Обзорная статья Февраль 2024
Как выявить, что на самом деле нужно кандидату и спрогнозировать подбор
В статье на кейсе расскажу, как вы можете сделать свой рекрутинг эффективнее, а инвестиции компании в программы найма обоснованнее.
В ноябрьском номере журнала «Директор по персоналу» я уже говорил, что для принятия управленческих решений нужно применять data driven-подход, то есть подход, при котором решения принимаются на основе данных. Он помогает заранее узнать, какие меры для повышения конкурентоспособности компании на рынке труда сработают, а какие нет. В этой статье покажу на кейсе, как data-driven подход выглядит изнутри. То есть как собрать данные, построить прогнозы, а также анализировать результаты.
Крупная федеральная компания хотела получить анализ целевого сегмента рынка труда в одном из регионов своего присутствия. Компания планировала использовать на своём предприятии местный персонал и оценивала возможные затраты на увеличение найма. Поскольку менеджмент на основе данных всегда начинается с чёткой постановки задачи, техническое задание сформулировали так: «Определить, какие факторы реально влияют на выбор потенциальными сотрудниками в качестве работодателя Целевое предприятие и составить прогноз количества кандидатов в зависимости от изменения ключевых условий». Дальше расскажу, какие шаги предприняли, чтобы провести эффективное исследование.
Провести блиц-опрос, исключая социальную желательность
Для анализа всегда нужны данные. Собирать их решили с помощью опроса. Но прямой опрос жителей региона в стиле «Готовы ли вы работать на Целевом предприятии?» не годился. Такой опрос показал бы общее отношение к компании и дал бы понимание о её репутации на рынке труда. Нам же требовалось получить ответы о реальном поведении кандидатов, поэтому важно было исключить социальную благожелательность. Для этого мы составили список из 10 компаний региона, среди которых было и Целевое предприятие. А затем стали опрашивать респондентов: куда они готовы пойти работать, а куда нет, в каких случаях не знают, готовы или нет.
Для двух компаний — одной, на которой респондент был готов работать, и для одной, на которой не готов — мы просили указать их сильные и слабые стороны. Это давало представление о реальных ценностях кандидата, то есть о факторах, которые действительно влияют на его выбор работодателя. Например, если респондент указывал, что готов работать в компании «А», в которой «условия труда» — сильная сторона, а в компании «Б», где «условия труда» — слабая сторона, работать отказывался, то мы делали вывод, что этот фактор для него важен. Те же вопросы мы задавали респондентам о Целевом предприятии. Так мы получили список его сильных и слабых сторон по мнению кандидатов.
Одновременно собирали данные для оценки влияния размера заработной платы на привлекательность работодателя в регионе. Для этого респондентам по каждой компании, в которых они были не готовы работать, задавали дополнительные вопросы: «Какая зарплата, по вашему мнению, на этом предприятии?» и «Если зарплату на этом предприятии повысят на такую-то сумму, готовы ли изменить своё мнение и работать на нём?». По тем компаниям, которые респондент выбрал сразу как привлекательных работодателей, дополнительных вопросов о заработной плате не задавали.
Всего мы опросили около 8 тысяч респондентов, каждый из которых подробно ответил на вопросы по трём компаниям — готов или не готов он работать на неё, какие её сильные стороны и какие слабые. То есть мы получили около 24 тысяч единиц точных данных для анализа.
Как дополнили данные после опроса
Подробно мы расспрашивали респондентов только о трёх компаниях, но в первом вопросе речь шла о десяти. То есть в каждой анкете мы имели общую оценку кандидатом остальных семи компаний и список качеств, которые он считает сильными или слабыми сторонами работодателя. Это позволило нам смоделировать его подробные ответы, исходя из остальных данных. Например, если слесари в среднем называли такие-то качества важными для работодателя, а в конкретных компаниях указывают такие-то сильные и слабые стороны, то можно предположить, что и конкретный кандидат-слесарь указал бы те же сильные и слабые стороны. Таким образом мы дополнили свои данные и получили уже 80 тысяч единиц данных. Кроме того, мы имели ответы о влиянии повышения зарплаты на изменение решения.
Отсеять факторы, которые мало влияют на выбор кандидата
На следующем шаге нужно было отсеять факторы, которые менее всего влияли на выбор кандидатов. Для этого использовали простую линейную модель, в которую подставили все параметры из опросов: условия труда, стабильная оплата, профессиональный коллектив и так далее.
Модель отсева факторов
При этом некоторые параметры необходимо было предварительно преобразовать, чтобы они более точно отвечали задачам исследования. Например, очевидно, что добавка 10 тысяч рублей имеет разное значение для респондентов с зарплатой 30 тысяч и 80 тысяч рублей.
Поэтому в данном случае нужно использовать логарифмическую функцию, которая отражает не абсолютный прирост оплаты, а относительный.
Линейная модель показала, что около трети факторов, которые фигурировали в первоначальных гипотезах, фактически не воздействуют на выбор будущего сотрудника. Например, на положительное решение не влияет параметр «карьера» — кандидаты примерно одинаково оценивали компании, в которых возможности карьерного роста, по их мнению, были высокими и низкими.
Провести анализ с помощью моделей для прогнозирования
После отсева малозначащих факторов приступили к моделированию. Линейная модель, которая использует веса каждого параметра, — удобный и практичный инструмент, но она имеет свои ограничения.
Мы построили несколько линейных моделей с разными коэффициентами, и все они, к сожалению, давали недостаточно точный результат. Основная причина — взаимозависимость параметров. Например, многие кандидаты называли важным фактор предоставления компанией транспорта на проезд до предприятия. Но этот параметр жестко зависит от другого — насколько далеко расположена компания от места жительства работника. Если кандидат живет рядом с конкретным предприятием, то для него корпоративный транспорт не имел значения, а если далеко — имел большое.
Мы использовали более сложные модели — Random Forest, или «Метод случайного леса», и Eath, аналог метода MARS, многомерного адаптивного регрессионного сплайна. Они обе хорошо описывают сложные взаимозависимости. Например, Random Forest в норме содержит 500 деревьев решений с тысячью развилок в каждом, которые компенсируют ошибки друг друга.
Модель на основе Random Forest показала лучшие результаты, поэтому ее мы использовали для следующего шага — сценарного анализа. Пример можете посмотреть ниже. Мы уже могли сказать, на какое количество кандидатов может рассчитывать Целевое предприятие в текущей ситуации. Теперь нужно было рассчитать, как изменится количество кандидатов на работу, если поменяются отдельные ключевые факторы, которые подконтрольны компании — повышение зарплаты, предоставление жилья, обеспечение транспортом, улучшение условий труда и так далее. При этом каждое такое изменение имеет свою цену — это затраты компании.
Динамическая модель численности по источникам
Сценарий мог предусматривать изменение нескольких параметров, модель позволяла рассчитать прирост количества кандидатов в соответствии с ним. Стоимость каждого сценария, деленная на количество дополнительных кандидатов, давала основание принять решение — цену дополнительно привлеченного работника. Теперь руководство компании могло выбрать тот вариант действий, который давал бы оптимальный результат. Например, повышение зарплаты на 10 процентов давало ощутимый прирост количества кандидатов. Но этот сценарий очень дорогой, поскольку компании пришлось бы поднимать заработную плату всем сотрудникам, а не только новым. А сценарий давать жилье новым работникам оказался значительно более экономным, потому что прежний персонал уже решил для себя эту проблему.
Получить наглядные результаты
Как оказалось, для Целевого предприятия лучшим сценарием был пакет из предоставления жилья, автобуса до места работы и бесплатного питания. Дополнительно выяснилось, что заработную плату тоже необходимо поднимать, но не из-за собственных планов, а из-за общей ситуации на рынке труда.
Хотя принятие решений на основе данных, а не интуиции или прямых опросов, имеет более надежную основу, у него есть свои ограничения, что необходимо учитывать. Например, моделирование было направлено на управление одним итоговым параметром – количеством жителей региона, которые хотели бы работать на Целевом предприятии. При этом очевидно, что компания наймет далеко не каждого желающего работать на нее, то есть необходимо закладывать в планы определённый запас.