Моделирование процессов подбора и оценки персонала (1142477), страница 19

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 19)

Влияние факторов нарезультаты модели можно, однако, установить экспериментально, с помощьюанализа «что, если», реализованного в программном пакете Deductor (рисунок 15).Изменяя значения факторов, можно заметить, какие из них оказывают большеевлияние на классификацию кандидатов. В частности, можно утверждать, что внейронной сети, описанной в статье, такой фактор как «запрашиваемая заработнаяплата», указываемый в резюме, не имеет влияния на то, к какому классу будетотнесен работник. Проверить данный факт можно, исключив соответствующийфактор из входного слоя сети, при этом качество классификации не меняется.111Источник: составлено автором.Рисунок 15 – Анализ «что, если»Однако при повторном обучении на той же выборке, с теми жепараметрами, можно получить другие синаптические веса, как показано на рисунке16, и другое качество модели.

Данный факт обусловлен тем, что за ограниченноеколичество эпох обучения примеры подаются на вход сети в случайном порядке.На рисунке 17 представлены результаты модели на тестовом множестве.Результаты обучения изменяются, потому что тестовое множество каждый развыбирается случайным образом.

При многократном повторении процедурыобучения автором было установлено, что доля верно распознанных примеров втестовом множестве не может опуститься ниже 80 %.112Источник: составлено автором.Рисунок 16 – Граф повторно обученной нейронной сетиИсточник: составлено автором.Рисунок 17 – Результаты ИНС на тестовом множестве после повторного обученияРазница в качестве классификации, осуществляемой моделью, объясняетсятем, что для обучения нейронной сети критическое значение имеет наличие вобучающем множестве некоторых примеров.

Если они отсутствуют в обучающеммножестве (находясь в тестовом), то искусственная нейронная сеть в процессеобучения не может настроить синаптические веса для качественного обобщения.113Источник: составлено автором.Рисунок 18 – Гистограмма выходных значений повторно обученной ИНСНа гистограмме, представленной на рисунке 18, даны результатыклассификации, осуществляемые искусственной нейронной сетью на обучающеми тестовом множестве. Изначально в выборке в одинаковом количествеприсутствуют люди, прошедшие испытательный срок и не прошедшие его(красные столбцы), однако ИНС распознаёт некоторые примеры ошибочно(желтые столбцы), изменяя реальное соотношение.Результаты, полученные в исследовании, позволяют утверждать, чтоинформация, которую люди указывают в резюме, несёт в себе закономерности,поддающиеся статистическому анализу.

Построенные модели хорошо подходятдля решения поставленной задачи, имея при этом ряд специфических преимуществдруг перед другом. Модели бинарного выбора, помимо оценки вероятностипрохождения испытательного срока работником, позволяют исследовать влияниеотдельных факторов на конечный результат, благодаря чему рекрутинговыеагентства и кадровые службы смогут, например, повысить эффективностькорпоративных тренингов.114Искусственные нейронные сети, в свою очередь, имеют хороший потенциалдля моделирования процесса подбора персонала в силу исключительнойпригодности для аппроксимации нелинейных функций с большим количествомпеременных, что крайне важно для решения задач классификации.

Однако ИНСимеют ряд недостатков: необходимость экспериментального подбора параметров искусственнойнейронной сети; невозможность интерпретации коэффициентов ИНС; отсутствие алгоритма включения факторов в модель.Поиск оптимального соотношения параметров нейросетевых моделей и иххарактеристик в каждом конкретном случае является одной из ключевых задач, таккак от выбора конфигурации ИНС и параметров алгоритма обучения зависитвозможность избежать таких проблем как переобучение сети и её паралич.В случае, когда кадровое агентство осуществляет массовый подборработников и агентство хочет автоматизировать этот процесс, возможно, не стольпринципиально знать, какое влияние конкретные факторы оказывают наклассификацию.

Если же речь идет о подборе высококвалифицированных кадров,например, на управленческие должности, такая информация, безусловно, была быполезна, так как в этом случае математическая модель может выступать лишь каксистема поддержки принятия решений, в то время как конечное решение о том,можно ли рекомендовать работника клиенту, остается за HR-менеджером.115ЗАКЛЮЧЕНИЕВ проведенном исследовании было изучено моделирование процессовподбора и оценки персонала.Рассмотрев определение управления персоналом и основные понятия,связанные с ним, автору удалось выделить основные этапы процесса подбора иотбора персонала. Учитывая, что процесс подбора и отбора персонала являетсятрудоемким с точки зрения осуществления всех включенных в них этапов, впоследнее время автоматизация различных бизнес-процессов приобретает особуюактуальность, разрабатываются программные обеспечения для облегченияпроцесса управления персоналом и экономии времени кадровых служб.Как отмечалось ранее, этапы подбора и отбора персонала являютсяключевыми в общей системе управления ввиду влияния на эффективностьдеятельности организации, а также с точки зрения ее конкурентного преимущества.Проведенный анализ литературы показал, что существует большое количествоподходов к подбору персонала, каждый из которых имеет свои преимущества инедостатки.Эффективность применения того или иного метода управления персоналомзависит от того, сколько средств направляется на финансирование привлечениякандидатов, насколько адресно нацелена реклама, каким количеством доступноговремени для поиска кандидатов обладает работодатель и, наконец, прибегает ли онк услугам кадровых агентств или занимается поиском и привлечением кандидатовсамостоятельно.

Как было отмечено ранее, существуют методы, которые присочетании с услугами кадровых агентств могут принести более эффективныйрезультат. К таким методам относится прямой поиск и прелиминаринг.Эффективность результата использования метода подбора персоналаобусловлена возможностью формализации действий и процедур рекрутинговогопроцесса с помощью количественных методов. По мнению автора, к методу,наиболее удачно совместимому с математическим моделированием, можно116отнести рекрутинг.Применение методов количественного моделирования нанекоторых этапах отбора персонала в практике рекрутинга в основном отсутствует,что открывает перспективу разработки математических моделей, работающихнепосредственно на повышение эффективности конечного результата всегопроцесса.В результате исследования информации по методам отбора кандидатов надолжность автором были рассмотрены их основные преимущества и недостатки.Также автором были проанализированы дополнительные методы оценки, которыемогут использоваться работодателями при отборе персонала.

Автор хотел быотметить, что для формирования эффективной системы управления персоналомруководству любой организации в первую очередь необходимо выбрать наиболееподходящие для ее целей методы подбора и отбора персонала, минимизироватьоперационные издержки проведения всех этапов отбора персонала, найтиоптимальное соотношение между внутренними специалистами по набору кадров ивнешними рекрутинговыми агентствами.

Также необходимой мерой являетсяусловие внедрения качественно новых, инновационных способов оценкиперсонала, а именно - разработка компьютерных программ, способных упроститьпроцесс рекрутинга и повысить его результативность. Учитывая, что процессподбора и отбора персонала непременно требует траты рабочего временирекрутеров, становится очевидной необходимость оптимизации затрат их временина всех этапах, в которых они участвуют.Назовём результаты, полученные в ходе работы.● Авторская систематизация существующих подходов к подборуперсонала, в основу которой положена возможность формализациидействий и процедур рекрутингового процесса.● Набор наиболее существенных факторов, влияющих на результатрешения исходной задачи и измерительная шкала для каждого из них. В общейсложности выделено 11 факторов, которые учитывались в процессемоделирования: 1 - пол кандидата, 2 - возраст в годах, 3 - наличие высшегообразования, 4 - профиль образования, 5 - стаж работника в годах, 6 - количество117организаций, в которых работал кандидат, 7 - количество навыков иобязанностей, перечисленных в резюме, 8 - знание английского языка, 9 - знаниедругих иностранных языков, 10 - уровень знания компьютера, 11 запрашиваемая заработная плата.● Модели бинарного выбора, описывающие процесс принятия решений оподборе персонала.

Построены три модели, использующие в своей основе триразличные функции распределения: нормального распределения (пробит),логистического распределения (логит) и распределения Гомпертца (гомпит).Оценены коэффициенты моделей, которые позволяют судить о том, как именнокаждый фактор влияет на вероятность прохождения испытательного срока.●Нейроннаясеть,построеннаяподаннымопрохождениииспытательного срока работниками и, таким образом, решающая задачуаприорной классификации кандидатов, предлагаемых кадровым агентством, напригодных и непригодных.

Это позволяет снизить издержки рекрутинговогоагентства в виде неустойки, выплачиваемой за «плохой подбор».● Сравнительный анализ качества результатов, полученных с помощьюуказанных выше моделей, в котором отражены преимущества конкретныхподходов к моделированию рекрутингового процесса в зависимости отситуации. В частности, установлено, что бинарная модель даёт возможностьопределить влияние каждого фактора на результат. Недостатком моделиявляется то, что (в редких случаях) она может давать неуверенную оценкукандидату. Этого недостатка лишена искусственная нейронная есть, однако еёкоэффициенты принципиально не могут быть интерпретированы.● Программное обеспечение решения задачи подбора персонала иудобный интерфейс в программной среде Maple, реализующий построенныематематическиемоделибинарноговыбораиориентированныйнаиспользование HR-менеджерами.● Методические рекомендации по использованию построенных моделей,которыепозволяютразработанные методы.неподготовленномупользователюприменить118Исследование показало, что информация, которую люди указывают врезюме, несёт в себе закономерности, поддающиеся статистическому анализу.Разработанные модели хорошо справляются с задачей моделирования процессовподбора и оценки персонала, а разные подходы имеют специфическиепреимущества друг перед другом.

Модели бинарного выбора, помимо оценкивероятностипрохожденияиспытательногосрокаработником,позволяютисследовать влияние отдельных факторов на конечный результат, благодаря чемурекрутинговые агентства и кадровые службы смогут, например, повыситьэффективность корпоративных тренингов.Искусственные нейронные сети, в свою очередь, имеют хороший потенциалдля моделирования процесса подбора персонала в силу исключительнойпригодности для аппроксимации нелинейных функций с большим количествомпеременных, что крайне важно для решения задач классификации. Однако ИНСимеют ряд недостатков, главными из которых можно назвать принципиальнуюневозможность интерпретации весовых коэффициентов связей между нейронами иотсутствие четких алгоритмов настройки параметров искусственной нейроннойсети, в то время как поиск оптимального соотношения параметров нейросетевыхмоделей и их характеристик в каждом конкретном случае является одной изключевых задач, так как от выбора конфигурации ИНС и параметров алгоритмаобучения зависит возможность избежать таких проблем как переобучение сети и еёпаралич.Разработанный подход может найти широкое применение в работе кадровыхслужб предприятий и рекрутинговых агентств.

Характеристики

Список файлов диссертации