مدیریت سرمایه انسانی در عصر یادگیری ماشینی

نام نویسنده: John Lipinski

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 کسب‏ وکارها و تصمیم‏ گیری‏ها از سوی رهبران کسب ‏وکار 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 داشته‏ اند، اما برخی از آنها نسبتا جدید هستند. تفاوت واقعی برای اینکه رهبران کسب ‏وکار 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 شیوه ‏های 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 پیش ‏بینی‏ کننده ‏تر را پیش ببرند؟رهبران سازمانی برای تقویت پتانسیل یادگیری ماشینی باید سه کار انجام دهند: فضای مناسب را به دست آورند، داده ‏های دینامیک را جمع‏ آوری 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 مانده‏ اند، احتمالا دیگر شغل خود را در این شرکت ترک نخواهند کرد. این داده‏ها ممکن است اطمینان‏بخش به نظر برسند، اما فضای تیمی مشخص‏ کننده این نتیجه، کاملا تعمیم‏ یافته 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 مانده ‏اند 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 داده ‏اند. این نمونه ‏ها به ما می‏گویند که تجزیه و تحلیل‏ حرفه‏ای در مورد استعدادها در متناسب ‏سازی آن با فضای موجود باید خلاقانه‏ تر و سلطه‏ جویانه ‏تر صورت گیرد و در قالب فعالیت‏های تحلیلی تجویزی و پیش‏بینی‏ کننده ارائه شوند. الگوریتم‏های قدرتمند یادگیری ماشینی برای پیش ‏بینی 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 گفت‏ وگوهای درون سازمانی بین کارمندان تغییر خواهد کرد و به دنبال آن رفتارها عوض خواهد شد. اما سنجه ‏های 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 جمعیت‏ شناختی و دسته‏ بندی‏های ثابت و معطوف کردن آن به سوی داده‏ هایی 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 بهره ‏برداری 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 بررسی‏ ها می‏تواند استخدام‏ های جدید، اخراج‏ ها و ارتقای استعدادها در سلسله ‏مراتب 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 داده‏ های 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 می ‏آورند 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. حوزه‏ هایی 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 برنامه ‏های 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 مهارت‏ های 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 پیش‏بینی‏ کننده و تجویزی، این فعالیت‏های پایه ‏ای باید در ذهن حک شوند. به محض اینکه اینها پوشش داده شد، سه شرط لازم برای پیشروی موفق در سلسله‏ مراتب تحلیلی وجود دارد: اضافه کردن داده‏ های مبتنی بر فضا و شرایط، داده ‏های دینامیک و استعدادهایی که سوالات خوبی مطرح کنند و یادگیری ماشینی را برای رسیدن به پاسخ‏های عملی تقویت می‏کنند.

منبع: Talent Economy

منبع : دنیای اقتصاد