После найма технологии пригодятся для анализа результатов деятельности, изучения обратной связи и планирования кадровых потребностей. Здесь особенно важно заранее определить, какие показатели действительно отражают ситуацию в коллективе.
Анализ продуктивностиПредположим, руководитель замечает, что отдел поддержки стал медленнее обрабатывать обращения. Чтобы разобраться, можно подготовить обезличенную таблицу с количеством заявок, временем решения и долей повторных обращений.
ChatGPT с функциями анализа данных поможет рассчитать изменения, сравнить периоды и подготовить наглядное представление результатов.
Пример запроса:«Проанализируй показатели службы поддержки за последние шесть месяцев. Найди периоды с увеличением времени обработки обращений, сравни их с изменением нагрузки и предложи вопросы для проверки возможных причин».
Результатом станет перечень отклонений и гипотез. Руководитель сможет проверить, связано ли снижение скорости с ростом количества обращений, усложнением задач или нехваткой специалистов.
Не ограничивайтесь количеством выполненных действий. Если работник решает сложные обращения, его показатели скорости могут быть ниже, хотя качество обслуживания остаётся высоким.
Для анализа лучше использовать сочетание количественных и качественных показателей.
Мониторинг вовлечённостиПосле внутреннего опроса кадровая служба может получить десятки или сотни текстовых комментариев. Ручная обработка занимает время, особенно если нужно сравнить ответы разных подразделений.
Нейросеть поможет сгруппировать обезличенные комментарии по темам:
- условия труда и нагрузка;
- взаимодействие с руководителями;
- возможности профессионального развития;
- организация рабочих задач;
- предложения по улучшению процессов.
Например, можно попросить Claude выделить наиболее частые темы, привести обобщённые примеры и показать, какие вопросы требуют дополнительного изучения.
Важно передавать ответы без идентифицирующих сведений. Если коллектив небольшой, даже указание подразделения или должности иногда позволяет определить автора комментария.
Практическая польза такого анализа – подготовка конкретных действий. Если работники часто упоминают неравномерную нагрузку, следующим шагом станет проверка распределения задач, а не очередной опрос с теми же вопросами.
Предсказательная аналитика
Прогнозирование помогает планировать численность персонала и готовиться к изменениям нагрузки.
Для начала необязательно использовать сложную систему машинного обучения. Если компания располагает историческими данными, можно построить предварительный прогноз на основе прошлых показателей.
Например, кадровая служба торговой компании собирает сведения о количестве заказов, численности работников и сверхурочных часах за два года.
После обезличивания данных их можно проанализировать с помощью ChatGPT или другого инструмента обработки таблиц, чтобы выявить сезонные изменения и подготовить сценарии нагрузки.
Пример: если перед декабрьскими праздниками объём заказов регулярно увеличивается, компания может заранее рассчитать потребность во временных работниках.
Более сложные модели используют для прогнозирования текучести и будущих потребностей в компетенциях. Их создание требует достаточного количества качественных данных и проверки точности прогнозов.
При этом не следует превращать статистические показатели в оценки конкретных людей. Прогноз повышенной текучести подразделения не означает, что определённый работник обязательно уволится.