Пазл, который собирается сам
Можно думать о нейросети как об очень усердном и быстром стажере, который сидит над гигантской коробкой с пазлами. Каждый пазл – это кусочек данных о сотруднике. Вначале стажер не знает, какая картина должна получиться. Он просто берет и складывает кусочки наугад, смотрит на получившуюся кашу и сверяется с образцом (данными о результате – ушел человек или остался). Образец говорит: «Нет, это не «успешная адаптация». Стажер сокрушенно вздыхает, разбирает всё и начинает заново, стараясь учесть прошлую ошибку. После миллионов таких попыток он начинает угадывать, что синие кусочки часто ложатся рядом с зелеными, а угловые детали с полоской – это, скорее всего, рамка. Он научается собирать картину быстро и точно. В нашем случае «картина» – это прогноз или решение: насколько персонализировать программу обучения, кому из новичков нужна помощь наставника прямо сейчас, какой учебный формат будет самым эффективным для конкретного человека. Эта сеть не устает, не страдает от выгорания и готова работать с данными 24/7, постоянно становясь умнее. А ваша задача, как руководителя или HR-специалиста, – не писать для неё код, а предоставлять ей качественные «пазлы» (данные) и четко ставить задачу: какую картину мы хотим в итоге собрать? Остальное она сделает сама. Подумайте на минутку, какие «пазлы» о ваших сотрудниках уже лежат разрозненно в вашей компании: в таблицах, в чатах, в системах учета рабочего времени? Возможно, пора начать их собирать.
Типы данных для анализа: от резюме до поведения
Представьте, что вы строите дом для нового сотрудника – дом, в котором ему будет комфортно расти и работать. Нейросеть – ваш главный архитектор. Но даже самому гениальному архитектору нужны кирпичи, бетон и чертежи. В нашем случае это данные. Без них нейросеть слепа, а ваша программа адаптации превращается в гадание на кофейной гуще. Давайте разберемся, какие именно «кирпичи» нам понадобятся и где их взять, даже если ваша компания – это вы, два сотрудника и кофемашина.
Все данные можно условно разделить на две большие корзины: «твердые» и «мягкие». Твердые данные – это факты, цифры, явно выраженные показатели. Их легко измерить и записать в таблицу. Сюда входят резюме (образование, предыдущий опыт, навыки, указанные в CV), результаты входного тестирования, скорость прохождения учебных модулей, время выполнения первых задач, данные из системы учета рабочего времени (если она есть), даже частота и время входа в корпоративный портал. Это скелет вашего будущего понимания сотрудника.
Но скелет без нервов и мышц – просто манекен. Мягкие данные – это как раз то, что делает человека живым в глазах системы. Это поведенческие паттерны, предпочтения, эмоциональный фон. Самые ценные и, зачастую, самые игнорируемые. Как их собрать? Начните с простого. Например, в какой форме новый сотрудник задает больше всего уточняющих вопросов: в чате письменно, голосовым сообщением или тет-а-тет? Как часто он использует справочные материалы перед тем, как обратиться к коллеге? Какова тональность его сообщений в рабочих чатах (здесь могут помочь простейшие анализаторы настроения, которые уже встроены во многие корпоративные мессенджеры)? На какие темы в неформальной части адаптации он реагирует активнее всего? Все это – бесценные поведенческие данные.
Не только цифры, но и контекст
Здесь важно не скатиться в тотальную слежку. Мы не Большой Брат. Цель – не контролировать каждый чих, а понять контекст и оказать поддержку. Представьте, что сотрудник X в первую неделю бойко проходит все задания, а на второй неделе его активность резко падает. Твердые данные (время выполнения, количество ошибок) покажут сам факт снижения. Но почему? Мягкие данные могут дать ключ. Возможно, в чате команды в эти дни была напряженная дискуссия, которая его выбила из колеи. Или он трижды запрашивал доступ к критическому ресурсу и не получил ответа. Нейросеть, обученная на подобных историях, не просто зафиксирует падение KPI, а предположит причину и порекомендует руководителю не «дать пинка», а тактично поинтересоваться, нет ли проблем с доступом к инструментам. Разница, как вы понимаете, колоссальная.