सामग्री
- मानव संसाधनची भूमिका
- एचआर मधील मशीन लर्निंगसाठी केस
- कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
- घडामोडी
- निष्कर्ष
स्रोत: केंटोह / ड्रीमस्टाइम.कॉम
टेकवे:
मानव संसाधन विभाग चालविण्याच्या पद्धतीमध्ये एचआर ticsनालिटिक्स क्रांतिकारक आहेत, यामुळे उच्च कार्यक्षमता आणि एकूणच चांगले परिणाम मिळतात.
मानवी संसाधने वर्षानुवर्षे विश्लेषक वापरत आहेत. तथापि, डेटा संकलन, प्रक्रिया आणि विश्लेषण मुख्यत्वे मॅन्युअल केले गेले आहे आणि मानव संसाधन गतिशीलता आणि एचआर केपीआयचे स्वरूप पाहता, एचआरला मर्यादित केले गेले आहे. म्हणून, हे आश्चर्यकारक आहे की गेमच्या इतक्या उशिरा एचआर विभाग यंत्रसामग्रीच्या उपयोगिता जागृत करतात.
तथापि, मशीन लर्निंग हळू हळू झाली आहे परंतु निश्चितपणे एचआर डोमेनमध्ये प्रवेश करीत आहे आणि अट्रिशन प्रेडिक्शन, राइट हायरिंग आणि ह्यूमन रिसोर्स ट्रेनिंग सारख्या अनेक उपयोगितांची स्थापना केली गेली आहे. असेही मानले जाते की मशीन लर्निंग संभाव्य उमेदवाराच्या यशाची भविष्यवाणी करू शकते. अधिक वापर प्रकरणे लवकरच सापडण्याची शक्यता आहे. मॅन्युअल पध्दतीच्या विपरीत, मशीन लर्निंग दृष्टिकोन वेगवान आहे, डायनॅमिक परिस्थितीला जास्त प्रतिसाद देणारा आहे आणि अचूक, कार्यक्षम आणि मौल्यवान डेटा प्रदान करतो. (जरी डेटा ofनालिटिक्सचे क्षेत्र अधिकच स्वयंचलित होत आहे, तरीही अद्याप बेरोजगारीची चिंता करण्याची आवश्यकता नाही. नाही मध्ये अधिक जाणून घ्या, डेटा अ‍ॅनालिटिक्स बॉट्स लवकरच लवकरच आपली नोकरी चोरणार नाहीत.))
मानव संसाधनची भूमिका
मानवी संसाधने ही एक संघटनेची सर्वात मूल्यवान संपत्ती असते. एचआर ही एखाद्या संस्थेच्या मानवी संसाधनांच्या व्यवस्थापनास जबाबदार असते जेणेकरून त्यास त्याच्या लोकांमधून जास्तीत जास्त मूल्य मिळेल. मानव संसाधन भूमिकेमध्ये पुढील गोष्टींचा समावेश आहे:
- योग्य भूमिकेसाठी योग्य प्रतिभा ओळखणे
- योग्य नुकसान भरपाई आणि फायदे
- प्रशिक्षण आणि संधींसह कर्मचारी विकास व्यवस्थापित करणे
- वाढ, पदोन्नती, संधी आणि लाभांसह मानवी संसाधनांच्या वाढीचा मागोवा घेणे आणि व्यवस्थापित करणे
- कर्मचारी प्रेरणा, तक्रारी आणि भावना व्यवस्थापित करणे
- बाहेर पडा व्यवस्थापकीय
एचआर मधील मशीन लर्निंगसाठी केस
कालांतराने मानव संसाधन विभागाच्या अपेक्षा बदलत गेल्या आहेत. पूर्वी, मानव संसाधनास योग्य उमेदवार सापडतील; आकलन आयोजित करणे किंवा सुलभ करणे; मानव संसाधन धोरणांच्या आधारे ऑफर, नुकसान भरपाई आणि लाभ देणे; आणि कर्मचारी कारकीर्द आणि निर्गमन व्यवस्थापित करा. आता, एचआरने आधीपासून केलेल्या कामांमध्ये अधिक मूल्य जोडण्याची आणि त्यापेक्षा आणखी काही करण्याची अपेक्षा केली आहे, जसे की भूमिकेतून उमेदवारी आणि उमेदवाराच्या यशाचा अंदाज. या अपेक्षांची पूर्तता करण्यासाठी सध्याचा दृष्टीकोन एचआर सक्षम करतो किंवा मर्यादित करतो?
मशीन लर्निंग स्वीकारण्यापूर्वी एचआर मॅन्युअल आणि सेमी-स्वयंचलित पद्धतीने डेटा व्यवस्थापित करेल. डेटा पटकन असंबद्ध होण्यापूर्वी विश्लेषणे तयार करण्यासाठी डेटा संग्रहित, संचयित आणि प्रक्रिया करतो कारण परिस्थिती बदलली होती आणि डेटा अद्यतनित करणे आवश्यक होते. उदाहरणार्थ, वार्षिक मूल्यांकन चक्र करण्यापूर्वी गोळा केलेल्या डेटामध्ये कमी प्रमाणात होण्याचे जोखीम दर्शविले गेले. तथापि, मूल्यांकन नंतर, निवृत्ती आणि कर्मचार्‍यांमध्ये असंतोष वाढत आहे, मुख्यत: अपेक्षा आणि वास्तविक बक्षिसेंमध्ये न जुळणारे आणि नोकरीच्या बाजारात संधी वाढल्यामुळे. मूलभूतपणे, पूर्व-मूल्यांकन विश्लेषणे संस्थेची दिशाभूल करतात आणि त्या प्रयत्नांना व्यर्थ मानले जाऊ शकते.
मानव संसाधनांशी संबंधित वेगाने बदलणार्‍या चलतींचा डेटा व्यवस्थापित करण्यासाठी एचआर सक्षम करण्यासाठी व्यक्तिचलित आणि अर्ध-मॅन्युअल पद्धती सुसज्ज नाहीत. एचआरला संघटनेतील कर्मचार्‍यांच्या भावना, धोरणांबाबत कर्मचा att्यांचा दृष्टिकोन आणि संस्थेद्वारे ऑफर केलेल्या बाजाराच्या संधींचे आकर्षण यासारख्या संबंधित बाबींविषयी नियमित, अद्ययावत विश्लेषणे आवश्यक असतात. हा गंभीर व्यवसाय आहे. जोपर्यंत मानवी भांडवलाची व्यवस्था चांगली केली जात नाही तोपर्यंत एखादी संस्था संभाव्य मूल्यवान कर्मचारी गमावू शकते. बिल गेट्सने एकदा भाष्य केले होते, “तुम्ही आमचे 20 कर्मचारी काढून घ्या आणि आम्ही एक सामान्य कंपनी बनू.” मशीन लर्निंग प्रविष्ट करा. जुन्या पद्धतींमध्ये मशीन शिक्षण काय देऊ शकते? पुढील गोष्टींचा विचार करा:
बदलत्या डायनॅमिक्सला वेगवान प्रतिसाद
हे मोठ्या डेटाचे वय आहे. कर्मचारी व्यवस्थापित करण्यासाठी, आपल्याला यावर डेटा आवश्यक आहेः
कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
जेव्हा कोणालाही सॉफ्टवेअर गुणवत्तेची काळजी नसते तेव्हा आपण आपली प्रोग्रामिंग कौशल्ये सुधारू शकत नाही.
- कर्मचार्यांचा दृष्टीकोन आणि भावना
- प्रमाणपत्रे किंवा पात्रता
- धोरणांकडे कर्मचारी विचार करतात
- नुकसान भरपाई आणि लाभ
- नोकरी बाजार आणि प्रतिस्पर्धी संघटना यासारख्या संबंधित बाह्य घडामोडी आणि आपल्या कर्मचार्‍यांवर त्याचा परिणाम
त्या प्रत्येक क्षणी येणार्‍या एक विपुल डेटा व्हॉल्यूममध्ये भर घालते. मॅन्युअल मॅनेजमेंट हे हाताळण्यासाठी सहजपणे सुसज्ज आहे. तथापि, मशिन शिक्षण अशा डेटा व्हॉल्यूमचे सातत्याने स्वीकार करणे, संचयित करणे आणि त्यावर प्रक्रिया करणे आणि साध्या विश्लेषणाच्या स्वरूपात संबंधित आणि कार्य करण्यायोग्य अंतर्दृष्टी प्रदान करणे योग्य आहे. (बिग डेटा ticsनालिटिक्स पेन पॉइंट्ससह व्यवसायात मोठ्या डेटाच्या भूमिकेबद्दल अधिक जाणून घ्या.)
अचूक भविष्यवाणी
मशीन लर्निंग अ‍ॅट्रेशन, नोकरीच्या भूमिकेत यश आणि अनैतिक वर्तनासारख्या प्रतिकूल घटना यासारख्या महत्त्वपूर्ण घडामोडींचा अंदाज लावू शकते. उदाहरणार्थ, नवीन भूमिकेत असलेल्या कर्मचार्‍याच्या यशाची संभाव्यता भूतकाळातील प्रकल्पाची कार्यक्षमता, ज्ञानाचा आधार आणि ज्ञानाचा आधार सुधारण्यासाठी घेतलेल्या मुख्य पुढाकारांसारख्या भूतकाळातील डेटाच्या विश्लेषणाच्या आधारे वर्तविली जाऊ शकते, जे दृष्टीकोन दर्शवते. या पॅरामीटर्सवर आधारित शोध विश्लेषणामध्ये रूपांतरित केले जाऊ शकतात आणि नंतर निर्णय घेतले जाऊ शकतात.
उमेदवार ओळख आणि अर्जदार मागोवा
मशीन लर्निंग नोकरीच्या भूमिकेनुसार आणि उमेदवाराची क्रेडेंशियल्स, अनुभव आणि आवडी यावर आधारित योग्य उमेदवाराशी योग्य नोकरी कनेक्ट करू शकते. मशीन लर्निंग यासाठी सोशल नेटवर्क्सचा फायदा घेऊ शकते. हे उमेदवारांच्या मूल्यांकनांमध्ये आणि मागोवा घेताना मॅन्युअल प्रयत्नास लक्षणीय घटवते.
घडामोडी
एचआर डोमेन, मशीन लर्निंगला कोमल प्रतिसाद मिळाल्यानंतर त्याची उपयोगिता जागृत करत आहे. बर्‍याच वापर प्रकरणांची अंमलबजावणी होत आहे आणि बरेच काही आता चालू आहे. मुख्य घडामोडींचा सारांश खाली दिला आहे.
उमेदवार ओळख आणि अर्ज मागोवा
मंच आणि सोशल मीडिया सारख्या वेब स्रोतांच्या मोठ्या डेटासह, संस्था योग्य भूमिकेसाठी योग्य उमेदवार शोधत आहेत. उमेदवारीचे मूल्यांकन करताना, मशीन शिक्षण पात्रता, अनुभव, आवडी, व्यावसायिक कनेक्शन आणि सदस्यता, कृत्ये, मंच चर्चा आणि बरेच काही विचारात घेते. हे हमी देत नसल्यास, रोल फिटनेसच्या शक्यतांमध्ये लक्षणीय सुधारणा करते. लिंक्डइन, व्यावसायिक नेटवर्किंग साइटचे एक चांगले उदाहरण असू शकते.
मशीन लर्निंग अ‍ॅप्लिकेशन्स मॅनेजमेंटमध्ये मॅन्युअल मेहनत लक्षणीयरीत्या कमी करते आणि एचआरआरला अधिक उत्पादक प्रयत्नांवर लक्ष केंद्रित करण्यास मुक्त करते. वित्तीय उत्पादनांची तुलना करणारी कंपनी मेजोरट्राटो.कॉम.एमएक्स या कंपनीच्या मुख्य कार्यकारी अधिकारी आणि कोफाउंडर क्रिस्टियन रेनेला यांच्या म्हणण्यानुसार, "पूर्वी आमच्यात आलेल्या प्रत्येक उमेदवाराचे सीव्ही वाचण्यासाठी आम्ही प्रत्येक व्यक्तीचा 67% टक्के मनुष्यबळ विकास वेळेत घालवला. स्वतःची वेबसाइट आणि तृतीय पक्ष. ए.आय. चे आभार, आज हे काम आपल्या अंतर्गत प्रणालीद्वारे स्वयंचलितपणे केले जाते, जे टेन्सरफ्लो वापरुन सखोल शिकण्याच्या माध्यमातून आपण हे कार्य स्वयंचलित करू शकतो. "
अचूक भविष्यवाणी
एचआर ticsनालिटिक्स अनेकदा अचूकतेने पूर्वानुमान, कर्मचार्‍यांची कामगिरी आणि अनैतिक वर्तनासारख्या प्रतिकूल घटना यासारख्या महत्त्वाच्या घटकांचा अचूक अंदाज लावू शकतात. उदाहरणार्थ, विविध फोरम संभाषणे, सोशल मीडिया पोस्ट्स, व्हिडिओ, प्रतिस्पर्धी संघटना आणि बाजारातील संधींमधील डेटा अट्रॅशन पातळीत बदल दर्शवू शकतो. मूल्यांकन चक्र विशेषतः मूल्यांकन चक्र नंतर बदलण्यासाठी संवेदनाक्षम असतात.
नोकरीच्या यशाची भविष्यवाणी
उमेदवाराची क्रेडेन्शियल्स, सदस्यता, दृष्टिकोन आणि कामगिरीवरील डेटा नोकरीच्या भूमिकेत यशस्वी होण्याची शक्यता दर्शवितो. मुद्दा असा आहे की बर्‍याच व्हेरिएबल्सच्या आधारावर व्यक्तिचलितपणे अंदाज मोजण्याचा प्रयत्न करणे केवळ अपुरी आहे. मानव संसाधन विश्लेषक अचूक अंतर्दृष्टी प्रदान करू शकतात ज्याच्या आधारे संघटना योग्य नोकरीच्या भूमिकेसाठी योग्य उमेदवार शोधू शकतात.
निष्कर्ष
संघटना आधीच मशीन लर्निंगचा फायदा घेत आहेत.मशीन लर्निंगने यापूर्वी मॅन्युअल प्रयत्नांना कमी केले आहे, परंतु अट्रिशन भविष्यवाणी आणि व्यवस्थापन, कर्मचारी व्यवस्थापन आणि यश यासारख्या क्षेत्रात एमएल आणखी अचूक आणि प्रमुख बनण्याची अपेक्षा आहे.