Sử dụng Phân tích con người để xây dựng một nơi làm việc bình đẳng

Phân tích con người, việc áp dụng các phương pháp khoa học và thống kê vào dữ liệu hành vi, truy nguyên nguồn gốc của nó từ kinh điển của Frederick Winslow Taylor Các nguyên tắc quản lý khoa học vào năm 1911, đã tìm cách áp dụng các phương pháp kỹ thuật để quản lý con người. Nhưng phải đến một thế kỷ sau – sau những tiến bộ về sức mạnh máy tính, phương pháp thống kê và đặc biệt là trí tuệ nhân tạo (AI) – lĩnh vực này mới thực sự bùng nổ về sức mạnh, chiều sâu và ứng dụng rộng rãi, đặc biệt, nhưng không chỉ, trong lĩnh vực Nhân sự. (Nhân sự) quản lý. Bằng cách tự động hóa việc thu thập và phân tích các bộ dữ liệu lớn, AI và các công cụ phân tích khác hứa hẹn cải thiện mọi giai đoạn của quy trình nhân sự, từ tuyển dụng và lương thưởng đến thăng chức, đào tạo và đánh giá.

Giờ đây, các thuật toán đang được sử dụng để giúp các nhà quản lý đo lường năng suất và đưa ra các quyết định quan trọng trong việc tuyển dụng, lương thưởng, thăng chức và cơ hội đào tạo – tất cả đều có thể thay đổi cuộc sống của nhân viên. Các công ty đang sử dụng công nghệ này để xác định và thu hẹp khoảng cách chi trả theo giới tính, chủng tộc hoặc các danh mục nhân khẩu học quan trọng khác. Các chuyên gia nhân sự thường sử dụng các công cụ dựa trên AI để sàng lọc hồ sơ nhằm tiết kiệm thời gian, cải thiện độ chính xác và phát hiện ra các mẫu ẩn trong các bằng cấp có liên quan đến hiệu suất tốt hơn (hoặc tệ hơn) trong tương lai. Các mô hình dựa trên AI thậm chí có thể được sử dụng để đề xuất nhân viên nào có thể nghỉ việc trong tương lai gần.

Chưa hết, đối với tất cả những hứa hẹn về các công cụ phân tích con người, chúng cũng có thể khiến các nhà quản lý đi chệch hướng nghiêm trọng.

Amazon đã phải vứt bỏ công cụ sàng lọc sơ yếu lý lịch do các kỹ sư của mình xây dựng vì nó có thành kiến ​​với phụ nữ. Hoặc xem xét LinkedIn, được các chuyên gia trên toàn thế giới sử dụng để kết nối mạng và tìm kiếm việc làm cũng như các chuyên gia nhân sự để tuyển dụng. Tính năng tự động hoàn thành của nền tảng cho thanh tìm kiếm của nó được phát hiện đang gợi ý rằng các tên nữ như “Stephanie” được thay thế bằng tên nam như “Stephen”. Cuối cùng, về phía tuyển dụng, một quảng cáo trên mạng xã hội cho các cơ hội trong lĩnh vực Khoa học, Công nghệ, Kỹ thuật và Toán học (STEM) đã được thiết kế cẩn thận để trung lập về giới tính đã được hiển thị không cân đối cho nam giới bằng một thuật toán được thiết kế để tối đa hóa giá trị cho ngân sách quảng cáo của nhà tuyển dụng , bởi vì phụ nữ nói chung là hơn đáp ứng các quảng cáo và do đó quảng cáo được hiển thị cho họ đắt hơn.

Trong mỗi ví dụ này, một sự cố trong quá trình phân tích đã nảy sinh và tạo ra sự thiên vị ngoài ý muốn – và đôi khi là nghiêm trọng – đối với một nhóm cụ thể. Tuy nhiên, những sự cố này có thể và phải được ngăn chặn. Để nhận ra tiềm năng của phân tích con người dựa trên AI, các công ty phải hiểu nguyên nhân gốc rễ của sai lệch thuật toán và cách chúng hoạt động trong các công cụ phân tích con người thông thường.

Quy trình phân tích

Dữ liệu không trung lập. Các công cụ phân tích con người thường được xây dựng dựa trên dữ liệu lịch sử của nhà tuyển dụng về việc tuyển dụng, giữ chân, thăng chức và đãi ngộ nhân viên của họ. Dữ liệu như vậy sẽ luôn phản ánh các quyết định và thái độ của quá khứ. Do đó, khi chúng ta cố gắng xây dựng nơi làm việc của ngày mai, chúng ta cần lưu ý đến cách dữ liệu hồi cứu của chúng ta có thể phản ánh cả cũ và hiện tại thiên vị và có thể không nắm bắt được đầy đủ sự phức tạp của việc quản lý con người trong một lực lượng lao động ngày càng đa dạng.

Dữ liệu có thể có thành kiến ​​rõ ràng được đưa vào trực tiếp – ví dụ: đánh giá hiệu suất tại công ty của bạn có thể có thành kiến ​​trước đây đối với một nhóm cụ thể. Trong nhiều năm, bạn đã sửa chữa vấn đề đó, nhưng nếu các đánh giá thiên vị được sử dụng để đào tạo một công cụ AI, thì thuật toán sẽ kế thừa và truyền bá các thành kiến ​​về phía trước.

Cũng có những nguồn thiên vị tinh vi hơn. Ví dụ: điểm trung bình ở bậc đại học có thể được sử dụng như một đại diện cho trí thông minh, hoặc giấy phép hoặc chứng chỉ nghề nghiệp có thể là thước đo kỹ năng. Tuy nhiên, các biện pháp này không đầy đủ và thường có những sai lệch và sai lệch. Ví dụ, những người xin việc phải làm việc trong thời gian học đại học – những người có nhiều khả năng đến từ những người có thu nhập thấp hơn – có thể bị điểm thấp hơn, nhưng trên thực tế, họ có thể trở thành những ứng viên tốt nhất vì họ đã chứng minh được động lực vượt qua những trở ngại. Hiểu được sự không phù hợp tiềm ẩn giữa những gì bạn muốn đo lường (ví dụ: trí thông minh hoặc khả năng học hỏi) và những gì bạn thực sự đo lường (ví dụ: hiệu suất trong các bài kiểm tra học thuật) là điều quan trọng trong việc xây dựng bất kỳ công cụ phân tích con người nào, đặc biệt khi mục tiêu là xây dựng một công cụ đa dạng hơn nơi làm việc.

Cách một công cụ phân tích người hoạt động là sản phẩm của cả dữ liệu được cung cấp và thuật toán mà nó sử dụng. Ở đây, chúng tôi đưa ra ba điều bạn cần lưu ý khi quản lý nhân viên của mình.

Đầu tiên, một mô hình tối đa hóa chất lượng tổng thể của dự đoán – cách tiếp cận phổ biến nhất – có khả năng hoạt động tốt nhất đối với các cá nhân trong các nhóm nhân khẩu học đa số nhưng tệ hơn với các nhóm ít được đại diện hơn. Điều này là do các thuật toán thường tối đa hóa độ chính xác tổng thể và do đó hiệu suất cho nhóm đa số có trọng số hơn hiệu suất cho nhóm thiểu số trong việc xác định các tham số của thuật toán. Một ví dụ có thể là một thuật toán được sử dụng trên lực lượng lao động bao gồm hầu hết những người đã kết hôn hoặc độc thân và không có con; thuật toán có thể xác định rằng việc sử dụng ngày cá nhân tăng đột ngột cho thấy khả năng bỏ việc cao, nhưng kết luận này có thể không áp dụng cho các bậc cha mẹ đơn thân thỉnh thoảng phải nghỉ việc vì con họ bị ốm.

Thứ hai, không có cái gọi là mô hình “mù chủng tộc” hay “mù giới tính” thực sự. Thật vậy, việc loại bỏ rõ ràng chủng tộc hoặc giới tính khỏi một người mẫu thậm chí có thể khiến mọi thứ trở nên tồi tệ hơn.

Hãy xem xét ví dụ này: Hãy tưởng tượng rằng công cụ phân tích con người dựa trên AI của bạn, mà bạn đã cẩn thận tránh cung cấp thông tin về giới tính, phát triển một hồ sơ theo dõi mạnh mẽ về dự đoán nhân viên nào có khả năng nghỉ việc ngay sau khi được thuê. Bạn không chắc chính xác thuật toán đã nắm bắt được điều gì – AI thường hoạt động giống như một hộp đen đối với người dùng – nhưng bạn tránh thuê những người mà thuật toán đánh dấu là rủi ro cao và nhận thấy sự sụt giảm đáng kể về số lượng nhân viên mới bỏ việc ngay sau đó tham gia. Tuy nhiên, sau một số năm, bạn phải đối mặt với một vụ kiện vì phân biệt đối xử với phụ nữ trong quá trình tuyển dụng của bạn. Nó chỉ ra rằng thuật toán đã sàng lọc một cách không cân đối những phụ nữ từ một mã zip cụ thể thiếu nhà trẻ, tạo ra gánh nặng cho các bà mẹ đơn thân. Nếu bạn chỉ được biết đến, bạn có thể đã giải quyết vấn đề bằng cách cung cấp nhà giữ trẻ gần nơi làm việc, không chỉ tránh được vụ kiện mà thậm chí còn tạo cho mình lợi thế cạnh tranh trong việc tuyển dụng phụ nữ từ khu vực này.

Thứ ba, nếu các danh mục nhân khẩu học như giới tính và chủng tộc được phân bổ không cân đối trong tổ chức của bạn, chẳng hạn như – ví dụ: nếu hầu hết các nhà quản lý trước đây là nam giới trong khi hầu hết lao động nữ – ngay cả những mô hình được xây dựng cẩn thận sẽ không dẫn đến kết quả như nhau giữa các nhóm . Đó là bởi vì, trong ví dụ này, một mô hình xác định các nhà quản lý tương lai có nhiều khả năng phân loại sai phụ nữ là không hợp để quản lý nhưng phân loại sai nam giới là phù hợp để quản lý, ngay cả khi giới tính không nằm trong tiêu chí của mô hình. Nói một cách dễ hiểu, lý do là các tiêu chí lựa chọn của người mẫu có thể tương quan với cả giới tính và năng khiếu quản lý, do đó, người mẫu sẽ có xu hướng “sai” theo những cách khác nhau đối với phụ nữ và nam giới.

Làm thế nào để làm cho nó đúng

Vì những lý do trên (và những lý do khác), chúng ta cần đặc biệt lưu ý về những hạn chế của các mô hình dựa trên AI và theo dõi ứng dụng của chúng trên các nhóm nhân khẩu học. Điều này đặc biệt quan trọng đối với bộ phận Nhân sự, vì trái ngược hoàn toàn với các ứng dụng AI nói chung, dữ liệu mà các tổ chức sử dụng để đào tạo các công cụ AI rất có thể sẽ phản ánh sự mất cân bằng mà bộ phận nhân sự hiện đang làm việc để điều chỉnh. Do đó, các công ty nên chú ý đến người được đại diện trong dữ liệu khi tạo và giám sát các ứng dụng AI. Nói rõ hơn, họ nên xem xét cấu trúc của dữ liệu đào tạo có thể làm sai lệch đề xuất của AI theo hướng này hay hướng khác như thế nào.

Một công cụ có thể hữu ích về mặt đó là bảng điều khiển thiên vị phân tích riêng biệt cách một công cụ phân tích số người hoạt động trên các nhóm khác nhau (ví dụ: chủng tộc), cho phép phát hiện sớm khả năng thiên vị. Bảng điều khiển này làm nổi bật, trên các nhóm khác nhau, cả hiệu suất thống kê cũng như tác động. Ví dụ: đối với một ứng dụng hỗ trợ tuyển dụng, bảng điều khiển có thể tóm tắt độ chính xác và loại sai lầm mà mô hình mắc phải, cũng như phần nhỏ từ mỗi nhóm đã được phỏng vấn và cuối cùng đã được tuyển dụng.

Ngoài việc theo dõi các số liệu hiệu suất, người quản lý có thể kiểm tra rõ ràng sự thiên vị. Một cách để làm điều này là loại trừ một biến nhân khẩu học cụ thể (ví dụ: giới tính) trong việc đào tạo công cụ dựa trên AI nhưng sau đó rõ ràng bao gồm biến đó trong phân tích kết quả tiếp theo. Nếu giới tính có tương quan cao với kết quả – ví dụ: nếu một giới tính có khả năng được đề nghị tăng lương không tương xứng – thì đó là một dấu hiệu cho thấy công cụ AI có thể ngầm hiểu kết hợp giới một cách không mong muốn. Có thể công cụ đã xác định một cách không cân xứng phụ nữ là ứng viên tăng lương vì phụ nữ có xu hướng bị trả lương thấp hơn trong tổ chức của bạn. Nếu vậy, công cụ AI đang giúp bạn giải quyết một vấn đề quan trọng. Nhưng nó cũng có thể là công cụ AI đang củng cố một xu hướng hiện có. Điều tra sâu hơn sẽ được yêu cầu để xác định nguyên nhân cơ bản.

Điều quan trọng cần nhớ là không có mô hình nào là hoàn chỉnh. Ví dụ: tính cách của một nhân viên có thể ảnh hưởng đến thành công của họ tại công ty của bạn mà không nhất thiết phải hiển thị trong dữ liệu nhân sự của bạn về nhân viên đó. Các chuyên gia nhân sự cần phải cảnh giác với những khả năng này và ghi lại chúng trong phạm vi có thể. Mặc dù các thuật toán có thể giúp giải thích dữ liệu trong quá khứ và xác định các mẫu, nhưng phân tích con người vẫn là lĩnh vực lấy con người làm trung tâm và trong nhiều trường hợp, đặc biệt là những trường hợp khó, các quyết định cuối cùng vẫn do con người đưa ra, như được phản ánh trong cụm từ phổ biến hiện nay “Phân tích con người trong vòng lặp.”

Để đạt được hiệu quả, những người này cần phải nhận thức được sai lệch về học máy và những hạn chế của mô hình, theo dõi việc triển khai của các mô hình trong thời gian thực và chuẩn bị để thực hiện các hành động khắc phục cần thiết. Một quy trình nhận thức thành kiến ​​kết hợp khả năng phán đoán của con người vào từng bước phân tích, bao gồm cả nhận thức về cách các công cụ AI có thể khuếch đại thành kiến ​​thông qua các vòng phản hồi. Một ví dụ cụ thể là khi các quyết định tuyển dụng dựa trên “sự phù hợp với văn hóa” và mỗi chu kỳ tuyển dụng mang lại nhiều nhân viên tương tự hơn cho tổ chức, do đó, sự phù hợp văn hóa thậm chí còn hẹp hơn, có khả năng làm việc chống lại các mục tiêu đa dạng. Trong trường hợp này, việc mở rộng các tiêu chí tuyển dụng có thể được yêu cầu ngoài việc tinh chỉnh công cụ AI.

Phân tích con người, đặc biệt là dựa trên AI, là một công cụ cực kỳ mạnh mẽ đã trở nên không thể thiếu trong lĩnh vực nhân sự hiện đại. Nhưng các mô hình định lượng nhằm hỗ trợ chứ không phải thay thế, đánh giá của con người. Để tận dụng tối đa AI và các công cụ phân tích người khác, bạn sẽ cần phải theo dõi nhất quán cách ứng dụng đang hoạt động trong thời gian thực, những tiêu chí rõ ràng và ẩn nào đang được sử dụng để đưa ra quyết định và đào tạo công cụ cũng như liệu kết quả có ảnh hưởng đến các các nhóm khác nhau theo những cách không mong muốn. Bằng cách đặt các câu hỏi phù hợp về dữ liệu, mô hình, quyết định và nhà cung cấp phần mềm, các nhà quản lý có thể khai thác thành công sức mạnh của People Analytics để xây dựng những nơi làm việc công bằng, đạt thành tích cao trong tương lai.