Курс Найм и подбор [ Talent Acquisition ] Найм и подбор [ Talent Acquisition ] Курс «Найм и подбор» | Команда Курса Василий Куцевол Полина Рассказова Александра Хохлова Руководитель отдела TA Central and Eastern Europe, RUCIS, Africa, Middle East, Turkey и кандидат экономических наук Talent Acquisition Head, Russia, Ukraine, Kazakhstan, TA Consumer Lead, EMEA @ Citi Talent Acquisition Specialist, фрилансер ● Опыт в области управления персоналом в крупнейших мультинациональных фармацевтических и FMCG-компаниях (14 лет) ● Johnson & Johnson — руководитель отдела подбора персонала (Россия и СНГ); Abbott — руководитель отдела подбора персонала (Россия и СНГ); Mars — HR-бизнес-партнер; Coca-Cola — руководитель отдела подбора персонала московского офиса ● Отвечает за привлечение талантов в Сiti Россия, Украина, Казахстан, а также курирует направление подбора персонала для розничного банка Citi в регионе EMEA преподаватель ● Опыт в HR международных компаний (15 лет) ● Ранее занимала различные позиции в HRдепартаменте KPMG, возглавляла направления рекрутмента и развития бренда работодателя веду этот урок ● Опыт в подборе персонала более 10 лет, прошла путь от специалиста по подбору до TA & EB Manager ● Запуск с нуля направления «Подбор персонала» и развитие бренда работодателя по России и СНГ ● Знакома с международными рынками ● Ранее работала в компаниях: ГК «Дикси»; PepsiCo; Perfetti Van Melle преподаватель Курс «Найм и подбор» | Структура Урок 1 Общее понимание функции привлечения талантов Урок 2 Планирование и оценка потребности Урок 3 Привлечение. Основы бренда работодателя Урок 4 Отбор. Модель компетенций Урок 5 D&I: Diversity & Inclusion Урок 6 Управление процессом Урок 7 Digital-компоненты подбора Урок 7 «Digital компоненты подбора» Digital компоненты подбора Урок 7 «Digital компоненты подбора» | Описание урока Описание урока 7: Цифровизация vs Автоматизация Контекст для цифровизации Привлечение (привлечение через лендинги, CPA сети, площадки для централизации публикаций) Сорсинг и скрининг (сервисы для сорсинга, подключение виртуальных ATS, профилирование кандидатов) Оценка и адаптация (VR, видео интервью, чат боты) Бизнес результаты цифровой трансформации Между этикой и технологиями Урок 7 «Digital компоненты подбора» Автоматизация vs Цифровизация Автоматизация Диджитализация способ передать выполнение какой-то операции от человека к программе. Упрощает, но не изменяет принципа. Главная задача – экономия времени сотрудников. коренная трансформация взаимодействия между людьми при помощи цифровых инструментов. Это не только компьютерные системы, но и дизайн, интерфейсы, измерение показателей эффективности, персонализация. Урок 7 «Digital компоненты подбора» Digital HR - это Методология Технологии Дизайн − Мультиканальность − Mobile app − Мультиплатформенность − Геймификация − Web app − Дружелюбный интерфейс − Вовлеченность − Chat bot − Простота − User generated content − AR − Инфографика − VR − Пользовательский опыт − AI − WoW эффект Урок 7 «Digital компоненты подбора» Контекст цифровизации VUCA world Демографический кризис • Volatility – Нестабильность • Борьба за таланты • Uncertainty – Неопределенность • Complexity – Сложность • Ambiguity – Неоднозначность Урок 7 «Digital компоненты подбора» Этапы подбора персонала Привлечение Коммуникация Сорсинг Отклики Скрининг Бренд Оценка Аналитика Найм Адаптация Урок 7 «Digital компоненты подбора» Привлечение Баннеры Игровые механики Контекстная реклама Лендинги/ Карьерный сайт Урок 7 «Digital компоненты подбора» Привлечение через лендинги 1. Определение целевой аудитории 3. Хранение и обработка данных − Требования (пол, возраст и т.д.) − SLA для обработки нового лида − Гео − Возможные специфические − Оперативное обновление − Какими каналами пользуются − Отслеживание причин отказа особенности аудитории (хобби, увлечения) (актуально для массовки) статусов по движению кандидатов по воронке на этапах воронки 2. Лендинги 4. Рекламная аналитика − Актуальная информация − Яндекс Метрика по вакансиям − Продающие тексты − 1 вакансия = 1 лендинг − Гугл Аналитика Урок 7 «Digital компоненты подбора» Примеры Урок 7 «Digital компоненты подбора» Диджитал маркетинг/CPA сети 1. Таргетинг в соц сетях и Контекстная реклама − Тексты лаконичные, продающие и отсекающими нецелевых пользователей. − Картинки привлекают внимание − Семантическое ядро − Важно отсекать нецелевых соискателей − Делать Look Alike 2. CPA сети − Нужно дать максимально подробно информацию об оферте − Определение этапа воронки, за который будет производиться оплата − Проведение мониторинга рыночной себестоимости для оплаты за это действие Урок 7 «Digital компоненты подбора» Диджитал сервисы: сорсинг Поиск по критериям, ключевым словам, семантический поиск КАК? Применение AI Ранжирование по релевантности ГДЕ? КАК? ATS, работные сайты, соцсети Intl: Daxtra, TextKernel Российские: ATS, Поисковые системы Эффект: увеличивается скорость и качество поиска; возникает омни-канальный поиск Урок 7 «Digital компоненты подбора» Подключение виртуальных ATS Критерии выбора 1. Соответствие ФЗ 115, местонахождение сервера 2. Интеграция с job boards, соц сетями, open source для поиска кандидатов 3. Интеграция с инструментами оценки, видео-интервью, чат ботами 4. Возможность создания базы кандидатов, поиск по критериям и ключевым словам 5. Встроенная IP телефония, почта Урок 7 «Digital компоненты подбора» Профилирование кандидатов – Red Bull рекрутмент процесс до внедрения подхода, основанного на данных Скрининг Hipo кандидатов на основании резюме/ключевых слов Менеджеры отказывают Hipo кандидатам на основании субьективных критериев Урок 7 «Digital компоненты подбора» Ключевые факты − Кандидаты получают обратную связь с конкретными рекомендациями (в формате keep – start – stop) − Скрининг на основании кроссфункциональны х критериев Урок 7 «Digital компоненты подбора» Ключевые факты Стандартный подход Цифровой подход − Первичный скрининг − Скрининг на кросс- образования и технических навыков − Использование инструментов оценки исключительно для рекрутмента процесса − Онбординг, ориентированный на роль функциональные факторы успеха − Обратная связь кандидатам с конкретными рекомендациями − Результаты оценки используются, чтобы персонализировать онбординг и максимально использовать сильные стороны кандидата 4 кросс-функциональных фактора успеха: − Умение устанавливать связи − Драйв − Креативность − Мыслительные способности Урок 7 «Digital компоненты подбора» Применение результатов оценки для онбординга Маркер Сильные стороны Зоны развития Умение устанавливать связи Сбалансированный Видеть состояние стресса у других Креативность Прагматичный Мышление вне рамок Драйв Дисциплинированный Работа с неструктурированными задачами Мышление Гибкий Рассматривание новых/ непроверенных методов － Ставить ее в команду с людьми с другим профилем для баланса － Предлагать ей экспериментировать с новыми вариантами решения задачи и креативностью － Предлагать ей большие проекты, завязанные на дедлайны, что позволит ей раскрыть свою дисциплинированность и гибкость Урок 7 «Digital компоненты подбора» Результаты －Время закрытия вакансии уменьшилось на 25% －Результативность новичков увеличилась на 30% －Вовлеченность новичков увеличилась на 50% Урок 7 «Digital компоненты подбора» Хлеб Насущный привлечение кандидатов на массовые позиции с помощью инструментов VR Проблема Результат − Огромная конкуренция за − Увеличили на 42% входящий − Кандидаты “терялись” по − Сократили в 2 раза время − Задержки с − Отпал этап «Пробная смена» − Высокая ротация на этапе − WOW эффект – возрос кандидатов в этом сегменте пути на собеседование менеджерским интервью стажировки поток кандидатов при том же бюджете собеседований в кафе интерес к HR бренду − Снижение ротации на этапе Финалист премии HR бренд 2018 года стажировки Урок 7 «Digital компоненты подбора» Видео-интервью Сокращает время на оценку релевантных кандидатов Занимает 15 мин vs 40 мин очного интервью Демонстрирует заинтересованность кандидатов Применяется на любой стадии отбора Период найма сокращается в 2 раза Урок 7 «Digital компоненты подбора» HR BOT в массовом подборе статистика 1 месяц + 30 15 900 2782 HR BOT в 2,5 дешевле раза работника на той же операции Проектов Кандидатов загружено Разговоров с ботом 1254 445 Заинтересованны х кандидатов Часов сэкономлен о Урок 7 «Digital компоненты подбора» Применение VR в адаптации - Перекресток результаты пилота 2019 – 100 магазинов, 1600 сотрудников приняло участие по результатам закуплено 1000 очков VR для перехода компании на новый формат обучения Урок 7 «Digital компоненты подбора» Рекомендованные кейсы по использованию VR Урок 7 «Digital компоненты подбора» Бизнес результаты Цифровой Трансформации* Качество найма 2X Удержание 2X ● Инвестиции в цифровизацию Подбора решают не только задачи Подбора и HR Удовлетворенность Кандидатов 3X ● ROI цифровизации является одним из основных критериев в принятии инвестиционного решения Результативность сотрудников 2X ● Цифровизация дает важные качественные изменения * Aptitude Research 2019 Урок 7 «Digital компоненты подбора» P.S. Между этикой и технологиями научно доказано, что ИИ качественно лучше принимает решения, чем человек “Мы проанализировали десятки тысяч интервью и то, что оценивали интервьюеры и нашли 0 корреляцию с будущей успешностью сотрудников на работе” Лазло Бок, Ст. Вице Президент по человеческим ресурсам, Гугл Группа ученых проанализировала 17 исследований по оценке кандидатов и создала алгоритм, который позволяет оценивать кандидатов на 25% эффективнее, чем человек Урок 7 «Digital компоненты подбора» Правда или ложь? Средний бал по успеваемости в ВУЗе – абсолютно бессмысленный критерий для оценки резюме, тк он не коррелирует с дальнейшей успешностью сотрудника в работе. Исследователи в Стенфорде Михаил Касински и Юлун Ванг обнаружили что компьютерное зрение может распознавать сексуальную ориентацию человека c 91% вероятностью, анализируя его лицо. Лазло Бок. Гугл The Economist Ву и Жанг утверждают, что машинное обучение с 90% вероятностью может предсказать склонность человека с криминальным поступкам, для этого достаточно всего лишь фото с водительских прав Урок 7 «Digital компоненты подбора» Правда или ложь? Средний бал по успеваемости в ВУЗе – абсолютно бессмысленный критерий для оценки резюме, тк он не коррелирует с дальнейшей успешностью сотрудника в работе. Исследователи в Стенфорде Михаил Касински и Юлун Ванг обнаружили что компьютерное зрение может распознавать сексуальную ориентацию человека c 91% вероятностью, анализируя его лицо. Лазло Бок. Гугл The Economist TRUE NOT VERIFIED Ву и Жанг утверждают, что машинное обучение с 90% вероятностью может предсказать склонность человека с криминальным поступкам, для этого достаточно всего лишь фото с водительских прав FALSE Урок 7 «Digital компоненты подбора» － Научно доказано, что ИИ качественно лучше принимает решения, чем человек － Если мы настроим ML фильтровать кандидатов, основываясь на наших предыдущих наймах, результаты могут оказаться предвзятыми (например, по гендеру и национальности) － Важно понимать, что ИИ инструмент, который может помочь нам как настроить максимально объективную оценку, так и наоборот － Сейчас формируется абсолютно новая сфера на стыке компьютерных технологий, этики и юриспруденции. Урок 7 «Digital компоненты подбора» окончен Благодарю за внимание Урок 7 «Digital компоненты подбора» | Вопросы Вопросы и ответы...
