Моделирование процессов подбора и оценки персонала тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат наук Зинченко Алексей Алексеевич

• Зинченко Алексей Алексеевич
• кандидат наук
• 2016

Оглавление диссертации кандидат наук Зинченко Алексей Алексеевич

ВВЕДЕНИЕ

ГЛАВА 1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ И СОВРЕМЕННЫЕ ПОДХОДЫ К ПРОЦЕССУ ПОДБОРА ПЕРСОНАЛА

1.1 Определение управления персоналом и основные понятия, связанные с ним

1.2 Поиск и отбор персонала как ключевые этапы в системе управления персоналом и анализ эффективности современных методов подбора персонала

1.3 Анализ существующих методов отбора персонала

1.4 Проблема рационального использования времени рекрутера

ГЛАВА 2 АНАЛИЗ МЕТОДОВ БИНАРНОЙ КЛАССИФИКАЦИИ, АДАПТАЦИЯ МОДЕЛЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ ПОДБОРА ПЕРСОНАЛА

2.1 Подбор персонала с точки зрения математического моделирования

2.2 Модели бинарного выбора

2.3 Использование искусственных нейронных сетей для решения задач бинарной классификации

ГЛАВА 3 МОДЕЛИРОВАНИЕ ПРОЦЕССА ПОДБОРА И ОЦЕНКИ ПЕРСОНАЛА

3.1 Анализ результатов моделей бинарного выбора и искусственной нейронной сети

3.2 Анализ результатов искусственной нейронной сети

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Приложение А Программный код Пробит-модели для оценки вероятности прохождения испытательного срока

Приложение Б Программный код Логит-модели для оценки вероятности прохождения испытательного срока

Приложение В Программный код Гомпит-модели для оценки вероятности прохождения испытательного срока

Приложение Г Исходные данные для моделирования процесса подбора персонала

Введение диссертации (часть автореферата) на тему «Моделирование процессов подбора и оценки персонала»

ВВЕДЕНИЕ

Актуальность темы диссертационного исследования. В начале 90-х годов прошлого века руководители крупных компаний столкнулись с ситуацией, когда спрос на высококвалифицированных работников стал явно превышать предложение. Этот факт привел к созданию такого направления деятельности как «Управление персоналом». В широком смысле управление персоналом подразумевает совокупность бизнес-процессов компании, направленных на поиск, привлечение, мотивацию и дальнейшее развитие человеческого потенциала. Имеются две очевидные стратегии получения высококвалифицированного работника в штат компании. Первая стратегия состоит в поиске и привлечении специалистов со стороны. Вторая стратегия делает ставку на выращивание специалистов внутри самой компании. Каждая стратегия имеет свои достоинства, но также связана со специфическими трудностями. В условиях конкуренции компаний высококвалифицированных работников, специалистов придется переманивать из других фирм. Этот процесс получил название «хедхантинг». Переманивание сотрудников из других компаний связано не только с большими материальными затратами, но и требует от ИЯ-менеджеров глубоких знаний в области психологии. С другой стороны, компания может делать ставку на развитие собственных человеческих ресурсов. В этом случае очевидной трудностью, с которой придется столкнуться руководителям, является скрупулёзный отбор кандидатов на дальнейшее продвижение, однако данная стратегия, при указанном условии, является менее затратной по сравнению с первой.

Самым трудоемким, ответственным и деликатным процессом в деле управления персоналом, конечно же, является поиск и оценка профессионализма кандидатов на должности. Это требует от менеджеров большого опыта, а если необходимо собрать большой штат за малое время, то понадобится еще и хорошая база соискателей. По этой причине многие компании предпочитают сотрудничать с рекрутинговыми агентствами, основным видом деятельности которых является

подбор персонала, что позволяет осуществлять его на высоком профессиональном уровне.

Поиском кандидатур и проведением собеседований занимаются HR (Human Resoш"ces)-менеджеры рекрутингового агентства. Для поиска кандидатов им предоставлена полная свобода; интересно отметить, что в отличие от других офисов, которые стараются перекрывать сотрудникам доступ к социальным сетям на рабочих местах, в рекрутинговом агентстве этот доступ может быть открыт по совершенно объективной причине - социальные сети предоставляют огромные возможности по поиску работников, сбору информации, проведению опросов. HR-менеджеры должны прекрасно ориентироваться в потребностях клиента, а также обладать достаточным профессионализмом, чтобы оценить потенциального работника. Решение такой задачи требует всесторонних знаний, но каким бы широким ни был кругозор человека, фактор субъективности полностью исключить не удастся. Стоит ли говорить, что каждый «плохой» работник, предложенный рекрутинговым агентством и впоследствии уволенный клиентом (в течение испытательного срока), будет стоить агентству не только репутации: если предложенный работник не проходит испытательный срок в компании, рекрутинговое агентство значительно уменьшает сумму счета, выставленного за услуги подбора персонала.

Следовательно, приоритетной задачей рекрутинговой компании является повышение эффективности оценки кандидатов. Но на практике, и этот момент мы особо отметим, агентства полагаются лишь на опыт и профессионализм сотрудников HR-отдела, занимающихся непосредственно поиском и отбором работников, при этом какие-либо математические модели, описывающие данный процесс, попросту отсутствуют, а ведь это один из существенных резервов улучшения работы в данном направлении. Необходимость создания теоретического подхода к количественной оценке процесса подбора персонала обуславливает актуальность и востребованность диссертационного исследования.

Степень разработанности проблемы. Науке управления персоналом посвящены труды В. М. Масловой, Т.В. Зайцевой, А. Т. Зуб, А.Я. Кибанова, С.В.

Ивановой, Т.Ю. Базарова, В.В. Арутюнова, В.Р. Веснина, А. Г. Маклакова, С. И. Самыгина, Э. Майклз, В. Д. Дорофеева, Г. В. Ларионова, А. Н. Прошиной, В. К. Федорова. Эти авторы рассматривали проблему управления персоналом только с точки зрения хозяйствующего субъекта. В последние годы в области управления персоналом выделился бизнес-процесс, получивший название «рекрутинг» (подбор персонала) и получила широкое распространение практика сотрудничества с рекрутинговыми агентствами. В связи с этим возникла потребность в развитии теории управления персоналом и выделении в ней рекрутинга как отдельной дисциплины. Рекрутингу посвящены книги С.В. Ивановой, Ю.Г. Одегова, А.В. Вязигина, Т. Баскиной, О. Н. Аллина, С.А. Карташова, И.А. Кокорева, а также зарубежные издания, авторами которых являются С. Квале, Д. Арнольд, М. А. Ричардсон, Э. Майклз, Х. Хэндфилд-Джонс, Э. Экселрод. В своих работах авторы используют преимущественно методы, заимствованные из психологии, либо дают рекомендации, основываясь на личном профессиональном опыте. К сожалению, в этих трудах не нашлось места методам формализации и моделирования логических выводов лиц, принимающих решения.

В то же время в микро- и макроэкономических исследованиях, а также в банковском деле широко применяются разнообразные математические методы, формализующие процессы принятия решений. В частности, это модели бинарного выбора и искусственные нейронные сети. Бинарной регрессии посвятили свои исследования У. Грин, Д. Хосмер, С.А. Айвазян, В.С. Мхитарян и другие. К фундаментальным работам по нейронным сетям относятся труды финского математика Тейво Кохонена, У. Маккаллока, У. Питтса, М. Минского, Ф. Пейперта. Отдельные положения их исследований могут быть применены для решения задачи подбора персонала.

Очевидная целесообразность, принципиальная возможность и практическая нерешенность вопросов использования экономико-математического моделирования при решении задачи подбора персонала определили цель и структуру настоящего диссертационного исследования.

Целью диссертационного исследования является повышение результативности и эффективности подбора и оценки персонала за счет формализации, оптимизации и автоматизации его содержательных процедур.

Для достижения указанной цели в работе поставлены и решены следующие задачи:

- анализ и систематизация современных подходов к процессу подбора

персонала и выбор фрагментов этого процесса, наиболее подходящих для

формализации, оптимизации и автоматизации;

- отбор факторов, влияющих на решение задачи подбора кадров и выбор наиболее значимых из них;

- математическая постановка исходной задачи и отбор известных математических моделей, отвечающих данной постановке, для которых существуют общепринятые алгоритмические решения;

- калибровка моделей, разработка и апробация программного обеспечения, реализующего решение исходной задачи;

- разработка методических рекомендаций по использованию предложенного математического и программного обеспечения задачи;

- оценка результативности и экономической эффективности предложенных проектных решений.

Объектом диссертационного исследования является процесс поиска подбора и оценки персонала на рынке труда, осуществляемый рекрутинговыми агентствами.

Предмет исследования составляют математические и инструментальные методы для объективизации принятия управленческих решений в сфере подбора персонала.

Область исследования. Диссертация выполнена в рамках п. 2.3 (Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях.) Паспорта

специальности 08.00.13 - Математические и инструментальные методы экономики (экономические науки).

Методология и методы исследования. Методологию диссертационного исследования составили подходы, концепции, методы и алгоритмы эконометрики, теории вероятностей, математической статистики, систем искусственного интеллекта и других математических разделов экономической науки. При решении конкретных задач использовались известные и хорошо опробованные методы регрессионного анализа, в частности бинарной регрессии, статистические методы оценки значимости параметров моделей, методы построения искусственных нейронных сетей.

Теоретической основой диссертационного исследования являются основные положения экономической теории, теории систем и системного анализа.

Информационную базу исследования составили аналитические материалы и статистические данные рекрутинговых агентств, отзывы хозяйствующих субъектов на результаты их работы, фрагменты баз данных некоторых из этих агентств, содержащие резюме соискателей, рекомендованных ими своим клиентам.

Научная новизна исследования заключается в построении моделей бинарного выбора и искусственной нейронной сети для решения задачи подбора персонала кадровым агентством.

Элементы научной новизны содержат положения и результаты диссертационного исследования, выносимые на защиту. Назовём эти элементы.

1. Авторская систематизация существующих подходов к подбору персонала, в основу которой положена возможность формализации действий и процедур рекрутингового процесса (с. 30-45).

2. Отбор наиболее существенных факторов, влияющих на результат решения исходной задачи и измерительная шкала для каждого из них; в общей сложности выделено 11 факторов, которые учитывались в процессе моделирования: 1 - пол кандидата, 2 - возраст в годах, 3 - наличие высшего образования, 4 - профиль образования, 5 - стаж работника в годах, 6 - количество организаций, в которых

работал кандидат, 7 - количество навыков и обязанностей, перечисленных в резюме, 8 - знание английского языка, 9 - знание других иностранных языков, 10 -уровень знания компьютера, 11 - запрашиваемая заработная плата (с. 76).

3. Модели бинарного выбора, описывающие процесс принятия решений о подборе персонала. Построены три модели, использующие в своей основе три различные функции распределения: нормального распределения (пробит), логистического распределения (логит) и распределения Гомпертца (гомпит). Оценены коэффициенты моделей, которые позволяют судить о том, как именно каждый фактор влияет на вероятность прохождения испытательного срока (с. 97103).

4. Нейронная сеть, построенная по данным о прохождении испытательного срока работниками и, таким образом, решающая задачу априорной классификации кандидатов, предлагаемых кадровым агентством, на пригодных и непригодных. Это позволяет снизить издержки рекрутингового агентства в виде неустойки, выплачиваемой за «плохой подбор» (с. 109-113).

5. Сравнительный анализ качества результатов, полученных с помощью указанных выше моделей, в котором отражены преимущества конкретных подходов к моделированию рекрутингового процесса в зависимости от ситуации. В частности, установлено, что бинарная модель дает возможность определить влияние каждого фактора на результат. Недостатком модели является то, что (в редких случаях) она может давать неуверенную оценку кандидату. Этого недостатка лишена искусственная нейронная есть, однако её коэффициенты принципиально не могут быть интерпретированы (с. 98-103,113-114).

6. Программное обеспечение решения задачи подбора персонала и удобный интерфейс в программной среде Maple, реализующий построенные математические модели бинарного выбора и ориентированный на использование HR-менеджерами, при этом не требуется специальная подготовка пользователя (с. 105, 131-140).

7. Методические рекомендации по использованию построенных моделей, которые позволяют неподготовленному пользователю применить разработанные методы, что значительно расширяет круг их применения (с. 104).

Теоретическая значимость результатов. Вынесенные на защиту положения можно интерпретировать как дальнейшее развитие теории принятия управленческих решений в части расширения математических инструментальных методов подбора персонала.

Практическая значимость результатов исследования. Разработанные в диссертации положения и методики ориентированы на широкое использование кадровыми службами организаций и агентствами по подбору персонала. Практическая значимость результатов состоит в том, что разработанная информационная система поддержки принятия управленческих решений в данной сфере позволяет существенно повысить результативность процесса выбора кандидатов на должности, повысить объективность решений, принимаемых ИЯ-менеджерами, занятыми непосредственно проведением собеседований, оценкой профессионализма и дальнейшим отбором работников.

Самостоятельное практическое значение имеют следующие результаты диссертационного исследования:

- математические модели, описывающие процесс отбора кандидатов на должности, дающие возможность получить четкое представление о том, какие именно факторы, доступные априори, оказывают влияние на конечную вероятность прохождения испытательного срока работником;

- методика принятия решений в сфере подбора и оценки персонала, которой могут воспользоваться не только ИЯ-менеджеры, а и другие специалисты в области управления персоналом, в том числе первые руководители организаций.

Отмеченные результаты нашли практическое применение в работе ООО «Келли Сервисез Си-Ай-Эс» и используются в учебном процессе ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации» в преподавании дисциплины «Математические и инструментальные методы поддержки принятия решений».

Предложенные в диссертационном исследовании подходы к построению математических моделей оценки будущих работников позволяют настраивать параметры моделей для конкретных отраслей. Последнее, в частности, является значимым преимуществом для кадровых агентств, предоставляющих свои услуги множеству компаний.

Степень достоверности, апробация и внедрение результатов исследования. Полученные аналитические и численные результаты являются достоверными, так как методика их получения соответствует общепринятой теории. Правильность выкладок неоднократно проверялась нами на заседаниях кафедры, а также рядом специалистов, которым были предоставлены результаты исследования на различных конференциях и семинарах.

Основные результаты и положения диссертационного исследования докладывались на конференции «Научные достижения молодых исследователей» (Москва, Финансовый университет, 27-29 марта 2014 г.); на XV Всероссийской научно-практической конференции «Молодёжь. Образование. Экономика» (г. Ярославль, Ярославский филиал МЭСИ, 24 апреля 2014 г.); на VI Международном научном студенческом конгрессе «Гражданское общество России: становление и пути развития» (Москва, Финансовый университет, 16 апреля 2015 г.)

Материалы диссертационного исследования используются в практической деятельности кадрового агентства ООО «Келли Сервисез Си-Ай-Эс»: на предприятии внедрена информационная система поддержки, осуществляющая оценку вероятности прохождения кандидатами на должность испытательного срока у компании-клиента. Методика, разработанная на основе диссертационного исследования, позволила частично автоматизировать процесс оценки и отбора кандидатов, а также повысить объективность принятия решений ИЯ-менеджерами.

Материалы диссертации используются кафедрой «Прикладная математика» Финансового университета в преподавании учебной дисциплины «Математические и инструментальные методы поддержки принятия решений».

Внедрение результатов исследования подтверждено соответствующими документами.

Публикации.

Основные результаты исследования отражены в шести статьях общим объемом 3,5 п. л. (весь объем авторский), в том числе три работы авторским объемом 2,1 п. л. опубликованы в рецензируемых научных изданиях, определенных ВАК Минобрнауки России.

Структура и объем работы. Структура диссертации обусловлена целью, задачами и логикой проведенного исследования, состоит из введения, трех глав, заключения, списка литературы, включающего 102 источника и 4 приложения. Текст диссертации изложен на 143-х страницах, содержит 18 рисунков и 4 таблицы.

12

ГЛАВА 1

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ И СОВРЕМЕННЫЕ ПОДХОДЫ К ПРОЦЕССУ ПОДБОРА ПЕРСОНАЛА

1.1 Определение управления персоналом и основные понятия, связанные с ним

В процессе организации деятельности любого предприятия первое место занимает система управления персоналом, или так называемый менеджмент персонала. Э. Майклз, Х. Хэндфил-Джонс, Х. Экселрод, всемирно известные практики менеджмента, в своей знаменитой книге «Война за таланты» отмечают, что в XXI веке спрос на высококвалифицированных работников явно превышает предложение [42, с. 35]. Очевидно, что успешная работа компаний зависит от наличия таких кадров. Поэтому работодатели конкурируют между собой за эффективных работников, способных максимально улучшить результаты деятельности. В этих условиях от руководства любой организации требуются быстрые и точные решения по подбору персонала. Не случайно процесс управления персоналом (кадровый менеджмент) стали выделять как отдельный бизнес-процесс внутри организации.

Направление «Управление персоналом» как наука и практика появилось на заре промышленной революции во второй половине XIX века и получило расцвет в течение XX века [35, с. 7]. По мнению Г. В. Ларионова, промышленная революция сильно повлияла на управление человеческими ресурсами: впервые предпринимаются попытки научным путем усовершенствовать организацию труда, объяснить и спрогнозировать поведение сотрудников [40, с. 50]. Т. В. Зайцева и А. Т. Зуб в своём труде «Управление персоналом» так же дают исторический очерк процессу развития научного подхода к данной тематике и утверждают, что первыми обратили внимание на человеческий фактор и его значимость в производственном процессе американские ученые Ф. Гилберт и Ф.

Тейлор [28, с. 6]. Важно отметить, что абсолютное большинство исследований и трудов на данную тему - это работы зарубежных авторов, являющихся практиками менеджмента. Тем не менее, в последнее время исследования, посвященные эффективному кадровому управлению, всё чаще стали появляться и в России. Однако стоит указать, что ввиду недостаточной разработанности вышеуказанной темы многие термины, связанные с понятием «кадровый менеджмент», не имеют русских эквивалентов, либо эти эквиваленты разнятся в звучании у различных авторов, и каждое заимствованное понятие нуждается в отдельном определении и уточнении смысла.

Рассмотрим различные подходы к определению понятия «менеджмент персонала». В числе известных российских исследователей, посвятивших свои труды изучению этой темы, можно выделить С.И. Самыгина и Л.Д. Столяренко. В своей книге «Менеджмент персонала» они определяют понятие «управление персоналом» следующим образом: «Менеджмент персонала - это разработка и реализация стратегии организации труда, т. е. осуществление формирования кадров организации, развитие работников, совершенствование организации труда и его стимулирования, создания безопасных условий труда» [51, с. 75]. Также стоит выделить понятие «управление персоналом», представленное В.М. Масловой: «Управление персоналом - это часть менеджмента, обеспечивающая формирование социальной политики организации, социального партнерства, доверия между наемными работниками и работодателями» [26, с. 102].

Теперь обратимся к зарубежному толкованию понятия «менеджмент персонала». Известный зарубежный исследователь Эдвин Флиппо (Edwin B. Flippo) дает следующее определение: «Управление персоналом - это планирование, организация, вознаграждение и интеграция людей в целях достижения организационных, индивидуальных и социальных целей» [71, с. 303]. По утверждению В. Д. Дорофеева, важная роль в процессе управления персоналом отводится соответствию и непротиворечивости цели предприятия и персонал-стратегии, что является одним из ключевых принципов повышения эффективности управления трудовыми ресурсами [24, с. 11].

Более широкую трактовку дает современный англоязычный бизнес-словарь: «Управление персоналом - это административная дисциплина, связанная с наймом и развитием сотрудников, направленная на повышение их ценности для организации, включающая в себя анализ потребности в персонале, планирование и подбор персонала, выбор людей на место работы, ориентацию и профессиональную подготовку, определение заработной платы, предоставление льгот и стимулов, оценку эффективности работы, разрешение споров, общение со всеми сотрудниками на всех уровнях» [96]. Некоторые исследователи, такие как В. К. Федоров, М. Н. Черкасов и А. В. Луценко рассматривают управление персоналом как составную часть политики управления инновациями, которая имеет следующие направления: разработка кадровой политики предприятия, подбор и расстановка кадров, адаптация и стабилизация кадров [53, с. 52].

Исходя из вышеизложенного, представляется возможным обобщить и уточнить понятие «менеджмент персонала», которого автор будет придерживаться в своей работе: «Менеджмент персонала - это система управления персоналом, представляющая собой совокупность теоретической области знаний и сферы практической деятельности, включающая в себя планирование, поиск и подбор персонала, его ориентацию, профессиональную подготовку и стимулирование, адаптацию и стабилизацию, направленная на достижение организацией цели приобретения удовлетворяющей всем требованиям рабочей силы, способной качественно и при минимальных затратах справляться с поставленными задачами». Также представляется важным уточнить некоторые понятия, связанные с вышеизложенным определением.

Поиск (подбор) персонала - это один из этапов системы управления персоналом, включающий в себя методы, используемые организациями в целях обеспечения наилучшего состава потенциальной квалифицированной рабочей силы, кандидатов из которой они смогут при необходимости нанять. Процесс подбора персонала можно разделить на ряд этапов.

1. Разработка политики набора и удерживания персонала, а также системы, обеспечивающей ее функционирование.

Под системой, обеспечивающей функционирование политики подбора персонала, подразумевается сбор статистики и ведение документации по организационному процессу подбора персонала, а также документация используемых критериев. Наличие документации удовлетворяет требованиям процессуальной прозрачности и оставляет возможность обращения к ней при необходимости. Как правило, в документации отражаются следующие составляющие: критерии и процедуры первоначального отбора претендентов и панельного интервью, вопросы, оценка и комментарии интервьюеров, результаты тестов, контрольных проверок и прочее. С. А. Карташов, Ю. Г. Одегов и И. А. Кокорев в своём труде «Рекрутинг. Найм персонала» прямо указывают на то, что отчет менеджера о первом интервью является важной составляющей документации [32, с. 142].

2. Оценка текущих и будущих потребностей организации в необходимом объеме рабочей силы.

Для обеспечения эффективности проведения данного этапа необходимо, чтобы потребности в рабочей силе для каждой рабочей категории или для функционального подразделения организации были оценены согласно расставленным приоритетам. О необходимости планирования потребности в персонале пишет С. Иванова, профессиональный управленец, занимающийся человеческими ресурсами (от английского «human resources», далее - HR) и управленческой работой с 1995 года, автор таких трудов как «Искусство подбора персонала», «Мотивация на 100 %» и других. В своем исследовании «Поиск и оценка линейного персонала: повышение эффективности и снижение затрат» С. Иванова отмечает, что во избежание экстренной потребности в персонале потребность в нем необходимо планировать [30, с. 14]. Помимо оценки текущей потребности в персонале, организациям необходимо прогнозировать потребность в персонале, то есть оценивать будущую потребность в рабочей силе. По мнению Светланы Ивановой, прогнозирование и предотвращение рисков в кадровом изменении компании предполагает проведение организациями упреждающего анализа влияния значимых изменений в организации на возможность сотрудников

продолжить свою рабочую деятельность в данной компании путем проведения опросов или индивидуальных бесед [30, с. 16]. О необходимости планирования потребности в персонале в процессе формирования кадрового состава пишут и многие другие исследователи, например, Т. Ю. Базаров в своем труде «Психология управления персоналом». По его мнению, данный этап необходимо осуществлять после этапа проектирования структуры организации [16, с. 153]. В. Р. Веснин, в свою очередь, отмечает, что планирование персонала должно осуществляться после определения политики и стратегии в области персонала [20, с. 165].

3. Идентификация объема потенциальной рабочей силы во внутренней и внешней среде организации, а также определение степени конкуренции за предлагаемое вакантное место.

Идентификация объема потенциальной рабочей силы предполагает организации решить вопрос: возможно ли удовлетворить потребность в персонале за счет внутреннего кадрового резерва или необходимо прибегнуть к внешним источникам рабочей силы. Рассматривая степень конкуренции за вакантное место, необходимо определить, высокий ли уровень конкуренции или низкий, далее, исходя из этого, у работодателя будут разные стратегии поиска и привлечения кандидатов. Важно отметить, что степени конкуренции зависят от сферы деятельности организации. Так, по данным на июнь 2015 года, согласно обзору состояния рынка труда и занятости города Москвы, проводимому государственным бюджетным учреждением «Малый бизнес Москвы» и Департаментом науки, промышленной политики и предпринимательства города Москвы, наибольшая конкуренция за вакантные места традиционно отмечается в сферах «Государственная служба, некоммерческие организации» и «Высший менеджмент» (25 и 21 человек на место соответственно), в то время как в сфере «Продажи» конкуренция соискателей самая низкая [86, с. 9].

Список литературы диссертационного исследования кандидат наук Зинченко Алексей Алексеевич, 2016 год

/ / /

/ / г А / / / / / /

О : 0,166667 0,166667 : 0,333333 0,333333 : 0,5 0,5 : 0,666667 0,666667 : 0,833333 0,833333: 1

Интервалы для Х01_1_01ГГ

Источник: составлено автором.

Рисунок 14 - Гистограмма выходных значений ИНС Одним из недостатков ИНС является то, что они не показывают, как именно влияют отдельные факторы на классификацию. Другим недостатком является то, что при одних и тех же параметрах повторное обучение нейронной сети может давать отличный результат, о чем будет сказано ниже. Влияние факторов на результаты модели можно, однако, установить экспериментально, с помощью анализа «что, если», реализованного в программном пакете Веёис1:ог (рисунок 15). Изменяя значения факторов, можно заметить, какие из них оказывают большее влияние на классификацию кандидатов. В частности, можно утверждать, что в нейронной сети, описанной в статье, такой фактор как «запрашиваемая заработная плата», указываемый в резюме, не имеет влияния на то, к какому классу будет отнесен работник. Проверить данный факт можно, исключив соответствующий фактор из входного слоя сети, при этом качество классификации не меняется.

Поле

■Значение

- В йодные 9.0 С01_2 9.0 С01_3 9.0 С01_4 9.0 С01_5 9.0 С01_6 9.0 С01_7 9.0 С01_8 9.0 С01_9 9.0 СОИ О 9.0 С0И1 9.0 СОИ 2

- Выходные 9.0 СОИ

1

30 1

2

0,75

1

3

1

1

1

25440,04707 О

Источник: составлено автором.

Рисунок 15 - Анализ «что, если» Однако при повторном обучении на той же выборке, с теми же параметрами, можно получить другие синаптические веса, как показано на рисунке 16, и другое качество модели. Данный факт обусловлен тем, что за ограниченное количество эпох обучения примеры подаются на вход сети в случайном порядке. На рисунке 17 представлены результаты модели на тестовом множестве. Результаты обучения изменяются, потому что тестовое множество каждый раз выбирается случайным образом. При многократном повторении процедуры обучения автором было установлено, что доля верно распознанных примеров в тестовом множестве не может опуститься ниже 80 %.

Источник: составлено автором. Рисунок 16 - Граф повторно обученной нейронной сети

C0L1 C0L2 C0L3 C0L4 C0L5 C0L6 C0L7 C0L9 СО L9 C0L1Q CÜL11 COLI 2 C0L1_ÜUT C0L1_ERR

0 1 42 1 2 14 6 15 1 0 3 42400,07846 0 0

0 2 22 2 3 2 9 0 1 1 25000 1 1

0 2 33 1 е 5 48 1 0 1 0 0 0

0 1 33 2 13 11 67 1 0 0 130000 0 0

0 2 38 0 16,5 G 47 0 0 0 40000 0 0

0 2 19 2 0,1 1 54 1 0 0 30000 0 0

1 1 39 2 19 4 14 1 0 1 212,0003923 0,999999999999996 1,37477724506431Е-29

1 2 23 1 3 2 13 1 1 2 35000 1 0

1 1 0 2 11 3 17 0 1 2 45000 9,85298002748047Е-6 0,999930294137026

1 1 28 1 8 2 9 1 1 2 55000 1 0

Источник: составлено автором. Рисунок 17 - Результаты ИНС на тестовом множестве после повторного обучения Разница в качестве классификации, осуществляемой моделью, объясняется тем, что для обучения нейронной сети критическое значение имеет наличие в обучающем множестве некоторых примеров. Если они отсутствуют в обучающем множестве (находясь в тестовом), то искусственная нейронная сеть в процессе обучения не может настроить синаптические веса для качественного обобщения.

0: 0,142857 0,142857 : 0,285714 0,285714 : 0,428571 0,428571 : 0,571429 0,571429: 0,714286 0,714286 : 0,857143 0,857143: 1

Интервалы для "СОИ"

Источник: составлено автором.

Рисунок 18 - Гистограмма выходных значений повторно обученной ИНС На гистограмме, представленной на рисунке 18, даны результаты классификации, осуществляемые искусственной нейронной сетью на обучающем и тестовом множестве. Изначально в выборке в одинаковом количестве присутствуют люди, прошедшие испытательный срок и не прошедшие его (красные столбцы), однако ИНС распознаёт некоторые примеры ошибочно (желтые столбцы), изменяя реальное соотношение.

Результаты, полученные в исследовании, позволяют утверждать, что информация, которую люди указывают в резюме, несёт в себе закономерности, поддающиеся статистическому анализу. Построенные модели хорошо подходят для решения поставленной задачи, имея при этом ряд специфических преимуществ друг перед другом. Модели бинарного выбора, помимо оценки вероятности прохождения испытательного срока работником, позволяют исследовать влияние отдельных факторов на конечный результат, благодаря чему рекрутинговые агентства и кадровые службы смогут, например, повысить эффективность корпоративных тренингов.

Искусственные нейронные сети, в свою очередь, имеют хороший потенциал для моделирования процесса подбора персонала в силу исключительной пригодности для аппроксимации нелинейных функций с большим количеством переменных, что крайне важно для решения задач классификации. Однако ИНС имеют ряд недостатков:

- необходимость экспериментального подбора параметров искусственной нейронной сети;

- невозможность интерпретации коэффициентов ИНС;

- отсутствие алгоритма включения факторов в модель.

Поиск оптимального соотношения параметров нейросетевых моделей и их характеристик в каждом конкретном случае является одной из ключевых задач, так как от выбора конфигурации ИНС и параметров алгоритма обучения зависит возможность избежать таких проблем как переобучение сети и её паралич.

В случае, когда кадровое агентство осуществляет массовый подбор работников и агентство хочет автоматизировать этот процесс, возможно, не столь принципиально знать, какое влияние конкретные факторы оказывают на классификацию. Если же речь идет о подборе высококвалифицированных кадров, например, на управленческие должности, такая информация, безусловно, была бы полезна, так как в этом случае математическая модель может выступать лишь как система поддержки принятия решений, в то время как конечное решение о том, можно ли рекомендовать работника клиенту, остается за НК-менеджером.

В проведенном исследовании было изучено моделирование процессов подбора и оценки персонала.

Рассмотрев определение управления персоналом и основные понятия, связанные с ним, автору удалось выделить основные этапы процесса подбора и отбора персонала. Учитывая, что процесс подбора и отбора персонала является трудоемким с точки зрения осуществления всех включенных в них этапов, в последнее время автоматизация различных бизнес-процессов приобретает особую актуальность, разрабатываются программные обеспечения для облегчения процесса управления персоналом и экономии времени кадровых служб.

Как отмечалось ранее, этапы подбора и отбора персонала являются ключевыми в общей системе управления ввиду влияния на эффективность деятельности организации, а также с точки зрения ее конкурентного преимущества. Проведенный анализ литературы показал, что существует большое количество подходов к подбору персонала, каждый из которых имеет свои преимущества и недостатки.

Эффективность применения того или иного метода управления персоналом зависит от того, сколько средств направляется на финансирование привлечения кандидатов, насколько адресно нацелена реклама, каким количеством доступного времени для поиска кандидатов обладает работодатель и, наконец, прибегает ли он к услугам кадровых агентств или занимается поиском и привлечением кандидатов самостоятельно. Как было отмечено ранее, существуют методы, которые при сочетании с услугами кадровых агентств могут принести более эффективный результат. К таким методам относится прямой поиск и прелиминаринг.

Эффективность результата использования метода подбора персонала обусловлена возможностью формализации действий и процедур рекрутингового процесса с помощью количественных методов. По мнению автора, к методу, наиболее удачно совместимому с математическим моделированием, можно

отнести рекрутинг. Применение методов количественного моделирования на некоторых этапах отбора персонала в практике рекрутинга в основном отсутствует, что открывает перспективу разработки математических моделей, работающих непосредственно на повышение эффективности конечного результата всего процесса.

В результате исследования информации по методам отбора кандидатов на должность автором были рассмотрены их основные преимущества и недостатки. Также автором были проанализированы дополнительные методы оценки, которые могут использоваться работодателями при отборе персонала. Автор хотел бы отметить, что для формирования эффективной системы управления персоналом руководству любой организации в первую очередь необходимо выбрать наиболее подходящие для ее целей методы подбора и отбора персонала, минимизировать операционные издержки проведения всех этапов отбора персонала, найти оптимальное соотношение между внутренними специалистами по набору кадров и внешними рекрутинговыми агентствами. Также необходимой мерой является условие внедрения качественно новых, инновационных способов оценки персонала, а именно - разработка компьютерных программ, способных упростить процесс рекрутинга и повысить его результативность. Учитывая, что процесс подбора и отбора персонала непременно требует траты рабочего времени рекрутеров, становится очевидной необходимость оптимизации затрат их времени на всех этапах, в которых они участвуют.

Назовём результаты, полученные в ходе работы.

• Авторская систематизация существующих подходов к подбору персонала, в основу которой положена возможность формализации действий и процедур рекрутингового процесса.

• Набор наиболее существенных факторов, влияющих на результат решения исходной задачи и измерительная шкала для каждого из них. В общей сложности выделено 11 факторов, которые учитывались в процессе моделирования: 1 - пол кандидата, 2 - возраст в годах, 3 - наличие высшего образования, 4 - профиль образования, 5 - стаж работника в годах, 6 - количество

организаций, в которых работал кандидат, 7 - количество навыков и обязанностей, перечисленных в резюме, 8 - знание английского языка, 9 - знание других иностранных языков, 10 - уровень знания компьютера, 11 -запрашиваемая заработная плата.

• Модели бинарного выбора, описывающие процесс принятия решений о подборе персонала. Построены три модели, использующие в своей основе три различные функции распределения: нормального распределения (пробит), логистического распределения (логит) и распределения Гомпертца (гомпит). Оценены коэффициенты моделей, которые позволяют судить о том, как именно каждый фактор влияет на вероятность прохождения испытательного срока.

• Нейронная сеть, построенная по данным о прохождении испытательного срока работниками и, таким образом, решающая задачу априорной классификации кандидатов, предлагаемых кадровым агентством, на пригодных и непригодных. Это позволяет снизить издержки рекрутингового агентства в виде неустойки, выплачиваемой за «плохой подбор».

• Сравнительный анализ качества результатов, полученных с помощью указанных выше моделей, в котором отражены преимущества конкретных подходов к моделированию рекрутингового процесса в зависимости от ситуации. В частности, установлено, что бинарная модель даёт возможность определить влияние каждого фактора на результат. Недостатком модели является то, что (в редких случаях) она может давать неуверенную оценку кандидату. Этого недостатка лишена искусственная нейронная есть, однако её коэффициенты принципиально не могут быть интерпретированы.

• Программное обеспечение решения задачи подбора персонала и удобный интерфейс в программной среде Maple, реализующий построенные математические модели бинарного выбора и ориентированный на использование HR-менеджерами.

• Методические рекомендации по использованию построенных моделей, которые позволяют неподготовленному пользователю применить разработанные методы.

Исследование показало, что информация, которую люди указывают в резюме, несёт в себе закономерности, поддающиеся статистическому анализу. Разработанные модели хорошо справляются с задачей моделирования процессов подбора и оценки персонала, а разные подходы имеют специфические преимущества друг перед другом. Модели бинарного выбора, помимо оценки вероятности прохождения испытательного срока работником, позволяют исследовать влияние отдельных факторов на конечный результат, благодаря чему рекрутинговые агентства и кадровые службы смогут, например, повысить эффективность корпоративных тренингов.

Искусственные нейронные сети, в свою очередь, имеют хороший потенциал для моделирования процесса подбора персонала в силу исключительной пригодности для аппроксимации нелинейных функций с большим количеством переменных, что крайне важно для решения задач классификации. Однако ИНС имеют ряд недостатков, главными из которых можно назвать принципиальную невозможность интерпретации весовых коэффициентов связей между нейронами и отсутствие четких алгоритмов настройки параметров искусственной нейронной сети, в то время как поиск оптимального соотношения параметров нейросетевых моделей и их характеристик в каждом конкретном случае является одной из ключевых задач, так как от выбора конфигурации ИНС и параметров алгоритма обучения зависит возможность избежать таких проблем как переобучение сети и её паралич.

Разработанный подход может найти широкое применение в работе кадровых служб предприятий и рекрутинговых агентств. Использование математических методов в управленческой деятельности - шаг не только к автоматизации, но и к объективизации решений в той или иной области.

СПИСОК ЛИТЕРАТУРЫ Законодательные и нормативные акты

1. Конвенция о защите физических лиц при автоматизированной обработке персональных данных, заключена в Страсбурге 28 января 1981 г. // Собрание законодательства Российской Федерации. — 2014. — № 5. — Ст. 419.

2. Конвенция о частных агентствах занятости № 181 (принята Международной организацией труда 19.06.1997) // Справочно-правовая система «КонсультантПлюс»: Законодательство: Версия Проф. - Режим доступа: http://www.consultant.ru (дата обращения: 15.08.2014).

3. Кодекс Российской Федерации об административных правонарушениях : [федер. закон от 30.12.2001 г. № 195-ФЗ (ред. от 21.07.2014)] [Электронный ресурс] // Справочно-правовая система «КонсультантПлюс»: Законодательство: Версия Проф. - Режим доступа: http://www.consultant.ru (дата обращения: 15.08.2014).

4. Трудовой кодекс Российской Федерации : [федер. закон от 30 дек. 2001 г. № 197-ФЗ (ред. от 28.06.2014)] [Электронный ресурс] // Справочно-правовая система «КонсультантПлюс»: Законодательство: Версия Проф. - Режим доступа: http://base.consultant.ru (дата обращения: 12.07.2014).

5. О занятости населения в Российской Федерации : [федер. закон РФ от 19 апреля 1992 г. № 1032-1 (в ред. от 25 июля 2002 г.)] // Собрание законодательства Российской Федерации. Российская Федерация. - 1996. - № 17. - Ст. 19.

6. О персональных данных : [федер. закон от 27 июля 2006 г. № 152-ФЗ (в ред. от 21 июля 2014 г.)] [Электронный ресурс] // Справочно-правовая система «КонсультантПлюс»: Законодательство: Версия Проф. - Режим доступа: http://base.consultant.ru (дата обращения: 22.07.2014).

7. О внесении изменений и дополнений в некоторые законодательные акты Российской Федерации в связи с принятием Федерального закона «О лицензировании отдельных видов деятельности» : [федер. закон от 10 янв. 2003 г. № 15-ФЗ (в ред. от 28 дек. 2013 г.)] [Электронный ресурс] // Справочно-правовая система «КонсультантПлюс»: Законодательство: Версия Проф. - Режим доступа:

http://base.consultant.ru (дата обращения: 22.07.2014).

8. Об информационно-аналитической системе Общероссийская база вакансий «Работа в России» : [постановление Правительства Российской Федерации от 25 авг. 2015 г. № 885] [Электронный ресурс] // Справочно -правовая система «КонсультантПлюс»: Законодательство: Версия Проф. - Режим доступа: http://base.consultant.ru (дата обращения: 29.08.2015).

9. Об утверждении Положения о лицензировании деятельности негосударственных организаций по оказанию платных услуг в содействии занятости граждан : [постановление Правительства Российской Федерации от 28 окт. 1995 г. № 1046] [Электронный ресурс] // Справочно-правовая система «КонсультантПлюс»: Законодательство: Версия Проф. - Режим доступа: http://base.consultant.ru (дата обращения: 29.08.2014).

10. Об утверждении требований к защите персональных данных при их обработке в информационных системах персональных данных «Российская газета» : [постановление Правительства Российской Федерации от 1 ноября 2012 г. №2 1119] [Электронный ресурс] // Справочно-правовая система «КонсультантПлюс»: Законодательство: Версия Проф. - Режим доступа: http://base.consultant.ru (дата обращения: 29.07.2014).

11. Об утверждении статистического инструментария для организации статистического наблюдения за деятельностью организаций, оказывающих услуги по подбору персонала : [постановление Росстата от 18 мая 2005 г. № 29] [Электронный ресурс] // Справочно-правовая система «КонсультантПлюс»: Законодательство: Версия Проф. - Режим доступа: http://base.consultant.ru (дата обращения: 01.10.2014).

12. Об утверждении Состава и содержания организационных и технических мер по обеспечению безопасности персональных данных при их обработке в информационных системах персональных данных : [приказ ФСТЭК России от 18 февраля 2013 № 21] ] [Электронный ресурс] // Справочно-правовая система «КонсультантПлюс»: Законодательство: Версия Проф. - Режим доступа: http://base.consultant.ru (дата обращения: 01.10.2014).

13. О частных агентствах занятости : [рекомендация № 188 (принята Международной организацией труда 19.06.1997 ] [Электронный ресурс] // Справочно-правовая система «КонсультантПлюс»: Законодательство: Версия Проф. - Режим доступа: http://base.consultant.ru (дата обращения: 02.10.2014).

Книги, сборники, монографии

14. Аллин, О.Н. Кадры для эффективного бизнеса. Подбор и мотивация персонала / О.Н. Аллин, Н.И. Сальникова — М. : Генезис, 2005. — 248 с.

15. Айвазян, С. А. Основы эконометрики : учебник для вузов / С.

A. Айвазян. - М. : ЮНИТИ-ДАНА, 2001. - 432 с.

16. Базаров, Т. Ю. Психология управления персоналом : учебник и практикум для академического бакалавриата / Т. Ю. Базаров. — М. : Издательство Юрайт, 2015. — 381 с.

17. Баскина, Т. Техники успешного рекрутмента / Т. Баскина. - 2-е изд., перераб. и доп. - М. : Альпина Паблишер, 2014. - 288 с.

18. Бодров, В. А. Психология профессиональной пригодности : учебное пособие / В. А. Бодров. - 2-е изд., перераб. и доп. - М. : 2006. - 512 с.

19. Бодянский, Е. В. Искусственные нейронные сети: архитектуры, обучение, применения: монография / Е. В. Бодянский, О.Г. Руденко. - Харьков: Телетех, 2004. - 369 с.

20. Веснин, В. Р. Управление человеческими ресурсами. Теория и практика : учебник / В. Р. Веснин. - М. : Проспект, 2014. - 688 с.

21. Вязигин, А. В. Оценка персонала высшего и среднего звена / А.

B. Вязигин. - М. : Вершина, 2006. - 256 с.

22. Гольдберг, И. Графология шаг за шагом: как расшифровать почерк / И. Гольдберг. - М. : АСТ-Москва, 2008. - 221 с.

23. Добреньков, В. И., Кравченко А. И. Методы социологического исследования / В.И. Добреньков, А.И. Кравченко - М: ИНФРА-М, 2013. - 768 с.

24. Дорофеев, В. Д. Эффективность управления трудовыми ресурсами предприятия при внедрении системы менеджмента качества : монография / В. Д. Дорофеев, А. Н. Шмелева. - Пенза : Информационно-издательский центр ПГУ,

2008. - 210 с.

25. Дрогобыцкий, И. Н. Системный анализ в экономике : учебник для студентов вузов, обучающихся по специальностям «Математические методы в экономике», «Прикладная информатика» / И. Н. Дрогобыцкий. - 2-е изд., перераб. и доп. - М. : ЮНИТИ-ДАНА, 2012. - 423 с.

26. Маслова В. М. Управление персоналом: толковый словарь. / В. М. Маслова. - М. : Издательско-торговая корпорация «Дашков и К°», 2013. - 120 с.

27. Зайцева Н. А. Управление персоналом в гостиницах / Н. А. Зайцева. -М. : ДРОФА, 2013. - 416 с.

28. Зайцева Т. В., Зуб А. Т. Управление персоналом. - М. : ИД «ФОРУМ»: ИНФРА-М, 2013.- 336 с.

29. Иванова С. Искусство подбора персонала: как оценить человека за час / С. Иванова. - 8-е изд., перераб. и доп. - М. : Альпина Паблишер, 2015. - 272 с.

30. Иванова С. Поиск и оценка линейного персонала: повышение эффективности и снижение затрат / С. Иванова. - М. : Альпина Паблишер, 2014. -129 с.

31. Карапетян А. Л. Основы эконометрики: учеб. пособие / А. Л. Карапетян. - СибГИУ. - Новокузнецк, 2008. - 218 с.

32. Карташов, С.А. Рекрутинг. Найм персонала / С. А. Карташов, Ю. Г. Одегов, И. А. Кокорев - М. : Экзамен, 2014. - 319 с.

33. Квале С. Исследовательское интервью / С. Квале. - М. : Смысл, 2003. -

301 с.

34. Кибанов, А. Я. Управление персоналом в России: теория, отечественная и зарубежная практика. Кн. 2 : монография / А.Я. Кибанов и др. ; под ред. А.Я. Кибанова. - М. : ИНФРА-М, 2014. - 283 с.

35. Кибанов, А.Я. Управление персоналом в России: история и современность: монография / А. Я. Кибанов. - М. : ИНФРА-М, 2013. - 240 с.

36. Кибанов, А. Я. Управление персоналом: конкурентоспособность выпускников вузов на рынке труда: монография / А. Я. Кибанов, Ю.

A. Дмитриева; Гос. Университет Управл. - М. : ИНФРА-М, 2011. - 229 с.

37. Кибанов, Ю. А. Управление трудоустройством выпускников вузов на рынке труда: монография / А. Я. Кибанов, Ю. А. Дмитриева. - М. : НИЦ ИНФРА-М, 2014. - 250 с.

38. Кремер, Н. Ш. Эконометрика : учебник для студентов вузов. - 3-е изд. / Н. Ш. Кремер, Б. А. Путко. - М. : ЮНИТИ-ДАНА, 2010. - 328 с.

39. Круглов, В. В. Искусственные нейронные сети. Теория и практика. - 2-е изд., стереотип / В. В. Круглов, В. В. Борисов. - М. : Горячая линия-Телеком, 2002. - 382 с.

40. Ларионов, Г.В. Инновационное формирование тенденций управления человеческими ресурсами : монография / Г. В. Ларионов. — М.: Издательско-торговая корпорация «Дашков и К°», 2014. — 160 с.

41. Магура М. Поиск и отбор персонала. Настольная книга для препринимателей, руководителей кадровых служб и менеджеров / М. Магура. -М. : Бизнес-школа «Интел-Синтез», 2003. - 160 с.

42. Майклз Э. Война за таланты / Э. Майклз, Х. Хэндфил-Джонс, Х. Экселрод; пер. с англ. Ю.Е. Корнилович. - 2-е изд., испр. - М. : Манн, Иванов и Фербер, 2006. - 272.

43. Маклаков, А. Г. Профессиональный психологический отбор персонала: теория и практика: учебник для вузов / А. Г. Маклаков. - СПб. : Питер, 2008. - 480 с.

44. Минский М., Персептроны / С. Пейперт, М. Минский; пер. с англ. Г. Л. Гимельфарба и В. М. Шарыпанова. - М. : Мир, 1971. - 266 с.

45. Мхитарян В. С. Эконометрика : учебник для студентов экономических вузов / В. С. Мхитарян, М. Ю. Архипова, В. Балаш [и др.]; под ред. д.э.н., проф.

B.С.Мхитаряна. - М. : Проспект, 2015. - 384 с.

46. Писарук, Н. Н. Исследование операций : учебное пособие / Н. Н. Писарук. — Минск : БГУ, 2015. - 298 с.

47. Прошина, А. Н. Адаптация персонала в российских организациях: социально-управленческий анализ (на примере работников с огранич. возможн.):

монография / А. Н. Прошина. - М. : НИЦ ИНФРА-М, 2014. - 124 с.

48. Роздольская, И.В. Инновационная направленность кадрового консультирования в условиях реального экономического пространства: альтернативные способы формирования и поиск новых возможностей развития : монография / И.В. Роздольская, М.Е. Ледовская, Н.А. Однорал. — М. : Издательско-торговая корпорация «Дашков и К°», 2014. — 275 с.

49. Рудинский, И. Д. Структурные основы тестологии / И. Д. Рудинский. -2-е изд., испр. - М. : Горячая Линия - Телеком, 2015. - 244 с.

50. Рыков, А. С. Системный анализ: модели и методы принятия решений и поисковой оптимизации / А. С. Рыков. - М . : МИСиС, 2009. - 608 с.

51. Самыгин, С. И. Менеджмент персонала / С. И. Самыгин, Л. Д. Столяренко. - Ростов н/Д : Феникс, 2001. - 512 с.

52. Ткалич А. И. Консалтинговый сервис : учебное пособие / А. И. Ткалич. - М. : Альфа-М, 2009. - 207 с.

53. Федоров, В. К. Управление трудовыми ресурсами в инновационных процессах: монография / В.К. Федоров, М.Н. Черкасов, А.В. Луценко; под ред. В.К. Федорова. - М. : РИОР: НИЦ ИНФРА-М, 2014. - 208 с.

54. Фокин, К. Б. Управление кадровым резервом: теория и практика: монография / К.Б. Фокин. - М. : НИЦ ИНФРА-М, 2014. - 278 с.

55. Чуланова, О. Л. Управление персоналом на основе компетенций: монография / О. Л. Чуланова. - М. : ИНФРА-М, 2014. - 122 с.

56. Чуланова, О. Л. Формирование, развитие и коучинг эмоциональной компетентности в управлении персоналом организации: монография / О. Л. Чуланова. - М. : НИЦ ИНФРА-М, 2015. - 217 с.

57. Эфендиев, А. Г. Человеческие ресурсы российских бизнес-организаций: проблемы формирования и управления: монография / А.Г. Эфендиев, Е.С. Балабанова и др. - М. : НИЦ ИНФРА-М, 2013. - 192 с.

Периодические издания

58. Голосов, О. В. Компетенции - это самый тяжелый пласт в разработке стандартов / О. В. Голосов, И. Н. Дрогобыцкий // Прикладная информатика. - 2006.

- № 4. - С. 108 - 115.

59. Голосов, О. В. Определение термина «корпоративная культура» / О. В. Голосов, В. В. Смагина // Вестник Тамбовского университета. Серия: гуманитарные науки. - 2011. - № 12-2 (104). - С . 532 - 534.

60. Голосов, О. В. Совместимость моделей организационного управления / О. В. Голосов, И. Н. Дрогобыцкий // Вестник Тамбовского университета. Серия: гуманитарные науки. - 2015. - № 1 (141). - С. 15 - 19.

61. Демина, Н.В. Нетрадиционные методы отбора персонала: эффективность применения в организациях / Н.В. Демина // Научные проблемы гуманитарных исследований. - 2010. - № 2. - С. 263-268.

62. Джандалиева, Е. Ю. Портретное интервью как жанр речевого общения: некоторые особенности коммуникативного поведения участников / Е. Ю. Джандалиева ; пер. с нем. // Научный диалог. - 2012. - № 12: Филология. - С. 86101.

63. Жариков, В. В. Инновационные технологии отбора персонала / В.

B. Жариков, М. А. Лыжникова // ЭКОНОМИНФО. - 2014. - № 21. - С. 71 - 79.

64. Самоукина, Н. В. Теория поколений и управление персоналом в условиях кризиса / Н. В. Самоукина // Мотивация и оплата труда. - 2009. - № 2. -

C.94-101.

65. Сидорова, Л. Н. Роль стрессового интервью в отборе персонала / Л. Н. Сидорова, В. С. Сученкова, А. Н. Малюгина // Управление человеческими ресурсами - основа развития инновационной экономики. - 2013. - № 5. -С. 324 - 326.

66. Сорокин, А. С. Построение скоринговых карт с использованием модели логистической регрессии / А. С. Сорокин // Науковедение. - 2014. - № 2. - С. 1 -29.

67. Фридрих, А. Л. Проведение собеседования: виды, методы, рекомендации / А. Л. Фридрих, Е. О. Сударенко // Управление человеческими ресурсами - основа развития инновационной экономики. - 2014. - № 1. - С. 280- 281.

126

Иностранная литература

68. Arnold, J. Work Psychology: Understanding Human Behaviour in the Workplace / J. Arnold, J. Silvester. - 5th edition. - London: Pearson Education, 2010. -848 p.

69. Cohen, J., Applied Multiple Regression/Correlation Analysis for the Behavioral Sciences / P. Cohen, S. G. West, L. S. Aiken. - 3rd edition. - London: Lawrence Erlbaum Associates Publishers, 2003. - 736 p.

70. Durivage, A. The Structured Interview Enhancing Staff Selection / A. Durivage, N. Pettersen // Personnel Psychology. - 2010. - Vol. 63. - P. 250 - 255.

71. Flippo, E. B. Personnel Management (Mcgraw Hill Series in Management) / E. B. Flippo. - 6th edition. - Colombia: Mcgraw-Hill College, 1984. - 607 p.

72. Galletta, A. Mastering the Semi-structured Interview and Beyond : From Research Design to Analysis and Publication (Qualitative Studies in Psychology) / A. Galletta, W. E. Cross. - New York: New York University Press, 2013. - 258 p.

73. Galushkin, A. I. Neural Networks Theory / A. I. Galushkin. - New York: Springer-Verlag Berlin Heidelberg, 2007. - 396 p.

74. Greene, W. H. Econometric Analysis / W. H. Greene. - 7th edition. - New Jersey : Prentice Hall, 2012. - 802 p. Hilbe, Joseph M. Logistic Regression Models / J. M. Hilbe. - Abingdon: Chapman & Hall/CRC Press, 2009. - 656 p.

75. Hoffmann, J. Generalized linear models: An applied approach / J. Hoffmann. - Boston, MA: Allyn & Bacon, 2003. - 216 p.

76. Hosmer, D. W. Applied logistic regression / David W. Hosmer, Jr., Stanley Lemeshow, R. X. Sturdivant. - 3rd edition. - New York: John Wiley & Sons INC, 2013. - 528 p.

77. Izenman, A. J. Modern Multivariate Statistical Techniques: Regression, Classification, and Manifold Learning Springer / A.J. Izenman. - New York: SpringerVerlag, 2008. - 760 p.

78. Kohonen, T. Self-Organizing Maps / T. Kohonen. - 3rd edition. - New York: Springer-Verlag Berlin Heidelberg, 2001. - 501 p.

79. Lehmann, E. L. Testing Statistical Hypotheses / E. L. Lehmann, J.

P. Romano. - 3rd edition. New York: Springer Science+Business Media Inc, 2005. - 786 p.

80. Richardson, M. A. Recruitment strategies / M. A. Richardson // Managing/effecting the recruitment process. - 2012. - № 1. - P. 1 - 24.

81. Tabachnik B. G. Using multivariate statistics / B. G. Tabachnik, L. S. Fidell. - London: Pearson Education Inc., 2007. - 1024 p.

82. Verstraeten, G. The impact of sample bias on consumer credit scoring performance and profitability. PhD dissertation. Ghent University, Belgium, 2005. - 191 p.

83. Haykin, S. Neural Networks and Learning Machines / S. Haykin. - 3rd edition. - London: Pearson Education Inc., 2009. - 906 p.

Электронные ресурсы

84. Найти квалифицированного специалиста ... [Электронный ресурс] / Кадровое агентство уникальных специалистов КАУС. - Режим доступа : http://www.kaus-group.ru/press-centre/news/during/2008/07/material/100/ (дата обращения: 21.06.2015).

85. Левченко И. Видеоинтервью - это революция в рекрутменте? [Электронный ресурс] / И. Левченко // Управление персоналом. - 2014. - № 17. -Режим доступа : http://www.top-personal.ru/issue.html?3716 (дата обращения 18. 06. 2015).

86. Обзор состояния рынка труда и занятости города Москвы [Электронный ресурс] : / МБМ Аналитика. - Режим доступа : http://analitika.mbm.ru (дата обращения: 23.04.2015).

87. Самоукина Н. В. Оценка персонала при помощи технологии Assessment Center [Электронный ресурс] / Н. В. Самоукина // Школа тренинга Натальи Самоукиной. - Режим доступа : http://www.samoukina.ru/index/publikaczii /stati/oczenka-personala-pri-pomoshhi-texnologii-assessment-center.html (дата обращения: 19.08.2015).

88. Самоукина Н. В. Голос как фактор успеха в бизнесе [Электронный ресурс] / Н. В. Самоукина // Школа тренинга Натальи Самоукиной. - Режим

доступа : http://www.samoukina.ru/index/publikaczii/stati/golos-kak-faktor-uspexa-v-biznese.html (дата обращения: 21.06.2015).

89. Центр кадровых технологий [Электронный ресурс] : Астерикс / Центр кадровых технологий. - Режим доступа : http://www.hrit.ru/asterix.shtml (дата обращения: 21.07.2015).

90. E-Staff Рекрутер [Электронный ресурс] : О программе / E-Staff Рекрутер. - Режим доступа : http://www.e-staff.ru/object.htm?eid=about (дата обращения 26.04.2015).

91. Experium [Электронный ресурс] : О программе / Experium. - Режим доступа : http://www.experium.ru/ru/about/ (дата обращения 26.04.2015).

92. Headhunter [electronic resource] : Экономия времени при рекрутинге -это просто! / Headhunter. - Режим доступа : http://hh.ua/article/17183 (дата обращения 26.07.2015).

93. Kellyservices [Электронный ресурс] : Как правильно составить резюме / Kellyservices. - Режим доступа : http://www.kellyservices.ru/RU/Careers/ Candidate-Resource-Center/Career-Tips/How-to-write-the-cv-ru/ (дата обращения: 22.06.2015).

94. ACA Talent Expert recruitment and retention [electronic resource] : What is RPO? / ACA Talent Expert recruitment and retention. - Access mode: http://acatalent.com/rpo/what-is-rpo/ (date of request: 20.06.2015).

95. Allison, P. D. Measures of Fit for Logistic Regression : [electronic resource] / P. D. Allison, Statistical Horizons LLC and the University of Pennsylvania // SAS Technical papers. - Access mode : http://support.sas.com/resources /papers/proceedings14/1485-2014.pdf (date of request: 27.07.2015).

96. BusinessDictionary [electronic resource] : Definition of personnel management / BusinessDictionary. - Access mode : http://www.businessdictionary.com/definition/personnel-management.html (date of request: 26.04.2015).

97. BusinessDictionary [electronic resource] : Definition of sourcing / BusinessDictionary. - Access mode : http://www.businessdictionary.com/-definition/sourcing.html (date of request: 26.04.2015).

98. Feelers, A. J. An overview of model based reject inference for credit scoring. Technical report : [electronic resource] / A. J. Feelers // Utrecht University, Institute for information and Computing Sciences. - Access mode: http://www.cs.uu.nl/people/ad/mbrejinf.pdf (date of request: 02. 07. 2015).

99. Gavin, H. P. The Levenberg-Marquardt method for nonlinear least squares curve-fitting problems : : [electronic resource] / H. P. Gavin // Department of Civil and Environmental Engineering Duke University. - Access mode: http://people.duke.edu/~hpgavin/lm.pdf (date of request: 24.07.2015).

100. Reference for business: PeopleSoft Inc. [electronic resource] : Company Profile / Reference for business. - Access mode : http://www.referenceforbusiness.com/history2/16/PeopleSoft-Inc.html (date of request: 26.04.2015).

101. Stuart, P. R. Are UK employers embracing graphology? [electronic resource] / P. R. Stuart // HR-magazine. - Access mode: http://www.hrmagazine.co.uk/hro/features/1145977/uk-employers-embracing-graphology (date of request: 20.06.2015).

102. Riedmiller, M. A Direct Adaptive Method for Faster Backpropagation Learning: The RPROP Algorithm : [electronic resource] / M. Riedmiller, H. Braun // University of Karlsruhe. - Access mode: http://deeplearning.cs.cmu.edu/pdfs/Rprop.pdf (date of request: 28.06.2015).

СПИСОК ИЛЛЮСТРАТИВНОГО МАТЕРИАЛА

Рисунки

Рисунок 1. Процесс подбора и отбора персонала......................................................30

Рисунок 2. Модель нейрона.........................................................................................86

Рисунок 3. Однослойная ИНС.....................................................................................87

Рисунок 4. Граф нейросети, которая имеет четыре нейрона во входном слое, два скрытых слоя, содержащих по два нейрона и выходной слой, состоящий из одного

нейрона...........................................................................................................................89

Рисунок 5. Гистограмма предсказанных вероятностей, пробит модель.................99

Рисунок 6. Гистограмма предсказанных вероятностей, логит модель..................101

Рисунок 7. Гистограмма предсказанных вероятностей, гомпит модель...............102

Рисунок 8. ROC-кривые для ргаЬй, и gompit-моделей....................................103

Рисунок 9. Интерфейс программы для оценки вероятности прохождения

испытательного срока.................................................................................................105

Рисунок 10. Предварительная обработка загружаемой статистики......................107

Рисунок 11. Инструмент «Мастер обработки»........................................................108

Рисунок 12. Граф нейронной сети.............................................................................109

Рисунок 13. Результаты ИНС на тестовом множестве............................................109

Рисунок 14. Гистограмма выходных значений ИНС...............................................110

Рисунок 15. Анализ «что, если».................................................................................111

Рисунок 16. Граф повторно обученной нейронной сети.........................................112

Рисунок 17. Результаты ИНС на тестовом множестве после повторного обучения

.......................................................................................................................................112

Рисунок 18. Гистограмма выходных значений повторно обученной ИНС..........113

Программный код пробит-модели для оценки вероятности прохождения

испытательного срока

>with(VectorCalculus) : >with{LinearAlgebra.) : >mth{AwayTools) :

> with(Optimization) :

>with{^tfM) \#подключение необходимых инструментов

>

>

>М ■= ImportData () : #загрузка истории >М := convert (М, Matrix) :

> п := Size (М, 1) : #объем выборки

>

>Х:= Matrix {[Vector {п, \),М{\ ,.п,2 ..Size{M,2))]) : #.матрица факторов

>У:=М(1..и, 1):

#столбец индикаторов успешного прохождения испытательного срока

>т ■= Size(X, 2) ^количество факторов

>В ■= Vector(т, symbol = Ь) ^коэффициенты при факторах

>Bi ■= convert (в{ \ ..т)%Т, list) :

#коэффициенты в виде списка понадобятся для определения переменных дифференцирования ф-ции правдоподобия

> >

F •■= proc(x, JLL, ст); #функцияраспределения local t\

1 ' Оу/ 2-Я end proc:

>i := proc($);#функция правдоподобия

add (Y(i)-ln(F (convert (X(i, 1 ..m), Vector) 0, l)) + (1 - У(г))

•ln(l - F(convert{X(i, 1..m), Vector).0,0,1)), z = 1 ..и); end proc:

>x •= Vector (m, 0) :

#,начальное приближение для метода Ньютона

>Hw '■= Hessian (L(B),Bi) : >Grad '•= Gradient(L(B),Bi) :

>H ■= proc(c) evalf{eval(Hes, Equate (Bi, c))) end proc: #,процедура подсчета гессиана в определенной точке

>

2 о2 At:

> G — proc(a) evalf (eval (Grad, Equate (Bi, a))) end proc:

#,процедура подсчета градиента в определенной точке

>

> е~1:

> while \е\ > 0.0001 do #метод Ньютона j ■= х :

х ■= Minus (x,H(x)'^.G(x)) : k ■= x :

e ■= add (Minus (k,j)(i),i = 1 ..m) : end do:

> x #полученные коэф-ты

BetaOpt ■= Equate (В, x) > X-= Vector (n, 1) :#матрица факторов

>

#столбец индикаторов прохождения испытательного срока

> т := Size(X, 2) ^количество факторов

> В ■= Vector(т, symbol = b) "^коэффициенты при факторах

>

#коэффициенты в виде списка понадобятся для определения переменных дифференцирования ф-ции правдоподобия

> >

F '■= ргос(х, ц, ст); #функцияраспределения local t\

1

2о2 di:

oJ 2-я

* — 00

end proc:

> L ■= proc($) ;#функция правдоподобия

add (Y(i)-ln(F (convert (X(i, 1 ..m), Vector) 0, l)) + (1 - У(г))

•ln(l - F(convert{X(i, 1 ..m), Vector).P,0,1)), z = 1 ..и); end proc:

> x ■= Vector(m,0) :

#.начальное приближение для метода Ньютона

> Hes ■= Hessian (L(B),Bi) :

> Grad ■= Gradient(L(B),Bi) :

> H — proc(c) evalf (eval{Hes, Equate (Bi, c))) end proc:

#,процедура подсчета гессиана в определенной точке

>

> G — proc(a) evalf (eval (Grad, Equate (Bi, a))) end proc:

#,процедура подсчета градиента в определенной точке

>

> е ■■= 1 :

while \e\ > 0.0001 do #метод Ньютона j ~x:

x ■= Minus [x,H(x) ^(/(jc)) : к ■= x :

e ■= add {Minus [k,j)(i),i= 1 ..m) : end do:

> x #полученные коэф-ты Lnull ■= evalf (L(x))

1 - -УЩ- # McFadden Pseudo-R 2 Lnull

2- (Lfull — Lnull)#LikelihoodRatio Test

score :=proc(_y) evalf {eval[y.B,BetaOpt)){ 1) end proc:

> s ■= Vector(n,0) :

> fori from 1 to л do s(j) == F(score(X{i, 1 ..m)), 0,1 )end do:

> t-=0:

> dt ■- 0.05 :

> est := Vector (n, 0) :

> TP ■= Vector (20,0) :

> FP := Vector{20,0) :

>

> TPR1 •■= Vector(20,0) :

> FPR1 ■■= Vector(20,0) :

>

for k from 1 to 20 do: for 2 from 1 to n do: if 5(2) > ¿then est(i) == 1 : else est(i) •■= 0 : end if: end do:

TP{k) ■■= add(est(o),o = 36..70) : FP[k) ■■= add(est(j),j = 1 ..35) :

TPRl(k) := :

FPRl(k) := :

t~t + dt: end do:

> plot{FPRl,TPRl)

Программный код логит-модели для оценки вероятности прохождения

испытательного срока

> with(VectorCalculus) :

> with(LinearAlgebra) :

> with (Array Tools) :

> with(Optimization) :

> with (MTM) : #подключение необходимых инструментов

>

>

> M := ImportData ( ) : #загрузка истории

> М ■= convert (М, Matrix) :

> п ■= Size(M, 1) :#объем выборки

>

> X ■■= Matrix([Vector(n,l),M(l ..n,2..Size(M,2))]) :

#матрица факторов

> Y-.= M(l..n, 1) :

#.столбец индикаторов прохождения испытательного срока

> т := Size(X, 2) ^количество факторов

> В •= Vector (т, symbol = b) ^коэффициенты при факторах

> Bi ■= convert (5(1 ,.т)%Т, list) :

#коэффициенты в виде списка понадобятся для определения переменных дифференцирования ф-ции правдоподобия

>

е*

> F '•= ргос(х); ^функцияраспределения -: end proc:

1 + е*

> L ■= proc( Р) ;#функция правдоподобия

add(Y(i)-\n(F(convert(X(i, 1 ../и), Vector).p)) + (1 - 7(i))-ln(l

— F(convert(X(i, 1 ..m), Vector)ф)), i = 1 ..и); end proc:

> x ■= Vector(m,0) :

#,начальное приближение для метода Ньютона

> Hes ■= Hessian (L(B),Bi) :

> Grad := Gradient(L(B),Bi) :

> H ■= proc(c) evalf (eval(Hes, Equate (Bi, c))) end proc:

процедура подсчета гессиана в определенной точке

>

> G ■= proc(a) evalf (eval (Grad, Equate (Bi, a))) end proc:

процедура подсчета градиента в определенной точке

>

> е--=1:

while \e\ > 0.0001 do #метод Ньютона j ~x:

x ■= Minus (x,H(x) ^(/(jc)) : к ■= x :

e ■= add (Minus [k,j)(i),i= 1 ..m) : end do:

> x #полученные коэф-ты BetaOpt ■= Equate (В, x)

> X-= Vector (n, 1) \#матрица факторов

> Y-.= M(l..n, 1) :

#столбец индикаторов прохождения испытательного срока

> т ■= Size(X, 2) ^количество факторов

> В := Vector (т, symbol = b) ^коэффициенты при факторах

> Bi ■■= convert (.8(1 ..т)%Т, list) :

коэффициенты в виде списка понадобятся для определения переменных дифференцирования ф-ции правдоподобия

>

> F •= ргос(^); #функцияраспределения -: end proc:

1 + е^

> L ■= ргос($);#функция правдоподобия

add(Y(i)-ln(F(convert(X(i, 1 ..m), Vector).p)) + (1 - y(i))-b(l

— F(convert(X(i, 1 ..m), Vector).$)), i = 1 ..и); end proc:

> ynull ■= Vector(m,0) :

начальное приближение для метода Ньютона

> Hes ■= Hessian (L(B),Bi) :

> Grad := Gradient(L(B),Bi) :

> H ■= proc(c) evalf (eval(Hes, Equate (Bi, c))) end proc:

процедура подсчета гессиана в определенной точке

>

> G ■= proc(a) evalf (eval (Grad, Equate (Bi, a))) end proc:

процедура подсчета градиента в определенной точке

>

> е;=1:

>

while \е\ > 0.0001 do #метод Ньютона j ■= ynull:

ynull ■= Minus (ynull, H(ynull)

~l.G(ynull)) :

k •= ynull:

e '■= add(Minus(k,j)(i), i = 1 ..m) : end do:

> упиШполученные коэф-ты Lnull ■= evalf (L(ynull))

1 - # McFadden Pseudo-R 2

Lnull

2- (Lfull — Lnull)#LikelihoodRatio Test

>

Ev :=proc()local xl,x2,x3, x4, x5, x6, x7, x8, x9, xlO,xll : x 1 := Maplets[Tools][Get]( "Txl" :: nonnegative ) : x2 ■= Maplets [ Toofa ] [ Get] ( Yx2":: nonnegative ) : x3 '■= Maplets [ Tools ] [ Get ] ( Tx3" :: nonnegative ) : x4 := Maplets [Tools][Get]( "Tx4":: nonnegative ) : x5 ■= Maplets [Tools][ Get] ( Tx5':: nonnegative ) : x6 ■= Maplets [Tools][Get]("Tx6" '■'■ nonnegative ) : x7 := Maplets[Tools][Get]( "Tx7"'.: nonnegative ) : x8 ■= Maplets [ Toofc ] [ Get] ( Yx8":: nonnegative ) : x9 ■= Maplets [Tools][ Get ] ( Tx9":: nonnegative ) : x 10 ■= Maplets [Tools][Get]("TxlO" :: nonnegative ) : xll ■= Maplets [Tools][Get]( Tx/7' :: nonnegative ) : (exp(x(l) + xl-x(2) + x2-x( 3) + x3-x( 4) +д;5-л;(6) + x6-x(7)

+ x7-x(S) + х9-х(10) +x/0-jc(11) + xll -x(12)))/(l

_l_ eJc( 1) + xl-x{2) + x2-x(3) +x3-x{4) +x5-x{6) +x6-x(l) +x7

•*(8) + x9-x{ 10) +xl0-x( 11) +xll-x( 12)^ . end proc