علم داده هنوز نمی‌تواند مشکلات استخدام را حل کند (HBR)

این مقاله در مجله کسب و کار هاروارد منتشر شده که منبعی معتبر و ارزشمند در حوزه کسب و کار است.

نویسنده: پیتر کاپلی

ترجمه شده توسط تیم گیت (Git.ir)

مدیران استخدام به‌شدت به ابزارهای جدید نیاز دارند، زیرا روش‌های رایج فعلی مانند مصاحبه‌های بدون ساختار، آزمون‌های شخصیت و معرفی افراد از طریق آشنایان، کارایی چندانی ندارند. تازه‌ترین تحول در حوزه استخدام، استفاده از الگوریتم‌های مبتنی بر علم داده برای شناسایی و ارزیابی متقاضیان شغلی است؛ رویکردی که هم امیدوارکننده است و هم نگرانی‌هایی را به همراه دارد. برآورد من نشان می‌دهد که بیش از 100 شرکت در حال توسعه و فروش چنین ابزارهایی به سازمان‌ها هستند. با این حال، علم داده که در حوزه جذب و استخدام هنوز در مراحل ابتدایی خود قرار دارد، فعلاً آن راه‌حل همه‌جانبه‌ای نیست که کارفرمایان انتظارش را دارند.

شرکت‌های ارائه‌دهنده این ابزارها ادعا می‌کنند که الگوریتم‌هایشان می‌توانند نقش سوگیری‌های اجتماعی را در استخدام کاهش دهند. این ادعا تا حدی درست است؛ زیرا الگوریتم‌ها می‌توانند متقاضیان شایسته‌ای را شناسایی کنند که پیش از این، صرفاً به دلیل نداشتن مدرک تحصیلی خاص یا پیشینه اجتماعی مورد انتظار، از فرآیند استخدام کنار گذاشته می‌شدند. اما همین ابزارها ممکن است متغیرهایی را به‌عنوان عوامل پیش‌بینی‌کننده موفقیت معرفی کنند که استفاده از آن‌ها از نظر اخلاقی یا حتی قانونی محل تردید باشد.

مشکل اصلی این است که بسیاری از متخصصان علم داده شناخت اندکی از فضای واقعی استخدام دارند و به همین دلیل ابزارهایی تولید می‌کنند که گاهی از نداشتن ابزار هم بدتر هستند. برای مثال، درصد قابل‌توجهی از آن‌ها مدل‌های خود را صرفاً بر اساس ویژگی‌های بهترین کارکنان فعلی سازمان طراحی می‌کنند و سپس به دنبال متقاضیانی می‌گردند که همان ویژگی‌ها را داشته باشند. آن‌ها از هر داده‌ای که اندازه‌گیری آن آسان باشد استفاده می‌کنند؛ از حالت چهره و انتخاب واژه‌ها گرفته تا فعالیت‌های شبکه‌های اجتماعی و حتی وب‌سایت‌هایی که افراد بازدید کرده‌اند. اما چون بررسی نمی‌کنند که آیا این ویژگی‌ها واقعاً میان کارکنان با عملکرد بالا و عملکرد پایین تفاوت معناداری ایجاد می‌کنند یا خیر، ارزش پیش‌بینی مدل‌هایشان بسیار محدود می‌شود.

علاوه بر این، جمع‌آوری داده‌ها از شبکه‌های اجتماعی یا تاریخچه مرور اینترنت، پرسش‌های مهمی درباره حریم خصوصی ایجاد می‌کند. درست است که دسترسی به این اطلاعات از نظر قانونی ممکن است، اما افرادی که آن محتوا را منتشر کرده‌اند، هرگز قصد نداشته‌اند از آن برای تصمیم‌گیری درباره استخدامشان استفاده شود. آیا منصفانه است مطلبی که فردی در دوران دانشجویی منتشر کرده، سال‌ها بعد به یکی از عوامل تصمیم‌گیری برای استخدام او تبدیل شود؟

یکی دیگر از مشکلات رویکردهای مبتنی بر یادگیری ماشین این است که بیشتر کارفرمایان حجم عظیمی از داده‌هایی را که این الگوریتم‌ها برای پیش‌بینی دقیق نیاز دارند، در اختیار ندارند؛ داده‌هایی مانند تعداد استخدام‌ها، ارزیابی عملکرد کارکنان و اطلاعات مشابه. از نظر تئوری، شرکت‌های ارائه‌دهنده این ابزارها می‌توانند با تجمیع داده‌های سازمان‌های مختلف این کمبود را جبران کنند، اما مشخص نیست تفاوت شرایط و فرهنگ سازمان‌ها تا چه اندازه باعث می‌شود پیش‌بینی‌هایی که بر اساس داده‌های چندین شرکت انجام شده‌اند، برای یک شرکت خاص اعتبار نداشته باشند.

مشکل دیگر این است که تمام روش‌های تحلیلی انتخاب نیروی انسانی، ذاتاً گذشته‌نگر هستند؛ یعنی بر اساس نتایجی ساخته می‌شوند که قبلاً اتفاق افتاده‌اند. الگوریتم‌ها به‌ویژه به داده‌های گذشته وابسته‌اند، زیرا برای آموزش آن‌ها به حجم زیادی از اطلاعات و سال‌ها داده عملکرد کارکنان نیاز است. همان‌طور که آمازون تجربه کرد، گذشته همیشه آینده‌ای را که به دنبال آن هستید، پیش‌بینی نمی‌کند. این شرکت متوجه شد الگوریتم استخدامی که از سال 2014 روی آن کار می‌کرد، به زنان و حتی ویژگی‌هایی که معمولاً با زنان مرتبط بود، مانند سابقه تحصیل در رشته مطالعات زنان، امتیاز پایین‌تری می‌دهد. دلیل آن هم این بود که در گذشته، بیشتر کارکنان برتر شرکت مرد بودند و الگوریتم نیز به دنبال افرادی مشابه آن‌ها می‌گشت. آمازون در نهایت نتوانست این مشکل را برطرف کند و در سال 2017 استفاده از این الگوریتم را متوقف کرد. با وجود این تجربه، بسیاری از شرکت‌های دیگر همچنان به استفاده از چنین ابزارهایی ادامه می‌دهند.

چالش اصلی برای متخصصان علم داده این است که استخدام، برخلاف پیش‌بینی زمان خرابی یک قطعه صنعتی، صرفاً یک مسئله آماری نیست. استخدام آن‌قدر اهمیت دارد که علاوه بر قوانین، با مفاهیم بنیادینی مانند عدالت و انصاف نیز گره خورده است. بنابراین، صرف اینکه یک معیار با عملکرد شغلی بهتر همبستگی داشته باشد، دلیل کافی برای استفاده از آن در تصمیم‌های استخدامی نیست.

برای مثال، یکی از متغیرهایی که متخصصان علم داده ارزش پیش‌بینی‌کننده آن را تأیید کرده‌اند، فاصله محل زندگی تا محل کار است. داده‌ها نشان می‌دهند افرادی که مسیر رفت‌وآمد طولانی‌تری دارند، بیشتر احتمال دارد شغل خود را ترک کنند. اما فاصله محل سکونت به عواملی مانند قیمت مسکن، سطح درآمد و حتی نژاد وابسته است. بنابراین، استخدام افراد بر اساس محل زندگی آن‌ها می‌تواند به‌طور غیرمستقیم باعث تبعیض علیه گروه‌های تحت حمایت قانون، مانند اقلیت‌های نژادی، شود.

براساس قوانین، اگر معیار دیگری وجود داشته باشد که بتواند عملکرد شغلی را دست‌کم به همان اندازه پیش‌بینی کند، استفاده از معیاری که پیامد تبعیض‌آمیز دارد، غیرقانونی خواهد بود. تشخیص این موضوع در الگوریتم‌های یادگیری ماشین بسیار دشوار است. حتی اگر چنین معیاری وجود نداشته باشد، سازمان باید بتواند توضیح دهد چرا آن معیار به عملکرد بهتر منجر می‌شود. شاید بتوان این ارتباط را درباره مدت زمان رفت‌وآمد توضیح داد، اما در مورد عواملی مانند حالت چهره، فعالیت در شبکه‌های اجتماعی یا بسیاری از شاخص‌های مشابه، شرکت‌ها هنوز قادر به ارائه چنین توضیحی نیستند.

در نهایت، مشکل اصلی استفاده از الگوریتم‌ها این است که بسیاری از سازمان‌ها تلاش می‌کنند با کمترین هزینه از آن‌ها استفاده کنند؛ یعنی مدل‌ها را فقط بر اساس بهترین کارکنان می‌سازند، تنها از داده‌هایی استفاده می‌کنند که جمع‌آوری آن‌ها آسان است و به جای ارزیابی نتایج الگوریتم در سازمان خود، صرفاً به ادعاهای شرکت‌های فروشنده اعتماد می‌کنند. واقعیت این است که در این حوزه چیزی به نام «راه‌حل ارزان و بی‌هزینه» وجود ندارد و گاهی بهتر است اصلاً سراغ این راهکارهای کم‌هزینه نروید.

مسیر پیش رو

اگر ندانید افرادی که استخدام کرده‌اید در نهایت به کارکنان موفقی تبدیل شده‌اند یا نه، هرگز نمی‌توانید کیفیت فرآیند استخدام خود را بهبود دهید. همان‌طور که گفته می‌شود، اگر مقصد را ندانید، هر مسیری شما را به جایی خواهد رساند. بنابراین، سازمان‌ها باید روشی برای سنجش اینکه کدام کارکنان واقعاً عملکرد بهتری دارند، در اختیار داشته باشند.

پس چرا بسیاری از شرکت‌ها این کار را انجام نمی‌دهند؟ در نظرسنجی‌ها، کارفرمایان گفته‌اند مهم‌ترین دلیل آن‌ها این است که اندازه‌گیری عملکرد کارکنان دشوار است. اما این دقیقاً همان جایی است که نباید اجازه داد کمال‌گرایی مانع پیشرفت شود. برخی جنبه‌های عملکرد به‌سادگی قابل اندازه‌گیری هستند؛ برای مثال، آیا کارکنان سازمان را ترک می‌کنند؟ آیا غیبت زیادی دارند؟ تقریباً همه شرکت‌ها نیز ارزیابی عملکرد انجام می‌دهند. اگر به این ارزیابی‌ها اعتماد ندارید، از روشی ساده‌تر استفاده کنید. از مدیران بپرسید: «آیا از استخدام این فرد پشیمان هستید؟ اگر دوباره فرصت داشتید، باز هم او را استخدام می‌کردید؟»

سازمان‌هایی که بررسی نمی‌کنند آیا روش‌های استخدامی آن‌ها واقعاً به جذب نیروهای باکیفیت منجر شده است یا خیر، یکی از مهم‌ترین جنبه‌های مدیریت کسب‌وکار مدرن را نادیده گرفته‌اند.

پیتر کاپلی استاد مدیریت در مدرسه وارتون دانشگاه پنسیلوانیا و از شناخته‌شده‌ترین پژوهشگران حوزه مدیریت منابع انسانی و بازار کار است.