Искусственный интеллект в рекрутменте: проблема анализа экономической эффективности

Бесплатный доступ

В статье рассматривает использование искусственного интеллекта (ИИ) в рекрутменте и подчеркивает важность оценки его экономической эффективности. Рассматриваются аспекты рекрутмента, на эффективность которых влияет искусственный интеллект, включая привлечение, скрининг и оценку кандидатов. Уделяется внимание способности ИИ анализировать данные о кандидатах, включая их предыдущий опыт, компетенции и умения, необходимые для конкретного места работы. Акцентируется необходимость проведения оценки экономических преимуществ внедрения ИИ, включающей расчет расходов на закрытие вакансий, сроков закрытия вакансий, точности и качества найма, а также степень удовлетворенности кандидатов.

Еще

Искусственный интеллект, рекрутмент, автоматизация, экономическая эффективность рекрутмента, экономический анализ рекрутмента, привлечение, скрининг, оценка кандидатов

Короткий адрес: https://sciup.org/170207177

IDR: 170207177   |   DOI: 10.24412/2500-1000-2024-9-2-269-272

Текст научной статьи Искусственный интеллект в рекрутменте: проблема анализа экономической эффективности

В современном цифровом мире использование ИИ в рекрутменте набирает все большую роль. Есть несколько причин, по которым использование ИИ изменяет процесс рекрутмента, но в тоже время, важно оценить экономическую эффективность внедрения современных технологий в данный процесс.

Использование ИИ в рекрутменте представляет собой широкий перечень инструментов, методов и технологий, которые влияют на процесс подбора персонала. Данные инструменты и технологии используются для автоматизации и оптимизации различных подпроцессов рекрутмента, таких как привлечение, скрининг и оценка кандидатов. Использование систем ИИ позволяет рекрутерам использовать алгоритмы и модели машинного обучения, способных подобрать наиболее подходящих кандидатов организации, исходя из резюме, в значительно более короткий промежуток времени, чем человек [1]. Использование ИИ в рекрутменте имеет ряд преимуществ, в том числе возможность утилизировать широкий спектр платформ и баз данных. Искусственный интеллект способен сканировать социальные сети, профессиональные платформы и платформы подбора для определения наиболее подходящих кандидатов согласно заданным критериям. Такое сканирование позволяет создать в кратковременные сроки небольшой список кандидатов, позволяя рекрутеру ускорить процесс найма [2].

Также, использование критериев поиска позволяет произвести отбор кандидатов, утилизируя анализ резюме, сопроводительных писем и данных о кандидате из других источников, предоставляемых кандидатом, для определения опыта, спектра навыков и квалификаций, наиболее востребованной для необходимой позиций, а также личностных характеристик [3], наиболее подходящих для корпоративной культуры. Помимо этого, использование больших данных позволяет проанализировать информацию о кандидате, не предоставляемым им напрямую потенциальному работодателю. Таким образом, искусственный интеллект способен проводить отбор и фильтрацию кандидатов, неподходящих организации и должности.

Использование чат-ботов, утилизирующих ИИ, позволяет проводить первичные собеседования с кандидатом, используя обработку естественного языка, и алгоритмы распознавания речи. Помимо автоматизации сбора прямой информации от кандидата, использование искусственного интеллекта при первичных собеседованиях позволяет также провести анализ невербального общения кандидата, оценивая мимику и тон голоса кандидата [4], что позволяет предоставить рекрутеру дополнительную информацию для принятия решения о найме.

Однако, для целесообразности внедрения инструментов искусственного интеллекта в рекрутмент стоит рассмотреть экономическую эффективность . Для этого организации должны оценить коэффициент окупаемости инвестиций. Анализ окупаемости инвестиций использования искусственного интеллекта в рекрутменте позволит определить потенциальные пути экономии ресурсов, затрачиваемых на рекрутмент, определить наиболее эффективный путь внедрения ИИ и создать регламент процесса принятия решений после имплементации.

Для оценки окупаемости инвестиций могут быть использованы несколько показателей. Одним из них является анализ затрачиваемых временных, человеческих и финансовых ресурсов организации на процесс рекрутмента, включая:

  • 1)    Стоимость закрытия вакансии

Стоимость закрытия вакансии позволяет оценить затраты, связанные с закрытием одной штатной позиции. Существует три переменных коэффициента стоимости закрытия вакансии: внутренние затраты, внешние затраты и количество нанятых работников за определенный период.

В категорию внешних затрат входят: затраты на HR-маркетинг, затраты на услуги консалтинга, затраты на обследования здоровья кандидатов, затраты на поиск кандидата при использовании платформ занятости, затраты на реферальные рекрутмент-программы и другие, варьирующиеся от специфики деятельности и биз-нес-процессов организации.

В категорию внутренних затраты входят все расходы ресурсов внутри организации, задействованные в процессе рекрутмента, включая: заработную плату рекрутеров, внутренние издержки, связанные с соблюдением законодательства, транзакционные издержки, вторичные управлен- ческие издержки, а именно временные ресурсы, затраченные менеджерами организации, напрямую не связанных с процессом рекрутмента и другие.

Метод расчета стоимости закрытия вакансии заключается в сложении всех внутренних и внешний затрат, деленной на количество закрытых вакансий за определенный период [5].

  • 2)    Срок закрытия вакансии

Срок закрытия вакансии представляет собой временной промежуток, происходящий между появлением вакансии в штате и ее закрытием. Срок закрытия вакансии может быть измерен как для одного кандидата, так и для совокупности позиций, что является актуальным при заполнении нескольких идентичных вакансий, вакансий одного подразделения внутри организации и вакансий на одном из объектов, если у организации их несколько. Для одной вакансии показатель исчисляется в днях подачи заявки на рекрутмент до ее закрытия, для нескольких вакансий осуществляется путем деления времени, исчисляемого в календарных или рабочих днях, прошедших между открытием и закрытием вакансии или вакансий, на количество закрытых вакансий [6].

  • 3)    Точность найма

Точность найма определяет процент кандидатов, оставшихся работать в организации по истечению определенного промежутка времени после найма, например квартала или года. Точность найма определяет качество рекрутмента и позволяет оценить, насколько эффективно был проведен процесс рекрутмента в пределах временного промежутка и оценить финансовые потери от текучести новых работников.

  • 4)    Качество найма

Качество найма - показатель, определяющий качественную эффективность процесса рекрутмента. Данная метрика может исчисляться несколькими способами, заключающимися в подсчете суммы выбранных для измерения индексов рекрутмента и трудовой эффективности вновь прибывших работников и делении на количество индексов.

  • 5)    Уровень удовлетворения кандидатов

Удовлетворения кандидата влияет на результатов. Внедрение искусственного вероятность кандидата порекомендовать трудоустройство в организации другим потенциальным кандидатом, и напрямую влияет на HR-бренд компании. Данный показатель измеряется индексом промоутера NPS, в котором кандидат ставит оценку вероятности рекомендации по шкале от 0 до 10, респонденты делятся на три группы: «промоутеры» (с оценкой 9 или 10 баллов), «пассивно удовлетворенные» (с оценкой от 7 и 8 баллов) и «критики» (поставившие оценку от 6 до 10 баллов) [7]. Для вычисления индекса, после группировки из процента промоутеров вычитается процент критиков.

Влияние ИИ на данные показатели доказывает международная практика. Так, международные корпорации, Uniliver, IBM и L’Oreal используют ИИ для улучшения показателей рекрутмента. Использование ИИ позволило IBM уменьшить показатель срока закрытия вакансии до 40% и корпорации L’Oreal увеличить уровень удовлетворенности процессом рекрутмента среди не нанятых кандидатов до 40% [8]. Практика использования искусственного интеллекта набирает популярность и в российских организациях [9].

Подсчет данных показателей позволит оценить финансовые затраты, связанные с компенсацией негативных факторов в системе рекрутмента организации. Данные показатели могут быть измерены до внед- рения систем искусственного интеллекта в рекрутмент для определения необходимости в изменениях, во время внедрения для определения необходимости в коррективах интеллекта в процесс рекрутмента позволяет влиять на множество показателей, в связи с этим, их анализ позволит сосредоточить ресурсы на определенной проблемной зоне. В тоже время, в связи с комплексной природой данных показателей, существует риск влияния на них факторов, не связанных с внедрением ИИ в процесс рекрутмента организации, в связи с чем подсчет финансовых результатов внедрения может быть некорректным. В связи с этим, использование показателей экономической эффективности, таких как до- ходность, может использоваться только как вспомогательный инструмент анализа целесообразности внедрении или изменении процесса использования искусственного интеллекта, нежели как фактический показатель эффективности вложений.

Таким образом, использование ИИ помогает автоматизировать и оптимизировать различные процессы рекрутмента, такие как привлечение, скрининг и оценка кандидатов. Он также способен анализировать данные о кандидатах, включая опыт, навыки и квалификации, необходимые для конкретной должности. Использование ИИ может помочь сократить время на подбор кандидатов и повысить точность выбора. Однако перед внедрением ИИ необходимо оценить его потенциальную экономическую эффективность, а также экономические результаты внедре- ния, учитывая затраты на закрытие вакансий, срок закрытия вакансии, точность и качество найма, а также уровень удовлетворенности кандидатов.

в процесс, после внедрения для анализа

Список литературы Искусственный интеллект в рекрутменте: проблема анализа экономической эффективности

  • R. Vivek Enhancing diversity and reducing bias in recruitment through AI: a review of strategies and challenges // Информатика. Экономика. Управление / Informatics. Economics. Management. - 2023. - №4. - [Электронный ресурс]. - Режим доступа: https://cyberleninka.ru/article/n/enhancing-diversity-and-reducing-bias-in-recruitment-through-ai-a-review-of-strategies-and-challenges (дата обращения: 16.07.2024). EDN: RDVWBA
  • Коркин М.С., Рубан П.О., Зайцева Е.А. Использование программ искусственного интеллекта в процессе собеседования: российский и зарубежный опыт // Юридическая наука. - 2023. - №6. - С. 94-97. EDN: HXEVIF
  • Агузумцян А.Р., Великанова А.С., Польщиков К.А., Игитян Е.В., Лихошерстов Р.В. О применении интеллектуальных технологий обработки естественного языка и средств виртуальной реальности для поддержки принятия решений при подборе исполнителей проектов // Экономика. Информатика. - 2021. - №2. - С. 392-403. EDN: MYMDJS
  • Hunkenschroer A., Lütge C. Ethics of AI-Enabled Recruiting and Selection: A Review and Research Agenda. - [Электронный ресурс]. - Режим доступа: https://www.researchgate.net/publication/358452007_Ethics_of_AI-Enabled_Recruiting_and_Selection_A_Review_and_Research_Agenda.
  • SciBio Whitepaper Cost-Per-Hire - [Электронный ресурс]. - Режим доступа: https://f.hubspotusercontent10.net/hubfs/6664312/PDFs/SciBio-Whitepaper-CostPerHire.pdf (дата обращения: 19.07.2024).
  • Илюхина Л.А., Богатырева И.В. Проектирование подбора персонала как инструмент эффективного менеджмента // Лидерство и менеджмент. - 2021. - №1. - С. 145-160. EDN: PXWWVY
  • Глухова Е.В. Методические подходы к оценке потребительской лояльности и инструменты ее измерения // Скиф. Вопросы студенческой науки. - 2022. - № 3 (67). - С. 57-61. EDN: XPYVVD
  • Virginia Backaitis Unlocking talent: L'Oréal and Unilever's use of AI in recruitment. - [Электронный ресурс]. - Режим доступа: https://digitizingpolaris.com/unlocking-talent-lore%CC%81al-and-unilever-s-use-of-ai-in-recruitment-6b6cfea062f3 (дата обращения: 28.07.2024).
  • Щербакова О.В. Использование программ искусственного интеллекта при найме работников // Электронное приложение к "Российскому юридическому журналу". - 2021. - №3. - [Электронный ресурс]. - Режим доступа: https://electronic.ruzh.org/?q=en/system/files/Щербакова_0.pdf. EDN: UVIYUL
Еще
Статья научная