Sumber daya manusia telah menggunakan analitik selama bertahun-tahun. Namun, pengumpulan, pemrosesan, dan analisis data sebagian besar bersifat manual, dan mengingat sifat dinamika sumber daya manusia dan KPI SDM , pendekatannya telah membatasi SDM. Oleh karena itu, sangat mengejutkan bahwa departemen SDM terbangun karena kegunaan pembelajaran mesin yang sangat terlambat.
Namun demikian, pembelajaran mesin telah perlahan tapi pasti memasuki domain SDM, dan beberapa kasus penggunaan seperti prediksi gesekan, perekrutan yang tepat dan pelatihan sumber daya manusia telah ditetapkan. Juga diyakini bahwa pembelajaran mesin dapat memprediksi keberhasilan kandidat potensial. Kasus penggunaan lainnya kemungkinan akan segera ditemukan. Berbeda dengan pendekatan manual, pendekatan pembelajaran mesin jauh lebih cepat, jauh lebih responsif terhadap situasi dinamis dan menyediakan data yang akurat, dapat ditindaklanjuti, dan berharga. (Meskipun bidang analitik data menjadi semakin otomatis, tidak perlu khawatir tentang pengangguran dulu).
Baca juga : Bagaimana Kecerdasan Buatan akan Merevolusi Industri
Baca juga : Bagaimana Kecerdasan Buatan akan Merevolusi Industri
Peran SDM
Sumber daya manusia merupakan aset organisasi yang paling berharga. SDM bertanggung jawab untuk mengelola sumber daya manusia dari suatu organisasi sehingga mendapatkan nilai yang paling mungkin dari orang-orangnya. Peran SDM meliputi:
- Mengidentifikasi bakat yang tepat untuk peran yang tepat
- Kompensasi dan manfaat yang tepat
- Mengelola pengembangan karyawan dengan pelatihan dan peluang
- Melacak dan mengelola pertumbuhan sumber daya manusia dengan peningkatan, promosi, peluang dan manfaat
- Mengelola motivasi, keluhan, dan perasaan karyawan
- Mengelola keluar
Kasus untuk Pembelajaran Mesin dalam SDM
Seiring waktu, harapan departemen SDM telah berubah. Sebelumnya, SDM akan menemukan kandidat yang cocok; melakukan atau memfasilitasi penilaian; membagikan penawaran, kompensasi, dan manfaat berdasarkan kebijakan SDM; dan mengelola karier dan keluar karyawan. Sekarang, SDM diharapkan untuk menambah nilai pada apa yang sudah dilakukannya dan melakukan lebih banyak lagi, seperti memprediksi gesekan dan keberhasilan kandidat dalam suatu peran. Apakah pendekatan saat ini untuk memenuhi harapan ini memungkinkan atau menghambat SDM?
Sebelum mengadopsi pembelajaran mesin, HR akan mengelola data secara manual dan semi-otomatis. Itu akan mengumpulkan, menyimpan dan memproses data untuk menghasilkan analitik sebelum data dengan cepat menjadi tidak relevan karena situasinya telah berubah dan data perlu diperbarui. Misalnya, data yang dikumpulkan sebelum siklus penilaian tahunan menunjukkan risiko gesekan yang rendah. Namun, setelah penilaian, ada lonjakan pada gesekan dan ketidakpuasan karyawan, terutama karena ketidakcocokan dalam harapan dan imbalan aktual dan peningkatan peluang di pasar kerja. Pada dasarnya, analisis pra-penilaian menyesatkan organisasi, dan upaya tersebut dapat dianggap sebagai pemborosan.
Baca juga : 4 Jalan yang menghambat pembelajaran Mesin
Baca juga : 4 Jalan yang menghambat pembelajaran Mesin
Metode manual dan semi-manual tidak dilengkapi untuk memungkinkan SDM mengelola data pada variabel yang berubah dengan cepat terkait dengan sumber daya manusia. SDM membutuhkan analisis yang teratur dan diperbarui tentang faktor-faktor yang relevan seperti sentimen karyawan di dalam organisasi, sikap karyawan terhadap kebijakan, dan daya tarik peluang pasar versus yang ditawarkan oleh organisasi. Ini bisnis serius. Kecuali jika sumber daya manusia dikelola dengan baik, sebuah organisasi berpotensi kehilangan karyawan yang berharga. Bill Gates pernah berkomentar, "Anda mengambil 20 karyawan terbaik kami dan kami [Microsoft] menjadi perusahaan yang biasa-biasa saja." Masukkan pembelajaran mesin. Apa yang bisa ditawarkan pembelajaran mesin dibandingkan metode lama? Pertimbangkan yang berikut ini:
Respon Lebih Cepat terhadap Mengubah Dinamika
Ini adalah zaman data besar . Untuk mengelola karyawan, kalian memerlukan data pada:
- Sikap dan perasaan karyawan
- Kredensial atau kualifikasi
- Pandangan karyawan terhadap kebijakan
- Tren kompensasi dan manfaat
- Perkembangan eksternal yang relevan seperti pasar kerja dan organisasi saingan dan dampaknya terhadap karyawan kalian
Itu menambah volume data besar yang tiba setiap saat. Manajemen manual tidak diperlengkapi dengan baik untuk menanganinya. Namun, pembelajaran mesin sesuai untuk secara konsisten menerima, menyimpan, dan memproses volume data tersebut dan memberikan wawasan yang relevan dan dapat ditindaklanjuti dalam bentuk analitik sederhana.
Prediksi yang Akurat
Pembelajaran mesin dapat memprediksi perkembangan utama seperti gesekan, keberhasilan dalam peran pekerjaan dan kejadian buruk seperti perilaku yang tidak etis. Misalnya, kemungkinan keberhasilan karyawan dalam peran baru dapat diprediksi berdasarkan analisis data masa lalu seperti kinerja proyek masa lalu, basis pengetahuan , dan inisiatif utama yang diambil untuk meningkatkan basis pengetahuan, yang mencerminkan sikap. Temuan berdasarkan parameter ini dapat dikonversi menjadi analitik dan kemudian keputusan dapat dibuat.
Baca juga : Kemajuan Kecerdasan Buatan dalam bidang Arsitektur
Baca juga : Kemajuan Kecerdasan Buatan dalam bidang Arsitektur
Identifikasi Kandidat dan Pelamar Pelamar
Pembelajaran mesin dapat menghubungkan pekerjaan yang tepat dengan kandidat yang tepat berdasarkan peran pekerjaan dan kredensial, pengalaman dan minat kandidat. Pembelajaran mesin dapat memanfaatkan jejaring sosial untuk itu. Ini secara signifikan mengurangi upaya manual dalam penilaian dan pelacakan kandidat.
Perkembangan
Domain SDM, mulai sadar akan kegunaannya. Banyak kasus penggunaan sedang diimplementasikan dan lebih banyak di jalan. Ringkasan perkembangan utama diberikan di bawah ini.
Identifikasi Kandidat dan Pelacakan Aplikasi
Dengan data besar dari sumber web seperti forum dan media sosial , organisasi menemukan kandidat yang tepat untuk peran yang tepat. Sementara menilai pencalonan, pembelajaran mesin mempertimbangkan kualifikasi, pengalaman, minat, koneksi profesional dan keanggotaan, prestasi, diskusi forum dan banyak lagi. Ini secara signifikan meningkatkan peluang penyesuaian peran, jika tidak menjaminnya. Contoh yang bagus adalah situs jejaring profesional, LinkedIn .
Pembelajaran mesin secara signifikan mengurangi upaya manual dalam manajemen aplikasi dan membebaskan SDM untuk fokus pada upaya yang lebih produktif. Menurut Cristian Rennella, CEO & Cofounder dari MejorTrato.com.mx , sebuah perusahaan yang membandingkan produk keuangan, "Di masa lalu, kami menghabiskan 67,2 persen dari waktu setiap orang di HR untuk membaca CV masing-masing kandidat yang datang kepada kami melalui kami memiliki situs web dan pihak ketiga. Terima kasih kepada AI, pekerjaan ini hari ini dilakukan secara otomatis oleh sistem internal kami, yang melalui pembelajaran mendalam menggunakan TensorFlow , kami dapat mengotomatisasi tugas ini. "
Baca juga : Apa itu AI (Artificial Intelligence)?
Baca juga : Apa itu AI (Artificial Intelligence)?
Prediksi yang Akurat
Analitik SDM sering dapat secara akurat memprediksi faktor-faktor kunci seperti gesekan, kinerja karyawan, dan bahkan kejadian buruk seperti perilaku yang tidak etis. Misalnya, data dari berbagai percakapan forum, posting media sosial, email, video, organisasi saingan, dan peluang pasar dapat menunjukkan perubahan pada tingkat pengurangan. Tingkat erosi sangat rentan untuk berubah setelah siklus penilaian.
Prediksi Keberhasilan Pekerjaan
Data tentang kredensial, keanggotaan, sikap dan kinerja kandidat dapat menunjukkan kemungkinan keberhasilan dalam peran pekerjaan. Intinya adalah, secara manual mencoba untuk menghitung prediksi berdasarkan begitu banyak variabel tidak cukup. Analitik SDM dapat memberikan wawasan yang akurat berdasarkan organisasi mana yang dapat menemukan kandidat yang tepat untuk peran pekerjaan yang tepat.
Kesimpulan
Organisasi sudah menuai manfaat dari mengadopsi pembelajaran mesin. Sementara pembelajaran mesin telah mengurangi upaya manual, ML diharapkan menjadi lebih akurat dan menonjol di bidang-bidang seperti prediksi dan manajemen gesekan, manajemen karyawan dan kesuksesan.