Содержание к диссертации
Введение
ГЛАВА 1 Теоретические основы и современные подходы к процессу подбора персонала 12
1.1 Определение управления персоналом и основные понятия, связанные с ним 12
1.2 Поиск и отбор персонала как ключевые этапы в системе управления персоналом и анализ эффективности современных методов подбора персонала 30
1.3 Анализ существующих методов отбора персонала 45
1.4 Проблема рационального использования времени рекрутера 52
ГЛАВА 2 Анализ методов бинарной классификации, адаптация моделей для решения задач подбора персонала 67
2.1 Подбор персонала с точки зрения математического моделирования 67
2.2 Модели бинарного выбора 77
2.3 Использование искусственных нейронных сетей для решения задач бинарной классификации 84
ГЛАВА 3 Моделирование процесса подбора и оценки персонала 96
3.1 Анализ результатов моделей бинарного выбора и искусственной нейронной сети 96
3.2 Анализ результатов искусственной нейронной сети 106
Заключение 115
Список литературы 119
- Поиск и отбор персонала как ключевые этапы в системе управления персоналом и анализ эффективности современных методов подбора персонала
- Проблема рационального использования времени рекрутера
- Использование искусственных нейронных сетей для решения задач бинарной классификации
- Анализ результатов искусственной нейронной сети
Введение к работе
Актуальность темы диссертационного исследования. В начале 90-х
годов прошлого века, руководители крупных компаний столкнулись с
ситуацией, когда спрос на высококвалифицированных работников стал явно
превышать предложение. Этот факт привел к созданию такого направления
деятельности как «Управление персоналом». В широком смысле, управление
персоналом подразумевает совокупность бизнес-процессов компании,
направленных на поиск, привлечение, мотивацию и дальнейшее развитие
человеческого потенциала. Имеется две очевидных стратегии получения
высококвалифицированного работника в штат компании. Первая стратегия
состоит в поиске и привлечении специалистов со стороны. Вторая стратегия
делает ставку на выращивание специалистов внутри самой компании. Каждая
стратегия имеет свои достоинства, но, также, связана со специфическими
трудностями. В условиях конкуренции компаний за
высококвалифицированных работников, специалистов придется переманивать из других фирм. Этот процесс получил название хедхантинг. Разумеется, переманивание сотрудников из других компаний связано не только с большими материальными затратами, но и требует от HR-менеджеров глубокий знаний в области психологии. С другой стороны, компания может делать ставку на развитие собственных человеческих ресурсов. В этом случае, очевидной трудностью, с которой придется столкнуться руководителям, является скрупулёзный отбор кандидатов на дальнейшее продвижение, однако, данная стратегия, при указанном условии, является менее затратной, по сравнению с первой.
Самым трудоемким, ответственным и деликатным процессом, в деле управления персоналом, конечно же, является поиск и оценка профессионализма кандидатов на должности. Это требует от менеджеров большого опыта, а если необходимо собрать большой штат за малое время, то понадобится еще и хорошая база соискателей. По этой причине многие
компании предпочитают сотрудничать с рекрутинговыми агентствами, основным видом деятельности которых является подбор персонала, что позволяет осуществлять его на высоком профессиональном уровне.
Поиском кандидатур и проведением собеседований занимаются HR (Human Resources) менеджеры рекрутингового агентства. Для поиска кандидатов им предоставлена полная свобода: интересно отметить, что в отличие от других офисов, которые стараются перекрывать сотрудникам доступ к социальным сетям на рабочих местах, в рекрутинговом агентстве этот доступ может быть открыт по совершенно объективной причине - социальные сети предоставляют огромные возможности по поиску работников, сбору информации, проведению опросов. HR-менеджеры должны прекрасно ориентироваться в потребностях клиента, а также, обладать достаточным профессионализмом, чтобы оценить потенциального работника. Решение такой задачи требует всесторонних знаний, но каким бы широким ни был кругозор человека, фактор субъективности полностью исключить не удастся. Стоит ли говорить, что каждый «плохой» работник, предложенный рекрутинговым агентством, и, впоследствии, уволенный клиентом (в течение испытательного срока), будет стоить агентству не только репутации. В случае, если предложенный работник не проходит испытательный срок в компании, рекрутинговое агентство значительно уменьшает сумму счета, выставленного за подбор.
Следовательно, приоритетной задачей рекрутинговой компании является повышение эффективности оценки кандидатов. Здесь стоит отметить, что на практике, агентства полагаются лишь на опыт и профессионализм сотрудников HR отдела, занимающихся непосредственно поиском и отбором работников, при этом какие-либо математические модели, описывающие данный процесс, попросту отсутствуют. Необходимостью создания теоретического подхода к количественной оценке процесса подбора персонала обусловлена актуальность диссертационного исследования.
Степень разработанности проблемы. Науке управления персоналом
посвящены труды В. М. Масловой, Т.В. Зайцевой, А. Т. Зуб, А.Я. Кибанова,
С.В. Ивановой, Т.Ю. Базарова, В.В. Арутюнова, В.Р. Веснина,
А. Г. Маклакова, С. И. Самыгина, Э. Майклз, В. Д. Дорофеева,
Г. В. Ларионова, А. Н. Прошиной, В. К. Федорова. Эти авторы рассматривали
проблему управления персоналом только с точки зрения хозяйствующего
субъекта. В последние годы в области управления персоналом выделился
бизнес-процесс, получивший название «рекрутинг» (подбор персонала) и
получила широкое распространение практика сотрудничества с
рекрутинговыми агентствами. В связи с этим возникла потребность в развитии
теории управления персоналом и выделении в ней рекрутинга как отдельной
дисциплины. Рекрутингу посвящены книги С.В. Ивановой,
Ю.Г. Одегова, А.В. Вязигина, Т. Баскиной, О. Н. Аллина, С.А. Карташова, И.А. Кокорева, а также зарубежные издания, авторами которых являются С. Квале, Д. Арнольд, М. А. Ричардсон, Э. Майклз, Х. Хэндфилд-Джонс, Э. Экселрод. В своих работах авторы используют преимущественно методы, заимствованные из психологии, либо дают рекомендации, основываясь на личном профессиональном опыте. К сожалению, в этих трудах не нашлось места методам формализации и моделирования логических выводов лиц, принимающих решения.
В то же время в микро- и макроэкономических исследованиях, а также в банковском деле широко применяются разнообразные математические методы, формализующие процессы принятия решений. В частности, это модели бинарного выбора и искусственные нейронные сети. Бинарной регрессии посвятили свои исследования У. Грин, Д. Хосмер, C.А. Айвазян, В.С. Мхитарян и другие. Системам поддержки принятия решений посвящены труды П. В. Терелянского, А. И. Уринцова, В. В. Дика. К фундаментальным работам по нейронным сетям относятся труды финского математика Тейво Кохонена, У. Маккаллока, У. Питтса, М. Минского, Ф. Пейперта.
Отдельные положения их исследований могут быть применены для решения задачи подбора персонала.
Очевидная целесообразность, принципиальная возможность и практическая нерешенность вопросов использования экономико-математического моделирования при решении задачи подбора персонала определили цель и структуру настоящего диссертационного исследования.
Целью диссертационного исследования является повышение результативности и эффективности массового подбора и оценки персонала за счет формализации, оптимизации и автоматизации его содержательных процедур.
Для достижения отмеченной цели в работе поставлены и решены следующие задачи:
анализ и систематизация современных подходов к процессу подбора персонала и выбор фрагментов этого процесса, наиболее подходящих для формализации, оптимизации и автоматизации;
отбор факторов, влияющих на решение задачи подбора кадров и выбор наиболее значимых из них;
математическая постановка исходной задачи и отбор известных математических моделей, отвечающих данной постановке, для которых существуют общепринятые алгоритмические решения;
калибровка моделей, разработка и апробация программного обеспечения, реализующего решение исходной задачи;
разработка методических рекомендаций по использованию предложенного математического и программного обеспечения задачи;
оценка результативности и экономической эффективности предложенных проектных решений.
Объектом диссертационного исследования является процесс поиска, подбора и оценки персонала на рынке труда, осуществляемый рекрутинговыми агентствами.
Предмет исследования составляют математические и инструментальные методы для объективизации принятия управленческих решений в сфере подбора персонала.
Область исследования. Диссертация выполнена в рамках п. 2.3 «Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях». Паспорта специальности 08.00.13 - Математические и инструментальные методы экономики (экономические науки).
Теоретической основой диссертационного исследования являются основные положения экономической теории, теории систем и системного анализа.
Методология и методы исследования. Методологию диссертационного исследования составили подходы, концепции, методы и алгоритмы эконометрики, теории вероятностей, математической статистики, систем искусственного интеллекта и других математических разделов экономической науки. При решении конкретных задач использовались известные и хорошо опробованные методы регрессионного анализа, в частности бинарной регрессии, статистические методы оценки значимости параметров моделей, методы построения искусственных нейронных сетей.
Информационную базу исследования составили аналитические
материалы и статистические данные рекрутинговых агентств, отзывы
хозяйствующих субъектов на результаты их работы, фрагменты баз данных
некоторых из этих агентств, содержащие резюме соискателей,
рекомендованных ими своим клиентам.
Научная новизна исследования заключается в построении моделей бинарного выбора и искусственной нейронной сети для решения задачи подбора персонала кадровым агентством.
Положения, выносимые на защиту. Элементы научной новизны
содержат следующие положения и результаты диссертационного
исследования, выносимые на защиту:
-
Авторская систематизация существующих подходов к подбору персонала, в основу, которой положена возможность формализации действий и процедур рекрутингового процесса (С. 30-45).
-
Набор наиболее существенных факторов, влияющих на результат решения исходной задачи и измерительная шкала для каждого из них. В общей сложности выделено 11 факторов – пол кандидата, возраст в годах, наличие высшего образования, профиль образования, стаж работника в годах, количество организаций в которых работал кандидат, количество навыков и обязанностей, перечисленных в резюме, знание английского языка, знание других иностранных языков, уровень знания компьютера, запрашиваемая заработная плата – которые учитывались в процессе моделирования (С. 76).
-
Модели бинарного выбора, описывающие процесс принятия решений о подборе кадров среднего звена. Построено три модели, использующие в своей основе три различные функции распределения: нормального распределения (пробит), логистического распределения (логит) и распределения Гомперца (гомпит). Оценены коэффициенты моделей, которые позволяют судить о том, как именно каждый фактор влияет на вероятность прохождения испытательного срока, принятого на работу сотрудника (С. 97-103).
-
Нейронная сеть, построенная по данным о прохождении испытательного срока офисными работниками среднего звена и, таким образом, решающая задачу априорной классификации кандидатов, рекомендованных кадровым агентством, на пригодных и непригодных. Это позволяет снизить издержки рекрутингового агентства, в виде неустойки, выплачиваемой за «плохой подбор» (С. 109-113).
-
Сравнительный анализ качества результатов, полученных с помощью указанных выше моделей, в котором отражены преимущества конкретных подходов к моделированию рекрутингового процесса в зависимости от ситуации. В частности, установлено, что бинарная модель даёт возможность определить влияние каждого фактора на результат. Недостатком модели является то, что, в редких случаях, она может давать неуверенную оценку
кандидату. Этого недостатка лишена искусственная нейронная есть, однако её
коэффициенты принципиально не могут быть интерпретированы
(С. 98-103,113-114).
-
Программное обеспечение решения задачи подбора персонала и удобный интерфейс в программной среде Maple, реализующий построенные математические модели бинарного выбора и ориентированный на использование HR-менеджерами, и не требующий специальной подготовки пользователя (С. 105, 131-140).
-
Методические рекомендации по использованию построенных моделей, которые позволяют неподготовленному пользователю применить предложенные проектные решения, что значительно расширяет круг их практического применения (С. 104).
Теоретическая и практическая значимость результатов исследования.
Вынесенные на защиту положения можно интерпретировать, как дальнейшее развитие теории принятия управленческих решений в части расширения математических инструментальных методов подбора персонала.
Разработанные в диссертации положения и методики ориентированы на широкое использование кадровыми службами организаций и агентствами по подбору персонала. Практическая значимость результатов состоит в том, что разработанная информационная система поддержки принятия управленческих решений в данной сфере позволяет существенно повысить результативность процесса выбора кандидатов на должности, повысить объективность решений, принимаемых HR-менеджерами, занятыми непосредственно проведением собеседований, оценкой профессионализма и дальнейшим отбором работников.
Самостоятельное практическое значение имеют следующие результаты диссертационного исследования:
1. Математические модели, описывающие процесс отбора кандидатов на должности, дающие возможность получить четкое представление о том, какие именно факторы, информация о которых доступна априори, оказывают
влияние на конечную вероятность прохождения испытательного срока работником.
2. Методика принятия решений в сфере подбора и оценки персонала, которой кроме HR-менеджеров могут воспользоваться и другие специалисты в области управления персоналом, в том числе первые руководители организаций.
Отмеченные результаты нашли практическое применение в работе ООО «Келли Сервисез. Си-Ай-Эс» и используются в учебном процессе ФГОБУ ВО «Финансовый Университет при Правительстве Российской Федерации» рамках дисциплины «Математические и инструментальные методы поддержки принятия решений».
Предложенные в диссертационном исследовании подходы к построению
математических моделей оценки будущих работников, позволяют настраивать
параметры моделей для конкретных отраслей. Последнее, в частности,
является существенным преимуществом для кадровых агентств,
предоставляющих свои услуги множеству компаний.
Степень достоверности, апробация и внедрение результатов исследования. Полученные аналитические и численные результаты являются достоверными, так как методика их получения соответствует общепринятой теории. Правильность выкладок неоднократно проверялась нами на заседаниях кафедры, а также рядом специалистов, которым были предоставлены результаты исследования на различных конференциях и семинарах.
Основные результаты и положения диссертационного исследования рассмотрены и одобрены на следующих научных мероприятиях: на V Международном студенческом конгрессе «Развитие российской экономики: проблемы и перспективы» (Москва, Финансовый университет, 27-29 марта 2014 г.); на XV Всероссийской научно-практической конференции «Молодёжь. Образование. Экономика» (г. Ярославль, Ярославский филиал МЭСИ, 24 апреля 2014 г.); на VI Международном научном студенческом
конгрессе «Гражданское общество России: становление и пути развития» (Москва, Финансовый университет, 16 апреля 2015 г.).
Материалы диссертационного исследования используются в
практической деятельности кадрового агентства ООО «Келли Сервисез Си-
Ай-Эс»: на предприятии внедрена информационная система поддержки,
осуществляющая оценку вероятности прохождения кандидатами на
должность испытательного срока у компании-клиента. Методика,
разработанная на основе диссертационного исследования, позволила частично автоматизировать процесс оценки и отбора кандидатов, а также повысить объективность принятия решений HR-менеджерами.
Материалы диссертации используются кафедрой «Прикладная математика» Финансового университета в преподавании учебной дисциплины «Математические и инструментальные методы поддержки принятия решений».
Внедрение результатов исследования подтверждено соответствующими документами.
Публикации. Результаты диссертационного исследования
опубликованы в 6 работах общим объемом 3,5 п.л. (весь объем авторский), в том числе три работы авторским объемом 2,1 п.л. опубликованы в научных рецензируемых журналах, определенных ВАК Минобрнауки России.
Структура и объем диссертации. Структура диссертации обусловлена целью, задачами и логикой проведенного исследования, состоит из введения, трех глав, заключения, списка литературы, включающего 102 источника и 4 приложения. Текст диссертации изложен на 143 страницах, содержит 18 рисунков и 4 таблицы.
Поиск и отбор персонала как ключевые этапы в системе управления персоналом и анализ эффективности современных методов подбора персонала
Прелиминаринг (preliminaryу – от англ. «подготовительный», «предстоящий») – метод подбора персонала посредством производственной практики и стажировки перспективных молодых специалистов (студентов и выпускников вузов), способных внести значительный вклад в функционирование и развитие организации. Также данный метод предусматривает проведение бесплатных тренингов для выпускников, молодых и начинающих специалистов. Указанный метод в случае успешного применения подразумевает прохождение специалистом всех последующих этапов продвижения, начиная с профориентации и адаптации молодого специалиста и заканчивая работой в должности руководителя высшего звена управления [54, с. 65]. Явным преимуществом прелиминаринга является то, что во время проведения практики, стажировки или бесплатного тренинга организация имеет возможность оценить потенциальных кандидатов и создать базу кандидатов на будущее. Вместе с тем, наряду с перспективностью применения данного метода, следует отметить, что он не лишен определенных недостатков. Практика выявляет определенные трудности при использовании на рынке труда выпускников вузов, имеющих степень бакалавра, что соответствует международным нормам и принимается работодателем за рубежом. Со стороны же российских работодателей до сих пор существует некоторое недоверие к первому уровню высшего образования. Основная сложность заключается в недостаточной разработанности тарифно-квалификационных требований [37, с. 14]. По мнению многих компаний, получение «неготового» сотрудника, не обладающего соответствующими специальными навыками и умениями – затрата сил и потеря эффективности деятельности организации. Но есть и такие компании, которые предпочитают бакалавров специалистам, так как доучивают их «под себя», ведь для организации, в которой эффективно налажен процесс обучения и адаптации новых сотрудников, это не является проблемой. Наоборот, адаптация, по мнению А. Н. Прошиной, характеризуется переходом индивида на новый, более высокий уровень организации культуры, что запускает механизм самореализации и приносит ощутимую выгоду организации [47, с. 16]. Уместно заметить, что основной сложностью при подготовке образовательных стандартов является разработка профессиональных компетенций, которыми выпускник должен обладать, придя на работу [58, с. 109]. В данном случае, поскольку речь идет о неготовых еще специалистах, представляется трудным оценить потенциальных кандидатов ввиду отсутствия необходимых компетенций, одновременно являющихся критериями оценки.
Следует отметить, что результативность управления персоналом зависит от выбранного организацией метода подбора кадров. Так, например, большие кадровые агентства имеют возможность в наилучшей степени (самым тщательным образом) исследовать кандидатов, чем организации, нуждающиеся в персонале и занимающиеся его поиском самостоятельно. Во-первых, у организаций, не специализирующихся на рекрутинге, база данных о незанятой рабочей силе ограничена. Во-вторых, открытость и прозрачность в практиках подбора и отбора персонала у рекрутинговых агентств более значимы.
Рассмотрев вышеуказанные методы подбора персонала, которые можно назвать традиционными способами решения данного вопроса, автор считает важным охарактеризовать и нетрадиционные способы. Перед этим стоит отметить, что на настоящий момент не существует явной и четкой классификации деления методов подбора персонала на традиционные и нетрадиционные, так как традиционные для одной компании методы могут оказаться нетрадиционными для другой. Речь в данном случае идет о популярности и частоте использования различных методов организациями. Исходя из этого, можно выделить следующие методы подбора персонала: поиск необходимых кандидатов на конференциях тематического характера и на различного рода профессиональных выставочных мероприятиях; рассылка запросов по электронной почте в Интернете потенциально заинтересованным кандидатам (спам); привлечение к процессу подбора персонала личного штата сотрудников, мотивированного денежными премиями за успешный поиск специалистов; привлечение кандидатов определенных специальностей из провинциальных регионов страны с низким уровнем жизни.
Рассматривая такой метод как поиск необходимых кандидатов на конференциях тематического характера и на различного рода профессиональных выставочных мероприятиях, следует отметить, что данный способ подбора персонала довольно эффективен, поскольку его поиск происходит в известной целевой аудитории и не требует затрат времени и денежных ресурсов на определение потенциально заинтересованной аудитории. Более того, применение данного способа подбора персонала выгодно тем, что участники конференций изначально самостоятельно замотивированы исследованием определенных вопросов и проблем, решение которых может стать неоценимым вкладом в эффективном функционировании компаний-работодателей. Также, ввиду специфики проведения разного рода конференций, работодатель имеет возможность выделить и отобрать наиболее неординарных, выделяющихся своими особыми способностями, кандидатов, оценить их идеи и возможность их прикладного применения.
Кроме того, на конференциях тематического характера работодатель может узнать у потенциальных кандидатов на должность, какие профессиональные форумы посещают они и их коллеги. Далее работодатель может предпринять несколько шагов по поиску и привлечению кандидатов: разместить рекламу на форуме или прорекламировать свою организацию от лица сотрудника. Даже если работодателю не удастся найти нужных кандидатов на должность на самих конференциях, у него, по крайней мере, остается возможность узнать информацию о посещаемых потенциальными кандидатами форумах для дальнейшего привлечения этих лиц.
Проблема рационального использования времени рекрутера
В деле кредитного скоринга в настоящее время широко используются такие методы статистики, как регрессия, дискриминантный анализ, деревья классификации, методы исследования операций, искусственные нейронные сети. Прагматичный подход банковской системы к решению задачи объясняет обилие применяемых методов: на практике руководители банков стараются использовать то, что приносит быстрый результат, зачастую пренебрегая объяснением причин тех или иных статистических закономерностей. Статистику, по которой оцениваются модели, составляют анкетные данные заемщиков и их кредитная история за определенный период. Каждой кредитной истории присваивается соответствующая метка в зависимости от того, является ли история «плохой» или «хорошей». В категорию «плохих» попадают кредитные истории с фактом задержки платежей на длительный срок. В некоторых случаях указать точно принадлежность кредитной истории к одной из групп затруднительно, тогда их помещают в третью группу – в «средние». Модели, которые могут предсказывать принадлежность клиента к одной из нескольких (более двух) групп, называются моделями упорядоченного выбора. Если же используются модели бинарного выбора, то группу «средние» просто исключают из выборки. Также важным показателем обучающей выборки является соотношение в ней числа «хороших» и «плохих» клиентов. Для некоторых методов, таких как регрессия, возможно использование равного количества «плохих» и «хороших» клиентов в обучающей выборке [82, с. 154], в то время как использование байесовских сетей или деревьев классификации предполагает реальное соотношение «плохих» и «хороших» клиентов.
Теперь можно попытаться переложить понятия из скоринга на проблему отбора персонала. В качестве анкет будут выступать резюме работников, а распределение в соответствующую группу «плохих» или «хороших» будет осуществляться по факту прохождения испытательного срока, что даже упрощает задачу, поскольку не придется выносить решение об отнесении работника к той или иной категории самостоятельно по каждому работнику, как в случае с оценкой кредитной истории.
Как уже было сказано выше, методы регрессионного анализа позволяют использовать обучающую выборку, содержащую равное количество наблюдений из обоих групп, поэтому практическая реализация первого подхода к моделированию отбора персонала будет основана на использовании бинарной регрессии. В эконометрике модели бинарного выбора являются разновидностью так называемых моделей дискретного выбора, или, как их еще называют, моделей качественного выбора [74, с. 681]. Такие модели предсказывают выбор между двумя или более дискретными альтернативами, в отличие от стандартных эконометрических моделей, оперирующих в основном непрерывными переменными.
Математическая постановка задачи подбора персонала в этом случае выглядит следующим образом: пусть имеется вектор факторов X, отражающий информацию, представленную в резюме работника, который оказывает влияние на зависимую переменную Y, которая, в свою очередь, принимает только два значения: 1 - если работник прошел испытательный срок и 0 - в противном случае. Тогда вероятность того, что Y = 1, необходимо выразить как функцию от факторов по формуле (1): P(Y = 1\X)=F(X) (1) Как правило, в качестве функции F используются некоторые интегральные функции распределений [76, с. 6], а в качестве аргумента берётся взвешенная сумма значений факторов, где весовые коэффициенты являются параметрами модели [15, c. 188].
Второй подход к моделированию рекрутинга предполагает рассмотрение действий HR-менеджера как задачи классификации.
Задачи классификации представляют собой формализованные задачи, в которых множество объектов разделено некоторым образом на классы. С одной стороны, имеется множество объектов, для которых известны их классы. С другой стороны, имеется множество объектов, принадлежность к классам которых неизвестна. Задача состоит в том, чтобы построить алгоритм, который будет осуществлять классификацию произвольного объекта из второго множества. Такие задачи, как правило, решаются с помощью искусственных нейронных сетей, о чем пойдет речь далее.
Если рассматривать задачу рекрутера как задачу классификации, то совершенно очевидно, что классов будет всего два - «хороший» кандидат, в котором можно быть уверенным, что он пройдет испытательный срок и принесет пользу организации, и «плохой» кандидат, который, соответственно, испытательный срок не пройдет.
Математическая постановка задачи в таком виде будет выглядеть следующим образом: каждому кандидату, с которым работает рекрутинговое агентство, поставим в соответствие признаковое описание, построенное на информации, извлеченной из его резюме. Множество кандидатов разделено на два класса: те работники, что прошли испытательный срок у компании клиента, и те, кто его не прошел.
Итак, имеется множество описаний кандидатов Хи множество наименований классов, состоящее, соответственно, из двух элементов - 0, если работник не прошел Y испытательный срок у компании-клиента, и 1, если работник прошел испытательный срок. Значения целевой зависимости F:X Y известны на объектах обучающей выборки {(x yj,... (xn,yn)} (как уже было сказано выше, любая рекрутинговая компания располагает информацией о прохождении испытательного срока, предложенными клиентам работниками). Требуется построить алгоритм k:X Y, способный осуществлять классификацию произвольного кандидата.
Теперь необходимо выделить факторы, которые будут включены в соответствующую модель. Как было выяснено в первой главе, очень многое о кандидате можно почерпнуть из информации, указанной в резюме. Одной из трудностей, с которыми сталкиваются эконометристы при оценке параметров моделей, являются пропуски данных в статистике. Решить эту проблему можно следующими способами [98]:
Использование искусственных нейронных сетей для решения задач бинарной классификации
Элементы-круги слева служат только для распределения входных сигналов и не выполняют каких-либо вычислений, отчего не будут считаться слоем. Квадратные элементы представляют собой искусственные нейроны, устройство которых описано выше. Каждый элемент множества входов соединен с каждым нейроном через так называемую синаптическую связь.
Однако нейронная сеть такого типа, несмотря на большую универсальность, не может справиться с задачей классификации в том случае, если исходное множество не является линейно разделимым. В общем случае, можно говорить о трех основных типах исследуемых множеств: линейно разделимые, линейно неразделимые и множество с пересекающимися классами. Линейная разделимость означает, что имеющиеся классы возможно разделить прямыми линиями (в общем виде – гиперплоскостями). Во втором случае это сделать нельзя, однако классы все равно могут быть разделены более сложным образом – нелинейная разделимость. Если классы пересекаются, то имеет место вероятностная разделимость. Немаловажным этапом построения нейронной сети для решения задачи классификации является предварительная обработка данных (нормировка, стандартизация). Целью данного этапа является получение линейной разделимости множества классифицируемых объектов, при наличии которой построение классификатора значительно упрощается. Однако при решении реальных задач малое количество образцов в обучающей выборке, как правило, не позволяет обработать исходные данные таким образом, чтобы была достигнута линейная разделимость объектов, подлежащих классификации.
Искусственные нейронные сети обладают исключительной способностью аппроксимации функций, что позволяет строить разделяющие поверхности большой сложности, а, следовательно, эффективно проводить классификацию. Фактически нейронная сеть генерирует большое число регрессионных моделей, которые являются стандартным средством классификации при решении задачи статистическими методами.
Для решения задачи классификации на нелинейно разделимом множестве, как показано в работе «Персептроны» Минского и Пейперта, однослойные нейронные сети не подходят [44, c. 118]. Проблема преодолевается путем построения искусственной нейронной сети, содержащей несколько скрытых слоев (многослойной нейронной сети).
В многослойной нейронной сети выход каждого нейрона в одном слое связан с входами всех нейронов следующего слоя, что схематически представлено на рисунке 4: Источник: составлено автором. Рисунок 4 - Граф нейросети, которая имеет четыре нейрона во входном слое, два скрытых слоя, содержащих по два нейрона и выходной слой, состоящий из одного нейрона Количество нейронов входного слоя нейронной сети равно количеству факторов, влияющих на классификацию. Выходной слой, в случае бинарной классификации, содержит один нейрон, на выходе которого получается значение 0 или 1. Оцениваемыми параметрами в ИНС являются синаптические веса, а процесс их оценки называется обучением нейронной сети. Настройка нейронной сети включает в себя: выбор архитектуры нейронной сети (выбор количества скрытых слоёв и количества нейронов в них); выбор активационной функции нейронов; - выбор алгоритма и параметров обучения, Процесс обучения предполагает просмотр обучающей выборки в определенном порядке, который может быть как последовательным, так и случайным. Для обучения многослойных нейронных сетей, которые будут использованы в данной работе, используется так называемое «обучение с учителем» (альтернативой является процесс обучения без учителя, реализуемый в самоорганизующихся нейронных сетях, яркий пример: самоорганизующаяся карта Кохонена [78, c. 106]), при котором обучающая выборка просматривается множество раз, и один полный проход называют «эпохой обучения». При данном типе обучения исходный набор данных делится на две части - обучающую и тестовую выборку, при этом разделение, как правило, происходит случайным образом. Тестовые данные никогда не участвуют в процессе обучения и используются только для расчета ошибки предсказаний, осуществляемых сетью. Если в процессе обучения на тестовом множестве ошибка сети уменьшается, то считают, что сеть выполняет обобщение. Если же при обучении ошибка уменьшается на обучающем множестве, но увеличивается на тестовом, это означает, что происходит запоминание образцов сетью, в то время как обобщение отсутствует. Такая ситуация получила название «переобучение» (overfitting). Другой проблемой, которая может возникнуть в процессе обучения, является так называемый паралич сети - ситуация, при которой оцениваемые синаптические веса в сети становятся очень большими, что, в свою очередь, приводит к тому, что нейроны начинают функционировать лишь при очень больших входных значениях.
С математической точки зрения процесс обучения - это адаптация параметров искусственной нейронной сети для решения поставленной задачи путем оптимизации принятого критерия качества. Данная формулировка предполагает, что обучение искусственных нейронных сетей является разновидностью методов оптимизации. На выбор конкретного алгоритма обучения влияет структура и объем данных, составляющих обучающую выборку.
Подробнее остановимся на парадигме обучения с учителем. При данном типе обучения, помимо информации о классифицируемом множестве, заданной в виде входных векторов , имеется, также, заданная реакция сети на эту информацию -обучающий сигнал d. В процессе обучения, если реакция необученной сети отличается от реакции учителя, возникает ошибка (30):
Настройка параметров искусственной нейронной сети производится таким образом, что в процессе обучения, некоторая функция от ошибки E(e) достигает своего минимума. Обученная нейронная сеть, таким образом, фактически «повторяет» реакцию учителя в статистическом смысле. Для обучения многослойных нейронных сетей, в настоящее время, чаще всего применяют два алгоритма: алгоритм обратного распространения ошибки (back propagation) и алгоритм эластичного распространения (resilient propagation). Остановимся подробнее на алгоритме обратного распространения ошибки [83, c.129]. Каждый объект на входе искусственной нейронной сети представляет собой так входной сигнал, вектор - х = {хъ ... xnQf . Также имеются выходной сигнал - у = (у1; ...ynmfи обучающий сигнал d = (d1;... dnmf. Очевидно, что размерность входного и выходного сигналов может отличаться, и, если говорить о задаче бинарной классификации, размерность сигнала у будет равна 1, как и размерность обучающего сигнала. В процессе обучения необходимо обеспечить минимальную разницу между значениями выходных уД/с) и желаемых dj(k) сигналов, где к — номер экземпляра обучающей выборки.
Анализ результатов искусственной нейронной сети
В результате исследования информации по методам отбора кандидатов на должность автором были рассмотрены их основные преимущества и недостатки. Также автором были проанализированы дополнительные методы оценки, которые могут использоваться работодателями при отборе персонала. Автор хотел бы отметить, что для формирования эффективной системы управления персоналом руководству любой организации в первую очередь необходимо выбрать наиболее подходящие для ее целей методы подбора и отбора персонала, минимизировать операционные издержки проведения всех этапов отбора персонала, найти оптимальное соотношение между внутренними специалистами по набору кадров и внешними рекрутинговыми агентствами. Также необходимой мерой является условие внедрения качественно новых, инновационных способов оценки персонала, а именно - разработка компьютерных программ, способных упростить процесс рекрутинга и повысить его результативность. Учитывая, что процесс подбора и отбора персонала непременно требует траты рабочего времени рекрутеров, становится очевидной необходимость оптимизации затрат их времени на всех этапах, в которых они участвуют.
Назовём результаты, полученные в ходе работы. организаций, в которых работал кандидат, 7 - количество навыков и обязанностей, перечисленных в резюме, 8 - знание английского языка, 9 - знание других иностранных языков, 10 - уровень знания компьютера, 11 -запрашиваемая заработная плата. Модели бинарного выбора, описывающие процесс принятия решений о подборе персонала. Построены три модели, использующие в своей основе три различные функции распределения: нормального распределения (пробит), логистического распределения (логит) и распределения Гомпертца (гомпит). Оценены коэффициенты моделей, которые позволяют судить о том, как именно каждый фактор влияет на вероятность прохождения испытательного срока. Нейронная сеть, построенная по данным о прохождении испытательного срока работниками и, таким образом, решающая задачу априорной классификации кандидатов, предлагаемых кадровым агентством, на пригодных и непригодных. Это позволяет снизить издержки рекрутингового агентства в виде неустойки, выплачиваемой за «плохой подбор». Сравнительный анализ качества результатов, полученных с помощью указанных выше моделей, в котором отражены преимущества конкретных подходов к моделированию рекрутингового процесса в зависимости от ситуации. В частности, установлено, что бинарная модель даёт возможность определить влияние каждого фактора на результат. Недостатком модели является то, что (в редких случаях) она может давать неуверенную оценку кандидату. Этого недостатка лишена искусственная нейронная есть, однако её коэффициенты принципиально не могут быть интерпретированы. Программное обеспечение решения задачи подбора персонала и удобный интерфейс в программной среде Maple, реализующий построенные математические модели бинарного выбора и ориентированный на использование HR-менеджерами. Методические рекомендации по использованию построенных моделей, которые позволяют неподготовленному пользователю применить разработанные методы.
Исследование показало, что информация, которую люди указывают в резюме, несёт в себе закономерности, поддающиеся статистическому анализу. Разработанные модели хорошо справляются с задачей моделирования процессов подбора и оценки персонала, а разные подходы имеют специфические преимущества друг перед другом. Модели бинарного выбора, помимо оценки вероятности прохождения испытательного срока работником, позволяют исследовать влияние отдельных факторов на конечный результат, благодаря чему рекрутинговые агентства и кадровые службы смогут, например, повысить эффективность корпоративных тренингов.
Искусственные нейронные сети, в свою очередь, имеют хороший потенциал для моделирования процесса подбора персонала в силу исключительной пригодности для аппроксимации нелинейных функций с большим количеством переменных, что крайне важно для решения задач классификации. Однако ИНС имеют ряд недостатков, главными из которых можно назвать принципиальную невозможность интерпретации весовых коэффициентов связей между нейронами и отсутствие четких алгоритмов настройки параметров искусственной нейронной сети, в то время как поиск оптимального соотношения параметров нейросетевых моделей и их характеристик в каждом конкретном случае является одной из ключевых задач, так как от выбора конфигурации ИНС и параметров алгоритма обучения зависит возможность избежать таких проблем как переобучение сети и её паралич.
Разработанный подход может найти широкое применение в работе кадровых служб предприятий и рекрутинговых агентств. Использование математических методов в управленческой деятельности – шаг не только к автоматизации, но и к объективизации решений в той или иной области.