Блог

ChatGPT на службе
HR-аналитика

На что способна нейросеть: проверяем в работе
Евгений Кириёк
ChatGPT (Chat-based GPT) — это модель искусственного интеллекта, разработанная компанией OpenAI.

Набрав невероятную популярность в начале 2023 года, ChatGPT достаточно уверенно используется при решении различных бизнес-задач, в том числе и в области HR.
Cейчас ChatGPT применяется в подборе, онбординге и адаптации персонала. Нейронная сеть вполне успешно справляется с разработкой описания вакансий, должностных инструкций, типовых целей. На её базе создаются чат-боты для новых сотрудников компании, а также план оффбординга.

Ещё одной активной сферой применения ChatGPT являются внутренние коммуникации. Искусственный интеллект AI прекрасный инструмент для составления корпоративных пресс-релизов, новостей, рассылок, текстов поздравлений и прочих внутриком-активностей.

Модель может помочь с разработкой мотивационных и компенсационных моделей. Конечно, пока система справляется с этим на достаточно примитивном уровне, разрабатывая общие концепции стратегии оплаты труда и мотивации, но уже сейчас она способна написать базовый ЛНА на эту тему.

Однако в рамках данной статьи мне хотелось бы в первую очередь затронуть сферу применения ChatGPT в HR-аналитике, а здесь всё не так однозначно.

Гипотеза

В качестве гипотезы было сформулировано предположение, что ChatGPT способен помочь в рутинных задачах HR-аналитика: в работе с тестами, опросах и их обработке; расчёте и базовом анализе HR-метрик; поиске взаимосвязей и построении прогностических моделей.

Для проверки этой гипотезы были созданы различные задачи, призванные проверить эффективность и корректность работы нейросети с целью ответить на вопрос: может ли ChatGPT, в текущем его виде, помогать в решении задач в области HR-аналитики?

А пока вы осваиваете нейросеть, используйте привычные инструменты эффективней — скачайте памятку «Excel для HR. Функции работы с данными, о которых вы не знали» →

Задача 1: Составление опросов и тестов

Первая задача, без сомнения, самая простая из всех для языковой модели — составление опросника.

В разных вариациях модели было предложено составить опрос для проверки вовлечённости сотрудников, а также написать механику анализа результатов и их интерпретацию.

Ожидаемо с этой задачей модель справилась успешно и с первой попытки.

Опрос для проверки Вовлечённости сотрудников:

  1. Насколько вы чувствуете себя связанным (-ой) с миссией и ценностями компании?
  2. Как часто вы получаете признание и похвалу за свою работу?
  3. Насколько часто вы вовлекаетесь в процесс принятия решений, касающихся вашей работы?
  4. Считаете ли вы, что ваше мнение учитывается и принимается во внимание на рабочем месте?
  5. Чувствуете ли вы, что у вас есть возможность развиваться и расти профессионально внутри компании?


Механика анализа результатов:

Для каждого вопроса опроса можно использовать шкалу оценок от 1 до 5, где 1 — полностью не согласен, а 5 — полностью согласен.

После сбора данных производим подсчёт среднего значения ответов для каждого вопроса. Это позволит определить общую степень вовлечённости сотрудников в компанию.
Вторая задача в рамках блока — составление теста. Нейросети была поставлена задача составить тест для проверки знания английского языка на уровне C1. Ожидаемо ChatGPT справился и с этой задачей и предложил в меру сложный и комплексный тест на знание словарного запаса, морфологии, грамматики и синтаксиса языка.
  1. Choose the correct word order for this sentence: "often / she / late / for / work / is" a) She is often late for work. b) Often she is late for work. c) She often for work is late.

  2. What is the correct phrasal verb to complete the sentence? "I need to _______ this report before tomorrow’s meeting." a) put off b) put on c) put together.


Вывод: ChatGPT прекрасно справляется с задачами, связанными с составлением различного рода тестов, опросов для проверки hard и soft skills, популярных факторов типа вовлечённости, удовлетворённости, лояльности и пр., а также способен давать методологию таких расчётов.

Задача 2: Расчёт HR-метрик

Расчёт и анализ различных HR-метрик — неотъемлемая часть работы HR-аналитика. Я попытался установить, сможет ли нейросеть помочь с подобными задачами.

Первой задачей в рамках этого блока стал расчёт годовой текучести. Модели была предложена выгрузка текучести по месяцам за несколько последних лет работы компании с запросом посчитать текучесть за год, а также сделать прогноз текучести на следующий год. И здесь ChatGPT совершил первую ошибку. Вместо годовой текучести он рассчитал среднемесячную. Серьёзный просчёт, который существенно искажает реальное положение дел.

Впрочем, после соответствующих корректировок нейросеть сделала пересчёт и вышла на корректную цифру.
…Ноябрь: 0,4% Декабрь: 0%

Суммируем значения текучести: 0,5% + 0,4% + 0,3% + 0,4% + 0,7% + 0% + 0% + 0,7% + 0,8% + 0,5% + 0,4% + 0% = 4,7%. Затем рассчитываем текучесть за год: 4,7% / 12 = 0,4%

Текучесть персонала в 2022 году составляет 0,4%.
Вторая HR-метрика, которую было предложено рассчитать ChatGPT, — это конверсия подбора. Причём задача была сформулирована таким образом, чтобы самого слова «конверсия» (как подсказки) не было. Была предложена воронка по этапам подбора с задачей оценить эффективность воронки и наличие в ней проблемных этапов.

С этой задачей нейронная сеть справилась значительно лучше. Она не только сразу корректно определила нужную метрику для расчёта, но и отметила проблемные этапы, где конверсия падала драматически.

Для оценки эффективности воронки подбора необходимо рассчитать конверсию (процент отбора) на каждом этапе.

  1. Конверсия откликов на отбор: (40 отобранных откликов / 100 исходных откликов) * 100% = 40%

Третьей задачей в этом блоке стал запрос на оценку eNPS (employee Net promoter score) — метода оценки, с помощью которого компании могут качественно измерить лояльность своих сотрудников на базе конкретного датасета компании. ChatGPT дал корректную методологию расчёта и по ней же посчитал показатель. Замечаний нет.
Проведите опрос, в котором сотрудники будут оценивать вероятность рекомендовать компанию в качестве работодателя на шкале от 0 до 10, где 0 — «Никогда не рекомендовал бы», а 10 — «Определённо рекомендовал бы». Это вопрос, известный как «The Ultimate Question», формулируется следующим образом: «На шкале от 0 до 10 насколько вероятно, что вы порекомендуете нашу компанию в качестве места работы?» …
Вывод: ChatGPT способен проводить расчёты HR-метрик, но пока требует контроля и понимания механики расчётов со стороны пользователя, так как AI может допускать методологические ошибки и существенно искажать результаты.

Задача 3: Поиск взаимосвязей и построение прогностических моделей

Пожалуй, технически самая сложная часть эксперимента. Её задача — понять, насколько ChatGPT может помогать с построением прогностических моделей, видеть тренды и анализировать взаимосвязи показателей.

Для первого теста нейросети был предложен объём реализованной продукции компании за несколько лет. Причём данные были подобраны таким обозом, чтобы показать явную цикличность результата.
К сожалению, ChatGPT не увидел эту цикличность и выполнил задание по среднему значению за последние три года, что дало бы сильную погрешность в будущем.
Прогноз продаж на 2023 год: Среднее значение продаж за последние три года (2020, 2021, 2022) составляет: (80 + 150 + 70) / 3 = 100. Прогнозированный объём продаж на 2023 год: 100.

Прогноз продаж на 2024 год: Среднее значение продаж за последние три года (2021, 2022, 2023) составляет: (150 + 70 + 100) / 3 = 106.67 (округляем до 107). Прогнозированный объём продаж на 2024 год: 107.
Другой задачей, которую я поставил перед системой, стал поиск взаимосвязей и определение влияния зависимых факторов на заданный критерий. Подобные задачи можно решить с помощью корреляционного и регрессионного анализа, расчётом коэффициента Пирсона и ошибок отклонений.

Предложенный датасет состоял из 10 показателей, которые могли быть как взаимосвязаны, так и не иметь корреляции между собой. Задачей было определить наличие взаимосвязей между показателями, а также рассчитать формулу влияния коррелирующих факторов на заданный показатель.

С этой задачей ChatGPT справился частично. Корреляция была найдена, но дать формулу зависимости система не смогла (по сути, формулу линейной регрессии).
Вывод: ChatGPT на текущий момент пока способен строить только самые базовые прогностические модели типа линии тренда, но не способен к многофакторному анализу и выявлению глубинных причинно-следственных связей.

Общий вывод

И хотя нельзя делать однозначный вывод о возможностях ИИ ChatGPT в области HR-аналитики на базе десятка тестов, можно с определённой долей уверенности сказать, что использование нейронной сети для базовых задач возможно уже сейчас. Однако это требует контроля и понимания методологии со стороны пользователя (аналитика).

Качество предлагаемых решений ChatGPT во многом будет зависеть от корректности и полноты формулировки задачи, понимания ожидаемого результата и способности скорректировать запрос при необходимости. Однако более сложные инструменты HR-анализа, такие как построение прогностических моделей и анализ глубинных причинно-следственных связей, на данный момент времени этой модели недоступны.

Так что, уважаемые HR-аналитики, пока мы можем быть спокойны за наши рабочие места как минимум до выхода следующей версии ChatGPT :)
Дочитали статью до конца?
Оцените полезность рекомендаций
Уважаемые читатели: полное или частичное копирование материалов сайта возможно только при указании ссылки на источник.
Просим уважительно относится к труду наших авторов.
Error get alias