Рисунок 6. Вариант визуализации первого этапа подхода в виде цифровой карты мира

Также для более подробного сравнения значений культурных показателей возможен режим просмотра в виде таблице, на которой аналогично выделены наиболее схожие и отличные по набору параметров страны. В качестве примера приведена Таблица 5.

Таблица 5. Пример визуализации первого этапа подхода в виде таблицы

	PDI	IDV	MAS	UAI	LTO	IND
США	40	91	62	46	26	68
Наиболее схожие страны
Австралия	36	90	61	51	21	71
Канада	39	80	52	48	36	68
Южная Африка	49	65	63	49	34	63
Ирландия	28	70	68	35	24	65
Наиболее отличные страны
Россия	93	39	36	95	81	20
Китай	80	20	66	30	87	24
Украина	92	25	27	95	55	18
Польша	68	60	64	93	38	29



Также для каждой страны могут быть просмотрены культурные профили сотрудников, примеры которых приведены в части 2.2. Культурные профили сотрудников на примере стран США и России.

Далее будет рассмотрен второй этап предлагаемого подхода.

2.4.2 Визуализация второго этапа: выбор кандидата на основе анализа больших данных

Выбрав страну, подходящую по культурному профилю, возможен более детализированный обзор подходящих кандидатов на уровне страны, региона и т.д. Анализ данных проводится по набору как личностных качеств, так и профессиональных навыков, которые необходимы организации для конкретной позиции в команде. На основании оценки каждого из навыков претендента выставляется балл от 1 до 100. На Рисунке 7 представлен пример карты Австралии.

Рисунок 7. Вариант визуализации второго этапа подхода в виде цифровой карты

Также аналогично предыдущему этапу возможен более подробный просмотр оценки каждого навыка

В качестве примера представлена Таблица 6, в которой рассмотрены три кандидата на позицию Разработчика на языке С# (К №1, К №2 и К №3) и сокращенный набор требуемых навыков. Выделено два блока: профессиональные навыки и личностные качества кандидата. На основании баллов по каждому навыку выставлен итоговый балл.

Таблица 6. Пример визуализации второго этапа подхода в виде таблицы

	Блок профессиональных навыков	Блок личностных качеств	Итоговый балл
	С#	C++	MS Visual Studio	Технический английский	Органи-зованность	Добросо- вестность
К №1	89	97	94	79	90	94	91
К №2	78	80	93	99	83	87	87
К №3	68	55	83	88	89	70	76

Отметим, что культурные профили и рассмотрение как цифровой карты, так и таблицы могут быть применены не только в рамках рекрутмента. Возможно сравнение профилей при переезде в другую страну, поиска работы в другой стране, выбора страны для учебы за рубежом.

Применение культурных профилей вместе с анализом больших данных может быть эффективным при подборе совместимой по заданным критериям команды, направленной на выполнение определенного проекта. При набирающей популярность открытой экономике талантов данный подход может найти применение при создании виртуальной команды.

Далее будут отмечены преимущества и возможные риски предлагаемого подхода.



2.5 Преимущества и возможные риски предлагаемого подхода

К преимуществам подхода можно отнести следующие факторы:

· Автоматизация процесса найма и отбора сотрудников: исключая этап просмотра цифровой карты со всеми подходящими кандидатами, возможен подбор «идеального» для компании сотрудника по самому высокому выставленному баллу.

· Исключение неосознанной предвзятости и интуитивности при отборе персонала: использование больших данных при отборе персонала может исключить иногда неосознанные дискриминацию и предвзятость, связанные с полом, цветом кожи, возрастом, опытом работы кандидата и т.д.

· Ускорение процесса отбора персонала: использование культурных профилей и технологий больших данных значительно сокращает количество этапов отбора кандидатов, таких как скрининг резюме и собеседование.

Однако помимо очевидных плюсов существуют и риски применения данного подхода:

· Потеря человеческого фактора при отборе персонала: системы больших данных являются мощным инструментом в рекрутменте, однако они остаются инструментом, сухие данные и логику которого не всегда можно применить при работе с людьми. Так, ошибка в модели может стать следствием того, что некоторые талантливые кандидаты будут лишены места работы. [25]

· Конфиденциальность данных: вопрос о конфиденциальности и качестве данных оказывается критическим для многих организаций. Компании теперь должны беспокоиться о качестве данных на всех уровнях, устанавливать политику конфиденциальности и анонимности и тщательно внедрять методы защиты данных сотрудников от краж и злоупотреблений.

· Нехватка навыков HR-специалистов: далеко не все HR-специалисты располагают навыками анализа данных, что требует изменений в составе всей функции управления человеческими ресурсами.

· Нерелевантность используемых данных: для получения достоверной информации и инсайтов важно использование релевантных данных, что, в свою очередь, требует корректной формулировки вопроса при использовании технологий больших данных. [27] Примером может служить использование данных рекрутмента прошлых периодов, которые будут отражать прошлую политику найма, т. е. информировать о том, что уже известно. [29]

Рассматривая и взвешивая все преимущества и недостатки подхода, важно также понимание того, что для использования аналитических средств необходимо создание благоприятной среды в организации.

2.6 Прогноз факторов, способствующих развитию использования инструментов people analytics и больших данных в управлении персоналом

Для развития HR-функции в направлении аналитики и технологий больших данных важно создание соответствующей среды, которой могут способствовать следующие факторы:

· Инвестиции в развитие People Analytics: функция People Analytics должна обеспечивать глобальную поддержку организации, а не только технический анализ, что требует поддержки старшего руководства и HR-руководителей, ИТ-ресурсов и лидера, ориентированного на развитие бизнеса.

· Установление четкого руководства: так как функция анализа данных о сотрудниках претерпевает децентрализация, распространяясь и на другие подразделения бизнеса, помимо управления человеческими ресурсами, важно установление четкого руководства и создание единой команды на начальных этапах работы People Analytics.

· Приоритизация надежных и качественных данных как в HR-функции, так и по всей организации: анализ данных может быть качественным и способным предоставить надежную информацию, только если данные, которые обрабатываются аналитическими инструментами и специальным программным обеспечением так же релевантны и надежны. Работа с последовательными, поступающими своевременно и точными данными является основополагающей в любых методах аналитики. Поэтому важно предпринять конкретные шаги для обеспечения того, чтобы качество данных являлось приоритетом при работе с большими данными: обучение HR-специалистов, внедрение программ управления и обеспечения точности операционных данных и данных в хранилищах HR. входило в каждую аналитическую дискуссию.

· Восприятие People Analytics как мультидисциплинарной функции: при работе с данными о сотрудниках важно собрать мультидисциплинарную группу людей со всей организации, а не только HR-специалистов и статистиков. Технический анализ данных - лишь малая часть People Analytics. Знания о бизнесе, проверка качества предоставляемых данных, визуализация данных, консалтинговые навыки - это и многое другое критически важно для эффективной работы People Analytics.

· Улучшение аналитических навыков HR-специалистов: человеческий фактор в HR-функции остается неизменно важным, несмотря на внедрение мощных аналитических инструментов и систем больших данных, поэтому важно обучение специалистов в области управления человеческими ресурсами аналитическим навыкам, в частности People Analytics. Для этого компаниям необходима специальная учебная программа и стандартизация аналитических средств, предоставляемых отчетов и панелей мониторинга.

· Интеграция HR-данных, внутренних данных организации и данных из внешних источников: программы аналитики все больше работают на пересечении данных HR, всей организации и данных из внешних источников. Организациям требуется конкретная стратегия, которая подготавливает благоприятную среду для использования как структурированных, так и неструктурированных данных из внутренних и внешних источников.

· Обеспечение конфиденциальности данных: внутри организаций важно обеспечить местное регулирование в отношении использования данных сотрудников и недопущение риска публичного раскрытия частной информации об организации и ее сотрудниках.

Итак, для обеспечения должной организационной среды для развития People Analytics важно осознание неизбежного видоизменения функции управления человеческими ресурсами. Анализ больших объемов данных о сотрудниках теперь не ограничен HR, а становится функцией всего бизнеса. Учитывая данный сдвиг, растет понимание того, что в данном случае уместна работа мультидисциплинарной команды и важно развитие управления качеством и надежностью предоставляемых данных.



Заключение

В ходе работы были изучены и проанализированы литературные источники и имеющиеся на рынке программные решения в области применения анализа больших данных как тренда диджитализации функции управления человеческими ресурсами. Так, были обозначены направления HR, в которых уже активно используются системы больших данных: найм и отбор кандидатов, анализ сети организации и оценка эффективности персонала.

Также была выявлена одна из главных проблем отбора персонала - выявление личностных качеств кандидата. В качестве возможности совершенствования процесса рекрутмента предложено использование культурных профилей, составленных на основании этнометрических параметров Г. Хофстеде на примере стран США и России и демонстрирующих особенности коммуникации сотрудников в командной работе. Данные профили рассматриваются в качестве первого этапа предлагаемого в настоящей работе подхода к отбору персонала. Следующий этап - использование анализа больших данных по конкретным профессиональным навыкам и личностным качествам кандидата. В работе также рассмотрены преимущества и риски данного подхода и факторы, которые могут способствовать развитию использования аналитических средств и больших данных в организациях.

В перспективе возможна доработка описанного подхода и представление прототипа. Идея может быть развита на основе следующих предпосылок:

· Совершенствование подбора команды за счет использовани с использованием теста Р.М. Белбина на определение командных ролей. Belbin, M. Management Teams. London; Heinemann. 1981.

· Создание динамического профиля личностных качеств и профессиональных навыков сотрудника: сбор и анализ данных о кандидате позволяет в дальнейшем проследить динамику как поведенческих особенностей, так и профессиональных способностей с течением времени и составить профиль для каждого сотрудника, совмещающий как отличительные черты культуры, так и ряд имевших при поиске кандидата и приобретённых качеств и навыков во время работы в организации.

· Обеспечение публичного доступа к оценкам навыков других кандидатов: возможность просмотра чужих профилей навыков поможет определить кандидату его положение на рынке труда и понять, какие способности нужно улучшить для получения определенной должности.

· Культурный интеллект: использование концепции культурного интеллекта для совершенствования подбора участников команды и менеджеров.



Глоссарий основных терминов

Глоссарий терминов в сфере управления человеческими ресурсами

Автоматизация управлением персонала (англ. Human Resources Information System, HRIS) - деятельность по разработке, внедрению и администрированию программного обеспечения для управления человеческими ресурсами, нацеленные на автоматизацию функций кадровых служб и информационное обеспечения деятельности организации.Автоматизация управлением персонала [Электронный ресурс] / Википедия -- свободная энциклопедия. - URL: https://ru.wikipedia.org/wiki/Автоматизация_управлением_персонала. (Дата обращения: 10.03.17).

Анализ сети организации (англ. Organizational network analysis, ONA) - это отображение и анализ отношений и потоков информации между отдельными людьми, группами и организациями, в которых сетевыми «узлами» являются люди и группы, а связи - отношения или потоки между узлами. На диаграммах размер узла (от малого до большого) обычно означает влияние или важность человека/группы. Информация, извлеченная из анализа сети организации, может значительно повлиять на совместную работу сотрудников. Organizational network analysis [Электронный ресурс] / Bersin by Deloitte Lexicon. - URL: http://www.bersin.com/Lexicon/Details.aspx?id=19506. (Дата обращения: 18.03.17).

Виртуальная команда (коллектив) (англ. Virtual team) - это географически-распределенная группа сотрудников, работающих над одним проектом или в одной компании. Появление виртуальных коллективов стало возможным благодаря развитию интернет-технологий для коммуникаций и совместной работы. Виртуальный коллектив [Электронный ресурс] / Википедия -- свободная энциклопедия. - URL: https://ru.wikipedia.org/wiki/Виртуальный_коллектив. (Дата обращения: 10.03.17).

Вовлеченность и активность сотрудников - предоставление работникам возможности высказывать свое мнение, обеспечение их информацией и консультирование их по вопросам, представляющим взаимный интерес.

Вознаграждение нефинансового характера - вознаграждение работников нефинансовыми методами, такими, как признание, повышение степени ответственности и предоставление возможностей для достижения более высоких трудовых показателей, а также для профессионального и личностного роста. [1, 33]

Лента активности в интернете (англ. Activity stream) - лента обновлений, изменений и комментариев людей во внутренней сети (например, команде, рабочей группе, организации, группе интересов и т.д.) на одной странице. Activity stream [Электронный ресурс] / Bersin by Deloitte Lexicon. - URL: http://www.bersin.com/Lexicon/Details.aspx?id=14832. (Дата обращения: 25.03.17).

Мэппинг (англ. Mapping) - графическое представление процедуры, процесса, структуры или системы, которое отражает расположение или отношения компонентов, а также документирует потоки энергии, товаров, информации, материалов, денег, персонала и т.д. Mapping [Электронный ресурс] / Business Dictionary. - URL: http://www.businessdictionary.com/definition/mapping.html. (Дата обращения: 12.03.17).

Открытая экономика талантов (англ. Open Talent Economy) - экосистемный подход к таланту, который фокусируется не только на сотруднике, который работает на основании официального трудового соглашения, но и на сотруднике, которого организация может получить другими способами. В дополнение к сотрудникам, которые официально работают в компании, организация может получить доступ к талантам через совместные предприятия и союзы, заключение контрактов и аутсорсинг, наем независимых работников и фрилансеров или доступ к талантам через интернет-площадки и соревнования. Open talent economy [Электронный ресурс] / Bersin by Deloitte Lexicon. - URL: http://www.bersin.com/Lexicon/Details.aspx?id=19686. (Дата обращения: 28.03.17).

Обучение на организационном и индивидуальном уровнях - систематическое развитие бизнеса по принципу обучающейся организации; предоставление возможностей для обучения работников и развития их способностей, для карьерного роста и повышения статуса работника на рынке труда. [1, 33]

Оплата личного вклада - вознаграждение на основе затраченных усилий, полученных результатов, уровня компетентности и умений. [1, 33]

Организационное развитие - это процесс стимулирования, планирования и реализации программ, направленных на повышение уровня эффективности функционирования организации и способности гибкого реагирования на изменения. [1, 32]

Организационный дизайн - это процесс развития организации, которая обеспечивает выполнение всех требуемых функций, комбинируя их таким образом, чтобы способствовать интеграции и кооперации, и организации, которая гибко реагирует на изменения и способствует развитию эффективных процессов коммуникации и принятия решений. [1, 32]

Планирование труда - это решения по конкретным должностям, рабочим обязанностям и полномочиям, а также отношениям между работником в данной должности и остальными сотрудниками. [1, 32]

Планирование человеческих ресурсов - планирование будущей потребности в человеческих ресурсах с точки зрения количества, квалификации и компетентности, формулирование и выполнение планов по удовлетворению этих потребностей. [1, 32]

Промежуточные опросы мнения персонала (англ. Pulse survey tools) - короткий опрос, предназначенный для быстрого понимания мнения служащего. Промежуточные опросы мнения персонала обеспечивают данными в режиме реального времени и особенно полезны для изучения краткосрочных тенденций и конкретных тем, которые могут быть актуальны в данный момент времени. Pulse survey tools [Электронный ресурс] / Bersin by Deloitte Lexicon. - URL: http://www.bersin.com/Lexicon/Details.aspx?id=14256. (Дата обращения: 25.03.17).

Развитие управленческих кадров - предоставление менеджерам возможности для обучения и развитие их способности вносить существенный вклад в достижение целей компании. [1, 33]

Система оплаты труда - развитие структур и систем оплаты труда на основе равенства, справедливости и прозрачности. [1, 33]

Cкрининг бэкграунда (англ. Background screening (check, investigation)) - проверка как конфиденциальной, так и общедоступной информации об отдельном человеке или организации. Скрининг бэкграунда обычно выполняется работодателями для обеспечения того, чтобы: (1) работник был тем, за кого он себя выдает, (2) определить, что кандидат не был привлечен к уголовной ответственности, которая может плохо отразиться на деятельности компании (3) подтвердить информацию, которую заявитель включил в свое резюме. Background check [Электронный ресурс] / Business Dictionary. - URL: http://www.businessdictionary.com/definition/background-check.html. (Дата обращения: 12.03.17).

Cовместное потребление - термин, используемый для описания экономической модели, основанной на коллективном использовании товаров и услуг, бартере и аренде вместо владения. Совместное потребление [Электронный ресурс] / Википедия -- свободная энциклопедия. - URL: https://ru.wikipedia.org/wiki/Совместное_потребление. (Дата обращения: 10.03.17).

Управление карьерным ростом - планирование и развитие карьеры людей, обладающих необходимым потенциалом. [1, 33]

Чат-бот (виртуальный собеседник, программа-собеседник) - это компьютерная программа, которая создана для имитации речевого поведения человека при общении с одним или несколькими собеседниками, особенно в сети Интернет. Chatbots [Электронный ресурс] / Bersin by Deloitte Lexicon. - URL: http://www.bersin.com/Lexicon/Details.aspx?id=20743. (Дата обращения: 25.03.17).

People Analytics - новый подход к управлению персоналом, основанный на анализе данных. [26]



Глоссарий терминов в сфере больших данных

Имитационное моделирование (англ. Simulation) - моделирование поведения сложной системы, часто используемое для прогнозирования, предсказания и сценарного планирования. [22]

Классификация (англ. Classification) - набор методов категоризации новых данных на основе принципов, ранее применённых к уже классифицированным данным. [22]

Кластеризация (англ. Clustering), кластерный анализ (англ. Cluster analysis) - статистический метод для классификации объектов, который разделяет группу разнообразных объектов на меньшие группы схожих объектов, характеристики сходства которых неизвестны заранее. [22]

Краудсорсинг (англ. Crowdsourcing) - метод сбора данных, представленных большой группой людей (crowd (англ.) - толпа) обычно через сетевые средства массовой информации, таких как Интернет. [22]

Машинное обучение (англ. Machine learning) - метод, связанный с проектированием и разработкой алгоритмов, которые позволяют компьютерам развивать модели поведения на основе эмпирических данных. Пример машинного обучения - обработка естественного языка. [22]

Нейронные сети (англ. Neural networks) - вычислительные модели, навеянные структурой и работой биологических нейронных сетей (клетки и соединения внутри головного мозга), которые находят закономерности в данных. Нейронные сети могут быть использованы для распознавания образов и оптимизации. [22]

Оптимизация (англ. Optimization) - набор численных методов, используемых для модернизации сложных систем и процессов для повышения их эффективности в соответствии с одним или более объективных показателей (например, стоимость, скорость, надежность). [22]

Поиск ассоциативных правил (англ. Association rule mining) - определение часто встречающихся наборов объектов в большом множестве наборов. [2]

Прогнозирование, предсказание (англ. Prediction) - разработка модели, в которой вывод одиночного аспекта данных (предсказываемой переменной) осуществляется на основе комбинации других аспектов (переменных-предсказателей). Андрианова Е.Е., Сабинин О.Ю. Методы и алгоритмы Data Mining для решения задач образования, доклад, Международная научно-практическая конференция Научно-образовательная информационная среда XXI века, Санкт-Петербург, 2014.

Пространственный анализ (англ. Spatial analysis) - набор методов, некоторые из которых взяты из статистики, которые анализируют топологические, геометрические или географические свойства, закодированные в наборе данных. [22]

Регрессионный анализ (англ. Regression) - набор статистических методов для определения того, как изменяется значение зависимой переменной, когда изменяются одна или несколько независимых переменных. [22]

Сетевой анализ (англ. Network analysis) - набор методов, используемых для описания взаимосвязей между дискретными узлами в графе или сети. [22]

Смешение и интеграция данных (англ. Data fusion and integration) - набор методов, позволяющих интегрировать данные из разнообразных источников для возможности глубинного анализа, что оказывается более эффективным и точным, чем анализ одного источника данных. Примеры таких методов: цифровая обработка сигналов и обработка естественного языка. [22]

Эксперимент (в прескриптивной аналитике) - формирование тестовой и контрольной групп методом случайного отбора и выявление причин и степени влияния независимых переменных на зависимую переменную. Дэвенпорт Т., Хо К. Д. О чем говорят цифры: Как понимать и использовать данные, Манн, Иванов и Фербер, 2014



Список использованной литературы

1. Армстронг М. Стратегическое управление человеческими ресурсами. - М.: Инфра-М, 2002. C. 6-57.

2. Барсегян А. А., Куприянов М. С., Холод И. И., Тесс М. Д., Елизаров С. И. Анализ данных и процессов: учеб. пособие, 3-е изд., перераб. и доп. -- СПб.: БХВ-Петербург, 2009.

3. Картушина Е.Н. Командообразование как потребность в современном процессе управления персоналом // Социально-экономические явления и процессы. 2013. №5 (051). С. 99-102.

4. Клеменков П. А., Кузнецов С. Д. Большие данные: современные подходы к хранению и обработке. Труды Института системного программирования РАН, том 23, 2012.

5. Кричевский Р. Л., Дубовская Е. М. Социальная психология малой группы: учеб. пособие для вузов. - М.: Аспект Пресс, 2001.

6. Носкова К.А. Облачные системы управления человеческим капиталом // Гуманитарные научные исследования. 2012. № 12.

7. Adams T. Job hunting is a matter of Big Data, not how you perform at an interview, 2014. [Электронный ресурс] / The Guardian. - URL: https://www.theguardian.com/technology/2014/may/10/job-hunting-big-data-interview-algorithms-employees. (Дата обращения 10.11.2016).

8. Al-Ani, A. Beobachtungen bei Arbeit und Spiel: Was passiert, wenn Big Data bei Personalentscheidungen eingesetzt wird?, 2014. [Электронный ресурс] / Huffington Post Deutschland. - URL: http://www.huffingtonpost.de/Ayad-Al-Ani/beobachtungen-bei-arbeit-_b_4646029.html. (Дата обращения 10.11.2016).

9. Bersin J. Predictions for 2017 - Everything is becoming digital, Research Report, 2016 [Электронный ресурс] / Bersin by Deloitte. - URL: https://www2.deloitte.com/content/dam/Deloitte/at/Documents/about-deloitte/predictions-for-2017-final.pdf. (Дата обращения: 20.12.16).

10. Bertolucci J. Big Data Analytics: Descriptive Vs. Predictive Vs. Prescriptive, 2013 [Электронный ресурс] / InformationWeek. - URL: http://www.informationweek.com/big-data/big-data-analytics/big-data-analytics-descriptive-vs-predictive-vs-prescriptive/d/d-id/1113279 (Дата обращения: 20.12.16).

11. Big data: HR's golden opportunity arrives, 2013. [Электронный ресурс] / eQuest. - URL: https://www.equest.com/wp-content/uploads/2013/05/equest_big_data_whitepaper_hrs_golden_opportunity.pdf(Дата обращения 10.11.2016).

12. Big data [Электронный ресурс] / Oxford English Dictionary. - URL: http://www.oed.com/view/Entry/18833#eid301162177. (Дата обращения 02.03.2017).

13. Big data [Электронный ресурс] / Wikipedia - The Free Encyclopedia. - URL: https://en.wikipedia.org/wiki/Big_data. (Дата обращения 02.03.2017).

14. Collins L., Fineman D., Tsuchida A. People analytics: Recalculating the route, Global Human Capital Trends 2017: Rewriting the rules for the digital age, Deloitte University Press, 2017. [Электронный ресурс] / Deloitte University Press. - URL: https://dupress.deloitte.com/dup-us-en/focus/human-capital-trends.html. (Дата обращения 12.03.2017).

15. Cross R. L., Martin R. D., Weiss L. M. Mapping the value of employee collaboration, 2006. [Электронный ресурс] / McKinsey&Company Organization. - URL: http://www.mckinsey.com/business-functions/organization/our-insights/mapping-the-value-of-employee-collaboration. (Дата обращения 10.03.2017).

16. Drцsser Ch. Nur das Glьck kann er nicht finden, 2015. [Электронный ресурс] / Zeit Online. - URL: http://www.zeit.de/wirtschaft/unternehmen/2015-06/linkedin-lutz-finger/komplettansicht. (Дата обращения 05.12.2016).

17. Fuller R. Leveraging Big Data To Redefine Collaboration In The Enterprise, 2014. [Электронный ресурс] / Digitalist Magazine by SAP. - URL: http://www.digitalistmag.com/technologies/big-data/2014/01/29/leveraging-big-data-redefine-collaboration-enterprise-01243242. (Дата обращения 27.03.2017).

18. Gillies C. Recruiting via PC - Vom Roboter eingestellt, 2014. [Электронный ресурс] / Computer Woche. - URL: http://www.computerwoche.de/a/vom-roboter-eingestellt,2553093. (Дата обращения 05.12.2016).

19. HireRight Employment Screening Benchmark Report 2016, 2015 [Электронный ресурс] / HireRight. - URL: http://www.hireright.com/assets/uploads/files/HireRight2016BenchmarkingReport.pdf. (Дата обращения 15.03.2017).

20. Hofstede G., Culture's Consequences: International Differences in Work-Related Values. Sage Publication, 1980.

21. Hofstede's web-site [Электронный ресурс] / Geert Hofstede. - URL: http://geert-hofstede.com/. (Дата обращения 02.05.2017).

22. James M., Michael C., Brad B., Jacques B., Richard D., Charles R., Angela B. H. Big data: The next frontier for innovation, competition, and productivity, McKinsey Global Institute, 2011. [Электронный ресурс] / McKinsey&Company Digital McKinsey. - URL: http://www.mckinsey.com/business-functions/business-technology/our-insights/big-data-the-next-frontier-for-innovation. (Дата обращения 10.03.2017).

23. Lawrence J. The role of big data in employee performance development, 2013. [Электронный ресурс] / HRZone . - URL: http://www.hrzone.com/perform/people/the-role-of-big-data-in-employee-performance-development. (Дата обращения 10.04.2017).

24. Meister J. C. Make Sure Your Dream Company Can Find You, 2013. [Электронный ресурс] / Harvard Business Review. - URL: https://hbr.org/2013/12/make-sure-your-dream-company-can-find-you. (Дата обращения 10.01.2017).

25. Peck D. They're watching you at work, 2013 [Электронный ресурс] / The Atlantic. - URL: http://www.theatlantic.com/magazine/archive/2013/12/theyre-watching-you-at-work/354681/. (Дата обращения 03.12.2016).

26. People Analytics, University of Pennsylvania. [Электронный ресурс] / Coursera. - URL: https://www.coursera.org/learn/wharton-people-analytics. (Дата обращения 27.03.2017).

27. Scholz C. Big Data in der Personalarbeit: Nein, danke, 2014

[Электронный ресурс] / Der Standart. - URL: http://derstandard.at/1388650688167/Big-Data-in-der-Personalarbeit-Nein-danke. (Дата обращения 03.12.2016).

28. Stephan M., Brown D., Erickson R. Talent acquisition: Enter the cognitive recruiter, Global Human Capital Trends 2017: Rewriting the rules for the digital age, Deloitte University Press, 2017. [Электронный ресурс] / Deloitte University Press. - URL: https://dupress.deloitte.com/dup-us-en/focus/human-capital-trends.html. (Дата обращения 12.03.2017).

29. Strohmeier S. Big data in the HR function - does it really exist and is it really useful? // HRZone, & Cornerstone (Eds.), HR Technology: Theoretical and Practical Insight from Leading European and International Academics. 2015. P. 12-15.

30. Tse T., Esposito M., Groth O. Resumes Are Messing Up Hiring, 2014. [Электронный ресурс] / Harvard Business Review. - URL: https://hbr.org/2014/07/resumes-are-messing-up-hiring. (Дата обращения 10.01.2017).

31. Volini E., Occean P., Stephan M., Walsh B. Digital HR: Platforms, people, and work, Global Human Capital Trends 2017: Rewriting the rules for the digital age, Deloitte University Press, 2017. [Электронный ресурс] / Deloitte University Press. - URL: https://dupress.deloitte.com/dup-us-en/focus/human-capital-trends.html. (Дата обращения 12.03.2017).



Приложение 1

Детали опроса deloitte university press2017 Global Human Capital Trends [Электронный ресурс] / Deloitte University Press. - URL: https://dupress.deloitte.com/dup-us-en/focus/human-capital-trends.html. (Дата обращения: 20.03.2017).

Приложение 2

Таблица трендов в управлении человеческими ресурсами

Тренд	Описание	Примеры применения
Аналитика и системы больших данных	Аналитика включает в себя как сбор, так и дальнейшие обработку и анализ данных, направленные на достижение заданной цели. С появлением возможности обработки данных из разнообразных внешних источников, таких как социальные сети, помимо анализа внутренних данных организации, в HR используется и аналитика больших данных. Большее распространение большие данные получили в вопросах найма и отбора кандидатов, внутренней коммуникации и оценке эффективности сотрудника.	- Перевод аналитики из нишевой группы в HR в важную операционную бизнес-функцию. - Использование панелей мониторинга данных о потоке кандидатов и их качестве в реальном времени. - Создание профиля «опыта работника» в организациях на основе данных о каждой стадии опыта работника (поиск работы кандидатом, адаптация нового работника, ежедневная работа сотрудников, проверка качества работы). [9, 17] - Сбор данных контрольно-измерительных приборов для определения лучшего дизайна конференц-залов, окон и рабочего пространства, чтобы увеличить продуктивность и удовлетворенность сотрудников. [9, 18] - Скрининг кандидатов до их отбора при помощи выявления индивидуального профиля навыков потенциальных кандидатов на основе анализа имеющихся в открытом доступе работ, социальных сетей, виртуального следа и т.д. Пример основан на работе компаний AmazingHiring (URL: https://amazinghiring.ru), TalentBin (URL: https://www.talentbin.com), Entelo (URL: https://www.entelo.com). [8] - Анализ данных потенциальный кандидатов на основе пройденных ими онлайн-курсов и по итогам пройденных онлайн-игр. [8] - Анализ данных потенциальный кандидатов на основе порталов по трудоустройству. [11] - Алгоритмическое сопоставление кандидата и работодателя с помощью машинного обучения на основе порталов по трудоустройству Пример основан на опыте компаний Hired (URL: https://hired.co.uk) и Switch (URL: https://www.switchapp.com).. - Найм определенных категорий сотрудников (например, сотрудников колл-центра) без участия человека и только при помощи анализа данных о нынешних и будущих сотрудников. [18] - Описание сетей взаимодействия сотрудников с помощью данных о взаимодействии по электронной почте, телефонным звонкам, видео-конференциям, социальным сетям и т.д. [26] - Выявление корреляции между коучингом и вовлеченностью сотрудников. [14] - Анализ шаблонов тайм-менеджмента сотрудниками на основе анализа данных электронной почты и календаря. [14] - Анализ почасового труда и немедленное определение шаблонов сверхурочной работы и других форм «утечки» заработной платы, позволяющий усовершенствовать практику управления человеческими ресурсами и, как результат, значительно уменьшить издержки организации. [14] - Использование внешних и внутренних данных о найме для определения тех сотрудников, которые собираются найти новое рабочее место, прежде чем к ним обратятся конкуренты. Выявите тех, кто потенциально готов к смене работы (beta) - Мониторинг специфики поведения человека в социальных сетях, выявление поведенческих аномалий и составление прогноза его готовности к карьерным переменам с помощью интеллектуального анализа данных Пример основан на работе компании potok (URL: https://potok.io).. - Таргетированная реклама вакансий, основанная на анализе демографических факторы, интересов, онлайн-поведения и так далее Пример основан на опыте компании Recruitz.io (URL: https://recruitz.io)..
Геймификация	Геймификация представляет собой использование игровых техник в неигровых процессах. В HR геймификация помогает усовершенствовать отбор персонала, увеличить эффективность работы кандидатов, сплотить команду и мотивировать персонал.	- Выявления конкретных, необходимых компании навыков, определение, насколько кандидат креативен, любопытен, осторожен и т. д. с помощью анализа данных, полученных при прохождении игры, оценивающей, как люди ведут себя и принимают решения в режиме реального времени Пример основан на опыте компании Knack, создателя игр Dangeon Scrawl и Wasabi Waiter.. [7] - Симуляция задач, выполняемых будущим сотрудников, в виде игры при отборе кандидатов [28] - Портал по трудоустройству, основа работы которого - геймификация. Кандидаты выполняют задания в игровой форме, результаты которых показывают, каким компаниям кандидат лучше всего подходит Пример основан на опыте компании Pymetrics (URL: https://www.pymetrics.com)..
Корпоративная культура компании как главный приоритет	Корпоративная культура рассматривается как стратегический инструмент, позволяющий ориентировать как подразделения в целом, все подразделения и всех работников предприятия на общие цели, повышать инициативу персонала, обеспечивать преданность общему делу, облегчать общение.	- Выявление основных ценностей и особенностей поведения посредством опроса. Опрос выявляет, схожи ли ценности кандидата с ценностями компании или команды, подходит ли претендент к культуре компании, и предсказывает, как могут сложиться межличностные отношения между претендентом и потенциальным работодателем. После обработки ответов на опрос выставляется балл от 0 до 100 каждому кандидату в зависимости от того, насколько он подходит компании Пример основан на опыте компании Saberr (URL: https://www.saberr.com).. - Определение культурного профиля компании и поиск кандидата, подходящего к ней и совместимого с HR- брендом Пример основан на опыте компании RoundPegg (URL: http://roundpegg.com).. - Определение корпоративной культуры с помощью измерений Г. Хофстеде.
Коучинг	Метод инновационного развития персонала для раскрытия потенциала сотрудников, их самоорганизации, повышение производительной деятельности и профессионального роста.	- Поиск личного коуча на основе данных социальной сети для поиска и установления деловых контактов LinkedIn: поиск наставника, уже имеющего опыт работы от 5 лет, для молодого специалиста с теми же навыками, которые потенциальный коуч имел 5 лет назад. [16]
Культурный интеллект	Культурный интеллект - это способность соотносить и эффективно работать в разнообразных в культурном отношении ситуациях. Культурно интеллектуальный человек может эффективно работать и общаться с людьми в разных культурных контекстах. Ведущие организации в бизнесе, образовании, правительстве и здравоохранении рассматривают культурный интеллект как ключевой компонент развития персонала и конкурентного преимущества.	- Применение культурных измерений Г. Хофстеде для оптимизации командной работы, совершенствования кооперации в рамках глобализации, баланса между стандартизацией и локализацией.Пример основан на опыте компании itm International (URL: http://itim.org). - Проведение тренингов и коучинг для адаптации экспатов на новом месте работы. Пример основан на опыте компании Globiana (URL: http://globiana.com). - Диагностирование состояния культурного интеллекта сотрудников на данный момент и предоставление онлайн-тренингов по повышению CQ, улучшению лидерских качеств. Пример основан на опыте компании Culture Plus Consulting (URL: https://cultureplusconsulting.com).
Облачные вычисления	Метод взаимодействия клиента и сервера, при котором клиентская информация или информация о сотрудниках обрабатывается и хранится на удалённом сервере; позволяет уменьшить требования к аппаратному и программному обеспечению компьютера клиента. Использование компанией облачной системы управления человеческим капиталом является одним из самых инновационных решений, инструментом HR-менеджмента, так как облачная система является трендом IT-технологий, HR-рынок смещается в облако. [6]	- Удаленные сотрудники могут легко получать доступ к необходимым приложениям через Интернет из любого места, используя свои мобильные устройства, увеличивая как их эффективность и способность к сотрудничеству со своего рабочего места, дома или в движении. [23]
Обратная связь в реальном времени	Обратная связь в реальном времени включена во многие программные средства HR и может быть реализована в виде промежуточного опроса персонала (pulse survey tools), ленты активности в Интернете (social streams) и других инструментов. Обратная связь в реальном времени позволяет компаниям постоянно понимать и повышать уровень вовлеченности сотрудников, а также измерять и улучшать их производительность.	- Замена ежегодного (engagement survey) исследования вовлеченности сотрудников на еженедельный опрос персонала и вывод полученных данных на панели мониторинга линейных менеджеров. - Использование данных промежуточного опроса для совершенствования управления производительностью труда, развития лидерства и работы с клиентами. - «Постоянная обратная связь» (англ. «always feedback») для оценки событий внутри компании, таких как встречи или анонсирование нового продукта. [9, 15]
Открытая экономика талантов	Термин «открытая экономика талантов» относится к экосистемному подходу к таланту, который фокусируется не только на сотруднике, который работает на основании официального трудового соглашения, но и на сотруднике, которого организация может получить другими способами. В дополнение к сотрудникам, которые официально работают в компании, организация может получить доступ к талантам через совместные предприятия и союзы, заключение контрактов и аутсорсинг, наем независимых работников и фрилансеров или доступ к талантам через интернет-площадки и соревнования.	- Создание виртуальных команд - групп людей, которые ведут совместную деятельность для достижения заданной цели и участники которой распределены географически и способ связи между ними - средства виртуальной коммуникации, такие как электронная почта, социальные сети и др. - Использование краудсорсинга. - Использование аутсорсинга для некоторой части работы для концентрации на основных задачах. Пример основан на опыте компании Pfizer, Inc. и их программном решении PfizerWorks.
Переосмысление организационной структуры	Организационная структура, включая распределение ролей в организации, мобильность сотрудников и роль лидерства, становится более гибкой и адаптивной, изменяя многие элементы HR. На сегодняшний день переосмысление организационной структуры подразумевает переход от функциональных групп к командам, от лидерства «из-за стола» к принимающему активное практическое участие.	- Формальная структура организация, основа которой - небольшие группы. - Радикальное сокращение должностных уровней, побуждающих людей стремиться к результатам и обучению, а не только к продвижению по службе. - Изменение системы вознаграждения: поощрение успеха команды, а не только индивидуального успеха. - Изменение управления целями сотрудников: обновление целей ежеквартально, а не ежегодно; прозрачность и публичность целей. - Раннее продвижение молодых специалистов на лидерские позиции. - Обучение менеджеров управлению «проектами», а не «людьми». - «Карьерный коуч» и «покровитель» вместо «менеджера», способствующий росту сотрудников. - Внедрение информационных систем, предоставляющих панели мониторинга в реальном времени и отчеты, которые позволяют всем командам работать с одинаковым пониманием и знанием перспектив. [9, 7]
Прозрачность процессов	Прозрачность, открытость процессов в организации позволяет достичь такого уровня доверия со стороны всех стейкхолдеров, которого невозможно достичь любыми иными инструментами.	- Сбор анонимных данных о заработной плате, доступных каждому для просмотра, что позволяет работникам сравнивать их заработные платы с работниками на схожих позициях, разнящихся по городам, сроку пребывания в должности, отрасли промышленности или компании Пример основан на опыте компаний Know Your Worth от Glassdoor, Salary от LinkedIn.. [31] - Прозрачность данных о заработной плате внутри компании.
Технологии искусственного интеллекта	Искусственный интеллект представляет собой область компьютерной науки, которая специализируется на моделировании интеллектуальных и сенсорных способностей человека с помощью вычислительных устройств. На рабочем месте искусственный интеллект представляет собой «интеллектуального помощника», который помогает работать умнее и совершенствует HR-процессы, такие как рекрутмент.	- Применение искусственного интеллекта при отборе кандидатов: определение по видео-интервью кандидата, говорил ли тот неправду, преувеличивал ли факты или, например, не подходит к культуре компании. [9] - Чат-бот, использующий искусственный интеллект при найме сотрудников и планировании их карьеры, показывая карьерные возможности в конкретной компании. Чат-бот общается с кандидатами и помогает им понять культуру компании, возможности трудоустройства и процесс отбора Пример основан на опыте компании Wade and Wendy (URL: http://wadeandwendy.ai).. [31] - Описание должности с помощью технологий искусственного интеллекта и алгоритмическое определение пола, расы и других характеристик кандидата, таким образом уменьшая вероятность бессознательного предубеждения о будущем кандидате Пример основан на опыте компаний Unitive, SuccessFactory.. [31]

Размещено на Allbest.ru