Вопрос оптимального подбора персонала, или «правильной расстановки» людей на соответствующие позиции, остается ключевым аспектом стратегического управления бизнесом. Кадры продолжают решать если не все, то многое, и успех в этом направлении может рассматриваться как движение по портеровскому пути «делания правильных вещей правильным образом».
При этом в условиях высококонкурентного и динамичного рынка труда функционал рекрутмента наполняется новым содержанием. Основная цель – минимизация риска ошибочного найма – остается неизменной и напрямую влияет на конкурентоспособность бизнеса через текучесть кадров, но возникает дополнительная задача – снижение субъективности выносимых HR-оценок. Несмотря на значительное количество публикаций про механизмы оптимального поиска, конкретный способ ранжирования кандидатов не раскрывается, что неизбежно ведет к применению рекрутерами субъективных оценок.
Хотя полностью устранить субъективные суждения при подборе персонала с текущим уровнем развития технологий невозможно, мы можем существенно повысить объективность получаемых результатов при помощи структурированных подходов.
Одним из таких инструментов является метод анализа иерархий (МАИ), предложенный профессором Томасом Саати. Этот метод активно используется для принятия решений в любой области – от строительства дорог в Судане до решения психологических проблем «трудных» подростков. Давайте посмотрим, как можно использовать этот метод для повышения рациональности и прозрачности в процессе выбора кандидатов на должность.
Как работает метод анализа иерархий: теория
В рамках процессного подхода рассмотрим рекрутмент как последовательность шагов:
- Привлечение квалифицированных кандидатов – фокусировка производится на формальных требованиях к вакансии и ее продвижении на рынке.
- Отбор лучших специалистов – фокусировка на оптимальных критериях фильтрации пришедших кандидатов.
- Удержание талантов – фокусировка на создании условий для карьерного роста и поддержании мотивации.
Основной вызов, как для HR-специалиста, так и для кандидата, состоит в получении оптимальных оценок на втором этапе, именно здесь метод Саати будет наиболее полезен, хотя может применяться и в дальнейшем, например, при калибровке систем мотивации. Следует отметить, что метод не предоставляет однозначного ответа на вопрос о правильности или неправильности самого решения, но позволяет оценить, какой из рассматриваемых вариантов наилучшим образом соответствует потребностям аналитика и пониманию им решаемой задачи. С позиций организации такая задача может быть сформулирована как подбор кандидата, который способен увеличить долгосрочную стоимость бизнеса.
В основе метода анализа иерархий лежит попарное сравнение значимости характеристик критериев и кандидатов с позиций оптимального вклада в развитие компании в случае найма. Для этого принимается шкала оценки, распространенная версия которой содержит натуральные числа от 1 до 9 с шагом 2. Это нужно, чтобы сделать более четкими различия между самими рангами, но при необходимости можно использовать и промежуточные значения.
Рис. 1. Шкала оценки
Данная шкала отражает следующие отношения (количественный пример рассмотрим ниже):
- Эксперт ставит 1, если не видит различий между альтернативами.
- Значение 3 – это небольшое, но различимое преимущество одной альтернативы над другой.
- Значение 5 говорит о сильном преимуществе, которое очевидно эксперту.
- Значение 7 указывает на очевидное преимущество, которое видно не только эксперту, но и неспециалисту в предметной области.
- Значение 9 ставится крайне редко, а также должно подтверждаться не только субъективной оценкой эксперта, но и технической документацией. Если проводить аналогию, различие на уровне 9 – это как долетевший до точки назначения самолет и потерянный с радаров.
На следующем этапе производится построение иерархии критериев, по которым будет оцениваться кандидат.
Рис. 2. Простейшая иерархия
Как работает метод анализа иерархий: практика
Теперь рассмотрим применение МАИ на примере. Предположим, стоит задача подбора лучшего кандидата на позицию IT-директора. Допустим, после экспертного обсуждения были выделены пять критериев, по которым будет осуществляться отбор:
- Знание бизнес-процессов компании.
- Опыт управления IT-подразделением.
- Умение влиять на топ-менеджмент.
- Навыки работы с IT-подрядчиками.
- Бизнес-образование.
Критерии могут быть абсолютно любыми, а по количеству рекомендуется использовать не более 15, так как с увеличением количества критериев влияние каждого из них в общем зачете будет сокращаться. Предположим, сформировался список из пяти кандидатов. Вы можете попробовать интуитивно выбрать «лучшего» кандидата, чтобы впоследствии сравнить свой выбор с модельной оценкой.
Рис. 3. Потенциальные кандидаты на позицию IT-директора
После определения критериев производится их попарное сравнение с точки зрения значимости для организации. Проще всего выполнять такие сравнения в табличном процессоре. Если имеется правильно подготовленный файл, можно заполнить только правую верхнюю половину матрицы сравнения, а вторая половина заполнится обратными значениями автоматически.
Также нужно контролировать транзитивность выбора: если A>B и B>C, то A>C, и в этом помогает индекс согласованности выбора, рассчитываемый моделью автоматически. После заполнения матрицы альтернативы с более высокой значимостью оказываются предпочтительны. Так, в рассматриваемом примере опыт управления IT-подразделением и навыки работы с IT-подрядчиками окажутся ключевыми.
Рис. 4. Ранжирование критериев выбора по их значимости для успеха компании
Дальнейший анализ строится аналогичным образом – кандидаты последовательно ранжируются в рамках каждого критерия (рис. 5-9).
Рис. 5. Ранжирование кандидатов по критерию знания бизнес-процессов компании
Рис. 6. Ранжирование кандидатов по критерию опыта управления IT-подразделением
Рис. 7. Ранжирование кандидатов по критерию умения влиять на топ-менеджмент
Рис. 8. Ранжирование кандидатов по критерию навыков работы с IT-подрядчиками
Рис. 9. Ранжирование кандидатов по критерию наличия бизнес-образования
После завершения оценок кандидатов по всем критериям можно приступать к получению итоговой сверки: каждый кандидат получит итоговое значение, определенное как произведение матриц значимости исходных критериев и значимости кандидатов в рамках каждого критерия.
Рис. 10. Итоговая матрица
После завершения расчетов можно определить победителя, им оказывается Татьяна. Вспомните свой выбор, если сделали, и сравните его с предложенным моделью значением. Такой процесс отбора кандидатов существенно экономит время и усилия HR-подразделения, поскольку предлагает структурированное и легко автоматизируемое решение. Кроме того, подобная формализация улучшает сравнимость кандидатов в рамках географически распределенных компаний, и это помогает получать сопоставимые оценки, а также отбирать в резерв потенциально интересные кадры.
Рис. 11. Принятый на позицию кандидат
Выводы
Методология анализа иерархий – это эффективный инструмент для оптимизации процессов найма, и ее внедрение в HR-процессы позволяет не только минимизировать субъективность оценок, но и существенно повысить качество принимаемых решений. Для упрощения применения методологии рекомендуется использование простейших средств автоматизации, подойдет любой табличный процессор вроде Excel.
В случае необходимости массового и распределенного найма сотрудников руководство может рассмотреть возможность разработки специальных программных средств для успешной реализации расчетов. Также следует иметь в виду возможность простой и краткосрочной подготовки сотрудников кадровых подразделений для работы с методологией – в пределах одного часа. Таким образом, можно рекомендовать применение метода анализа иерархий для формирования объективной системы оценки кандидатов и упрощения переговорного процесса с ними.
Фото в анонсе: freepik.com
Также читайте:
Верно.
Тут можно рассмотреть два момента:
1) субъективность оценки - да, она есть по определению, поскольку аналитик должен выставить альтернативам соответствующие баллы (1 - 9). Но при этом процедура выставления баллов сама по себе является достаточно прозрачной, а также - и это главное - в модели есть контроль согласованности результата, который не зависит от аналитика. То есть в случае явных "нестыковок" модель сама покажет, что оценка аналитика может оказаться непоследовательной. Уже только один этот механизм для меня нивелирует все недостатки МАИ.
2) до начала процесса анализа нам нужно выбрать правильную постановку вопроса. МАИ дает приоритеты в отношении альтернатив для решения конкретного вопроса, и вот его нужно грамотно сформулировать. Мы можем либо что-то минимизировать (например, найти поставщика, который, на основании интегральной оценки, будет нам обходиться дешевле) или максимизировать (например, определить кандидата, который более других создаст стоимость для компании). Если такое упражнение проделано, сам МАИ просто превращается в калькулятор, который ведет к финальному ранжированному списку.
В отношении "большего балла" - я имел в виду то, что в проекции "социальных качеств кандидата" при сравнении с прочими параметрами "штамп" получал больший вес. Конкретную реализацию я не воспроизведу (лет 15 уже прошло), но могу смоделировать: если мы знаем, что для акционера важна крепкая официальная семья у кандидата, то при сравнении условного холостого Вани с женатым Петей, Петя перед Ваней получит сильное преимущество, что в терминах нашей шкалы можно интерпретировать как балл 5. Как конкретно именно он повлияет на итоговую оценку понять можно только после ее окончания, да и то - с определенными сложностями: "провернуть назад фарш в мясо" - задача, требующая усилий.
Любая система оценок с весами субьективна. Насколько она непротиворечива и содержит средства самоконтроля - зависит от ситуации и опыта использования.
Совершенно согласен с тем, что до начала процесса анализа нам нужно выбрать правильную постановку вопроса.
Но тут Саати не поможет.
Любопытная модель. Но есть замечания:
1. В модели не описано как выявить реальный профиль должности;
Выявление реального профиля должности многократно сложнее чем оценка кандидата ее соответствию. Суть и реальное содержание функционала с позиции ЭйчАра оценить невозможно. Для оценки требуется погружение в существующую специфику, функциональный анализ и отраслевое понимание бизнеса. А это запредельно сложные компетенции случайным образом не рождаемые в голове ЭйчАра или самоназванных экспертов и институционально (самим бизнесом) не поддерживаемые.
2. Модель не учитывает потенциал кандидата к данной должности.
Потенциал это множитель в функции набора опыта. И перспективный кандидат попав с среду которая поддерживает набор опыта уже через 1-2 года набрать уровень не достижимый среднестатистическому человеку за любой обозримый период жизни.
Ок, в статье 1. пункт выведен из модели на субьективную оценку экспертов. То есть иррациональность и когнитивные искажения из поля выбора кандидата перенесена в поле выбора критериев и "засада" будет там.
Вывод: Модель принципиально не применима:
- без анализа основных когнитивных искажений в оценке критериев экспертным сообществом (они есть);
- без анализа потребного профиля должности;
- без оценки потенциала кандидата к занимаемой должности.
Алексей, видимо Вы статью не прочитали, полностью доверившись какому то ИИ. Дипсику? Ничего, не переживайте, сейчас это нормально.
Суть МАИ заключается в попарном сравнении критериев отбора. При этом, неважно правильный критерий установлен или неправильный. А важно чтобы один и тот же критерий тестировался на всех кандидатах одинаково. То есть что бы шкала для сравнения была одн а и та же.
Получается быстро и дешево.
Вот сейчас за ДипСик реально обидно стало. Он в отличие от Алексея и ответить ничего не может.
Китенок-то при чем?
Синий кит всегда выглядит подозрительно.
Модель исходит из того, что все критерии сравнения альтернатив известны заранее. Это - основополагающее требование, поскольку без правильной постановки критериев невозможно построение адекватной иерархии. Как конкретно формируются критерии - это выходит за периметр модели.
Потенциал кандидата - интегральная характеристика, которую при желании можно декомпозировать на компоненты, каждый из которых затем уже можно попробовать оценить. В принципе, МАИ отвечает преимущественно на вопросы "здесь и сейчас", чем размышляет о "когда-нибудь в возможном будущем".
Для этого в модели имеется индекс непротиворечивости, который должен поддерживаться на уровне <=0.1. Если оценивающий эксперт иррационален или имеет искажения восприятия кандидатов - противоречивость получаемых результатов станет возрастать. Кроме того, ошибки такой природы можно минимизировать, если к оценкам привлекать несколько экспертов, т.е. теоретически можно совместить МАИ с техникой Дельфи, но на практике я такого не встречал.
С таким выводом не соглашусь:
Все три пункта в разной степени описывают условия применения метода, но никак не могут служить принципиальными ограничениями МАИ просто в силу того, что сам метод основан на статистической обработке входных параметров. Точность определения этих параметров находится в периметре ответственности анализирующего эксперта, но не расчетного ядра модели.
Про синих китов на которых вы намекаете я много чего рассказать сама могу. Но компания насколько я знаю сама не проводит идею что это обязательно кит.
А вообще у них социально ответственный бизнес.