Les candidats qui décident de ne pas occuper un poste, après avoir reçu une offre d’emploi, peuvent causer des maux de tête aux services des ressources humaines. Pour les grandes entreprises qui embauchent des milliers de personnes chaque année, cela peut être un problème majeur. Cela peut affecter tout, des plans de gestion des talents aux revenus.
Dans cet article, nous examinons comment l’intelligence artificielle et les techniques d’apprentissage automatique peuvent gérer ce problème, tout en améliorant l’expérience d’intégration des employés. Nous analysons également les défis que les organisations doivent relever si elles souhaitent mettre en place une telle solution.
Les problèmes des évaluations de recrutement actuelles
De nombreuses organisations mettent en œuvre un programme d’engagement des candidats pour engager les gens après avoir fourni une offre d’aide à leur intégration. Un tel programme suit l’engagement des candidats avec des détails tels que leurs coordonnées, les dates de communication, la participation aux événements de l’entreprise, les détails de l’emploi précédent, le temps de trajet depuis le domicile et la réactivité. Ces informations aident les recruteurs à offrir une expérience plus personnalisée aux candidats, mais les gestionnaires d’embauche et les recruteurs effectuent également une évaluation continue du risque que la personne n’accepte finalement pas l’offre et utilisent cette évaluation pour gérer leur pipeline d’embauche.
Cependant, ces évaluations des risques d’annulation d’embauche peuvent ne pas être fiables, ce qui rend difficile pour les gestionnaires d’embauche de planifier les imprévus. Des facteurs tels que les évaluations subjectives et la mauvaise utilisation des données réduisent leur fiabilité. Nous remarquons notamment :
- Les jugements subjectifs sont souvent inexacts. Dans de nombreuses organisations, l’évaluation du risque d’annulation d’embauche est effectuée par le biais « d’appels au jugement » par des recruteurs individuels et des gestionnaires d’embauche. La qualité de ces évaluations varie naturellement. Par exemple, un chef de service peut probablement faire preuve d’un meilleur jugement qu’un nouveau responsable en raison de sa compréhension préalable du marché.
- Les évaluations ignorent les données passées. Bon nombre de ces évaluations ne tirent pas parti des connaissances et des idées des données passées, ni de l’intelligence collective des recruteurs et des gestionnaires d’embauche. L’utilisation des données d’évaluation devient limitée à des tableaux de bord simplistes et orientés vers les données passées.
Ces inefficacités dans l’estimation des risques peuvent avoir un impact sur les plans de gestion des talents.
L’intelligence artificielle et l’apprentissage automatique ont le potentiel d’améliorer la fiabilité de ces évaluations. Nous avons travaillé avec des organisations pour créer des modèles d’apprentissage automatique qui utilisent des données passées et des indicateurs avancés pour générer un score prédictif pour chaque candidat proposé.
De tels modèles permettent de conduire des évaluations objectives qui utilisent l’intelligence collective d’une organisation, plutôt que de s’appuyer sur quelques cadres supérieurs. Les gestionnaires d’embauche peuvent ensuite utiliser ce score pour augmenter les activités d’engagement avec les candidats afin d’atténuer les risques. Ces scores peuvent également générer une vue d’entreprise des risques qui aidera les équipes de capacité centrale.
Les solutions d’IA ont un potentiel important, mais des défis subsistent
Les solutions basées sur l’IA peuvent transformer la façon dont les organisations gèrent leurs viviers de talents. Cependant, la construction d’une telle solution comporte son propre ensemble de défis que les équipes RH doivent relever pour réaliser leur potentiel. Au cours de notre expérience dans la création de solutions pour nos clients, nous avons constaté ce qui suit :
- Les expériences antérieures peuvent avoir un impact sur l’acceptation. D’abord et avant tout, faire accepter l’idée n’est pas toujours aussi facile que prévu. Cela peut être dû au battage médiatique autour de l’IA et du ML. Dans certains cas, les organisations ont essayé une « solution IA/AA » dans le passé et ont obtenu de mauvais résultats. De telles approches auraient pu être irréalistes et motivées davantage par le battage médiatique autour de la technologie. Il est également possible que les solutions précédentes aient échoué en raison d’une mauvaise combinaison de compétences. Définir les bonnes attentes est la clé du succès.
- Les équipes technologiques continuent souvent de travailler en dehors de l’entreprise. Les initiatives trop axées sur la technologie ou théoriques ont tendance à échouer à fournir une solution d’entreprise. Les équipes qui construisent la solution échouent souvent à recruter des recruteurs ou du personnel RH dont la contribution et les observations sont tout aussi importantes, sinon plus, que les algorithmes discutés dans les appels de sprint.
- Les processus d’acquisition de talents doivent être revus. Par exemple, de nombreux indicateurs avancés sur les embauches, tels que la réactivité des candidats, les mises à jour du portail d’emploi et les dates de communication, qui sont des indicateurs critiques du résultat, peuvent ne pas être saisis dans le processus actuel. Cela implique que les processus et les bilans doivent être révisés pour saisir les éléments de données nécessaires aux modèles.
- Les défis typiques de la construction de solutions basées sur les données doivent être relevés. Les exemples sont les données manquantes, les formats de date multiples, la réduction de variables, la déduplication des données, l’encodage des données catégorielles, la sélection de modèles et la validation croisée. Des techniques éprouvées existent généralement pour ces tâches, mais un temps considérable est souvent consacré à la résolution de ces problèmes et nécessite la contribution des utilisateurs professionnels.
Nous vous recommandons de suivre des pratiques standard telles que les statistiques descriptives de base, l’évaluation des modèles d’AA pour l’analyse prédictive et cognitive, les tests d’hypothèses et l’application de plusieurs techniques d’AA. Il est alors nécessaire d’améliorer continuellement la précision de vos modèles en recueillant des données de meilleure qualité et en apprenant à partir des données historiques.
Plus il y a de données, mieux c’est, pour les algorithmes. Cela signifie que vous devrez peut-être passer du temps à collecter et à gérer les données une fois les processus et les modèles révisés.
Les solutions sont mieux construites en utilisant un processus itératif plutôt que de le traiter comme un exercice ponctuel. Les itérations précédentes ont tendance à établir une base et à accélérer les résultats dans les futures itérations.
L’IA a un potentiel important pour aider les organisations à gérer les talents
Pour résumer, il existe une immense opportunité pour les organisations de mieux estimer et gérer leurs nouvelles recrues en appliquant l’apprentissage automatique. Les recruteurs et les gestionnaires d’embauche peuvent utiliser ces technologies pour bénéficier de l’intelligence collective de leur équipe et de leur organisation. Cela signifie qu’ils parviennent à mieux gérer le risque d’annulation d’embauches et l’impact commercial qui en résulte.
Nous avons publié cet article avec l’aide de nos collègues, Hrishekesh Shinde, Surender Singh et Aishwaraya Upadhyay.
