Анотація
У статті розглядаються проблеми: «Відбір обмеженої кількості претендентів на вакантну посаду для співбесіди з роботодавцем. Визначення «критеріїв важливості» для кожного атрибута анкети претендентів. Кодування інформації для обробки даних. Розробка або модифікація інтелектуальних методів аналізу слабко сформованих даних. Формування списку кандидатів» і описані можливі шляхи її вирішення за допомогою методів Data Mining.
Ключові слова: претендент, кандидат, персонал, посади, роботодавці, вакансії, посадова інструкція, Data Mining.
Abstract
The article deals with the problem: «The selection of a limited number of applicants for the vacant position for an interview with the employer. The definition of «important criteria» for each attributes application form. Information coding for data processing. Development or modification of intelligent methods for weakly generated data. Creating a list of candidates» and describes possible solutions with methods Data Mining.
Key Words: applicant, candidate, personnel, office, employers, jobs, job description, Data Mining.
Аннотация
В статье рассматриваются проблемы: «Отбор ограниченного количества претендентов на вакантную должность для собеседования с работодателем. Определение «критериев важности» для каждого атрибута анкеты соискателей. Кодирование информации для обработки данных. Разработка или модификация интеллектуальных методов анализа слабо сформированных данных. Формирование списка кандидатов» и описаны возможные пути ее решения с помощью методов Data Mining.
Ключевые слова: претендент, кандидат, персонал, должности, работодатели, вакансии, должностная инструкция, Data Mining.
Введение
Постановка проблемы исследования
При приеме сотрудников работодателю необходимо принимать важное решение, от которого в перспективе будет зависеть рабочая атмосфера коллектива и эффективность функционирования всего предприятия. Поэтому в процессе решения этой задачи, наряду с определением профессионального уровня кандидата, особое внимание уделяется личностным качествам претендента: пунктуальность, ответственность, умение работать в команде, дружелюбность, исполнительность и т.д. В случае неправильного выбора специалистов работодатели рискуют понести неоправданные материальные затраты и потери рабочего времени.
Для автоматизации процесса управления подбором персонала невозможно разработать универсальную формализованную модель в силу специфических требований к претендентам на рынке труда. В то же время повысить эффективность управления этим процессом можно, если создать систему поддержки принятия решений (СППР), задача которой будет заключаться в установлении соответствия уровня подготовки специалиста требованиям рынка труда.
Анализ литературных источников
Анализ уже существующих систем, которые решают задачу отбора претендентов на собеседование, например, «Бизнес-аналитика» SAP Business Intelligence [4], показал, что наиболее эффективными решениями из используемых, является решения с применением методов интеллектуальной обработки данных – Data Mining.
Термин Data Mining часто переводится как извлечение информации, средства поиска закономерностей, анализ шаблонов. Понятие «обнаружение знаний в базах данных» (Knowledge Discovery in Databases) можно считать синонимом Data Mining [3]. Интеллектуальный анализ данных позволяет анализировать данные различных объёмов с разных точек зрения, классифицировать их, и установить зависимости между ними [2]. Применение этих методов дает преимущество в тех областях, где накоплены значительные объемы информации. Одной из таких областей является подбор персонала.
Постановка задачи
Целью данной статьи является анализ возможных подходов построения системы отбора ограниченного числа претендентов на собеседование с работодателем, на основе анализа анкет претендентов.
Задачи научные.
- Определение критериев важности профессиональных данных кандидата на основе интеллектуального анализа анкет соискателей.
- Разработка требований для создания интеллектуальной системы отбора кандидатов.
На основе анализа предметной области можно выделить следующие задачи, которые должна решать система подбора кандидатов:
- Подготовка данных из анкет кандидатов к виду пригодному для их дальнейшего анализа.
- Предварительный отбор анкет по выдвинутым требованиям и ограничивающим факторам.
- Анализ отобранных анкетных данных
- Дополнительное тестирование кандидатов по адаптивным сценариям.
- Отбор кандидатов на собеседование.
Для выделения кандидатов на собеседование необходимо первоначально определить критерии, по которым можно производить отбор, и степень важности каждого критерия.
Рассмотрим более подробно процесс отбора кандидатов. Предположим, имеется список претендентов на вакантную должность, который характеризуется набором данных: ФИО, дата рождения, пол, информация о профильном образовании и стаже работы по специальности, профессиональными характеристиками, результатами индивидуального психологического тестирования и т.д. Кроме этого есть техническое задание на подбор персонала определенной специализации и уровня подготовки.
Формально эти данные можно представить в следующем виде:
1. Задано множество Sm описаний требований, предъявляемых к претенденту:
Sm={Sim}; Sijm={Qm}; Sm={Qtm};i=1, Im; j = 1, Jm; t=1, Qmmax; m=1,M;
Im - число описаний требований к претендентам на вакансии m - го типа;
Jm - число признаков описаний требований к претендентам на вакансии m - го типа;
Qmmax - число различных значений признаков описаний требований к претендентам на вакансии m - го типа.
2. Множество Gm коэффициентов – «критериев важности», определяющих "уровень важности" всех значений признаков.
Gm = {Gtm};
3. Множество Lm описаний программных средств-претендентов каждого из m типов.
Lm = {Lnm}; Lnjm = {Qm}; Qm={Qtm}; n = 1, Nm
Требуется:
Выбрать из множества Lm описаний претендентов на вакансии m - го типа требуемое количество описаний претендентов, в соответствии с предъявляемыми к ним требованиям [5].
Совокупность P выбранных претендентов на вакансии m - го типа:
P = {Pm}; m = 1, M
Одной из основных задач для построения системы отбора кандидатов, является задача определения множества Gm – «критериев важности».
Рассмотрим возможность использования уже накопленных за время работы агентства подбора персонала знаний для выделения ранжирования критериев.
Используя алгоритм, приведенный на рисунке 1, можно классифицировать все имеющиеся анкеты.
Входная информация:
- список соискателей;
- сведения из анкет кандидатов
Выходная информация:
- список кандидатов, претендующих на вакантную должность, с указанием всех необходимых характеристик и результатов предварительного тестирования;
- отчёты с дополнительной информацией по кандидатам, сформированные и отсортированные по заданным критериям.
Анализируя выделенные классы, определим перечень атрибутов кандидатов (согласно их анкетных данных и данных тестирования), которые оказывают наибольшее влияние на отбор кандидата для собеседования, на отказ кандидату, на принятие кандидата на работу.
- Ф.И.О. (не анализируется);
- данные паспорта, ИНН (не анализируется);
- вид деятельности (анализируется на этапе выборки кандидатов из базы данных агентства);
- адрес;
- дата рождения;
- общий трудовой стаж работы;
- стаж работы на вакантной должности;
- пол;
- специальность и квалификация;
- занимаемые должности и должностные обязанности с трёх последних мест работы;
- причины увольнения;
- наличие стажа работы на руководящих должностях;
- опыт работы с компьютером;
- прохождение собеседования;
- успешность выполнения должностных обязанностей;
- языковые навыки и т.д.
Каждый атрибут в анкете соискателя имеет свой «критерий важности» - число от 1 до 20.
Для обработки имеющихся данных методами Data Mining необходимо произвести кодирование данные из анкет кандидатов на собеседование. Приведем пример такого кодирования для наиболее важных атрибутов соискателя.
Рисунок 1 – Обобщённый алгоритм работы системы предварительной обработки БД агентства
Возраст (рассчитывается на основании даты рождения)
- От 18 до 23 лет: 0.
- От 24 до 29 лет: 1.
- От 30 до 39 лет: 2.
- От 40 до 54 лет: 3.
- От 55 до 65 лет: 4.
- Больше 65 лет: 5.
Общий трудовой стаж работы (в годах)
- [0; 0,5): 0.
- [0,5; 1): 1.
- [1; 3): 2.
- [3; 5): 3.
- [5; 10): 4.
- >=10: 5.
Стаж работы на вакантной должности (в годах)
- [0; 0,5): 0.
- [0,5; 1): 1.
- [1; 3): 2.
- [3; 5): 3.
- [5; 10): 4.
- >=10: 5.
Пол
Специальность
- Соответствует требуемой: 0.
- Не соответствует требуемой: 1.
- Родственная специальность: 0,6 (например, степень родства)
Занимаемые должности
- Хотя бы одна соответствует требуемой: 0.
- Ни одна не соответствует требуемой: 1.
Причины увольнения
- По инициативе работника: 0.
- По инициативе собственника (администрации) предприятия: 1.
- По обоюдному согласию работника и администрации: 2.
- Другое: 3.
Опыт работы с компьютером
Такой подход позволит путем анализа имеющейся базы данных выделить наиболее важные критерии отбора кандидатов на собеседование, выделить скрытые зависимости, формализовать процесс отбора кандидатов на собеседование, сформировать базу знаний для дальнейшего развития системы отбора кандидатов на собеседование.
Выводы
В ходе написания данной статьи были сформулированы требования для разработки системы предварительного отбора кандидатов на основе методов интеллектуального анализа данных с использованием системы поддержки принятия решений, в основу которой должна быть положена интеграция методов анкетирования и тестирования.
Рассматриваемая система будет полезна для работодателей, которые хотят найти квалифицированных работников на вакантные места, а так же для работников, которые хотят получить или сменить работу.
Литература
1. Gil M. V., Fonotov A. M, Data mining as part of the information technologies market of the human resources, Информационные управляющие системы и компьютерный мониторинг (ИУС и КМ) / Материалы III всеукраинской конференции студентов, аспирантов и молодых учёных.- Донецк, ДонНТУ – 2012.
2. Data Mining. Технология, подготовленная для управления 274A. Андерсон Градюэйт. – Билл Палац, Весна, 1996.
3. Файяд, Пиатетски-Шапиро, Смит, Узурузами, Достижения в области обнаружения знаний и Data Mining (глава 1) AAAI / MIT Press 1996.
4. SAP Business Management Software Solutions, Applications and Services [Электронный ресурс]: http://sap.com.
5. Кретов В.С., Коробицын И.М., Компьютерный метод отбора персонала фирмы // Науковедение интернет-журнал [Электронный ресурс]: http://naukovedenie.ru/index.php?id=160.
Literature
1. Gil M. V., Fonotov A. M, Data mining as part of the information technologies market of the human resources, Information control systems and computer monitoring (ICS and CM) // Materials III National Conference of Students and Young Scientists. - Donetsk, Donetsk National Technical University - 2012.
2. Data Mining. Technology Note prepared for Management 274A. Anderson Graduate. — Bill Palace, Spring, 1996.
3. Fayyad, Piatetsky-Shapiro, Smyth, and Uthurusamy Advances in Knowledge Discovery and Data Mining , (Chapter 1) AAAI/MIT Press 1996.
4. SAP Business Management Software Solutions, Applications and Services [Электронный ресурс]: http://sap.com.
5. Kretov VS Korobitsyn IM, Computer method for selecting personnel of the company // Science of Science online journal [electronic resource]: http://naukovedenie.ru/index.php?id=160.