Le applicazioni per la ricerca
Abbiamo mappato e analizzato il panorama dei sistemi AI applicati al recruiting usando Google e i principali motori specializzati nella comparazione di software aziendali, considerando il mercato italiano ed estero, e poi contattato i fornitori più interessanti di cui abbiamo esaminato le basi teoriche, la tecnologia e i dati di benchmark. Con le soluzioni ritenute migliori abbiamo fatto un test per valutarne l’implementazione nei nostri processi aziendali.
Tra i Recruiting Bot (incluse soluzioni sviluppate in-house per career-page) abbiamo considerato interessanti i ChatBot di Olivia e Easy Recrue (quest’ultimo ora parte della soluzione Career Sites su tecnologie machine learning di ICIMS). Dai test abbiamo visto che i Recruiting Bot, se ben impostati, semplificano la candidatura e l’individuazione di match/mismatch di alcuni requisiti base del candidato.
Tra i sistemi per il reperimento di candidati passivi abbiamo trovato Workable un interessante strumento multipiattaforma, che abbiamo testato e implementato. Mediamente su 50 candidati proposti per ogni annuncio il 5.7% è effettivamente in linea: una percentuale apprezzabile, considerando che l’attività di mappatura e individuazione manuale sugli stessi canali da parte del recruiter è ben più lunga del one click offerto dal sistema.
Ma questa tecnologia non può per ora considerarsi sostitutiva del lavoro del professionista: lo strumento perde troppi profili interessanti, e quindi la mappatura va completata manualmente per ottenere una copertura soddisfacente.
Tra i sistemi di ranking e creazione di talent pool secondo noi Arca 24 e In-Recruiting sono tra le soluzioni più complete per il mercato Italiano.
Abbiamo fatto test e implementazioni all’interno del nostro Applicant Tracking System. Il sistema svolge una profilazione tramite analisi semantica del CV e delle informazioni sul candidato presenti in database, e assegna una percentuale di aderenza del candidato rispetto all’annuncio di lavoro. Quando il recruiter farà lo screening vedrà per primi i CV dei candidati con percentuali più alte di affinità con l’annuncio. L’esito è positivo, soprattutto per i ruoli con un job title più ricorrente (commerciale, amministrativo, ecc.) o specifico (Java Developer).
Anche in questo caso, la soluzione è di supporto ma non sostitutiva dell’attività del recruiter: fornisce un’ottima percentuale di profili in linea nelle prime posizioni (70% tra i primi 5 profili), ma perde profili in linea nelle posizioni basse. Per uno screening CV completo il recruiter dovrà comunque fare un controllo manuale.
Le applicazioni per la selezione
Alcuni operatori hanno integrato uno o più strumenti (come ICIMS che ha acquisito il sistema di analisi delle videointerviste di Easyrecrue) per restituire una valutazione globale del candidato che comprende scale più oggettive (per es. stile comunicativo, valutazione del CV) e più soggettive (il sistema promette di imparare i criteri di selezione dalle valutazioni manuali inserite dall’intervistatore).
Un altro sistema basato sull’analisi delle videointerviste è Retorio, che promette di restituire un profilo di personalità del candidato basato sul modello Big5 dall’analisi semantica del registrato. L’italiana Affinity Matters estende l’analisi oltre il registrato, includendo i post pubblici del candidato.
Tra gli in-basket online strumenti come AI-Interview supportano l’intervistatore nell’analisi del comportamento del candidato durante la prova, registrando le attività del candidato per restituire informazioni su livelli di stress e stato emozionale durante la prova.
Finora abbiamo potuto testare un solo strumento di analisi delle videointerviste in differita e ranking candidati tramite machine learning, che si è rivelato molto completo.
Il test è stato svolto su un numero limitato di processi di selezione caratterizzati da un pool di candidati in linea molto ampio (dai 30 ai 100 candidati sottoposti al test per ogni vacancy gestita). Per confronto l’intervistatore ha sempre visualizzato tutti i video dei candidati a prescindere dal ranking che l’algoritmo gli aveva assegnato e l’esito di questo testing ha dato un buon riscontro, ma ha anche evidenziato diverse criticità dello strumento.
La valutazione degli aspetti comunicativi avviene correttamente (ritmo, tono, varietà del vocabolario). Nella valutazione comparativa si è riscontrata una prima criticità tecnica: il punteggio assegnato alla componente comunicativa risentiva in maniera pesante della qualità della registrazione (sia video che audio) del video del candidato. Valutazioni inferiori venivano spesso date a candidati che avevano registrato ad un volume più basso, o con microfoni di scarsa qualità. Anche la quantità di luce nella stanza sembrava avere influenza sulla valutazione.
La criticità maggiore viene però dal sistema di ranking, e dal relativo sistema di machine learning che doveva replicare i criteri di valutazione dell’intervistatore. Il punteggio globale (elaborato automaticamente dall’IA) veniva fortemente influenzato dagli aspetti comunicativi, che evidentemente avevano un peso importante nella sua elaborazione, trascurando altri aspetti importanti come comportamenti passati ed elementi motivazionali che la macchina non riesce a cogliere. Ne risultavano candidati valutati positivamente nella BeI ma classificati in posizioni basse per la scarsa performance comunicativa.
Così il sistema di ranking diventa fuorviante per la valutazione globale. Anche il sistema di machine learning ha mostrato criticità: una curva di apprendimento abbastanza piatta nell’imparare i criteri di selezione dell’intervistatore e quindi andare ad assegnare volta per volta punteggi sempre più alti ai candidati in linea. Va detto che il nostro test è stato condotto su 14 processi di selezione che hanno coinvolto in tutto circa 800 candidati, e non escludiamo la possibilità che con numeri ben più alti il sistema possa andare a regime in tempi accettabili.
Le applicazioni per la valutazione delle prestazioni
Dalla nostra indagine – solamente informativa – abbiamo rilevato alcuni prodotti interessanti.
Workday ad esempio offre un HCM molto ricco che incorpora Rallyteam e promette di dialogare costantemente con il dipendente con algoritmi di machine learning e chatbot, in modo da profilarlo e suggerirgli contenuti e formazioni on-demand in grado di fargli sviluppare competenze utili sia rispetto allo skillset aziendale, sia per il raggiungimento di determinati obiettivi. Inoltre tramite l’acquisizione di Adaptive Planning hanno creato un “ponte intelligente” con la funzione Finance, tramite un meccanismo di monitoraggio dei costi e del ritorno degli investimenti in grado di dare supporto nei processi di workforce planning e comp&ben.
Oracle, con il suo HCM, ha introdotto un sistema di progressione di carriera automatico, che tramite “avvisi proattivi” aiuta i dipendenti a raggiungere i loro obiettivi attuali e a porsi nuovi obiettivi che gli permettano avanzamenti di carriera.
Con Success Factor, SAP si propone di superare anche l’approccio HCM, arrivando a definire il proprio software come un HXM: Human Experience Management. Il software tramite machine learning e sistemi NLP (Natural Language Processing) è in grado di creare analitiche predittive, dialoga con i dipendenti tramite chatbot e supporta i manager nel superare i loro bias di valutazione. Tramite la sua nuova partnership con Slack, inoltre, si propone di suggerire nuovi processi di lavoro analizzando le attività ripetitive e suggerendo una maniera più rapida e integrata per far sì che il dipendente raggiunga i suoi obiettivi.
Ancora oltre si spinge infine Xander di UltiPro, che si prefigge l’obiettivo, tramite sistemi di ML e NLP, di analizzare il “sentiment”, l’engagement e le emozioni dei dipendenti per prevederne i comportamenti critici, partendo da informazioni provenienti da diverse fonti (analisi delle risposte alle survey, valutazioni periodiche, relazioni).