Decision Science a umělá inteligence v HR

Představte si, že umělá inteligence odhalí, že chcete odejít z firmy dříve, než si to uvědomíte vy sami. Fikce? Ne, realita. Povídal jsem si s Michalem Osuským, sociologem a analytikem KPMG, o umělé inteligenci, psychologii, Decision Science a využití v HR.

Co je Decision Science?

Decision Science je sada algoritmů, které mohou nahradit přemýšlení lidí. Jsou to poloautomatické algoritmy, které připraví podklady pro efektivní rozhodnutí. V HR mají několik oblastí aplikace: například předpovídat, že lidi v budoucnosti opustí firmu, nebo že noví pracovníci budou v budoucnosti vysoce výkonní.

header-915125_1280

Tyto principy už fungují nějakou dobu v marketingu, dobrý příklad je například Google, který podle minulého chování uživatele (na co klikal, co si kupoval, jaké stránky navštěvoval) odhaduje, co to je za člověka, co by ho zajímalo a podle toho mu zobrazuje reklamy.

Například uživatelka internetu začne najednou vyhledávat informace o těhotenství a navštěvovat e-shopy s dětskou výbavou. Program, který řídí zobrazování reklamy, vyhodnotí změnu chování a začne na uživatelku cílit reklamu na dětské postýlky, pak začne zobrazovat akční nabídky dětských plen, hraček, fotoknih a později nasadí dětskou výživu. 

Svým chováním zanecháváme obrovské množství dat, kterým se říká digitální stopa a je možné nasadit výkonné algoritmy, které tuto stopu zkoumají, vyhodnocují, porovnávají s trendy a chováním většího vzorku a na základě toho vytvářejí předpovědi, nebo-li predikce.

humanoid-1477614_1280

Jak to funguje v personalistice?

Tým Michala Osuského z KPMG vyvíjí algoritmy, které zkoumají firemní data a na základě nich připravují modely a předpovědi chování zaměstnanců.

Jedním ze zajímavých projektů byla práce pro britskou univerzitu, která zkoumala rizikovost, že její studenti opustí studium. Na univerzitě se platí poměrně velké školné a odchod studenta je ztrátou platícího zákazníka.

Michalův tým shromáždil všechna existující data a začal zkoumat souvislosti. Analyzovali například využívání univerzitní wi-fi, počet vytisknutých papírů na tiskárně, množství odebraných obědů, ale i třeba nezaměstnanost v regionu, kde bydlí studentovi rodiče.

woman-163426_1280

Jak to spolu může souviset? Na konci semestru musí studenti napsat množství seminárních prací a pak tisknou jako o život. Student, který se doteď choval standardně, najednou ve zkouškovém období tiskne výrazně méně než ostatní. Pokud navíc přestane chodit na obědy, nastala v jeho životě změna, která může znamenat, že se chystá školu opustit.

Tyto změny v chování se nazývají signály a samozřejmě to není tak triviální, jak jsem uvedl výše. Signálů se sledují desítky a musí dojít ke kombinaci několik signálů najednou. Statistika je ale neúprosná, a pokud víme, že naprostá většina studentů před opuštěním školy vykazovala určitou kombinaci změn chování, můžeme spočítat pravděpodobnost, co tyto signály přinesou u dalších. V současné době se přesnost pohybuje kolem 70 % a neustále se zvyšuje.

Jak se to dá využít ve firmách?

Zajímavým signálem je například používání telefonu, nebo emailu o večerech a víkendech. Pokud zaměstnanec doteď pracoval o víkendech a najednou přestal, došlo ke změně. Když se přidá ještě pár dalších signálů, můžeme dovodit, že dochází ke ztrátě nasazení, motivace a zaměstnanec je v ohrožení.

Nejsilnější signály jsou obecně změny v chování zaměstnance. „Nejlepší způsob jak predikovat budoucnost, je sledovat vaší minulost,“ říká Michal. „Nesledujeme jenom jednotlivce, ale i jeho změny ve vztahu k chování zbytku zkoumané populace.“

Jak se modely sestavují?

Když Michalův tým dostane nový projekt, stráví několik dní workshopy s klientem. Zkoumají, jaká data mají k dispozici a tvoří hypotézy. Pak jdou do terénu a tráví čas pozorováním zaměstnanců, jak pracují, jak telefonují nebo jak zadávají data do systému a na základě toho nominují signály, na které se chtějí zaměřit. V této fázi je třeba zapojit psychologii a sociologii a dovozovat, co se může skrývat za změnami chování.

Jeden z příkladů, které Michal uváděl: při práci pro univerzitu zjistili, že existuje korelace mezi opuštěním studia a zlepšením ekonomické situace v místě bydliště rodičů. Když šli do hloubky zjistili, že část studentů je na univerzitě, protože nemohli najít práci v místě bydliště. V okamžiku ekonomického oživení pak školu opustili a šli do práce.

artificial-intelligence-698122_1280

Samotná analýza signálů je už značně automatizovaná, protože se používají takzvané učící se algoritmy (machine learning). Ty se sami probírají obrovským množstvím historických dat, testují jejich vztahy, vylučují slepé uličky a nacházejí nejefektivnější souvislosti. Tomu se říká „trénování algoritmů“. Podle Michala jsme už dospěli do stádia, že algoritmy jsou tak složité, že jim člověk sám už ne zcela rozumí. Jsme schopni jedině ověřit, do jaké míry fungují. Dnes je to asi 70 % a toto číslo se neustále zvyšuje.

Algoritmus je schopen odhalit vaší změnu chování dříve, než vy sami si začnete psát nové CV.

 V jakých oblastech Decision Science funguje nejlépe?

Tam, kde jsou k dispozici tvrdá data, například prodej nebo call centra. Tam můžeme dobře změřit výkonnost zaměstnance (množství uzavřených obchodů, vyřízených telefonátů apod.) a proto jsou prediktivní modely nejpřesnější. Firma musí mít samozřejmě určitou velikost, aby byl zkoumaný vzorek relevantní. Modely začínají fungovat od 100 zaměstnanců a výše.

Vedle odchodovosti můžeme měřit i budoucí potenciál člověka nebo efektivitu školení. Velmi jednoduše řečeno můžeme poslat půlku prodejců na trénink, druhou ne a pak sledovat, zda došlo ke změnám ve výkonnosti.

display-dummy-1370962_1280

Další využití je v oblasti plánování lidí. Týká se například predikce provozu na call centru nebo v restauraci a včasné úpravy kapacity zaměstnanců.

Jaká je budoucnost Decision science?

Vidíme, že rutinní práce mizí. Dispečink taxi služby dříve zaměstnával desítky lidí, dnes je nahradila jedna mobilní aplikace. Změny se nevyhnou ani HR. Pokud manažer dostane každý měsíc z počítače report, jak si stojí s motivací jeho tým a kteří zaměstnanci jsou ohrožení fluktuací, obejde se pak bez části práce, kterou dnes zastává HR.

Manažer bude dostávat poradenství od stroje.

Na druhou stranu tyto změny umožní dělat práci efektivněji a manažer nebude muset spoléhat na intuici, bude se opírat o fakta a efektivně včas řešit problémy. To, že někteří HR lidé u toho už nebudou, je ale smutná pravda. Nejlepší protilék je včas se na změnu připravit, „skamarádit se s čísly,“ jak říká Michal a najít svojí novou přidanou hodnotu. Poslechněte si více na videu.