HR Hub ახალ მიმართულებას იწყებს — HR Hub Analytics, რომელიც ორგანიზაციებს HR ანალიტიკის განვითარებაში დაეხმარება.
ახალი პროექტი აერთიანებს კონსალტინგსა და ტრენინგებს და მიზნად ისახავს HR პროცესებში მონაცემებზე დაფუძნებული მიდგომების გაძლიერებას.
პროექტს გიორგი ლიკლიკაძე უხელმძღვანელებს. გთავაზობთ მასთან ინტერვიუს, სადაც ის საუბრობს ახალი ინიციატივის მიზნებზე, HR ანალიტიკის მნიშვნელობასა და იმ შესაძლებლობებზე, რომლებსაც HR Hub Analytics ორგანიზაციებს შესთავაზებს.
HR hub Media: თქვენ 10+ წელია მუშაობთ People Analytics-ის მიმართულებით. როგორ შეიცვალა ეს სფერო თქვენი კარიერის განმავლობაში?
როდესაც ამ სფეროში დავიწყე მუშაობა, People Analytics-ის დიდი ნაწილი ძირითადად აღწერით ანალიტიკაზე იყო ორიენტირებული – რამდენი თანამშრომელი გვყავს, რამდენი ადამიანი დავიქირავეთ, როგორია turnover, absenteeism და სხვა HR მაჩვენებლები. მთავარი ინსტრუმენტები ხშირად Excel, პერიოდული ანგარიშები და დეშბორდები იყო.
დღეს მოლოდინი სრულიად განსხვავებულია. ორგანიზაციებს აღარ აინტერესებთ მხოლოდ რა მოხდა – მათ სურთ გაიგონ რატომ მოხდა, რა შეიძლება მოხდეს მომავალში და რა გადაწყვეტილება უნდა მიიღონ ამის საფუძველზე. შესაბამისად, სფერო Reporting-იდან გადავიდა უფრო პროგნოზირებად და სტრატეგიულ People Analytics-ზე. ახლა კი AI კიდევ ერთ მნიშვნელოვან ტრანსფორმაციას იწვევს: ანალიზის, მონაცემების დამუშავებისა და insight-ის გენერირების პროცესი მნიშვნელოვნად ჩქარდება.
ჩემი კარიერის განმავლობაში ეს ცვლილება უშუალოდ ვნახე – HRForecast-ში სხვადასხვა ორგანიზაციისთვის ანალიტიკურ პროექტებზე მუშაობიდან, Siemens-ში გლობალური People Analytics შესაძლებლობების მასშტაბირებამდე და დღეს Zoetis-ში გლობალური People Analytics სტრატეგიისა და ტრანსფორმაციის ხელმძღვანელობამდე. ჩემი აზრით, შემდეგი ეტაპი იქნება არა უბრალოდ „People Analytics + AI“, არამედ People Analytics-ის ფუნქციის თავიდან გააზრება AI-ის ეპოქაში.
HR hub Media: რა განსხვავებაა ტრადიციულ HR Reporting-ს, HR Analytics-სა და People Analytics-ს შორის?
მე ამას ძალიან მარტივი კითხვებით განვასხვავებდი.
HR Reporting ძირითადად პასუხობს კითხვას – რა მოხდა? მაგალითად, რამდენი თანამშრომელი გვყავს, რამდენი წავიდა, რამდენი დავიქირავეთ.
HR Analytics ერთი ნაბიჯით უფრო ღრმად მიდის – რატომ მოხდა? მაგალითად, რატომ გაიზარდა turnover კონკრეტულ ჯგუფში ან რა ფაქტორებთან არის დაკავშირებული engagement-ის შემცირება.
People Analytics კი ამ ყველაფერს ბიზნეს კონტექსტთან აკავშირებს: რას ნიშნავს ეს ორგანიზაციისთვის, რა შეიძლება მოხდეს შემდეგ და რა გადაწყვეტილება უნდა მივიღოთ?
ამიტომ ჩემთვის People Analytics-ის საბოლოო პროდუქტი არ არის dashboard ან ანგარიში. საბოლოო პროდუქტი არის insight, რომელიც უკეთესი გადაწყვეტილების მიღებაში გვეხმარება.
HR hub Media: რატომ აღარ არის საკმარისი HR-ისთვის მხოლოდ მონაცემების შეგროვება და პერიოდული ანგარიშების მომზადება?
იმიტომ, რომ მონაცემის არსებობა თავისთავად ღირებულებას არ ქმნის. ორგანიზაციას შეიძლება ჰქონდეს ასობით HR metric და ძალიან კარგი დეშბორდები, მაგრამ თუ ეს ინფორმაცია კონკრეტულ გადაწყვეტილებას არ ცვლის, მისი ბიზნეს ღირებულება შეზღუდულია.
HR-ის როლი უნდა გადავიდეს კითხვიდან – „რა მაჩვენებელი გვაქვს?“ – კითხვაზე: „რას ნიშნავს ეს ბიზნესისთვის?“ მაგალითად, turnover-ის 8% ცოდნა საინტერესოა, მაგრამ უფრო მნიშვნელოვანია ვიცოდეთ სად ხდება ეს turnover, რატომ, რომელი კრიტიკული უნარები ან თანამშრომლები შეიძლება დავკარგოთ და რა გავლენა შეიძლება ჰქონდეს ამას პროდუქტიულობაზე, ხარჯებზე ან ბიზნესის ზრდაზე.
HR hub Media: რა არის პირველი ნაბიჯი ორგანიზაციისთვის, რომელსაც სურს მონაცემებზე დაფუძნებული HR-ის შექმნა?
პირველი ნაბიჯი, ჩემი აზრით, ტექნოლოგიის შეძენა არ არის. უნდა დავიწყოთ ბიზნეს–კითხვით.
რა პრობლემის გადაჭრა გვინდა? მაგალითად: რატომ იზრდება turnover? რამდენად ეფექტიანია ჩვენი რეკრუტინგის სტრატეგია? გვყავს თუ არა საკმარისი კადრები სამომავლო ზრდისთვის? რა გავლენას ახდენს კონკრეტული ტრენინგ პროგრამები თანამშრომლების განვითარებაზე?
ამის შემდეგ უნდა გავიგოთ, რა მონაცემები გვჭირდება ამ კითხვაზე პასუხის გასაცემად, გვაქვს თუ არა ისინი და რამდენად სანდოა. მხოლოდ ამის შემდეგ მოდის ტექნოლოგია, ვიზუალიზაცია, advanced analytics და AI.
HR hub Media: რამდენად მნიშვნელოვანია მონაცემთა ხარისხი და HR data foundation AI-ის გამოყენებამდე?
კრიტიკულად მნიშვნელოვანია. AI ცუდ მონაცემს კარგ მონაცემად ვერ გადააქცევს. პირიქით – ცუდი მონაცემის საფუძველზე შეიძლება ძალიან სწრაფად მივიღოთ ძალიან დამაჯერებლად წარმოდგენილი, მაგრამ არასწორი პასუხი.
ამიტომ AI-მდე ორგანიზაციას სჭირდება ძლიერი HR data foundation: მკაფიო metric განსაზღვრებები, მონაცემთა ხარისხი, თანმიმდევრულობა, მონაცემთა მართვა და იმის ცოდნა, თუ რომელი სისტემაა კონკრეტული მონაცემისთვის სანდო წყარო.
ჩემი გამოცდილებით, People Analytics-ის ერთ-ერთი ყველაზე მნიშვნელოვანი, თუმცა ნაკლებად „შთამბეჭდავი“ ნაწილი სწორედ ეს საფუძველია. თუ საფუძველი არასწორია, საუკეთესო AI მოდელიც ვერ მოგვცემს სანდო შედეგს.
HR hub Media: რა ტიპის HR კითხვებზე შეუძლია AI-ს ყველაზე დიდი ღირებულების შექმნა დღეს?
დღეს AI განსაკუთრებით ღირებულია იქ, სადაც გვაქვს დიდი მოცულობის მონაცემი, განმეორებადი ანალიზი ან არასტრუქტურირებული ინფორმაცია.
მაგალითად, employee survey-ის ათასობით კომენტარის ანალიზი; exit interview-ებიდან საერთო თემებისა და sentiment-ის აღმოჩენა; turnover-ის შესაძლო drivers-ის იდენტიფიცირება; რეკრუტმენტ მონაცემების ანალიზი; workforce trends-ის აღმოჩენა; ან დიდი რაოდენობის HR ინფორმაციის სწრაფად შეჯამება.
მაგრამ ჩემთვის AI-ის ერთ-ერთი ყველაზე საინტერესო შესაძლებლობა მხოლოდ უფრო რთული ანალიზი არ არის – ეს არის ანალიტიკის დემოკრატიზაცია. მომავალში HR პროფესიონალს ბუნებრივ ენაზე შეეძლება დასვას ბიზნეს-კითხვა და გაცილებით სწრაფად მიიღოს შესაბამისი ანალიზი. ეს People Analytics-ს უფრო ხელმისაწვდომს გახდის იმ ადამიანებისთვისაც, რომლებიც მონაცემთა ანალიზის სპეციალისტები არ არიან.
HR hub Media: შეგიძლიათ გაიხსენოთ ტიპური მაგალითი, როდესაც People Analytics-ის გამოყენებამ ორგანიზაციას მნიშვნელოვანი ბიზნეს გადაწყვეტილების მიღებაში დაეხმარა?
ასეთი მაგალითი შეიძლება იყოს თანამშრომელთა გადინების ანალიზი. მხოლოდ საერთო turnover rate-ის ნახვა ხშირად არაფერს გვეუბნება. გაცილებით საინტერესო ხდება სურათი, როდესაც მონაცემებს სხვადასხვა განზომილებით ვაანალიზებთ – tenure, job level, location, compensation, time in position, talent segment და სხვა ფაქტორებით.
ასეთი ანალიზით შესაძლებელია დავინახოთ, რომ საერთო მაჩვენებლის უკან რეალურად კონკრეტული ჯგუფი ან პრობლემა დგას. შედეგად, ორგანიზაციას აღარ უწევს ფართო და ძვირადღირებული ინიციატივის განხორციელება ყველა თანამშრომლისთვის – შეუძლია რესურსი მიმართოს იქ, სადაც რეალური პრობლემა და ბიზნეს რისკია.
ეს არის ჩემთვის People Analytics-ის ღირებულების კარგი მაგალითი: მონაცემი გვაძლევს შესაძლებლობას, ზოგადი პრობლემიდან კონკრეტულ გადაწყვეტილებამდე მივიდეთ.
HR hub Media: როგორ შეიძლება AI-ის გამოყენება employee turnover-ის, engagement-ის ან performance-ის ანალიზში?
რამდენიმე დონეზე. პირველ რიგში, AI-ს შეუძლია დიდი მოცულობის მონაცემში ისეთი pattern-ების აღმოჩენა, რომელთა თვალით დანახვა რთულია. მაგალითად, turnover-ის შემთხვევაში შეიძლება შევისწავლოთ, როგორ უკავშირდება წასვლის ალბათობას tenure, compensation, internal mobility, time in role ან სხვა ფაქტორები.
Engagement-ის შემთხვევაში განსაკუთრებით საინტერესოა qualitative data – თანამშრომლების ღია კომენტარები. AI-ს შეუძლია ათასობით კომენტარის თემებად დაჯგუფება, სენტიმენტ ანალიზი და განმეორებადი პრობლემების აღმოჩენა.
მნიშვნელოვანია, რომ აქ მიზანი არ უნდა იყოს „AI-მ გადაწყვიტოს ვინ წავა ან ვინ არის კარგი თანამშრომელი“. მიზანია ადამიანს მისცეს უკეთესი ინფორმაცია ტრენდების, კავშირების, რისკებისა და შესაძლო მიზეზების შესახებ, რათა საბოლოო გადაწყვეტილება შესაბამისი კონტექსტის გათვალისწინებით მიიღოს.
HR hub Media: სად გადის ზღვარი AI-ის შესაძლებლობებსა და ადამიანის გადაწყვეტილებას შორის HR-ში?
ჩემთვის ეს ზღვარი საკმაოდ მკაფიოა: AI შეიძლება იყოს გადაწყვეტილების მხარდამჭერი, მაგრამ არა გადაწყვეტილების საბოლოო მფლობელი.
AI ძალიან ძლიერია ინფორმაციის დამუშავებაში, ტრენდების აღმოჩენაში, ალტერნატივების შეფასებასა და ანალიზის დაჩქარებაში. მაგრამ მას არ აქვს ორგანიზაციული კონტექსტის, კულტურის, ეთიკისა და ადამიანური ფაქტორის ისეთი გაგება, როგორიც ადამიანს.
განსაკუთრებით მაშინ, როდესაც გადაწყვეტილება უშუალოდ ადამიანის კარიერას ეხება – სამსახურში აყვანა, დაწინაურება, ანაზღაურება, კონტრაქტის გაწყვეტა, ან პერფორმანსის შეფასება – აუცილებელია შესაბამისი ადამიანური ჩარევა და მკაფიო პასუხისმგებლობა.
HR hub Media: რამდენად მნიშვნელოვანია HR პროფესიონალისთვის ტექნიკური ცოდნა — მაგალითად, მონაცემთა ანალიზი, ვიზუალიზაცია ან AI ინსტრუმენტებთან მუშაობა?
ყველა HR პროფესიონალი მონაცემთა მეცნიერი ან პროგრამისტი ცხადია ვერ გახდება. მაგრამ data literacy და AI literacy უკვე ხდება HR-ის საბაზისო კომპეტენცია.
HR პროფესიონალს უნდა შეეძლოს მონაცემის წაკითხვა, სწორი კითხვის დასმა, კორელაციისა და მიზეზ-შედეგობრივობის განსხვავება, კარგი ვიზუალიზაციის გაგება, AI-ისთვის სწორი კონტექსტისა და დირექტივების მიცემა და მიღებული შედეგის კრიტიკული შეფასება.
AI ამ მხრივ საინტერესო მოცემულობას ქმნის: ტექნიკურ ინსტრუმენტებზე წვდომას ამარტივებს, და ამავდროულად კრიტიკული აზროვნების მნიშვნელობას ზრდის.
HR hub Media: რა უნდა იცოდეს HR მენეჯერმა იმისთვის, რომ AI-ის მიერ გენერირებული ანალიზი კრიტიკულად შეაფასოს და ბრმად არ ენდოს შედეგს?
პირველი კითხვა ყოველთვის უნდა იყოს: რა მონაცემზეა დაფუძნებული ეს პასუხი?
შემდეგ: რამდენად სრული და სანდოა მონაცემი? როგორ განისაზღვრა კალკულაციები? რა პერიოდი და პოპულაცია არის გამოყენებული? ხომ არ გვაქვს selection bias? გვიჩვენებს შედეგი კორელაციას თუ არა?
და ბოლოს, ძალიან მარტივი ‘სანიტარული გადამოწმება’: ემთხვევა თუ არა შედეგი იმას, რაც ორგანიზაციის შესახებ ვიცით და თუ არა – რატომ?
AI-ის პასუხი შეიძლება ძალიან დამაჯერებლად ჟღერდეს. ამიტომ AI-ის ეპოქაში კარგი HR პროფესიონალის ერთ-ერთი ყველაზე მნიშვნელოვანი უნარი იქნება არა მხოლოდ პასუხის მიღება, არამედ სწორი კითხვების დასმა და პასუხების კრიტიკული ანალიზი.
HR hub Media: არსებობს თუ არა რისკი, რომ AI-მ HR გადაწყვეტილებებში არსებული bias გააძლიეროს? როგორ შეიძლება ამის თავიდან აცილება?
რა თქმა უნდა. თუ ისტორიულ მონაცემში bias არსებობს, AI-ს შეუძლია არა მხოლოდ გაიმეოროს, არამედ მასშტაბურად გაავრცელოს ის.
მაგალითად, თუ წარსულში კონკრეტული ჯგუფი ნაკლებად ხშირად იღებდა დაწინაურებას, ისტორიულ მონაცემზე უსაფუძვლოდ აგებულმა მოდელმა შეიძლება ეს პატერნი წარმატების ნიშნად აღიქვას. ამაზონს ქონდა ასეთი შემთხვევა, როცა მის წარმატებული აპლიკანტების ისტორიულ მონაცამებში მამაკაცები გაცილებით ჭარბობდნენ ქალებს, რის გამოც ხელოვნურმა ინტელექტმა დაუშვა რომ სქესი იყო უპირატესობის ერთ-ერთი კომპონენტი.
ამიტომ საჭიროა მკაფიო ‘governance’: ვიცოდეთ რა მონაცემი გამოიყენება, შევამოწმოთ შედეგები სხვადასხვა ჯგუფში, შევზღუდოთ არასაჭირო ან მგრძნობიარე მონაცემების გამოყენება, რეგულარულად ჩავატაროთ bias testing და მაღალი გავლენის მქონე გადაწყვეტილებებში შევინარჩუნოთ ადამიანების ჩარევა.
Responsible AI ჩემთვის ტექნიკური საკითხი არ არის მხოლოდ – ეს არის პასუხისმგებლობის საკითხიც.
HR hub Media: როდესაც მონაცემები და AI გვაძლევს insight-ს, როგორ უნდა „მივიტანოთ“ ეს ინფორმაცია CEO-სა და C-suite-მდე?
C-suite-ს, როგორც წესი, არ სჭირდება 30 HR metric და 20-გვერდიანი დეშბორდი. მას სჭირდება პასუხი: რა ხდება, რატომ არის ეს მნიშვნელოვანი ბიზნესისთვის, რა შეიძლება მოხდეს და რა გადაწყვეტილებებია საჭირო.
ამიტომ HR metric ბიზნესის ენაზე უნდა „ვთარგმნოთ“. მაგალითად, მხოლოდ turnover rate-ზე საუბრის ნაცვლად უნდა ავხსნათ, რას ნიშნავს ეს კრიტიკული უნარების დაკარგვის, პროდუქტიულობის, თანამშრომლების შეცვლის ხარჯის ან ბიზნესის ზრდის თვალსაზრისით და რა ნაბიჯები უნდა გადაიდგას რომ თავიდან ავირიდოთ კრიტიკული ტალანტების არაჯანსაღი რაოდენობით გადინება.
ჩემი აზრით, ძლიერი People Analytics პროფესიონალი მხოლოდ კარგი მონაცემთა ანალიტიკოსი არ არის – ის გარკვეულწილად მთარგმნელია HR მონაცემებსა და ბიზნეს გადაწყვეტილებებს შორის.
HR hub Media: თქვენი გამოცდილებით, რა არის ყველაზე რთული People Analytics-ში — მონაცემების მოპოვება, ტექნოლოგია, თუ ბიზნესისთვის სწორი კითხვების დასმა?
სამივე რთულია, მაგრამ თუ ერთს გამოვყოფდი, ეს იქნებოდა სწორი ბიზნეს–კითხვის დასმა.
შეიძლება გვქონდეს შესანიშნავი მონაცემი, საუკეთესო ტექნოლოგია და სწორად შერჩეული მოდელი, მაგრამ თუ არასწორ კითხვას ვპასუხობთ, ბიზნეს ღირებულება მაინც მცირე იქნება.
People Analytics-ში ხშირად ყველაზე მნიშვნელოვანი სამუშაო ანალიზის დაწყებამდე ხდება: რა გადაწყვეტილების მიღებას ვცდილობთ? რატომ არის ეს ბიზნესისთვის მნიშვნელოვანი? რას გავაკეთებთ განსხვავებულად, თუ პასუხს გავიგებთ?
ტექნოლოგია სწრაფად იცვლება და AI მას უფრო ხელმისაწვდომსაც ხდის. სწორი პრობლემის ფორმულირება კი კვლავ ადამიანის ერთ–ერთი ყველაზე ღირებული უნარია.
HR hub Media: როგორ უნდა დაიწყოს HR პროფესიონალმა AI-ის გამოყენება, თუ დღეს ამ მიმართულებით თითქმის არანაირი გამოცდილება არ აქვს?
არ დავიწყებდი რთული predictive model-ით ან AI agent-ის შექმნით. დავიწყებდი პატარა, რეალური ყოველდღიური ამოცანით.
მაგალითად, Excel-ში მონაცემების გაწმენდა და ანალიზი; თანამშრომელთა გამოკითხვის კომენტარების თემებად დაყოფა; რამდენიმე HR metric-ის ინტერპრეტაცია; მარტივი და ინტუიციური ვიზუალების აგება; ან არსებული ანგარიშის executive შინაარსის მომზადება.
მნიშვნელოვანია ერთი პრინციპი: ჯერ ისწავლეთ AI-თან ერთად მუშაობა, შემდეგ კი AI-სთვის სამუშაოს გადაბარება. როდესაც პროფესიონალი ხედავს, სად ეხმარება ტექნოლოგია და სად უშვებს შეცდომას, შემდეგ უკვე უფრო რთულ use case-ებზე გადასვლაც ბევრად უსაფრთხო და ეფექტიანია.
HR hub Media: რა ინსტრუმენტების გამოყენებას შეისწავლიან მონაწილეები კურსზე და რა ტიპის პრაქტიკული ამოცანების შესრულებას შეძლებენ?
კურსის იდეა არ არის მხოლოდ კონკრეტული AI ინსტრუმენტის ფუნქციების სწავლება. მთავარი მიზანია მონაწილეებმა გაიგონ როგორ გამოიყენონ AI რეალურ HR Analytics პროცესში.
პრაქტიკული სავარჯიშოები მოიცავს GenAI-სა და prompt engineering-ს, AI-ის დახმარებით Excel-ში მონაცემების ანალიზს, turnover-ისა და კომპენსაციის ანალიზს, employee feedback-ისა და exit interview-ების ტექსტური მონაცემების დამუშავებას, ვიზუალიზაციას და data storytelling-ს, რეკრუტმენტ ანალიტიკას, განმეორებადი სამუშაოების ავტომატიზაციას და AI აგენტების საბაზისო კონცეფციებს.
ანუ მონაწილემ კურსიდან უნდა წაიღოს არა მხოლოდ ცოდნა იმის შესახებ, „რა შეუძლია AI-ს“, არამედ კონკრეტული workflow-ები, რომელთა გამოყენებასაც საკუთარ სამუშაოში შეძლებს.
HR hub Media: თქვენი აზრით, რომელი პროცესები შეიცვლება ყველაზე მეტად AI-ის გავლენით მომდევნო 3–5 წლის განმავლობაში?
ყველაზე სწრაფად შეიცვლება ის პროცესები, სადაც დღეს ადამიანებს დიდი დრო ეხარჯებათ ინფორმაციის მოძიებაზე, გაერთიანებაზე, დამუშავებასა და განმეორებად ანალიზზე.
განსაკუთრებით საინტერესო იქნება AI agents-ის განვითარება. დღეს ადამიანი ხშირად თავად აგროვებს მონაცემს რამდენიმე წყაროდან, აკეთებს ანალიზს, ამზადებს ვიზუალიზაციას და შემდეგ შინაარსს. მომავალში ამ პროცესების მნიშვნელოვანი ნაწილი შეიძლება ავტომატიზებული გახდეს, ხოლო ადამიანის როლი უფრო მეტად გადავიდეს კითხვების ფორმულირებაზე, შედეგების შეფასებასა და გადაწყვეტილების მიღებაზე.
HR hub Media: როგორ შეიცვლება თავად HR პროფესიის როლი AI-ის გავრცელების პარალელურად?
ჩემი აზრით, AI HR-ის მნიშვნელობას არ შეამცირებს, მაგრამ შეცვლის იმას, რისთვისაც HR პროფესიონალის დროს ვაფასებთ. HR აღმოჩნდება ერთ-ერთი მთვარი ლოკომოტივი AI ტრანსფორმაციის და ახალი სამუშაო კულტურის დანერგვის.
ნაკლები ღირებულება ექნება ინფორმაციის ხელით შეგროვებას, სტანდარტული ანგარიშების მომზადებას და განმეორებად ადმინისტრაციულ საქმიანობას. უფრო მნიშვნელოვანი გახდება ბიზნესის გაგება, პრობლემის სწორად ფორმულირება, მონაცემის ინტერპრეტაცია, change management, განსჯა და ადამიანებთან მუშაობა.
საინტერესოა, რომ რაც უფრო ძლიერი ხდება ტექნოლოგია, მით უფრო ღირებული შეიძლება გახდეს ის უნარები, რომლებიც ადამიანისთვის არის დამახასიათებელი – კრიტიკული აზროვნება, კონტექსტის გაგება, კომუნიკაცია, ემპათია და პასუხისმგებლობის აღება.
HR hub Media: რა უნარები უნდა განავითაროს დღეს HR პროფესიონალმა, რომ ხვალინდელ შრომის ბაზარზე კონკურენტუნარიანი დარჩეს?
მე რამდენიმე უნარს გამოვყოფდი: data literacy, AI literacy, business acumen, კრიტიკული აზროვნება და storytelling.
HR პროფესიონალმა უნდა იცოდეს, როგორ წაიკითხოს მონაცემი და როგორ დაუსვას მას სწორი კითხვა; როგორ გამოიყენოს AI და ამავე დროს როგორ შეაფასოს მისი შეზღუდვები; როგორ მუშაობს ბიზნესი და როგორ უკავშირდება ადამიანური გადაწყეტილებები ფინანსურ თუ ოპერაციულ შედეგებს; და ბოლოს, როგორ გარდაქმნას რთული ანალიზი მარტივ და დამაჯერებელ ისტორიად.
HR hub Media: თუ HR ლიდერს დღეს მხოლოდ ერთი რჩევა უნდა მისცეთ HR Analytics-ისა და AI-ის მიმართულებით, რას ეტყოდით?
ნუ დაიწყებთ ტექნოლოგიით – დაიწყეთ პრობლემით, რომლის გადაჭრაც ბიზნესისთვის რეალურ ღირებულებას ქმნის.
დღეს ძალიან მარტივია AI-ის გარშემო აჟიოტაჟში მოხვედრა და კითხვა: „სად შეგვიძლია AI გამოვიყენოთ?“ მე კითხვას შევაბრუნებდი: „რომელი მნიშვნელოვანი პრობლემა გვაქვს და შეუძლია თუ არა მონაცემებსა და AI-ს მის უკეთ გადაჭრაში დახმარება?“
თუ ამ კითხვით დავიწყებთ, AI ხდება არა მიზანი, არამედ ინსტრუმენტი.
HR hub Media: „HR Analytics-ის კულტურა“ რას ნიშნავს თქვენთვის და როგორ უნდა შეიქმნას ის ორგანიზაციაში?
ჩემთვის HR Analytics-ის კულტურა არ ნიშნავს იმას, რომ ყველა HR პროფესიონალი ანალიტიკოსი უნდა გახდეს. ეს ნიშნავს გარემოს, სადაც მნიშვნელოვანი გადაწყვეტილებები მიიღება არა მხოლოდ გამოცდილებისა და ინტუიციის, არამედ ამ ყველაფერთან ერთად მონაცემისა და მტკიცებულების კომბინაციით.
ამისთვის საჭიროა სამი რამ: სანდო მონაცემი, ადამიანების data literacy და ლიდერების მხრიდან სწორი კითხვების დასმის კულტურა.
HR hub Media: თქვენი აზრით, რა არის უფრო დიდი გამოწვევა: ტექნოლოგიაზე წვდომა თუ ადამიანების მზადყოფნა, შეცვალონ გადაწყვეტილების მიღების ძველი მეთოდები?
დღეს ტექნოლოგია უფრო ხელმისაწვდომია, ვიდრე ოდესმე. ამიტომ უფრო რთული გამოწვევა ხშირად ადამიანებისა და ორგანიზაციის მუშაობის მეთოდის შეცვლაა.
მონაცემებზე დაფუძნებული გადაწყვეტილება ზოგჯერ ნიშნავს საკუთარი ინტუიციის ეჭვქვეშ დაყენებას. AI კი კიდევ უფრო დიდ ცვლილებას მოითხოვს – ადამიანმა უნდა ისწავლოს ტექნოლოგიასთან თანამშრომლობა, მაგრამ ამავე დროს არ დაკარგოს კრიტიკული აზროვნება.
ამიტომ People Analytics და AI პროექტები მხოლოდ ტექნოლოგიური ტრანსფორმაცია არ არის. ძალიან ხშირად ისინი ქცევითი და კულტურულიტ რანსფორმაციაცაა.
HR hub Media: შეიძლება თუ არა პატარა და საშუალო ზომის კომპანიამ ეფექტიანად გამოიყენოს People Analytics და AI, თუ ეს მხოლოდ დიდი კორპორაციების შესაძლებლობაა?
რა თქმა უნდა. სინამდვილეში AI-მ ამ სფეროში შესვლის ბარიერი მნიშვნელოვნად შეამცირა.
People Analytics-ის დასაწყებად ორგანიზაციას არ სჭირდება უზარმაზარი data lake, ათკაციანი ანალიტიკის გუნდი ან ყველაზე ძვირადღირებული ტექნოლოგია. მცირე კომპანიამ შეიძლება დაიწყოს რამდენიმე სანდო მონაცემით და ერთი მნიშვნელოვანი კითხვით – მაგალითად, რომელი რეკრუტინგ არხები მუშაობს უკეთ.
მთავარია არა მონაცემის მოცულობა, არამედ სწორი კითხვა, მონაცემის ხარისხი და მიღებული ინფორმაციის გამოყენება გადაწყვეტილებაში.
HR hub Media: ერთი წინადადებით რომ აღწეროთ, რა არის HR Analytics-ის მთავარი ღირებულება თანამედროვე ორგანიზაციისთვის?
HR Analytics-ის მთავარი ღირებულებაა ადამიანების შესახებ არსებული მონაცემების გარდაქმნა ბიზნეს ინფორმაციად, რომელიც ორგანიზაციას მომგებიანი გადაწყვეტილებების მიღებაში ეხმარება.











