CC BY
25
Управление человеческим капиталом в цифровой экономике
Human Capital Management in the Context of Digital Economy
УДК 331
> <
Габдуллин Наиль Маратович
доцент Института управления экономики и финансов Казанского (Приволжского) федерального университета, кандидат экономических наук, доцент 420012, г. Казань, ул. Бутлерова, д. 4
Nail' M. Gabdullin
Institute of Management, Economics, and Finance of the Kazan Federal University Butlerova St. 4, Kazan', Russian Federation, 420012
Настоящее исследование направлено на изучение управления человеческим капиталом в условиях цифровой трансформации экономики.
Цель. Разработать основные элементы управления формированием и накоплением человеческого капитала на основе применения цифровых технологий: «большие данные» (Big Data), интернет вещей (Internet of Things, IoT), облачные хранилища и облачные вычисления (cloud storage & cloud computing), машинное обучение (Machine Learning). Задачи. Рассмотреть основы процессов формирования и накопления человеческого капитала, выявить факторы прироста стоимости человеческого капитала на основе анализа результатов экспериментального использования цифровых технологий в различных секторах экономики. Выявить специфику применения цифровых технологий для приращения стоимости человеческого капитала. Проанализировать риски и возможности применения новых технологий анализа человеческого капитала для работодателей и работников. Определить способы эффективного использования цифровых технологий для управления человеческим капиталом. Методология. В настоящей статье на основе методологии неоклассической школы и методов анализа человеческого капитала обосновано повышение информационной эффективности рынков труда и таргетированного управления человеческим капиталом посредством использования современных цифровых технологий. Результаты. Доказано, что в цифровой экономике повышается мобильность человеческого капитала, создающая предпосылки для его выхода на глобальные рынки. Цифровая экономика формирует новое информационное и интеллектуальное пространство, создавая виртуальные сервисы преумножения стоимости человеческого капитала, и одновременно генерирует новые риски управления им. Анализ современного подхода к управлению человеческим капиталом определяет ведущую роль конвергенции цифровых технологий в их влиянии на повышение эффективности и транспарентности рынков труда. Обосновано,
что цифровые технологии позволяют провести более детальную сегментацию работников и, следовательно, более точно идентифицировать их человеческий капитал. Выводы. Цифровые технологии рационализируют процессы формирования эффективных комбинаций человеческих ресурсов в мотивированные проектные команды, структурируя большие объемы данных. Цифровая экономика создает среду виртуальных сервисов, обеспечивающую интеграцию человеческого капитала и смарт-машин в глобальное цифровое пространство, тем самым формируя предпосылки применения возрастающих объемов данных для оценки и прогнозирования устойчивого развития экономики.
Ключевые слова: человеческий капитал; цифровая экономика; цифровые технологии; управление базами данных.
Для цитирования: Габдуллин Н. М. Управление человеческим капиталом в цифровой экономике // Экономика и управление. 2018. № 12 (158). С. 66-75.
The presented study examines human capital management in the context of digital transformation of the economy. Aim. The study aims to develop the basic elements of management of formation and accumulation of human capital using digital technologies: Big Data, Internet of Things (IoT), cloud storage and cloud computing, and Machine Learning.
Tasks. The author examines the basics of formation and accumulation of human capital and identifies the growth factors of human capital value based on the analysis of experimental application of digital technologies in various economic sectors; determines the specifics of using digital technologies to increase the value of human capital; analyzes the risks of and opportunities for the implementation of new human capital analysis technologies for employers and employees; determines ways to efficiently use digital technologies for human capital management.
Methods. This study uses the methodology of the neoclassical school and analysis of human capital to substantiate the improvement of the informational efficiency of labor markets and targeted human capital management using modern digital technologies. Results. The author proves that the digital economy increases the mobility of human capital, offering opportunities for entering global markets. The digital economy forms a new intellectual and information space by creating virtual services for multiplying the value of human capital, at the same time generating new risks of human capital management. Analysis of the contemporary approach to human capital management determines the leading role of convergence of digital technologies in their impact on the increasing efficiency and transparency of labor markets. It is substantiated that digital technologies allow for more detailed segmentation of employees and, consequently, more precise identification of their human capital.
Conclusions. Digital technologies rationalize the formation of efficient combinations of human resources into motivated project teams by structuring large amounts of data. The digital economy creates an environment of digital services that enable integration of human capital and smart machines into the global digital space, thereby creating the prerequisites for using increasing amounts of data for the assessment and prediction of sustainable economic development.
Keywords: human capital; digital economy; digital technologies; database management.
Citation: Gabdullin N. M. Upravlenie chelo-vecheskim kapitalom v tsifrovoy ekonomike [Human Capital Management in the Context of Digital Economy]. Ekonomika i Upravlenie, 2018, no. 12 (158), pp. 66-75.
Общеизвестно, что человеческий капитал формируется в сферах образования, здравоохранения, профессиональной подготовки и науки, создающих и передающих большие массивы информации. Значимую роль в формировании человеческого капитала играют информационные и телекоммуникационные технологии (ИКТ) и системы, обеспечивающие эффективное использование накопленных знаний. Информационные потоки формируют современный человеческий капитал. ИКТ и глобальные информационно-коммуникационные системы кардинально изменяют социально-экономическую среду формирования человеческого капитала.
Масштабный переход на цифровые технологии — «большие данные» (Big Data), интернет вещей (Internet of things, IoT), облач ные хранилища и облачные вычисления (cloud storage & cloud computing), машинное обучение (Machine Learning) — внес кардинальные изменения в функционирование эконо-
мических систем. Данные становятся «новой ^
валютой». Цифровизация воздействует не ш
только на структуру экономики, стратегии х
и стоимость активов и капитала фирм, но и ш
содержание трудовой деятельности. И если ^
изначально различные цифровые технологии s
развивались независимо, то в настоящее вре- i
мя они все больше переплетаются и взаимно ш
дополняются. Сегодня мы наблюдаем интен- ^
сивную конвергенцию цифровых технологий, ^
>
непосредственно воздействующих на стратеги- < ческие факторы роста цифровой экономики и, ^ в первую очередь, на факторы производства и < человеческий капитал. >=
Степень конвергенции цифровых техно- ^ логий отражает ход эволюции самих эконо- 5 мических отношений. Потенциал «больших 2 данных» может быть реализован лишь посредством интернета вещей и облачных платформ. С развитием интернета вещей объемы «больших данных» постоянно увеличиваются. Возникает потребность их хранения, а следовательно, широко распространяются облачные технологии. Согласно прогнозам Международной корпорации данных (International Data Corporation, IDC), «в течение следующих пяти лет более 90% всех данных интернета вещей будут размещаться на платформах поставщиков услуг, поскольку облачные вычисления уменьшают сложность поддержки интернет-обмена данными вещей» [1].
Ожидается, что к 2020 г. число устройств интернета вещей вырастет до 20 млрд. А к 2021 г. индустрия «больших данных» будет оцениваться в 66,8 млрд долл. США. Это самые быстрорастущие сектора в области ИТ, и они крайне необходимы для любых технологических инноваций. Конвергенция цифровых технологий постепенно усиливает зависимость человека от взаимосвязанных цифровых устройств и информации, которую они генерируют. Мы переходим от ориентации на продукт к информационно-основанной ориентации на результат.
Сегодня цифровые технологии интегрированы в каждый сектор экономики и, наряду с другими факторами производства — материальными активами и человеческим капиталом, вносят весомый вклад в экономическую динамику. Исходя из производственной функции Кобба—Дугласа, можно утверждать, что в настоящее время общая факторная производительность (TFP), определяемая параметром А производственной функции, в значительной степени зависит от использования цифровых технологий. Современный подход к управлению человеческим капиталом определяет ведущую роль взаимодействия человека, внешней среды и инфраструктуры экономики в их влиянии на
процессы экономической динамики. Согласно этому представлению, когда индивидуумы или фирмы аккумулируют любой капитал, они вносят вклад в увеличение производительности капитала других.
Такие положительные внешние эффекты могут произойти в ходе инвестиций в физический капитал [2] или человеческий капитал [3]. Как указывал Нобелевский лауреат П. Ромер, если внешние эффекты достаточно сильны, то частный предельный продукт капитала может постоянно превышать ставку дисконта, даже в случае уменьшающейся отдачи от инвестиций [4]. В этой ситуации экономический рост может быть обеспечен продолжающимся накоплением капитала, генерирующим положительные экстерналии.
Работы П. Ромера и Р. Лукаса были построены на идеях К. Эрроу, Е. Шешински [2; 5] и Х. Узавы. Базовым положением, объединявшим данные модели, было признание инновационных идей производными побочными продуктами производства или инвестиций. К. Эрроу предполагал, что производство становится более эффективным по мере роста общего выпуска продукции, так как отдача увеличивается по мере того, как работники (в том числе и управленцы) приобретают опыт в ходе производственной деятельности. Механизм рационализации производства действует по принципу «learning-by-doing», что означает «обучение через опыт». Этот принцип обучения на практике и был воспроизведен Полом Ромером в 1986 г. [4].
В последние десятилетия атрибутом научно-технологического прогресса наряду с технологией «learning-by-doing» становится технология машинного обучения. Целью машинного обучения является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности. Применение машинного обучения, виртуальных персональных помощников (VPA), безлюдных технологий приводит к росту капиталовооруженности труда. В этих условиях необходимо раздельное представление факторного труда и знаний (квалифицированного труда или человеческого капитала) в производственной функции:
Y = F (L, L0, K),
где L — объем квалифицированного труда (человеческий капитал), а L0 — неквалифицированного труда. Квалифицированный (слож ный) труд L выражается через простой труд, т. е.
L = L0ß ß = AE/AL0,
где ДЕ = const > 0, величина, полностью определяемая объемом применяемых технологий, аккумулирующая прошлые инвестиции и характеризующая повышение эффективности работника; AL0 = const > 0.
Yf = < L0(ß
Таким образом, сумма степеней а + ß + (1 -- а) > 1.
Проводимые исследования деятельности, в результате которой наращивается человеческий капитал, классифицируются на:
1. Деятельность, направленную на развитие самого человека (Models of Human Capital) [3; 6].
2. Модели обучения на практике (Learning-by-Doing) [4; 7].
Изменяется предельная производительность факторов производства и, следовательно, норма замены труда капиталом. В бизнесе интеграция и использование решений обучения через опыт и машинного обучения подразумевает командную игру, поэтому полезность данных технологий реализуется через развитие необходимых soft skills работников.
Применение цифровых технологий становится основой конкурентных преимуществ фирм, повышения производительности труда и генерации добавленной стоимости за счет сокращения потерь и повышения качества продукции и услуг. Согласно исследованиям Глобального института МакКензи (McKinsey Global Institute, MGI), объем генерируемых и хранимых данных стал экономически значимым для бизнеса, правительств и домохозяйств. История тенденций в области инвестиций и инноваций в ИКТ и их влияния на конкурентоспособность фирм и производительность труда свидетельствует о том, что цифровые технологии активно трансформируют нашу жизнь.
Постепенно распространяется использование различных датчиков в операционных и управленческих процессах. Анализ данных, полученных с технологических линий, происходит посредством машинных алгоритмов. В результате моделируются саморегулируемые процессы, которые сокращают потери и предотвращают трудоемкие рутинные процедуры. Так, в современных «цифровых моделях» нефтяных месторождений приборы постоянно считывают данные о состоянии трубопроводов. Эта информация анализируется кластерами компьютеров, которые передают результаты операционным центрам в режиме реального времени. В результате происходит корректировка потоков нефти для оптимизации времени транспортировки и минимизации простоев оборудования.
Производители различных устройств могут анализировать входящие данные и в некоторых
100 90 80 70 60 50 40 30 20 10
о н-,-,-,-,-,-,-,-,-,-,-,-,-,—►
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 Год
......Удельный вес организаций, использовавших глобальные информационные сети
—■- -Удельный вес организаций, имеющих веб-сайт
> <
Рис. 1. Удельный вес организаций, использовавших глобальные информационные сети и имеющих веб-сайт [11]
случаях автоматически исправлять ошибки программного обеспечения или диспетчерских служб в части ремонта устройств. Некоторые поставщики компьютерного оборудования собирают и анализируют данные, чтобы запланировать упреждающий ремонт, прежде чем сбои нарушат производственный процесс. Эти данные также могут использоваться для модернизации продукта, предотвращающей будущие проблемы потребления.
Как следствие, происходит повышение производительности труда, улучшение управления рисками и развитие способностей по выявлению информации, которая в противном случае оставалась бы скрытой. Поскольку цены на датчики, коммуникационные устройства (например, смартфоны) и аналитическое программное обеспечение продолжают падать, все больше и больше компаний присоединятся к этой управленческой революции.
По мере того как растет уровень проникновения умных телефонов, в них интегрируются бесплатные приложения для навигации и увеличивается применение смарт-маршрутизации. Ожидается, что к 2020 г. более 70% умных мобильных телефонов будут иметь возможности GPS, по сравнению с 20% в 2010 г. Оценочно, потенциальная глобальная ценность интеллектуальной маршрутизации, заключающаяся в экономии времени, трафика и топлива, составит около 500 млрд долл. США к 2020 г. Это эквивалентно экономии 20 млрд часов рабочего времени водителей или от 10 до 15 часов ежегодно из расчета на каждого перемещающегося человека и около 150 млрд долл. США по расходам топлива [8]. В то же время «почти 2 млрд человек не имеют мобильных телефонов, а около 60% населения земного шара не имеют: доступа к Интернету, возможности его использовать или средств для его оплаты» [9].
По данным Newzoo Global Mobile Market Report на 2017 г. и май 2018 г., Россия занимает лишь 25-е место в мире по уровню проникновения смартфонов (58,7%). Число пользователей смартфонов составляет 84 075 000 человек. Для сравнения, в 2017 г. уровень проникновения был равен 54,7%, число пользователей смартфонов составляло 78 364 000 человек. Лидируют в мае 2018 г. ОАЭ с уровнем проникновения в 82,2% [10]. Следует отметить, что в России наблюдается позитивная динамика доли организаций, использовавших глобальные информационные сети (рис. 1).
В большинстве отраслей именно анализ «больших данных» служит генератором создания новых ценностей и интеллектуального обогащения факторов производства, включая человеческий капитал. Действительно, имеются многочисленные примеры экспериментального использования «больших данных» в каждом секторе экономики. «Большие данные» открывают возможность принципиально иного типа принятия решений. Используя контролируемые эксперименты, фирмы могут тестировать гипотезы и анализировать результаты для управления инвестиционными решениями и операционными изменениями. По сути, эксперименты могут помочь менеджерам отличить каузальность от простой корреляции, тем самым уменьшая степень разброса результатов при одновременном улучшении финансовых показателей и полезности продукта.
Экспериментирование может принимать разные формы. Например, компания McDonald's оснастила некоторые рестораны устройствами, которые собирают операционные данные, отслеживая взаимодействие с клиентами, трафик и шаблоны заказов. Аналитики могут моделировать влияние изменений в меню, дизайне ресторанов и обучении сотрудников,
^ нацеленное на рост производительности труда
ш и продаж. В результате полученные данные и
X знания повышают капитализацию человече-
ш ского капитала, информируя о предпочтениях
^ потребителей и потребительском доверии к
^ конкретному продукту.
Бурно развивающееся использование ин-
ш формации интеллектуальной маршрутизации,
^ данных о трафике в реальном времени позво-
^ ляет более точно таргетировать местоположе-
>
< ние клиентов. Там, где такие контролируемые ^ эксперименты невозможны, компании могут
< использовать «полевые» эксперименты для
Си
>= определения источников волатильности про-^ изводительности труда. Например, при сборе 5 данных о группах сотрудников, выполняющих 2 аналогичную работу, можно раскрыть результаты работы, что будет стимулировать отстающих работников в повышении эффективности их деятельности.
В другой сфере создания человеческого капитала — здравоохранении комбинированные возможности цифровых технологий могут изменить структуру следующего поколения систем электронного здравоохранения. Цифровые технологии в секторе здравоохранения повышают качество эмпирических исследований. В этом отношении показательны паттерны анализа больших массивов данных о полученных положительных и отрицательных результатах (возможных рисках) лечения новыми фармацевтическими препаратами, которые при проведении ограниченных клинических испытаний были не известны.
Практически не структурированные базы личных данных, собранных с помощью персональных записей, датчиков, разных медицинских устройств, нуждаются в платформе хранения и структурирования. Именно здесь актуальными становятся облачные вычисления. Дальнейший анализ этих данных способствует становлению более эффективной системы здравоохранения с персонализированной диагностикой и помощью пациентам. Контролируя и анализируя тривиальные и нетривиальные связи между различными сигналами датчиков и существующими массивами «больших данных», можно достичь новых способов обеспечения дистанционной диагностики, лучшего понимания причин заболеваний и разработки инновационных высокотехнологичных решений лечения, что также будет способствовать накоплению и приумножению человеческого капитала.
Розничная торговля является показательной отраслью для настройки «больших данных», поскольку объем и качество данных о покупках, доступных из Интернета, сообщений в социальных сетях специфицируется для конкретного местоположения интернет-взаимо-
действий покупателей. Компании, ориентированные на клиента, уже давно используют «большие данные» для детальной сегментации клиентов и формирования целевых групп клиентов. «большие данные», благодаря возможности персонализации в режиме реального времени, позволяют расширить возможности актуализации.
Следующее поколение розничных сетей сможет отслеживать поведение отдельных клиентов, учитывая потоки интернет-кликов, обновлять данные о предпочтениях клиентов и моделировать вероятное поведение клиентов в режиме реального времени. Затем они смогут узнать, когда клиенты приближаются к решению о покупке, и «подтолкнут» транзакцию к завершению, объединив, например, предпочтительные продукты в рамках акции, предлагающей определенные бонусы. Дополнительный таргетинг в режиме реального времени, использующий данные из программы вознаграждения продавцов, увеличит продажи продуктов с более высокой маржой таргетиро-ванными клиентами.
Цифровые технологии существенно снижают издержки фирм на мониторинг деятельности работников. Организации, реализующие анализ человеческого капитала, используют новые источники данных: электронные бейджи, заголовки электронной почты (Email headers), онлайн-календари (online calendars), периодические опросы сотрудников. Например, радиочастотная идентификация (Radio Frequency IDentification, RFID) маршрутов и движений товара, оптимизирующая затрачиваемые усилия работников во время операционной деятельности, делает их труд более технологичным.
Новое поколение технологий анализа человеческого капитала (human capital analytics, HCA) позволяет HR-департаментам делать более таргетированные инвестиции в человеческий капитал, определять конкретные виды поведения, которые повышают производительность, отслеживают взаимодействие сотрудников в режиме реального времени, реакцию на инициативы в области изменений и адаптируют программы обучения сотрудников к актуальным потребностям рынка.
Аналитика человеческого капитала — это подход к выработке информации о рабочей силе и ее влиянии на KPI бизнеса. Изначально HCA использует данные о сотрудниках, взятые из системы учета персонала компании. По мере того как накапливаются опыт и доверие, команда HCA включает в анализ данные обследований операций сотрудников, конечной целью которых является применение предикативного моделирования, чтобы помочь менеджерам принимать более эффективные бизнес-решения.
HCA нового поколения использует новые источники данных о сотрудниках и новые аналитические инструменты для получения информации, недоступной из традиционных источников данных о персонале. К новым источникам таких технологических данных, в первую очередь, нужно отнести:
• еженедельные (ежедневные) опросы работников, формирующие актуальный «снимок» состояния кадров в режиме реального времени,
• предоставляемые работодателем устройства для мониторинга состояния здоровья, данные которых могут быть анонимизированы и объединены для сопоставления областей риска для здоровья,
• корпоративные социальные платформы, которые аккумулируют и передают большие объемы данных,
• заголовки электронной почты и онлайн-ка-лендари, которые могут быть сопоставлены с бизнес-процессами, чтобы выявить неэффективные / эффективные шаблоны действий,
• электронные бейджи, с которых считыва-ются выборочные данные о режиме взаимодействия сотрудников: частоте, продолжительности, способах их коммуникаций, но не фактическое содержание разговоров. Для получения максимальной ценности для
бизнеса от HCA нового поколения кадровая служба должна:
1. выявить стейкхолдеров, которые заинтересованы и могут повлиять на применение HCA нового поколения. К ним могут относиться юристы, сотрудники служб защиты информации, управления рисками, профсоюзы. Необходимо определить источники и методы сбора данных, процедуры их использования, бизнес-задачи, которые с их помощью можно решить, и меры защиты, необходимые для управления этими данными;
2. создать группу управления HCA, которая отвечает за разработку политики HCA и рассмотрение запросов на сбор и анализ данных. Целесообразно включать представителей трудового коллектива в состав этой группы. При этом фирмы не должны «захватывать» специфические персональные данные, например, данных из личных каналов Twitter или страниц Facebook;
3. обеспечить защиту персональных данных. Не все данные о сотрудниках должны быть доступны для фирм. Например, данные о количестве телефонных звонков сотрудника на свой домашний телефон, приобретении онлайн билетов в театр и продолжительности пребывания в чате. Если работодатель будет персонифицировать и учитывать такие данные, может возникнуть конфликт интересов;
4. предложить сотрудникам бонусы в обмен на н раскрытие и предоставление дополнитель- ш ных данных. Например, в обмен на согласие х ношения электронного бейджа сотрудник по- ш лучает конфиденциальный персонализиро- ^ ванный отчет о своих взаимодействиях за ^ прошедшую неделю;
5. разработать политику в области применения ш НСА. Прозрачность является предпосылкой ^ для доверия. Компании, которые прибегают ^ к новым источникам данных или новым ана- < литическим методам, должны организовать ^ процесс внедрения новых практик обратной < связи с сотрудниками, отражающей резуль- >= таты их деятельности. к Риски и возможности применения новых 5
технологий НСА для работодателей и работ- 2 ников приведены в табл. 1 и 2. Применение НСА нового поколения помогает организациям:
• понять, что делает сотрудников успешными. Определить характеристики, поведение и социальные сети, которые отличают лучших исполнителей от их коллег. Совершенствовать подбор талантов и производить более целенаправленные инвестиции в человеческий капитал;
• осуществлять мониторинг настроений сотрудников в режиме реального времени, отслеживать последствия предпринимаемых инициатив, выявлять области потерь, измерять взаимодействия сотрудников и быстро реагировать на возникающие проблемы;
• выявлять модели поведения сотрудников, приводящие к временным потерям и снижению производительности труда. Получать достоверные данные об эффективности использования электронной почты и совещаний;
• сокращать расходы на социальное обеспечение и здравоохранение. Использовать агрегированные данные для целевых инвестиций в программы медицинского просвещения и фитнеса;
• создать чаты, которые сотрудники могут использовать для ознакомления с корпоративной политикой, изучения моделей поведения, организационной культуры фирмы и внесения улучшающих изменений. Пользователи постепенно переходят к облачным хранилищам из-за менее сложной структуры баз данных и снижения затрат. Обладая большими данными, безопасной платформой хранения и аналитическим инструментарием их преобразования, менеджмент фирм повышает рентабельность бизнеса. Стоимость использования информационных технологий для фирм постепенно снижается, затраты на внедрение и поддержание этих технологий со
Таблица 1
Риски и возможности применения новых технологий HCA для работодателей
Риски Возможности
Недоверие со стороны сотрудников в отношении намерений менеджмента фирмы по использованию данных, что может привести к снижению производительности труда, росту объемов недостоверных данных, предоставляемых сотрудниками Идентификация характеристик, моделей поведения, взаимодействий сотрудников, позволяющая учитывать их индивидуальные характеристики при распределении работ и зон ответственности
Негативные правовые последствия, вызванные неправильным толкованием или неправильным использованием персональных данных сотрудников Более таргетированные инвестиции в профессиональную переподготовку сотрудников
Менеджеры могут использовать персональные данные и аналитические результаты в собственных (дискриминационных) целях Повышение соответствия сотрудников и рабочих мест, оптимизация штатного расписания
Чрезмерная зависимость от количественных данных при игнорировании содержательных характеристик, что снижает эффективность решений Сбор и анализ текущих данных о настроениях и отношении сотрудников к управленческим инициативам
Оптимизация рабочих мест (объектов недвижимости) в целях сокращения затрат
Идентификация рисков потерь. Определение нежелательных норм и неэффективных моделей коммуникации
Мониторинг изменений в режиме реального времени
Таблица 2 Риски и возможности применения новых технологий HCA для работников
Риски Возможности
Использование персональных данных, нарушающее нормы конфиденциальности и создающее неблагоприятные последствия Своевременная обратная связь, обеспечивающая оперативное изменение поведения
В случае нарушения сотрудником правил корпоративной политики по использованию электронной почты, социальной платформы предприятия и социальных сетей назначаются меры дисциплинарного взыскания Рост производительности труда, сопровождающийся более высокими доходами
Повышенный стресс в результате контроля посредством цифровых технологий Получение объективных данных для поддержки новых идей, возможностей развития и признания
Улучшение охраны и условий труда
Сокращение потерь времени (например, числа совещаний, ненужной электронной переписки и т. д.)
временем уменьшаются. Однако хранение и передача персональных данных по-прежнему сопряжены с многими рисками. При постановке риск-менеджмента необходимо учитывать специфику сбора персональных данных и аналитических методов их обработки. Фирмы должны предпринять шаги, чтобы избежать следующих рисков:
Недоверие сотрудников. Если сотрудники не понимают, в каких целях фирма аккумулирует данные, как данные будут защищены и в чем их выгоды, они с меньшей вероятностью предоставят достоверную информацию или примут участие в сборе информации. Отсутствие понимания со стороны сотрудников снижает потенциальные выгоды. А отсутствие доверия может привести к еще более негативным последствиям.
Правовой риск. Если фирма не управляет данными сотрудников надлежащим образом,
это может привести к нарушению прав по защите данных, дискриминации и связанным с ними проблемам.
Бизнес-риск. Аналитика человеческого капитала должна быть тесно связана с бизнес-стратегией и показателями эффективности деятельности фирмы. Если данные и результаты НСА не будут согласованы с бизнес-стратегией, то их значение и влияние будут существенно девальвированы.
Защита данных и риск конфиденциальности. Поскольку нарушения в части сохранности данных становятся все более распространенными во всем мире, компании должны иметь политики и процессы для защиты данных сотрудников от преднамеренного несанкционированного доступа.
Репутационный риск. Неэффективная коммуникация и управление данными о человеческом капитале могут потенциально повре-
дить общественному восприятию фирмы и ее бренда.
Как правило, глобальные технологические корпорации используют «непрерывный мониторинг» сотрудников, чтобы получить представление об их вовлеченности в создающую ценности деятельность. Анализируя права и обязанности сотрудников на корпоративной социальной платформе в сочетании с периодическими опросами сотрудников, корпорации моделируют настроения сотрудников по бизнес-единицам, функциям и другим сегментам. Внутрифирменные бизнес-процессы кадрового планирования и бюджетирования заключаются в прогнозировании спроса и предложения сотрудников на занятие вакантных должностей в организации.
В условиях возрастающей мобильности носителей человеческого капитала, его цифро-визации, образования спин-офф и спин-аут компаний человеческий капитал постепенно переходит в «виртуальные облачные пространства». Сегодня все чаще создаются виртуальные сети экспертов, готовых решать самые разные задачи. В этих сетях человеческий капитал не удерживается традиционными внутрифирменными трудовыми отношениями. Сеть облегчает взаимодействия между заказчиками-постановщиками задач и профессионалами-исполнителями, обладающими навыками их решения. Динамическая конкурентная среда будет обусловливать поиск необходимого человеческого капитала в виртуальных сетях. В этих условиях вполне возможна интеграция организаций с использованием «облачного» человеческого капитала.
Сегодня появляется новая линейка возможностей и идей, приносящая опыт и мощь компьютерной науки и машинного обучения в решение задач и распределения человеческого капитала и трудовых ресурсов. По мнению лауреата Нобелевской премии П. Ромера, экономический рост возникает, когда люди перераспределяют ресурсы таким образом, чтобы сделать их более ценными. И хотя машинное обучение уже использовалось во многих других отраслях и дисциплинах, его использование в оценке и управлении человеческим капиталом относительно молодо.
Прогнозирование будущих событий, таких как текучесть кадров, это одна из составляющих интеллектуальной аналитики трудовых ресурсов. Другая составляющая заключается в формировании рекомендаций для менеджмента фирм. В некоторых отраслях связь между прогностической и рекомендательной функциями машинного обучения хорошо прослеживается. Так, в авиационной отрасли прогнозы относительно регулярных продаж и дисконтных акций непосредственно предписывают,
как тарифы должны быть изменены для оп- н тимизации финансового результата. ш
Однако эта связь не всегда ясна, когда речь х заходит о человеческом капитале или таланте. ш Например, если результаты прогноза пока- ^ зывают высокую вероятность увольнения в ^ течение первого месяца работы претендентов i на рабочие места, то рекомендация понятна ш и проста. Нанимать таких кандидатов на ва- ^ кантные рабочие места не имеет смысла. Но ^ основная проблема для HR-менеджмента за- < ключается в том, что человеческие ресурсы ^ не так явно поддаются структурированию, как < прочие материальные активы. Оптимизация >= продаж авиабилетов существенно отличается к от реализации программ по таргетированию 5 поведения работников, проектных команд и 2 трудовых коллективов. Проблема в том, что любая организация — это не просто множество изолированных «человеческих единиц». Они состоят из людей, которые взаимодействуют в командах внутри организации и во внешней среде.
Предположим, что задача, решаемая методами машинной обработки данных, — оценить влияние уровня образования на продолжительность функционирования бизнеса. Статистика свидетельствует, что даже наличие у сотрудников степени MBA в среднем не влияет на долговечность фирмы. Тем не менее технология машинной обработки может выявить нечто совершенно иное, например, низкую оборачиваемость кадров со степенью МВА в недостаточно экономически развитых региональных рынках труда, но в то же время высокую оборачиваемость в финансовых центрах.
Чтобы лучше понять потенциальную роль конкретного контекста при обработке данных, рассмотрим следующий кейс. Предположим, что собранные данные показывают, что сотрудники с более чем пятилетним стажем работы в компании менее склонны увольняться. Этот вывод может показаться обоснованным, но в контексте традиционных практик менеджмента фирмы может быть определен как необоснованный. Внутреннее контекстное исследование может показать, что сотрудники, попавшие в эту группу, в реальности являются плохими работниками, а менеджмент терпимо относится к низкой производительности труда. Этот кейс говорит о неправильности вывода машинной обработки данных. Для того чтобы объединить аналитику человеческого капитала и машинное обучение, необходимы критически мыслящие аналитические умы. Мощные алгоритмы машинного обучения для прогнозирования хороши, но они мало помогут, если данные недостаточно контекстны.
^ Рассмотрим кейс профессиональной пере-ш подготовки на образовательных программах X МВА, безусловно повышающих качество ш человеческого капитала. Профессиональ-^ ная деятельность сотрудников, получивших ^ степень МВА, представляют собой источник х обширных динамических данных, особенно ш для крупных организаций. Вместо того чтобы ^ смотреть на количество пройденных курсов
^ или оценку по выпускному квалификацион-
>
< ному проекту, руководители должны прокон-^ тролировать, есть ли измеримые доказательнее ства повышения производительности труда >= после этого обучения. Ориентированы ли эти ^ сотрудники на применение новых навыков, 5 стремятся ли они занять более высокую пози-2 цию внутри или вне организации? Помогают ли их руководители развивать карьеру или фирму покидают самые амбициозные обладатели степени МВА, осознающие отсутствие условий личностного роста и реализации полученных навыков?
Подытоживая, можно выделить несколько способов эффективного использования цифровых технологий.
1. Цифровые технологии создают дополнительные ценности посредством повышения эффективности и транспарентности рынков труда. Сегодня значительные объемы кадровой информации не оцифрованы, зачастую хранятся на бумажных носителях, доступ к ним ограничен. Очевидно, что оцифровка таких данных связана с дополнительными затратами. Однако эффекты от повышения информационной эффективности рынков труда несут мощный потенциал более тар-гетированного использования человеческого капитала.
2. По мере того как фирмы создают и хранят больше персональных данных в цифровой форме, они могут собирать более точную и детальную информацию для принятия эффективных управленческих решений, начиная от уровня образования сотрудников, днями временной утраты трудоспособности и заканчивая оценкой их креативного потенциала. Фактически некоторые ведущие компании используют свои ресурсы по сбору и анализу таких данных для проведения контролируемых экспериментов с целью повышения производительности труда и сокращения операций, не создающих ценность.
3. Цифровые технологии позволяют провести более детальную сегментацию работников и, следовательно, более точно идентифицировать их предпочтения, навыки и потребности в развитии.
4. Обработка больших объемов персональных данных может существенно ускорить при-
нятие решений по накоплению человеческого капитала и улучшить качество этих решений. Например, использование данных, полученных от датчиков, позволят провести аудит и оптимизировать бизнес-процессы. 5. Облачные технологии способствуют оперативному формированию групп сотрудников с требуемыми наборами навыков в заданное время с минимальными затратами. Фирмы, применяющие облачные технологии, обеспечивают использование человеческого капитала сотрудников в масштабе мировой экономики. Благодаря тому что сотрудники могут работать практически в любом месте, мобильные технологии помогают компаниям принимать более обоснованные кадровые решения, эффективно контролировать исполнение бюджетов и выполнять договорные и трудовые обязательства. Цифровые технологии все чаще применяются для диагностики поведения сотрудников и оценки эффективности применения их человеческого капитала. Цифровизация и особенно технологии машинного обучения рационализируют процессы формирования эффективных комбинаций человеческих ресурсов в мотивированные проектные команды, структурируя большие объемы данных и разнообразных переменных, включая активность сотрудников в виртуальных сетях, демографические данные, их поведенческие характеристики, твердые и мягкие профессиональные навыки и т. д. Цифровая экономика создает среду виртуальных сервисов, обеспечивающую интеграцию человеческого капитала и смарт-машин в глобальное цифровое пространство, тем самым формируя предпосылки применения возрастающих объемов данных для оценки и прогнозирования устойчивого развития.
Литература
1. Worldwide Spending on Digital Transformation Will Be Nearly $2 Trillion in 2022 as Organizations Commit to DX, According to a New IDC Spending Guide // IDC. [Электронный ресурс]. URL: https:// www.idc.com/getdoc.jsp?containerId=prUS44440318
(дата обращения: 08.10.2018).
2. Arrow K. J. The Economic Implications of Learning by Doing / / Review of Economic Studies. 1962. Vol. 29 (3). P. 155-173.
3. Lucas R. E. On the Mechanics of Economic Development // Journal of Monetary Economics. 1988. Vol. 22 (1). P. 3-42.
4. Romer P. M. Increasing Returns and Long Run Growth // Journal of Political Economy. 1986. Vol. 94 (5). P. 1002-1037.
5. Sheshinski E. Optimal Accumulation with Learning by Doing // Shell K. (ed.). Essays on the Theory of Optimal Economic Growth. Cambridge, Mass: MIT Press, 1967. P. 31-52.
6. Mankiw N. G., Romer D., Weil D. N. A Contribution to the Empirics of Economic Growth // Quarterly
Journal of Economics. 1992. Vol. 107 (2). P. 407437.
7. Rebelo S. Long-Run Policy Analysis and Long-Run Growth // Journal of Political Economy. 1991. Vol. 99 (3). P. 500-521.
8. McGuire T., Manyika J., Chui M. Why Big Data is the new competitive advantage. [Электронный ресурс]. URL: https://iveybusinessjournal.com/pub-lication/why-big-data-is-the-new-competitive-advan-tage/ (дата обращения: 08.10.2018).
9. Цифровые дивиденды: доклад о мировом развитии. 2016 // Группа Всемирного банка. [Электронный ресурс]. URL: http://documents.worldbank.org/ curated/en/224721467988878739/pdf/102724-WDR-WDR20160verview-RUSSIAN-WebRes-Box-394840B-0U0-9.pdf (дата обращения: 15.10.2018).
10. List of countries by smartphone penetration. [Электронный ресурс]. URL: https://en.wikipedia. org/wiki/List_of_countries_by_smartphone_pene-tration (дата обращения: 15.10.2018).
11. Информационное общество // Официальный сайт Федеральной службы государственной статистики. [Электронный ресурс]. URL: http://www.gks.ru/ wps/wcm/connect/rosstat_main/rosstat/ru/statis-tics/science_and_innovations/it_technology/# (дата обращения: 15.10.2018).
References
1. Worldwide spending on digital transformation will be nearly $2 trillion in 2022 as organizations commit to DX, according to a new IDC Spending Guide. IDC. 2018. Available at: https://www.idc.com/ getdoc.jsp?containerId=prUS44440318. Accessed 08.10.2018.
2. Arrow K. J. The economic implications of learning by doing. The Review of Economic Studies, 1962, vol. 29, no. 3, pp. 155-173. DOI: 10.2307/2295952.
3. Lucas R. E. On the mechanics of economic develop- fi ment. Journal of Monetary Economics, 1988, vol. ^ 22, no. 1, pp. 3-42. DOI: 10.1016/0304-3932(88) | 90168-7. ci
m
4. Romer P. M. Increasing returns and long run growth. i Journal of Political Economy, 1986, vol. 94, no. 5, s pp.1002-1037. DOI: 10.1086/261420. s
5. Sheshinski E. Optimal accumulation with learning s by doing. In: Shell K., ed. Essays on the theory of 5 optimal economic growth. Cambridge, MA: The MIT cq Press, 1967, pp. 31-52. Si
6. Mankiw N. G., Romer D., Weil D. N. A contribution > to the empirics of economic growth. The Quarterly 2 Journal of Economics, 1992, vol. 107, no. 2, pp. 407- fE 437. DOI: 10.2307/2118477. <
7. Rebelo S. Long-run policy analysis and long-run i= growth. Journal of Political Economy, 1991, vol. 31 99, no. 3, pp. 500-521. DOI: 10.1086/261764. |
8. McGuire T., Manyika J., Chui M. Why Big Data is o the new competitive advantage. Ivey Business Jour- h nal. Available at: https://iveybusinessjournal.com/ publication/why-big-data-is-the-new-competitive-ad-vantage/. Accessed 08.10.2018.
9. Digital dividends: A world development report. 2016. World Bank Group. Available at: http://documents. worldbank.org/curated/en/224721467988878739/ pdf/102724-WDR-WDR2016Overview-RUSSIAN-WebRes-Box-394840B-OUO-9.pdf. Accessed 15.10.2018. (in Russ.).
10. List of countries by smartphone penetration. Wiki-pedia. Available at: https://en.wikipedia.org/wiki/ List_of_countries_by_smartphone_penetration. Accessed 15.10.2018.
11. Information society. Official website of the RF Federal State Statistics Service. Available at http:// www.gks.ru/wps/wcm/connect/rosstat_main/ross-tat/ru/statistics/science_and_innovations/it_tech-nology/#. Accessed 15.10.2018.
