利用人工智能来支持管理者提高员工绩效评估的洞察力
2019年12月，斯伦贝谢与一位运营部门的同事就2019年第二季度的业务进行了一次普通的、充满激情的讨论，引发了一些事件，并向经理们分发了绩效评估顾问报告。当他在《哈佛商业评论》(HBR)上读到一篇关于评估在推动公司业绩方面的重要性的文章时，他问People Analytics是否在使用绩效管理数据来构建一些趋势和见解，以便回到管理层。为了验证他的直觉，我们对500名来自不同职能、地域和资历级别的人进行了快速调查。正如我们的人力资源总监Fabrice Bouchaud所提到的，从人才管理的角度来看，这一结果是意料之中的，但考虑到我们公司在不同文化、业务部门和其他方面的多样性，这一结果仍然是惊人的多数。
随着人们的推出，我们将调查扩展到全球约15,000名员工。该答复表明，我们（管理人员）可以改善对员工的反馈和绩效评估，其中〜40％对最近的行为不满意。我们还注意到经理和员工不满之间的相关性，在我们作为级联的影响中，这是经理在自己的经理对自己的绩效评估中的反馈不满意，那么他们的员工可能是相同的。
我们遵循这个想法，推出了一个长时间的文本挖掘练习，为期两个月，分析了10年的员工绩效评估数据，以构建一个支持我们的经理的产品。绩效评估报告使用了成熟的机器学习、文本挖掘和情感分析技术，包括BERT、NLTK和TextBlob，同时通过统计技术将它们归一化到斯伦贝谢上下文。结果被标准化，以提供公司特定的基准:
评价的长度和文本的有效使用被用来衡量投入的时间和努力。如果对管理者的意见置之不理或言简意赅，就会被视为错失良机。
客观评估是基于事实，反对意见。这里的分析检测了是否使用对性别，文化设置，年龄，健康和物理属性的引用等主观输入。
进一步使用情绪分析是量化概念，如文中的正强化。重点是成就和鼓励建立在这些上，这被证明是为了推动卓越。
我们的人才管理团队（绩效管理流程的所有者）正在努力为我们的经理和指导开发一些新的培训材料，这将有助于他们将其整合在产品中。
我们选择了一种社会比较助推方法，以一种私人的方式将这些见解反馈给管理者，同时包括员工级别的数据，以增强他们对工具如何工作的理解。该方法是在对用例进行广泛研究后选择的，以提高销售业绩、制造生产率和人员分析领域的其他方面。
部署的初步结果是积极的。自从报告部署以来，超过8000名经理查看了报告，我们发现，基于文本使用的管理反馈的整体改善超过30%，对员工的积极执行增加了25%以上。有500多名经理给我们回信(通过调查和直接的电子邮件)，给出了积极的反馈和改进建议。该报告在有用性和价值方面获得了78分(在-100到+100的范围内)。
虽然大量的工作仍有待改进的产品基于反馈，但尚未评估长期影响，但该团队很高兴看到它具有较短的开发周期的积极影响。它是我们在人民分析团队中开展的早期项目之一，该团队在人力资源空间中建立了分析的潜力。
我一直在寻找新技术，看看它们如何融入地下建模工作流程。ML(统计学习)，弹性云计算，量子算法是我密切关注的新兴工具，有一些有趣的原型结果…
作者信息：Modhar Khan是我们人力资源职能的人民分析经理。他的工作是“数据驱动 - 夏洛克福尔摩斯”是找到分析可以支持和带来真实价值的业务用例，同时在整个功能上合作和参与领导者。他将其余的时间作为数据传播者提高了对AI和机器学习可以为公司提供业务绩效，员工经验，多样性和包容性的潜在价值的认识。
