Site icon ML2Grow

AI Chief Happiness Officer

HR manager checking staffmembers in AI HR application

HR manager checking staffmembers in AI HR application

Modelleer geen individuen maar voorspel groepsgedrag

We zijn allemaal uniek. Daarom heeft het geen zin om AI-tools op persoonlijk niveau in te zetten. En zelfs als dat wel het geval zou zijn, zou je nooit een ML-model van elke identificeerbare persoon in het bedrijf willen maken, omdat dat privacy-intrusief zou zijn. Waar u zich op moet richten is het groepsniveau: bijvoorbeeld het voorspellen van de beschikbaarheid van uw personeel.

Dat klinkt misschien voor de hand liggend, maar het belang van dit basisconcept werd onlangs bevestigd in een situatie bij een van onze klanten. In dit specifieke geval moest men voor elke binnenkomende taak beslissen of men de taak al dan niet accepteerde. Dat hangt natuurlijk af van de taak: inhoud, omstandigheden, geschatte duur van de taak, timing,… Maar het hangt ook af van de mensen en hun persoonlijke situatie en voorkeuren: de ene persoon vindt het niet erg om taken van lange duur te accepteren die overuren of zelfs overnachtingen vereisen of geeft misschien zelfs de voorkeur aan dit soort taken vanwege de interessante financiële compensatie, terwijl iemand anders dit soort taken misschien liever niet accepteert omdat hij of zij een andere gezinssituatie heeft die resulteert in andere voorkeuren. Maar hoe slaagt u erin om zicht te krijgen op de beschikbaarheid van uw personeel, op de capaciteit om inkomende taken te aanvaarden en om uw dienstverlening aan uw gebruikers te kunnen garanderen?

Door het analyseren van historische gegevens is veel inzicht verkregen. Door de uitgevoerde taken en de beslissingen van de medewerkers te analyseren en onbeheerd leren toe te passen, konden we deze leden “groeperen”. Met behulp van de groepen was het eenvoudig om de kans op acceptatie van een bepaalde geparametriseerde taak te voorspellen. Hoewel de individuele keuzes niet accuraat zijn, zijn ze dat op groepsniveau wel. En dat is alles wat u moet weten om de capaciteit van uw personeel en de SLA die u uw klanten kunt bieden, nauwkeurig te voorspellen.

Naar een AI Chief Happiness Officer?

In een ander geval hebben we vastgesteld dat een bedrijf te maken heeft met een vrij hoog percentage nieuw aangeworven personeel. De omgeving is nogal uitdagend, met soms wat reistijd en een onregelmatige werkdruk, waaronder piekmomenten met veel overwerk en werk in de nacht en het weekend. Voor elke klus moeten teammanagers de juiste balans vinden tussen ervaren personeel dat een bepaalde klus snel en efficiënt geklaard krijgt en junior profielen die wat meer tijd nodig hebben, maar voor wie training op de klus leidt tot een duurzamer personeelsbestand op de lange termijn. Zeker in dit soort situaties hebben mensen hun eigen persoonlijke situatie en voorkeuren op de momenten dat ze welk soort werk willen doen. En dan hebben we het nog niet eens over het team en de collega’s waar ze zich het meest op hun gemak voelen. Vooral in een context waar het moeilijk is om mensen te vinden die geschikt en bereid zijn voor dit soort jobs, wil je de hoge kosten vermijden van elke persoon die het bedrijf verlaat na het zien van een mismatch tussen de verwachtingen en de werkelijke situatie, die ofwel te vaak gepland zijn voor bepaalde taken ofwel gewoon te weinig zijn. En natuurlijk wilt u voorkomen dat sommige teams vaker het bedrijf verlaten dan andere teams.

In kleine bedrijven kan dit soort situaties worden aangepakt met een goede HR-manager die alle medewerkers kent en de juiste persoon op het juiste moment vraagt hoe het met hen en hun team gaat, vooral aan die mensen die zelf niet gemakkelijk hun hand opsteken maar hun frustraties opkroppen tot het te veel is. Dan is het gewoon te laat.

Daar kan een goed HR-team ondersteuning krijgen van datagestuurde inzichten. Denk aan historische gegevens van functies die aan mensen zijn toegewezen, zowel mensen die nog actief zijn als mensen die het bedrijf hebben verlaten, in combinatie met gegevens uit interviews met nieuw aangeworven medewerkers die vragen naar hun voorkeuren en verwachtingen. Leermethoden verminderen de complexiteit en verbeteren de veralgemening om een AI-gebaseerde HR-ondersteuningstool te creëren. Een systeem dat een indicatie geeft van de kansen die een persoon heeft om het bedrijf te verlaten. Noem het een voorspeller van het personeelsbehoud, of zelfs een geluksindicator voor het personeel als u dat wilt.

Het is een systeem dat u waarschuwt wanneer u iemand probeert in te plannen voor een andere weekendjob wanneer die persoon een gezin heeft en al vijf weken een weekendjob heeft, terwijl een andere collega graag een extra weekendjob zou willen doen omdat hij in een andere persoonlijke situatie de voorkeur geeft aan het extra loon. Het is een systeem dat de teamsamenstelling en de planning voor de lange termijn optimaliseert. Het is een systeem dat de HR-manager of teamleider een indicatie geeft welke collega’s de laatste tijd te veel in niet-voorkeurssituaties hebben gezeten en een gesprek nodig zouden kunnen hebben met de vraag of ze nog steeds in orde zijn. Niet met een complex op regels gebaseerd systeem, maar gebaseerd op ervaring, op historische gegevens, op een steeds groter wordende intelligentie, met een soort van buikgevoel. Een eerlijker systeem voor iedereen. Vooral in grote teams of bedrijven maakt dit soort tools het mogelijk om te schalen door een HR-team te ondersteunen om prioriteiten te stellen en de band met bepaalde mensen niet te verliezen. Het is een systeem dat de kennis en vaardigheden van datawetenschappelijke en machine learning experten, de ERP-systeemintegrator en interne en/of externe HR-specialisten combineert.

Als machine learning engineers zijn dit toepassingen die we niet in gedachten hadden bij de oprichting van ML2Grow. Maar ze hebben ons uitgedaagd, ons inzichten verschaft en ons ertoe aangezet om verder te gaan op deze weg.

Herkent u deze situaties? We lezen graag uw opmerkingen hierover.


Exit mobile version