Содержание к диссертации
Введение
Глава 1. Ааналитический обзор 12
1.1. Основные определения в командообразовании 12
1.2. Основные показатели подбора в ГГ-рекрутменте 14
1.2.1. Время подбора 15
1.2.2. Стоимость подбора 16
1.2.3. Качество подбора 17
1.3. Модель компетентностного подхода 18
1.3.1. Структура подхода 18
1.3.2. Должностная позиция 19
1.3.3. Модель команды 20
1.3.4. Модель кандидата 22
1.4. Исследования в области командообразования и компетентностного
подхода 23
1.5. Исследование работы экспертной группы 26
1.6. Схема подбора в ГТ-рекрутменте 29
1.7. Обзор информационных систем 32
1.8. Выводы и постановка задачи исследования 35
Глава 2. Разработка методики и процедур подбора кандидатов 37
2.1. Схема определения компетенций 37
2.2. Трудовые функции профессионального стандарта «Программист» 39
2.3. Анализ моделей рекомендаций и надежности в команде 40
2.4. Методика подбора специалистов 43
2.5. Процедура оценки компетенций кандидатов 46
2.5.1. Пример практического применения процедуры оценки компетенций кандидатов 47
2.6. Процедура оценки сходства характеристик кандидата с требованиями работодателя 50
2.6.1. Пример практического применения процедуры подбора на основе сравнения характеристик кандидата с требованиями работодателя 53
2.7. Выводы по главе 56
Глава 3. Информационная технология поиска и обработки информации о кандидатах 58
3.1. Интернет-ресурсы - как базы знаний 58
3.2. API-как средство интеграции 60
3.3. Структурно-функциональная модель процесса поиска в ИАС 61
3.3.1. Обработка информации о кандидате в ИАС 63
3.3.2. Сравнение и поиск на основе векторов 65
3.3.3. Оценка компетенций на основе критериев 67
3.3.4. Пример использования шкалы оценки компетенций 71
3.4. Интеграция ИАС с API HeadHunter 73
3.5. Интеграция ИАС с APILinkedln 78
3.6. Интеграция ИАС с API GitHub 81
3.7. Интеграция ИАС с API Stack Overflow 82
3.8. Интеграция ИАС с API Habrahabr 83
3.9. Выводы по главе 85
Глава 4. Структурно-функциональная модель разработанной системы для подбора кандидатов 86
4.1. Функциональная модель системы 86
4.2. Входные и выходные данные 90
4.3. Общая архитектура системы 93
4.4. Реализация веб-сервисов 96
4.5. Апробация работы 97
4.5.1. Описание принципа функционирования имитационной модели... 99
4.5.2. Апробация разработанной модели на эксперименте 103
4.6. Выводы по главе 105
Заключение 106
Список литературы
- Основные показатели подбора в ГГ-рекрутменте
- Трудовые функции профессионального стандарта «Программист»
- Обработка информации о кандидате в ИАС
- Апробация разработанной модели на эксперименте
Основные показатели подбора в ГГ-рекрутменте
Командообразование - это процесс формирования такой команды, участники которой будут объединены общей целью, владеть отработанными процедурами координации своих действий в достижении конкретных результатов, а также нести взаимную ответственность за результаты своей деятельности на основе общего видения ситуации.
Понятие «командообразование» фиксирует содержательные и процессуальные элементы, лежащие в основе эффективной команды и выраженные в комплексе особенностей данного организационного ресурса.
Содержательные элементы - это основная задача группы, указывающая на то, что сделано или будет сделано группой.
Процессуальные особенности - это то, как коллектив работает и что происходит с членами группы и между ними.
Понятие «социальная система» было научно формализовано в настоящее время, в связи с развитием системного подхода в науке. В научной литературе существует огромное количество определений «социальной системы», предоставленных специалистами различных профилей. Обобщив все эти определения, можно утверждать, что система - это совокупность элементов, которые находятся во взаимных связях и образуют единое целое [79].
Социальная система - это целостное образование, основным элементом которого являются люди, их связи, взаимодействия и отношения. Исследование объектов и процессов с помощью системного анализа есть изучение свойства, интересуемого целого через его структуру, а также подробное рассмотрение той роли, которую выполняет тот или иной элемент в этой структуре. Социальная структура - это определенный способ связи и взаимодействия элементов, то есть индивидов, занимающих определенные социальные позиции (статус) и выполняющих определенные социальные функции (роль) в соответствии с принятой в данной социальной системе совокупностью норм и ценностей.
Каждый участник в социальной системе имеет индивидуальную компетенцию. Компетенция - базовое качество индивидуума, имеющее причинное отношение к эффективному и/или наилучшему на основе критериев исполнению в работе или в других ситуациях [79].
Базовое качество означает, что компетенция является устойчивой частью человеческой личности и может предопределять поведение человека во множестве ситуаций и рабочих задач.
На основе критериев - значит, что компетенция действительно прогнозирует хорошее или плохое исполнение, которое измеряется при помощи конкретного критерия, или стандарта. Примером критериев может служить опыт программирования или количество успешно завершенных проектов.
Именно два этих определения понимаются под термином «компетенция» в рамках данной работы.
Компетенция (в соответствии с профессиональным стандартом «Программист», утвержденным приказом Минтруда России №679н от 18.11.2013) [28] является индивидуальной характеристикой кандидата, позволяющей успешно действовать на основе практического опыта, умений и знаний при выполнении профессиональных обязанностей в соответствии с компетенцией. Критерии, чаще всего применяемые при изучении компетенций: Наилучшее исполнение. Определяется статистически как одно стандартное отклонение от среднего исполнения, уровень которого достигает приблизительно один лучший человек из десяти в конкретной рабочей ситуации. Эффективное исполнение. Обычно означает «минимально приемлемый» уровень работы, крайний ограничительный уровень, ниже которого сотрудник будет считаться некомпетентным для этой работы.
Данные критерии применяются в процессе командообразования, где все зависит как от пороговых, так и от дифференцирующих компетенций кандидатов. К ним можно отнести - навыки и опыт работы, полученные знания, коммуникабельность, межличностную совместимость с участниками команды, ориентацию на достижение результата, ответственность, надежность и многие другие аспекты, которые диктует предлагаемый характер работы.
Пороговые компетенции. Данный тип компетенций является неотъемлемой характеристикой, в которой каждый выполняющий работу должен быть минимально эффективен, но которая не разграничивает средних исполнителей от наилучших [84].
Дифференцирующие компетенции. Эти факторы отличают наилучших исполнителей от средних. Например, ориентация на достижение результата, выраженная в том, что человек ставит перед собой цели выше, чем требует компания, является компетенцией, которая отличает лучших от средних [84].
Матрица компетенций - это матрица, представляющая отношения между набором обязанностей и кандидатов. Это можно интерпретировать как совместимость показателей между этими двумя множествами. Матрица имеет по одной строке для каждой обязанности и один столбец для каждого кандидата.
Основными показателями эффективности в IT-рекрутменте являются KPI (англ. «Key Performance Indicators» - ключевые показатели эффективности). Показатели KPI позволяют определить продуктивность рекрутеров и оценить работу их руководителей, а также прогнозировать долгосрочный эффект принимаемых в этой сфере управленческих решений [37].
Для улучшения основных показателей, компании могут сократить время закрытия вакансий, увеличить количество вакансий, закрываемых за неделю, месяц или год, а также улучшить качество подбора. Показатели эффективности имеют практическую ценность в случае корректировки рекрутинговых технологий или распределения обязанностей и выработки адекватной системы оплаты труда. Немаловажным является время получения исходных данных, более актуальные данные используются для расчета показателей, и чем чаще показатели эффективности используются на практике, тем лучше будут результаты работы [37].
Трудовые функции профессионального стандарта «Программист»
Модель рекомендаций кандидата ЕМ-алгоритм - алгоритм, используемый в математической статистике для нахождения оценок максимального правдоподобия параметров вероятностных моделей, в случае, когда модель зависит от некоторых скрытых переменных. Каждая итерация алгоритма состоит из двух шагов: на Е-шаге (ожидание) вычисляется ожидаемое значение функции правдоподобия, при этом скрытые переменные рассматриваются как наблюдаемые; на М-шаге (максимизация) вычисляется оценка максимального правдоподобия, таким образом, увеличивается ожидаемое правдоподобие, вычисляемое на Е-шаге. Затем полученное значение используется для Е-шага на следующей итерации, и алгоритм выполняется до полной сходимости [30].
Модель окончательных результатов в рейтинговой матрице R = ГХІУІУ включает вероятность того, что рекрутер х оценил кандидата у с оценкой v [88]. Последний параметр может любым значением или в общем случае определен как: v Є V = {ОД}, где 0 - не подходит, 1 - подходит. Этот вероятностный подход автоматически рекомендует кандидатов, которые лучше всего подходят на вакансию на основе прошлых результатов рейтинга и с учетом их основных навыков [80]. Однако данная модель имеет некоторые недостатки, так как она ориентирована только на индивидуальные навыки кандидатов, которые непосредственно связаны с ними и таким образом, позволяет только прогнозировать соответствие кандидата должности. Надежность или уверенность между участниками команды рассматривается обычно как довольно сложный и многокритериальный объект восприятия [33]. Для совместной работы кандидатов в команде используется критерий надежности участников в партнере t, выраженный в виде бинарного отношения: t = {(А,В)\ А, В єХ,А доверяет В}, обладающее свойствами рефлексивности, симметричности и транзитивности: если VA, В, С Є X, AtB Л BtC = AtC, то кандидат А доверяет кандидату С используя связь через кандидата Б [19].
Модель распространения надежности на основе соответствия Всякий раз, когда отношения, полученные в данных, проявляют значительную транзитивность, модель должна изучить данную связь. К примеру, надежные отношения между кандидатом X и кандидатом Y, значительно выше, когда известно, что кандидат X уверен в кандидате Z и Z уверен в кандидате Y, но надежность никогда не будет достаточной [51].
В основе модели надежности будем различать два типа, абсолютная надежность и надежность на основе сравнения. То, что продемонстрировано на рисунке 2.5, Guha R. и его соавторы в статье «Распространение доверия и недоверия» - называют прямым распространением [52].
На рисунке 2.4 демонстрируется ситуация, когда на основе данных трех связей отношений, при условии tAD «tCD, модель определяет, что кандидаты А и С имеют одинаковые предпочтения, так как они оба связаны с кандидатом D. Эта информация затем используется для прогнозирования потери связей между кандидатами С и В.
В итоге, исследуя связи прямого распространения и совместных правил прогнозирования, появляется возможность рассчитать значения надежности для таких сценариев, как показано на рисунках 2.4 и 2.5.
Управление процессом подбора Рассмотрим случай, когда имеется множество вариантов X (кандидатов на должность) и необходимо из этого множества выделить некоторое подмножество, в частном случае - один или несколько вариантов. Выделение требуемых вариантов производится на основе представления модели команды или кандидата. Представление о качестве вариантов является принципом оптимальности. Выделение некоторого подмножества кандидатов относится к проблемам выбора и принятия решений.
Множество вариантов и принцип оптимальности {функция выбора) позволяют ввести следующие понятия. Задачей принятия решений назовём пару Х,ОП , где X - множество кандидатов, 017- принцип оптимальности, дающий представление об уровне компетенции. Решением задачи Х,017 , является множество Хоп Q X полученное с помощью принципа оптимальности ОП.
Понятие «оптимальность» описывается функцией выбора С. Функция выбора (ФВ) - это правило, которое каждому допустимому набору вариантов (кандидатов) ставит в соответствие его поднабор наилучших, или оптимальных вариантов. Принцип оптимальности выражается ФВ, определяемой близостью к модели организации или уровню компетенции команды. Задачей выбора является определить на 1 этапе из заданного множества X - подмножество вариантов (кандидатов), которые имеют наиболее высокие предварительные оценки, и функция выбора в данном случае будет выглядеть следующим образом: Сг с X. Далее на 2 этапе для выделенного подмножества необходимо уточнить функцию выбора и получить оптимальное множество вариантов, таким образом, функция выбора примет вид: С2(С1(х)).
Рассмотрим вначале последний этап, где выполняется оценка и подбор кандидата, и для которого формализованы описания моделей кандидата и требований работодателя, необходимые для соблюдения требований работодателя, представленные в виде соответствующих теоретико-множественных моделей. Теоретико-множественная модель кандидата в процессе оценки компетенций кандидатов в соответствии с кластерами «обязанность-компетенции» и «кандидат-компетенции» имеет вид:
Обработка информации о кандидате в ИАС
Физическое описание информационных моделей для агрегации информации о кандидате производится в системных таблицах аналитических метаданных баз знаний. В ходе построения запросов к базам знаний, необходимо определить требования к портфолио кандидата, которые считаются, по мнению рекрутера важными в процессе подбора кандидатов, в т.ч.: подмножество определенных в модели атрибутов, по которым он ожидает выполнения классификации значений (например, должность, опыт работы не менее 3 лет, наличие open-source проектов); один из возможных уровней обобщения для каждого выбранного атрибута (например, все кандидаты из города Астрахань); подмножество экземпляров каждого выбранного уровня обобщения атрибута посредством установки соответствующего фильтра (например, .Net разработчики, подтвержденные навыки программирования на С#, HTML, Javascript). В данном методе, каждый профиль пользователя представляется в виде вектора, аналогичный подход используется в поисковых системах [9], в которых веб-сайты представлены в виде векторов, состоящие из набора слов в виде документа, в нашем же случае, профиль в векторе представлен информационными полями (email, дата рождения, номер телефона и т.д). TV-мерный вектор профиля Р будет представлять N различных полей профиля конкретного пользователя:
Для точного сравнения используется функция compi, которая может отличаться от поля к полю, так как каждое поле может иметь различный формат. Например, сравнение пола возвращает целое значение 0 или 1 в зависимости от сравнения. Однако при сравнении адреса, результатом может быть рациональное число. Для информационных полей, имеющих различный формат, введены две категории сходства - точное и частичное.
В случае с первой категорией, она может использоваться для сравнения простых полей, таких как, пол, где результатом будет булево или числовое значение. Для сложных типов данных, используется частичное сравнение, которые наиболее полезны в случае, где данные введенные пользователем содержат - сокращения, опечатки или недостающая информация в сложных типах данных, как адрес.
На последнем шаге определяется классификация - «тот же пользователь» или «разные пользователи» для пары профилей Рг и Р2. Для определения сходства 5"(Р1,Р2)5 введен весовой вектор w одинаковой размерности с V для контроля влияния каждого поля профиля. Оценку подобия профилей Рг и Р2 определяют как:
ИАС позволяет рекрутеру сформировать запрос к структурированным данным в неоднородных базах знаний, для построения выборки подмножества кандидатов, обладающих заданными атрибутами (должность, опыт работы и т.д.), т.о. исключается множество кандидатур на должность не обладающих достаточной компетенцией в соответствии с заданными критериями.
Наличие в выборке специалистов различного уровня профессиональной квалификации и опыта позволяют говорить о достаточности использования пятифакторного классификатора - пятиуровневой лингвистической шкалы с терм-множеством значений «очень низкий (ОН), низкий (Н), средний (С), высокий (В), очень высокий (ОВ)». Процесс принятия решений в управлении социально-экономических систем имеет несколько уровней интерпретации оценок. Для каждого уровня присуща своя шкала измерений, на основе которой формируются выводы о принятии решения. В теории принятия решений - это формулируется как округление шкал, т.е. на нижнем уровне, оценки могут определяться как - 50, 100, 200, на следующем уровне - низкий, средний и высокий, а на конечном глобальном уровне может использоваться уже номинальная бинарная шкала (0, 1) - принят или не принят. Допустим, на уровне эксперта, достаточно числовых значений, исходя из которых, он сможет оценить компетенцию кандидата. В случае с руководителем или рекрутером, оценка важна не в числовом значении, для него нужны выводы, которые ему будут интуитивно понятны, как например, интервалы в пятиуровневой лингвистической шкале, где уровень компетенции кандидата будет определен как - низкий, средний и т.д. Таким образом, в разработанной системе, которая будет использоваться именно в сфере рекрутинга и для передачи результатов работодателю, полученных в процессе интервью, необходимо округление шкал до интуитивно понятного уровня, используя лингвистическую шкалу. Функция принадлежности (Membership Function) является характеристикой нечеткого множества. Обозначим через MFc(x) - степень принадлежности к нечеткому множеству С. MFc(x) представляет собой обобщение понятия характеристической функции обычного множества, а нечеткое множество С определяет множество упорядоченных пар вида С = {MFc(x)/x},MFc(x) Є [ОД]. Значение MFc(x) равное 0 - означает отсутствие принадлежности к множеству, 1 - полную принадлежность [30].
Используем линейный вид нечеткой функции принадлежности с использованием треугольных трапециевидных чисел как наиболее рациональный [30]. Построим функции принадлежности для каждого лингвистического терма из базового терм-множества Т. Для задания трапециевидной функции принадлежности необходимо ввести 4 числа (а, Ъ, с, d):
Апробация разработанной модели на эксперименте
Разработанная система использовалась в компании для решения отдельных задач по 1Т-аутсорсингу: Подбор кандидатов в компанию с целью минимизации времени на поиск людей в базах резюме, профессиональных ресурсах и тем самым выделяя большее количество времени IT-рекрутера на другой спектр его обязанностей. Подбор кандидатов для других IT-компаний по направлениям РНР и Java, которые являются клиентами кадрового центра при ООО «Центр обучения Пилот-Информ».
В результате внедрения созданной методики и ИАС для подбора кандидатов были получены следующие результаты, сокращение времени подбора кандидатов на 21-25% (ббч./мес. вместо 98ч./мес). При этом качество полученного решения было улучшено на 15%, чем, если бы подбор осуществлялся вручную. Внедрение разработанной системы и методики в компанию выполнялось в период с 21.04.14 по 15.09.14.
Также результаты работы были внедрены в ООО «Мегатек-Сервис» [34]. Компания «Мегатек» основана в 1996 году и занимает лидирующую позицию на рынке программного обеспечения для туристического бизнеса. База клиентов составляет более 800 ведущих туроператоров и агентств, работающих на российском туристическом рынке.
Основные направления деятельности компании: разработка программного обеспечения; консалтинг в области информационных технологий в туризме; внедрение; гарантийное и послегарантийное обслуживание. Разработанная система использовалась в компании для решения задач подбора кандидатов в команды по разработке модулей для работы отелей и партнеров. В результате внедрения было отмечено повышение эффективности процесса поиска, подбора и принятия управленческих решений при подборе специалистов в сфере разработки программного обеспечения в 1Т-компанию ООО «Мегатек-Сервис».
Описание принципа функционирования имитационной модели Поскольку дорого и почти невозможно обеспечить сравнение результатов подбора кандидатов до и после внедрения методики, то для этих целей была разработана имитационная модель.
Структура агента «рабочее место» модели Основными параметрами каждой вакансии («рабочего места») являются: требуемоеКоличествоРабочих на данную вакансию, требуемаяКатегория рабочих. Индикаторами работы рекрутеров над данной вакансией являются параметры: вРаботе устанавливается в логическое значение «правда», когда рекрутёр начинает работу, устанавливается времяНачалаРаботы, а при завершении работы над вакансией устанавливается времяЗакрытияБакансии. При работе рекрутерами набираются кандидаты (событие поискКандидатов), которые заносятся в коллекцию кандидатыНаВакансию.
Диаграмма состояний и переходов (рисунок 4.10) модели вакансии «рабочего места» состоит из двух состояний - вакансияСвободна и вакансияЗанята. В начале моделирования, при создании агента «рабочееМесто», агент находится в состоянии вакансияСвободна, до тех пор, пока не будут набрано необходимое количество рабочих. Это время, до завершения набора, представляет собой сумму времени ожидания вакансии до начала работы рекрутера, времени работы рекрутера по набору необходимого числа рабочих, которое зависит от числа набираемых, частоты проводимых для них централизованных тестов работодателя и необходимой категории?абочих.
Процесс поиска, при начале работы рекрутера с данной вакансией, заключается в запуске рекрутёром события поискКандидатов. Поиск одного кандидата длится согласно экспоненциальному времени распределения.
При запуске модели также создаётся коллекция рекрутеров, которые занимаются набором в обозначенные ранее вакансии (рабочие места). Структура агента «рекрутер» представлена на рисунке 4.11.
Структура агента «рекрутер» в модели Параметрами каждого рекрутера являются: максимальноеЧислоВакансий, с которыми этот рекрутер одновременно может работать (задаётся равномерным распределением), количествоВакансийВРазработке -определяется числом реализуемых. При создании модели каждый рекрутер попадает в состояние «начало» своей диаграммы, в рамках которого он набирает себе работу, то есть берёт вакансии в реализацию, добавляя их в свою коллекцию вакансииВРаботе.
Каждые 10 дней рекрутер переходит в состояние «тестирование», в рамках которого набранные на вакансии кандидаты проходят тестирование у работодателя (результаты теста известны в модели сразу при создании кандидата).
После этапа тестирования, рекрутер возвращается в состояние «начало» с задержкой в 1 день в среднем, необходимой для получения результатов тестирования. В состоянии «начало», рекрутер выполняет ранее обозначенный функционал, если уже завершил работу с какой-либо вакансией, набирает в работу другие вакансии. Структура агентов типа «кандидат», которые набираются в рабочих местах, при условии, что рабочие места в разработке рекрутеров, представлена на рисунке 4.12. «установкаПрошёлТест», повышающийКоэфПриТесте - таблица в которой задаются вероятности повышения категории кандидата при тесте - т.е. кандидат может случайно написать тест на категорию выше, чем имеет физически, т.о. процедура подбора кандидатов позволяет исключать из выборки кандидатов, не прошедших по результатам тестов).