблемы, с которыми сегодня сталкиваются HR-департаменты:
Дефицит кадров разного уровня — от junior до senior: новички не обладают нужными компетенциями, а старшие специалисты не соответствуют требованиям и оказываются либо слишком, либо недостаточно квалифицированными.
Общее снижение мотивации сотрудников — красивый офис с бесплатными обедами и даже внушительные бонусы и ДМС уже не мотивируют так, как прежде: сотрудники ищут нечто большее (особенно миллениалы и зумеры).
Стагнация производительности — появление новых инструментов и технологий не приводит к росту продуктивности. Однако самым продвинутым компаниям, которые непрерывно экспериментируют, все же удается повысить эффективность и обойти конкурентов.
Зачастую сотрудник оказывается в вакууме — он приходит в команду извне с непредсказуемым набором навыков, которые трудно корректно оценить и измерить еще на стадии собеседования. В компании он зачастую остается один на один с поставленными KPI, которые стремится выполнять любыми путями — только бы цифры в отчете сошлись. А о карьерной траектории персонала компании заботятся далеко не всегда — из-за этого сотрудники часто фоново мониторят рынок на анонимных сайтах вакансий в надежде найти работу получше.
От продуктивности к вовлеченности
Многие метрики для оценки производительности персонала устаревают — например, классический мониторинг времени, проведенного за компьютером, к которому все еще прибегают многие компании. Перформанс-метрики тоже меняются: так, классические фиксированные KPI сменяются на гибкие OKR (Objectives and Key Results), которые лучше работают в условиях неопределенности, когда нужна инициатива от работников и взаимодействие вне иерархии.
Появляются и новые метрики — как количественные, так и качественные. Среди них:
показатели вовлеченности — насколько сотрудник мотивирован и заинтересован не только в результате работы, но и в самом процессе;
прогноз результативности — отражает факторы, которые могут негативно повлиять на выполнение поставленных целей сотрудником и, соответственно, повлиять на достижение целей всей компании;
ценность на рынке труда — насколько ценным считается кадр за пределами компании;
прогноз необходимых инвестиций в обучение и развитие сотрудников для достижения целей компании — определяет, какой бюджет необходим на обучение работников, чтобы их квалификации было достаточно для достижения поставленных перед ними целей компании;
скорость развития и личностного роста — как быстро сотрудник осваивает новое, в какой срок достигает первых результатов;
комплексные формулы оценки на базе машинного обучения, которые измеряют сразу несколько параметров и формируют индивидуальный профиль сотрудника.
Именно автоматизированные платформы управления человеческим капиталом набирают все большую популярность. Они помогают точнее оценивать компетенции работников, предлагать им более интересные задачи и повышать производительность за счет правильно подобранной мотивации. Рынок таких систем управления персоналом растет с каждым годом, а число HR-Tech-стартапов, которые используют ИИ и большие данные, увеличивается. Например, BigData-сервис Eskalera в фоновом режиме оценивает способности сотрудников и помогает им наиболее эффективно раскрыть потенциал. Сервис Harver оценивает успешность специалиста еще на стадии собеседования и заранее проектирует его карьерную траекторию. А платформа Beacon Force в фоновом режиме исследует состояние сотрудников и формирует графики, которые показывают руководству, какие направления стоит улучшить, как повысить мотивацию и вовлеченность.
Цифровые двойники, предсказывающие будущее
Прогнозировать кадровое будущее компании позволяет такой инструмент, как цифровые двойники. На основе больших данных создаются цифровые профили работников, штатных должностей и бизнес-процессов, основанные на их цифровом следе и анкетировании. С помощью виртуального двойника руководство может рассматривать и тестировать разные сценарии развития как команды, так и компании в целом. Так, топ-менеджмент не только видит текущую картину, но и может выстраивать гипотетические сценарии.
Например, вы видите, что одного из работников мотивирует освоение нового, а для достижения максимальной производительности ему нужно развивать менеджерские качества. Система подскажет, на какие курсы направить сотрудника, какие обязанности на него возложить и на каком этапе ожидать пика продуктивности.
«За последние 10 месяцев эффективность работы сотрудника снизилась на 10%, число нарушений возросло на 5%, коммуникационная активность уменьшилась на 20%. Рекомендация: провести тестирование сотрудника на удовлетворенность работой и условиями труда», — такие апдейты уже умеют рассылать современные системы HR-аналитики и прогнозирования на базе ИИ.
Вы можете заранее проверить, как изменится карьерная траектория, если перевести специалиста в другую команду, предложить переобучение или повышение. При этом цифровой профиль соотносится с эталонным — это помогает быстро распознать разрыв между требованиями и компетенциями, а заодно отследить ошибки в HR-стратегии.
Также нейросети могут примерно определить, когда сотрудник решит уволиться, в какой момент ему не будет хватать компетенций, а в какой у него снизится продуктивность. При этом технология позволяет принимать решения и на более глобальном уровне. Например, оценивать кадровый резерв, стимулировать постоянное развитие компетенций и взаимообмен опытом между членами команды.
К слову, инвесторы уже оценили этот тренд — за последние пару лет инвестиции в ИИ-технологии в сфере talent-менеджмента увеличились почти в два раза и продолжают расти. В России эта индустрия, по нашим оценкам, в 2024 году вырастет на 40%.
Экономия времени и средств
Системы на основе больших данных способны помочь HR-менеджеру решить целый ряд проблем. Например, они лучше понимают мотивы персонала и подбирают подходящие методы стимулирования. При необходимости карьерная траектория сотрудника быстро меняется, и он не теряет времени, занимаясь нелюбимым делом.
У таких инструментов есть ряд других, не менее значимых преимуществ:
Сокращается текучесть кадров, а вместе с тем и издержки.
Сводится к минимуму риск несоответствия сотрудника занимаемой должности — алгоритмы заранее определяют, когда специалисту следует пройти обучение и какие именно компетенции ему нужно получить, чтобы выйти на новый уровень.
Компетенции не устаревают, поскольку работники постоянно меняются и адаптируются. Таким образом, ИИ помогает поддерживать в компании культуру непрерывного образования.
Компания более эффективно вкладывает ресурсы в корпоративное обучение. На смену массовым и часто бесполезным тренингам приходит точечный подход к обучению — конкретный специалист получает нужные ему навыки, а не просто посещает лекции и воркшопы «для галочки» или развития собственных интересов.
Конечно, многие системы аналитики пока несовершенны, и зачастую проблемы возникают из-за нехватки данных и недостаточной цифровизации. Пока инструменты на базе ИИ можно подключать точечно, но со временем на рынке появится все больше масштабных экосистем, которые смогут повысить не только продуктивность работников, но и их удовлетворенность проделанной работой.