استخدام داده‌محور چیست؟
در مقاله منابع انسانی داده‌محور چیست؟، در مورد رویکرد داده‌محور در مدیریت منابع انسانی صحبت کردیم. در این مقاله به مفهوم و نحوه بکارگیری رویکرد داده‌محور در استخدام می‌پردازیم. پیشنهاد میشود اگر مقاله منابع انسانی داده‌محور را مطالعه نکردید ابتدا آن را بخوانید.
تعریف استخدام داده محور
استخدام داده‌محور عبارت است از بهره‌مندی از حجم عظیم داده‌ها به روش‌های هوشمندانه برای استخراج بینش‌هایی که به تیم‌های منابع انسانی در تصمیم‌گیری‌های بهتر استخدام یاری می‌رساند. استخدام مبتنی بر داده به اتخاذ تصمیمات استخدامیِ عینی بر اساس انواع منابع داده، فراتر از غربالگری رزومه معمول، مصاحبه و … اشاره دارد.
تیم‌های استخدام مبتنی بر داده‌ها از طیفی از معیارهای استخدام برای پیگیری موفقیت‌آمیز بودن فرآیند استخدام استفاده می‌کنند. علاوه بر این، جمع‌آوری و تجزیه و تحلیل داده‌ها در فرآیند استخدام، حدس‌ها و سوگیری‌ها را از بین می‌برد تا اطمینان حاصل شود که داوطلب مناسبی را برای این نقش انتخاب می‌کنید.
چرا استخدام مبتنی بر داده مهم است؟
دلایل زیادی وجود دارد که چرا باید یک رویکرد داده‌محور را در استخدام اتخاذ کنید:
تسریع در روند استخدام
جمع‌آوری داده‌ها به شما کمک میکند بفهمید که گلوگاه‌ها در فرآیند استخدام شما کجا هستند، بنابراین می‌توانید روی حذف یا خودکار کردن آنها کار کنید.
شما باید فرآیند استخدام خود را با جمع‌آوری جزئیاتی مانند موارد زیر بهبود دهید:
- نرخ خروج متقاضی
- میانگین زمان برای استخدام برای یک شغل خاص
- روش‌های استخدام شامل: تبلیغات شغلی، رویدادهای استخدام در مقابل ارجاع کارمندان
- مدت زمان هر مرحله استخدام: چقدر زمان صرف منابع کارمندیابی می‌کنید؟ چقدر در مصاحبه‌ها؟
به عنوان مثال، اگر متوجه شدید که تعداد زیادی از متقاضیان در ابتدای درخواست خود، ادامه فرایند را ترک می‌کنند، می‌توانید روند درخواست را برای آنها آسانتر کنید. به آنها اجازه دهید فقط رزومه خود را آپلود کنند و فرم درخواست آنلاین را از آگهی استخدام شما حذف کنند. یا اگر فرآیند مصاحبه شما به دلیل مشکلات زمان‌بندی طولانی‌مدت است، می‌توانید به دنبال خودکار کردن زمان‌بندی مصاحبه باشید.
این بینش‌ها به شما تخمین دقیقتری از زمان استخدام می‌دهد و با این اطلاعات، می‌توانید با اطمینان به ذینفعان در مورد بازه‌های زمانی واقع‌بینانه توصیه کنید.
کاهش هزینه‌های استخدام
استخدام مبتنی بر داده زمان شما را برای استخدام کوتاه میکند و به شما کمک میکند تا از بودجه استخدام خود بهتر استفاده کنید. به عنوان مثال، اگر کاندیداهای محلی را هدف قرار می‌دهید که می‌توانند برای مصاحبه وارد دفتر شما شوند، شاید نیازی به نرم‌افزار مصاحبه ویدیویی نداشته باشید.
کاهش تعصب و سوگیری در استخدام و اتخاذ تصمیمات استخدامی عینی‌تر
اتخاذ یک استراتژی استخدام مبتنی بر داده به شما امکان می‌دهد به‌طور عینی بهترین کاندیدا را برای این موقعیت انتخاب کنید. علاوه بر این، به شما کمک میکند تا یک فرآیند استخدام قانونی و قابل دفاع ایجاد کنید.
همچنین تنوع و برابری را در سازمان شما ترویج میکند. نیروی کارِ متنوع، عملکرد کسب وکار را افزایش می‌دهد، تصمیم‌گیری را بهبود میبخشد و نوآوری و خلاقیت را تقویت میکند.
به عنوان مثال، می‌توانید بر اساس نتایج نمرات ارزیابی قبل از استخدام یا آزمون‌های نمونه کار، بهترین کاندیداها را برای مصاحبه انتخاب کنید. این ارزیابی‌ها، مهارت‌ها و شایستگی‌های هر کاندیدا را برای استخدام‌کنندگان و متخصصان منابع انسانی آسانتر میکند و به حذف سوگیری‌هایی که ممکن است انتخاب نامزد را منحرف کند، کمک میکند.
همچنین تضمین میکند که با هر نامزد منصفانه رفتار شود – صرف نظر از نژاد، قومیت، جنسیت یا سن.
بهبود تجربه کاندیداها
برای یک دقیقه، تصور کنید کاندیدایی هستید که برای شغل آنلاین درخواست می‌دهید. از آنجایی که شما فعالانه به دنبال کارفرمای بعدی خود هستید، دائماً با ایمیل‌ها و هشدارهای شغلیِ شرکت‌های مختلف بمباران می‌شوید. اگر یکی از سازمان‌هایی که برای آن درخواست داده‌اید، فرآیند استخدام طولانی و خسته‌کننده‌ا‌ی داشته باشد، ممکن است درخواست را فراموش کرده و کارفرمای بالقوه بعدی را انتخاب کنید.
استخدام مبتنی بر داده‌ها فقط استفاده از آخرین فناوری منابع انسانی نیست. بلکه برای ساده‌تر و سریع‌تر کردن تجربه کاندیدا استفاده میشود.
تنها 17 درصد از شرکت‌ها در مراحل مختلف فرآیند استخدام، بازخورد تجربه کاندیدا را درخواست می‌کنند. انجام این کار به شما کمک میکند درک کنید که کدام مرحله را ابتدا باید بهبود دهید. سریع‌تر، روان‌تر و منصفانه‌تر کردن فرآیند نیز چیزی است که نامزدهای شما از آن استقبال می‌کنند.
فعال بودن به جای منفعل بودن
استفاده از داده‌ها برای پیش‌بینی نیازهای استخدامی و اطلاع‌رسانی در برنامه استخدام به شما این امکان را می‌دهد که به‌جای واکنش نشان دادن به موقعیت، به‌طور فعالانه‌ای برای آنچه که قرار است پیش بیاید، آماده شوید.
می‌توانید نرخ جابجایی سالانه کارکنان، گسترش‌های کسب‌وکار (تیم‌های جدید، مکان‌های جدید، پیشنهادات محصول جدید) و تحرک داخلی (مانند تبلیغات یا نقل و انتقالات جانبی) را دنبال کنید.
پیش‌بینی زمان استخدام نیز برای تعیین انتظارات زمانی که یک کارمند جدید وارد میشود، بسیار مهم است. این امر به ویژه برای پست‌های حیاتی مانند مدیران جدید که مسئول اداره بخش‌های جدید در طول عرضه محصول هستند، مهم است.
افزایش کیفیت استخدام
استخدام بهترین افراد، به موفقیت و سودآوری شرکت شما کمک میکند.
روش‌های مختلفی برای استفاده از داده‌ها برای انتخاب کاندیداهای واجد شرایط وجود دارد. نمرات آزمون نمونه کار و ارزیابی کلی توانایی ذهنی عملکرد شغلی آینده را بهتر از رزومه و مصاحبه پیش‌بینی میکند.
راه دیگر تمرکز بر منابع کارمندیابی است که کاندیداهای باکیفیت را ارائه می‌دهند. داده‌هایی مانند عملکرد برتر، نرخ گردش مالی و سطوح بهره‌وری را جمع‌آوری کنید. این داده‌ها را بین منابع مختلف کارمندیابی (رسانه‌های اجتماعی، سایت‌های کاریابی، آژانس‌های استخدام) مقایسه کنید تا مشخص کنید کدام کانال‌های استخدام بهترین کاندیدها را تولید می‌کنند.
با جمع‌آوری و تجزیه‌وتحلیل این نوع اطلاعات، روش‌های مبتنی بر داده را برای بهبود کیفیت استخدام خود ایجاد می‌کنید.
راه‌اندازی تیم استخدام برای موفقیت
با یک مدل استخدام مبتنی بر داده، می‌توانید رویه‌ای تکرارپذیر بسازید که به شما امکان می‌دهد تصمیمات استخدامی درستی بگیرید.
استخدام‌کنندگان و مدیران استخدام نسبت به فرآیند انتخاب، اطمینان بیشتری دارند؛ زیرا داده‌های واقعی برای اثباتِ انتخاب درست دارند.
تیم‌های داده‌محور نیز با هزینه‌های کمتر کارآمدتر عمل می‌کنند و باعث بهره‌وری بیشتر و افزایش ارزش سازمان می‌شوند.
نمونه‌های استخدام داده محور
می‌توانید از داده‌ها در جنبه‌های مختلف فرآیند استخدام برای فعال کردن تصمیم‌گیری مبتنی بر داده استفاده کنید. بیایید به چند نمونه نگاهی بیندازیم.
یافتن منابع کارمندیابی بهتر
نظارت بر منابعی که رزومه‌های خود را از آنها دریافت می‌کنید، یک شاخص کلیدی عملکردِ حیاتی برای استخدام و نمونه خوبی از نحوه استفاده از داده‌ها برای تصمیم‌گیری است.
این به شما کمک میکند اثربخشی کانال‌های مختلف ( تبلیغات، آژانس‌ها، رسانه‌های اجتماعی، صفحه شغلی خودتان) را ردیابی کنید، که به شما امکان می‌دهد هزینه هر استخدام خود را محاسبه کنید.
هر منبعی که نامزدهای باکیفیت بیشتری را به ارمغان بیاورد، آنجاست که باید پول بیشتری بگذارید. به عنوان مثال، اگر کاندیداهای واجد شرایط بیشتری نسبت به تبلیغات گوگل یا لینکدین دریافت می‌کنید، بودجه خود را در آن افزایش دهید. یا اگر متقاضیان واجد شرایط را در شبکه‌های اجتماعی دریافت نمی‌کنید، باید بودجه خود را در آنجا کاهش دهید یا آن را از برنامه خود حذف کنید.
فرایند انتخاب
فرآیند انتخاب، بخشی از فرآیند استخدام است که در آن استخدام‌کنندگان از میان گروهی از متقاضیان، افرادی را که برای یک موقعیت خاص مناسب هستند، انتخاب می‌کنند.
جمع آوری داده‌ها در طول این فرآیند شامل موارد زیر می‌باشد:
- غربالگری رزومه – داده‌های تاریخی قابل تأیید و نسبتاً دقیق از جویندگان کار مانند مدارک تحصیلی، تجربه کاری و مجوزها
- ارزیابی مهارت‌ها – نمرات آزمون‌ها و امتحاناتی که مهارت‌ها، شایستگی‌ها، ویژگی‌های شخصیتی و اولویت‌های کاری داوطلب را می‌سنجد.
- مصاحبه‌های شغلی – نمره دادن به پاسخ‌های فرد به سوالات مربوط به تجربه کاری، مهارت‌های بین فردی و تناسب فرهنگی
تجربه کاندیدا
تجربه کاندیدا درک کلی متقاضی از فرآیند استخدام و پذیرش کارفرما است. این شامل زمان صرف شده بین هر مرحله استخدام است: از تماس اولیه تا فرآیند غربالگری از طریق مصاحبه و پیشنهاد شغلی تا معرفی کارمند جدید به سازمان.
تجربه کاندیدا معمولاً با استفاده از امتیاز خالص تبلیغ کننده از طریق نظرسنجی تجربه نامزد سنجیده میشود. نتایج می‌تواند به شناسایی زمینه‌های کلیدی برای بهبود فرایند کمک کند.
رضایت شغلی کاندیدا روش دیگری برای سنجش تجربه نامزد است. ردیابی میکند که آیا انتظارات متقاضی تعیین شده در طول مراحل استخدام با نقش تبلیغ شده مطابقت دارد یا خیر.
برنامه‌ریزی استخدام
استخراج داده‌های استخدام به شما کمک میکند تا تعیین کنید با آن چه کاری انجام دهید. در اینجا نمونه‌هایی از چالش‌های رایج استخدام وجود دارد که داده‌های مربوطه به شما در کشف آنها کمک میکند:
- اگر می‌خواهید هزینه‌های خود را کاهش دهید، روی شاخصهای کلیدی عملکرد مرتبط با هزینه مانند هزینه هر استخدام، عملکرد تبلیغات شغلی یا تعداد برنامه‌های کاربردی در هر منبع یا کانال تمرکز کنید.
- اگر می‌خواهید فرآیند استخدام خود را تسریع کنید، روی معیارهای مربوط به سرعت مانند زمان موردنیاز برای پر کردن یک جایگاه شغلی، زمان موردنیاز برای استخدام و زمان موردنیاز برای بهره‌وری تمرکز کنید.
- یا اگر می‌خواهید کارمندانِ با مهارت بیشتری داشته باشید، به معیارهای مرتبط با کیفیت مانند منبع استخدام، نامزدها در هر استخدام، گردش مالی جدید و نرخ حفظ استخدام جدید توجه کنید.
بهترین شیوه‌های استخدام مبتنی بر داده
اکنون که مزایای استخدام مبتنی بر داده را می‌دانید، بیایید نگاهی به برخی از بهترین روش‌هایی که می‌توانید در سازمان خود اعمال کنید، بیاندازیم:
-
معیارهای مربوطه را انتخاب کنید و منابع داده را شناسایی کنید
وقتی به داده‌های مختلف نگاه می‌کنید که نرم افزار استخدام، برای شما جمع‌آوری میکند، گم شدن و غرق شدن در این داده‌ها خیلی آسان است. برای جلوگیری از غرق شدن، تعیین کنید که کدام معیار برای بهبود فرآیند استخدام شما مفیدتر است.
اهداف کلی کسب وکار خود را مرور کنید تا فهرستی از معیارهایی تهیه کنید که به شما در دستیابی به این اهداف کمک میکند.
سپس، مشخص کنید که این داده‌ها را از کجا می‌خواهید دریافت کنید. داده‌های شما می‌تواند از ATS، Google Analytics (به‌عنوان مثال برای ردیابی منبع)، یا بازخورد نظرسنجی نامزد دریافت شود. همچنین می‌توانید داده‌های بودجه، رضایت مدیر استخدام و موارد دیگر را ردیابی کنید.
-
داشبورد استخدام بسازید
داشبورد استخدام به شما کمک میکند داده‌ها را تجسم کنید، روندها را شناسایی کنید و مشکلات را سریع شناسایی کنید. داده‌های مربوط به متقاضیان، استخدام‌ها، کمپین‌ها و بودجه را نشان می‌دهد. سرمایه گذاری در داشبورد استخدام به شما امکان می‌دهد مشکلات و فرصت‌ها را به سرعت ببینید. به خاطر داشته باشید که فقط روی مهم‌ترین شاخصهای کلیدی عملکرد تمرکز کنید، آنهایی که به شما کمک می‌کنند به اهدافتان برسید.
-
اقدامات لازم را تعیین کنید
استفاده از داده‌ها در استخدام تنها به معنای ردیابی آن نیست، بلکه به معنای اقدام بر اساس آن است. به عنوان مثال، اگر متوجه شدید که شروع به دریافت سهم قابل توجهی از کاندیداهای با کیفیت پایین کرده‌اید، می‌توانید بررسی کنید که آنها از کجا می‌آیند (مثلاً یک وبسایت شغلی خاص) و از تبلیغ فرصت خود در آنجا جلوگیری کنید.
یا اگر متوجه شدید که رزومه‌های بیشتری را مستقیماً از صفحه مشاغل خود دریافت می‌کنید، سرمایه‌گذاری در خدمات بهینه‌سازی موتور جستجو (SEO) را در نظر بگیرید تا وبسایت خود را در صفحه نتایج موتور جستجو قرار دهید.
-
محدودیت‌های داده را در نظر بگیرید
داده‌ها بی‌خطا نیستند.
مدرسه بازرگانی هاروارد یک نظرسنجی انجام داد و دریافت که 88 درصد از مدیران گفتند که می‌دانند ابزارهای منابع انسانی آنها داوطلبان واجد شرایط را رد می‌کنند.
رد شدن به این معناست که شرح شغل، معیارهای بسیار زیادی دارد و فهرستی طولانی از مهارت‌های موردنیاز برای الگوریتم‌ها برای بررسی در رزومه ایجاد میکند. الگوریتم‌ها در نهایت بسیاری از متقاضیان واجد شرایط را که ممکن است تنها چند مهارت را در لیست از دست بدهند، رد می‌کنند.
دلیل دیگر، وجود شکاف کاری بیش از شش ماه در رزومه آنهاست. این شکاف‌های کاری ممکن است نشان‌دهنده سایر تعهدات یا رویدادهای مشروع زندگی مانند سربازی، عوارض بارداری، تعهدات مراقبتی یا بیماری باشد. هنگام استفاده از هر داده‌ای، درک کنید که کل داستان را بیان نمی‌کند.
به‌عنوان یک استخدام‌کننده، هنوز باید یافته‌های خود را تفسیر کنید و برای تصمیم‌گیری درست در مورد استخدام، به دانش و تجربه خود تکیه کنید.
-
حالت‌های قبل و بعد را با هم مقایسه کنید و تکرار کنید
اگر بدانید قبل از اعمال تغییرات در چه وضعیتی بوده و بعد از آن چه وضعیتی دارد، داده‌ها بسیار مفید خواهند بود.
آیا برنامه شما نتایج دلخواه را برای شما به ارمغان می‌آورد؟ اگر نه، برای بهبود چه کاری می‌توانید انجام دهید؟
داده‌ها به شما کمک میکند تا استراتژی‌های استخدام موفق و ناموفق خود را برای بهبود تلاش‌های استخدامی آینده خود مشاهده کنید.
کلام پایانی
اجرای استخدام داده‌محور به چیزی بیش از جمع‌آوری برخی داده‌ها نیاز دارد. شما نیاز به تغییر ذهنیت دارید و به روشی جدید شروع به کار کنید تا به‌طور کامل از مزایای استخدام مبتنی بر داده بهره ببرید. یک مکان عالی برای شروع این است که داده‌هایی را که قبلاً از طریق فناوری منابع انسانی جمع‌آوری می‌کنید، حسابرسی کنید و به این فکر کنید که چگونه این داده‌ها می‌توانند به شما در بهبود فرآیند استخدام کمک کنند.
اگر به توسعه مهارت‌های جذب و استخدام خود علاقمند هستید دوره آموزشی جذب و استخدام برای شما مفید خواهد بود.
منبع:
https://www.aihr.com/blog/data-driven-recruitment/
ترجمه: مسعود شکری با اندکی ساده سازی و تغییر
مطالب زیر را حتما مطالعه کنید
دوره های آموزشی مرتبط
دیدگاهتان را بنویسید