HR-аналитика: семь шагов к справедливости | Большие Идеи

・ Управление персоналом
Статья, опубликованная в журнале «Гарвард Бизнес Ревью Россия»

HR-аналитика: семь шагов
к справедливости

Как совместить человеческий подход и логику алгоритма в управлении кадрами

Автор: Хизер Уайтман

HR-аналитика: семь шагов к справедливости
Иллюстрация: Martí Sans/ Stocksy

читайте также

А ту ли проблему вы решаете?

Питер Брегман

Плохое управление разрушает ценности

Елена Евграфова

Великие новаторы создают будущее, управляют настоящим и что-то забывают из прошлого

Виджей Говиндараджан

«В России каждый стартапер по своей природе мазохист»

Магомед-Амин Идилов

Кадровая аналитика — одна из самых востребованных компетенций для HR-специалистов. Для современных организаций это одна из самых важных тенденций в области управления человеческим капиталом. Компании анализируют данные, чтобы принимать обоснованные решения и отвечать на важные вопросы, например: «Кто уволится и когда? Как наш потенциал выглядит на фоне конкурентов? Какие навыки и специалисты нам нужны?» На основе этих данных можно делать практические выводы и с их помощью находить ответы и принимать решения.

Но в связи с более активным использованием искусственного интеллекта возникают и другие вопросы. Не могут ли процессы, основанные на анализе больших массивов данных, закреплять имеющиеся и создавать новые когнитивные искажения? Как они в целом влияют на уровень справедливости в организации?

Можно насчитать почти 200 видов когнитивных искажений, влияющих на принимаемые человеком решения. Мы замечаем их, когда понимаем, что кто-то склонен искать только ту информацию, которая подкрепляет уже сложившееся у него мнение (предвзятость подтверждения), или когда кто-то говорит: «Так и знал» (ретроспективное искажение).

Не все когнитивные предубеждения вредны. Многие из них помогают нам быстрее принимать решение и экономить время в мире жестких дедлайнов и избытка информации. Проблема в том, что наши данные могут отражать вредные человеческие когнитивные искажения и кодировать неосознанные ошибки людей, которые разрабатывают ИИ-системы, собирают и используют данные. Вопрос о справедливости возникает, когда когнитивные искажения, закравшиеся в массив данных, влияют на суждения и привносят ошибки в наши кадровые данные, процессы и технологии.

Но не все так мрачно. Данные могут и не быть губкой, впитывающей человеческие предрассудки. Данные могут также помогать нам принимать более справедливые решения за счет предотвращения субъективных (и, возможно, предвзятых) интерпретаций человеческих выводов. Аналитические инструменты способны выявлять и устранять неявные когнитивные искажения. Могут ли данные и технологии полностью устранить человеческие когнитивные искажения? Нет, полностью — не могут. Но можно использовать их, чтобы сводить когнитивные искажения до минимума и повышать уровень справедливости.

Вот семь мер, с помощью которых лидеры могут создать культуру более справедливых и обоснованных кадровых решений в своих компаниях.

1. Сформулируйте корпоративные дефиниции справедливости.

Возможно, мы никогда не установим единый критерий справедливости и не сформулируем ее универсальное определение, уместное для всех случаев. Вообще-то в словаре Google Developers Glossary числится более 45 дефиниций справедливости. Так что начните с выявления тех аспектов справедливости, которые приоритетны для вашей организации. Затем составьте несколько совместимых дефиниций справедливости, основанных на разных критериях и стандартах, которые работают в разных случаях и обстоятельствах.

Например, если ваш основной приоритет — инклюзия, можете для начала сформулировать, что она означает для вашего коллектива и как она выглядит в нем. Затем определитесь, какими способами будете измерять инклюзию или ее отсутствие, чтобы получить возможность отслеживать и оценивать прогресс. Возможно, это хороший повод попросить коллег-аналитиков помочь вам с техниками измерения и интерпретацией результатов.

2. Доказывая важность справедливости, приводите в пример успешные компании.

Объясняйте, почему справедливость важна для ваших доходов. Формулируйте свои идеи в деловых терминах и добейтесь поддержки надежных заинтересованных сторон, о которых все знают, что они принимают решения на основании анализа данных. Например, четко сформулируйте взаимосвязь между справедливостью и разнообразием. Затем расскажите, что, по результатам недавнего исследования от McKinsey по материалам более 1000 компаний из 15 стран, верхний квартиль по гендерному, этническому и культурному разнообразию опережает нижний квартиль выборки на 25—36%. Ничто так не подтвердит вашу точку зрения, как надежные количественные показатели.

3. Пользуйтесь технологиями, но принимайте во внимание их ограничения.

Технологии могут быть мощным инструментом для выявления и устранения когнитивных искажений в кадровых процессах. Они никогда не смогут обеспечить полную справедливость всех решений, основанных на анализе данных, и устранение всех когнитивных искажений, но не стоит от них отказываться из-за этих несовершенств. Каждый день появляются новые инструменты, которые способствуют принятию более справедливых кадровых решений, основанных на анализе данных. Так что следите за новинками в этой области и составляйте постоянно меняющееся портфолио ПО, инструментов и процедур, направленных на повышение уровня справедливости.

4. Проводите аудиты справедливости.

Аудиты справедливости — объективные систематические методы, позволяющие оценить состояние политик, практик и процедур, которые организация использует для работы с данными о персонале. У аудита могут быть разные цели. Первая — выявить потенциальные проблемы, из-за которых организация может попасть под суд. Другая — найти способы улучшения практик, относящихся к справедливости.

Аудит справедливости можно проводить с помощью специального ПО с привлечением стороннего эксперта или службы внутреннего контроля. Важнее всего делать это регулярно, поручая это кому-то, кто понимает принятые в вашей организации дефиниции справедливости, и принимать меры при выявлении проблем или возможностей.

5. Определите подоплеку вашей проблемы.

Обнаружив проблему, ищите, какие предположения к ней привели и какие процессы надо изменить. Когнитивные искажения часто не осознаются, и несправедливость обычно не бывает связана только с одним решением. Из-за этого подоплеку проблемы трудно выявить.

Здесь может пригодиться подход, который используют дошкольники по всему миру. Спросите «Почему?» не менее пяти раз. Вот пример того, как эта техника может сработать для вас. Проблема: «Уровень разнообразия в нашей организации составляет 45%, но всего 5% наших управленцев соответствуют дефиниции разнообразия». Рассуждайте: «Почему? Потому что большинство управленцев мы нанимаем извне. Почему? Потому что у наших перспективных сотрудников недостаточно опыта управленческой работы в нашей отрасли. Почему? Потому что у них недостаточно возможностей развивать свои лидерские качества, не отрываясь от своих коммерческих задач. Почему? Потому что у нас нет ресурсов на создание отраслевых возможностей для развития лидерских качеств. Почему? Потому что мы не делаем это приоритетом при назначении целей и бюджетов. О! Так вот в чем дело! Может быть, проблема не в том, что критериям разнообразия соответствует всего 5% управленцев. Может быть, это просто симптом».

Обычно подоплек бывает несколько, и их выявление само по себе не решит вызванную ими проблему. Все-таки нужно действовать. Однако пока вы не выявите эти подоплеки и не устраните их, изменений не будет.

6. Обязательно ориентируйтесь на многообразие и многопрофильный подход.

Разнообразная группа сможет лучше выявлять и решать проблемы, вызванные несправедливыми когнитивными искажениями в системах. Поэтому на каждом этапе процесса обязательно привлекайте людей с разными взглядами и опытом, чтобы дать нежелательным когнитивным искажениям как можно меньше шансов прокрасться в вашу систему.

Собирайте мнения со всей организации, подключайте экспертов из кадрового, аналитического, технического, юридического и других отделов, чтобы выявлять и использовать возможности для применения новых или улучшенных кадрово-аналитических систем. Важным принципом должна быть их справедливость — привлекайте собственных специалистов или сотрудничайте с поставщиками услуг при разработке и совершенствовании операционных практик и этических стандартов.

7. Машина не заменит человека.

Во многих случаях нет и не может быть замены человеческому мышлению при принятии кадровых решений. Справедливость при найме, аттестации сотрудников и других кадровых решениях требует участия людей.

Возьмем, к примеру, процесс подбора сотрудника с помощью собеседований. В наши дни вполне можно устранить из него кадровика и дать ИИ возможность принимать решения. Специалисты Pew Research опросили респондентов, как они относятся к такому подходу. Выяснилось, что 67% считают его неприемлемым. А какие причины они перечислили? Решения, принимаемые машиной, будут небезупречными и подверженными когнитивным искажениям; «людей должны оценивать люди». Те, кто считает этот подход приемлемым, все-таки полагают, что он не обойдется без недочетов и предвзятости, в том числе влияющих на справедливость. Признано также, что в этом процессе нужны и другие источники данных. Вместо того чтобы предоставить карт-бланш ИИ, изучите, в каких условиях люди и данные сотрудничают успешнее всего. Некоторые многообещающие методы принятия кадровых решений сочетают в себе машинные и человеческие процессы, позволяющие снизить предвзятость. К этому классу техник относится принятие решений «с оператором в контуре управления», при котором по результатам анализа данных предлагаются варианты и рекомендации, и человек может их подтвердить или отклонить. Такие техники могут напомнить нам, что кадровые данные — это живые люди и их настоящая жизнь, а не просто числа, которые можно бесстрастно анализировать.

Справедливость становится важным слагаемым коммерческого успеха, в основе которого должное отношение к человеку и миру в целом. Наша новая, основанная на аналитике рабочая среда дает организациям возможность определять, что есть справедливость для них, обосновывать ее роль в своей коммерческой деятельности и стремиться собственными и совместными усилиями внедрять и соблюдать этот принцип. Самое трудное — заметить возможности и не упустить их.

Об авторе

Хизер Уайтман (Heather Whiteman) — эксперт по кадровой аналитике и использованию науки и данных в искусстве понимания персонала. Уайтман — бывший директор по кадрам GE. Сейчас она обучает аналитике и анализу данных студентов Калифорнийского университета и сотрудничает с Future Workplace. Уайтман консультирует организации по вопросам развития кадрового потенциала и использования данных.