Машинное обучение в HR
За последние несколько лет в сфере управления персоналом произошло много революционных изменений.
Трансформационные HR и руководители начали искать доступные следы из другого измерения, чем рассматривать данные как простые транзакции.
Прежде чем перейти к написанию статей, ориентированных на конкретную предметную область (HR), позвольте мне сначала кратко рассказать о науке о данных и помочь вам соединить точки в машинном обучении с общим пониманием.
Что такое наука о данных
Определение науки о данных очень семантическое по своей природе, у каждого человека другая интерпретация науки о данных и машинного обучения, позвольте мне сказать это так. Наука о данных - это научное исследование, направленное на устранение неопределенных событий с помощью данных и статистика. Обычная статистика - это один из нишевых навыков, необходимых для любого специалиста-аналитика или специалиста по данным. Если у вас есть страсть к добыче полезных ископаемых (не золото или нефть, а данные), не имея докторской степени в области науки о данных, вы можете стать мастером в этом цирке (наука о данных) статистика поможет вам понять лежащую в основе закономерность в данных, статистику можно в целом разделить на две описательные и логические, логические, как следует из названия, делают вывод по выборке данных и делают вывод о том, представляет ли выборка генеральную совокупность. Например: для сравнительного анализа заработной платы специалистов по центрам обработки данных в Европе и на Ближнем Востоке (EMEA) мы можем взять образцы данных у профессионалов из Дубая и посмотреть, как эти данные подходят для всего населения, или посмотрев на автомобили, припаркованные на парковке вашей квартиры (SEDAN & SUV) и сделать вывод о модели покупки автомобилей. Таким образом, суть в том, что мы в некотором роде используем данные для обработки неопределенностей по любому событию Скажем, например, для определения когорты на рабочем месте или прогнозирования лучших имеющихся талантов на местном уровне. рынок против потенциальных талантов по всему миру или построение экономического графика, объединив рабочие места, корпоративный доход страны с ВВП, спрос и предложение рабочей силы с тренингами, доступными на местном уровне, и точность модели зависели от исхода события . К проблемам науки о данных или неопределенностям, с которыми мы сталкиваемся, можно подходить двумя разными способами: под наблюдением или без присмотра.
Обучение с учителем может наглядно представить, как показано ниже, мы обучаем ребенка или машину, предоставляя зависимую и независимую переменную или информацию, и помогаем ребенку говорить, как мы.
Обучение без учителя - один из лучших способов определить когорту на рабочем месте без общего понимания закономерностей в данных, например, ваша рабочая сила распределена по разным странам Европы и Ближнего Востока (EMEA) или по разным штатам. в Соединенных Штатах Америки в этом случае лучший способ определить программы обеспечения благополучия сотрудников - это обучение без учителя (наглядное изображение ниже)
Короче говоря, машинное обучение поможет вам предсказать неопределенности, которые вращаются вокруг нас, с помощью огромного количества данных / отпечатков, которые мы оставляем позади, и этот подход представляет собой смену парадигмы от традиционных статистических подходов, которые мы использовали в нашем колледже. дней. в течение определенного периода времени модели машинного обучения, которые мы создаем, будут точно предсказывать результат с помощью тщательного обучения и будут такими же, как если бы продавец овощей на гипермаркете поместил штрих-код овощей или фруктов на обложку, просто взглянув на узор (разве это не так просто ??)
В этой серии статей я пытаюсь сформулировать использование методологий глубокого обучения в области человеческих ресурсов. и причина этого написания заключается в том, что когда я просмотрел www, я наткнулся на огромное количество хороших статей о больших данных и машинном обучении в HR, но с ограниченным количеством реальных примеров, здесь я поделюсь с вами, как мы можем использовать машинное обучение в области управления персоналом с реальными примерами случаев. Каждый специалист по персоналу будет ежедневно сталкиваться с различными бизнес-проблемами, или, на самом деле, специалисты по персоналу будут задавать себе вопросы, связанные с персоналом, о рабочей силе и рабочем месте, или, скажем, «Машинное обучение в управлении эффективностью без учителя». обучение в поиске талантов, контролируемое обучение для создания лучших в своем классе сотрудников из талантов, доступных на местном уровне, формирование когорты на рабочем месте. HR-специалисты обычно выступают в качестве переводчиков в стратегических инициативах либо бизнеса, либо управления персоналом, как мы можем использовать машину изучать все эти инициативы и реализовывать наилучшие возможные решения после проведения A / B-тестирования. во всех моих исследованиях Я использовал замаскированные данные, и все мои исследования - это всего лишь мои взгляды и не представляют никакой организации.
СЛЕДУЮЩАЯ статья: Последовательно в этой серии я буду рассматривать реальные бизнес-проблемы, связанные с управлением производительностью, привлечением талантов, изучением и повторным обучением, высокими потенциальными талантами, вознаграждениями и признанием, компенсацией, квалификацией должностей, организационной матрицей, операциями с человеческими ресурсами и транзакциями, человеческими ресурсами. ресурсная стратегия, аутсорсинг ресурсов, кадровая политика, соответствие рабочей силы, стоимость убытков по сравнению с приобретением и т. д. для всех моих исследований, основанных на фактах, я буду использовать Python в качестве языка программирования.
