Media is too big
VIEW IN TELEGRAM
Быстрое создание корпоративной базы знаний с помощью нейросети
Вы когда-нибудь видели удобную корпоративную базу знаний, в которой есть не только красивые курсы по охране труда, а методики, регламенты, принятые практики? Все работает быстро с интуитивным интерфейсом?
Я видел на разных конференциях счастливых спикеров и слайды, но стабильно и быстро работающий инструмент не за миллиард денег вне конференций не встречал.
🦄 Ожидание:
Удобная база знаний
🤓 Реальность:
В компании много информации в формате «как попало», это скидывается на человека, который должен все привести к одному виду, база растет, актуализацию сложно отследить. Уставший HR.
Уже от описания становится лень все это делать…
🦄 Решение по шагам, базовый вариант:
1. Создал хранилище данных (любое облачное, сетевая папка, сервер).
Накидал туда регламентов, методик и документов в разных форматах.
2. Подключил к хранилищу микросервис, который векторизует (эмбэддинг) и закидывает в векторную базу данные
3. Подключил к базе генеративную нейросеть
✅️ Получился простой помощник который делает поиск по документам подсказывает и который можно использовать для адаптации для обучения для поддержки и т.д. (Ролевая система, секюрность прокручиваются отдельными слоями. На записи простой вариант).
Хотите узнать больше -пишите .
Вы когда-нибудь видели удобную корпоративную базу знаний, в которой есть не только красивые курсы по охране труда, а методики, регламенты, принятые практики? Все работает быстро с интуитивным интерфейсом?
Я видел на разных конференциях счастливых спикеров и слайды, но стабильно и быстро работающий инструмент не за миллиард денег вне конференций не встречал.
Удобная база знаний
В компании много информации в формате «как попало», это скидывается на человека, который должен все привести к одному виду, база растет, актуализацию сложно отследить. Уставший HR.
Уже от описания становится лень все это делать…
1. Создал хранилище данных (любое облачное, сетевая папка, сервер).
Накидал туда регламентов, методик и документов в разных форматах.
2. Подключил к хранилищу микросервис, который векторизует (эмбэддинг) и закидывает в векторную базу данные
3. Подключил к базе генеративную нейросеть
Хотите узнать больше -
Please open Telegram to view this post
VIEW IN TELEGRAM
Как стать императрицей подбора?
Мы записали новый эпизод подкаста «Как стать императрицей подбора?» с CPO ATS Potok Максимом Королевым.
Что мы обсудили:
👉 Как современные технологии и автоматизация делают подбор персонала более эффективным.
👉 Что такое ATS и ключевые тренды в автоматизации рекрутинга.
👉 Практические советы по работе с автоматизированными системами.
Самые интересные моменты:
05:56 - Развитие систем автоматизации HR
17:19 - Интеграция автоматизированных систем с другими системами
32:03 - Передовые технологии в подборе персонала
40:20 - Проблемы в подборе персонала
55:50 - Поддержка базы сотрудников и использование внутренних данных
1:06:51 - Использование больших языковых моделей
1:21:55 - Советы для начинающих автоматизацию подбора
Посмотреть видео можно по ссылкам:
⭐️Смотреть в ВК
⭐️Смотреть на YouTube
📢 Подписывайтесь на наши каналы, чтобы не пропустить новые интересные выпуски и обновления:
Канал Эй, HR!
ИИ & Tech в HR
Мы записали новый эпизод подкаста «Как стать императрицей подбора?» с CPO ATS Potok Максимом Королевым.
Что мы обсудили:
👉 Как современные технологии и автоматизация делают подбор персонала более эффективным.
👉 Что такое ATS и ключевые тренды в автоматизации рекрутинга.
👉 Практические советы по работе с автоматизированными системами.
Самые интересные моменты:
05:56 - Развитие систем автоматизации HR
17:19 - Интеграция автоматизированных систем с другими системами
32:03 - Передовые технологии в подборе персонала
40:20 - Проблемы в подборе персонала
55:50 - Поддержка базы сотрудников и использование внутренних данных
1:06:51 - Использование больших языковых моделей
1:21:55 - Советы для начинающих автоматизацию подбора
Посмотреть видео можно по ссылкам:
⭐️Смотреть в ВК
⭐️Смотреть на YouTube
📢 Подписывайтесь на наши каналы, чтобы не пропустить новые интересные выпуски и обновления:
Канал Эй, HR!
ИИ & Tech в HR
Hook Canvas в HR:
Инструменты для удержания сотрудников
Поразмышлял на тему использования маркетинговых инструментов в HR и написал об этом в журнале "Льготы и Бенефиты" (в приложении к посту).
HR может многому научиться у маркетинга, особенно в вопросах удержания клиентов/сотрудников. Один из таких инструментов — фреймворк Hook Canvas, который помогает создавать привязанность к продукту, и его можно адаптировать для HR для создания привязанности к месту работы.
Основные элементы Hook Canvas (как пример работы с конкретным триггером):
👉Триггер:
Информация о доступных льготах и бенефитах, персонализированная с помощью ИИ под конкретного сотрудника. Например, может включать в себя уведомления о новых возможностях карьерного роста или бонусах.
👉Действие:
Возможность быстрого отклика через чат-бот с ИИ или помощника на корпоративном портале. Сотрудники могут легко зарегистрироваться на тренинги или подать заявки на льготы через удобный интерфейс.
👉Вознаграждение:
Получение выбранной льготы или бенефита. Важно собирать обратную связь через тех же помощников, чтобы улучшать систему и удовлетворять потребности сотрудников.
👉Инвестиция:
Формирование кафетерия льгот на основе пожеланий сотрудников через ИИ. Это позволяет каждому сотруднику выбирать наиболее подходящие льготы, что повышает их удовлетворенность и приверженность компании.
✅️ Важный аспект
Для успешного применения Hook Canvas в HR важно проводить конкурентный анализ и анализ рынка. Это позволяет выявлять триггеры, которые будут эффективны именно для ваших сотрудников.
Инструменты для удержания сотрудников
Поразмышлял на тему использования маркетинговых инструментов в HR и написал об этом в журнале "Льготы и Бенефиты" (в приложении к посту).
HR может многому научиться у маркетинга, особенно в вопросах удержания клиентов/сотрудников. Один из таких инструментов — фреймворк Hook Canvas, который помогает создавать привязанность к продукту, и его можно адаптировать для HR для создания привязанности к месту работы.
Основные элементы Hook Canvas (как пример работы с конкретным триггером):
👉Триггер:
Информация о доступных льготах и бенефитах, персонализированная с помощью ИИ под конкретного сотрудника. Например, может включать в себя уведомления о новых возможностях карьерного роста или бонусах.
👉Действие:
Возможность быстрого отклика через чат-бот с ИИ или помощника на корпоративном портале. Сотрудники могут легко зарегистрироваться на тренинги или подать заявки на льготы через удобный интерфейс.
👉Вознаграждение:
Получение выбранной льготы или бенефита. Важно собирать обратную связь через тех же помощников, чтобы улучшать систему и удовлетворять потребности сотрудников.
👉Инвестиция:
Формирование кафетерия льгот на основе пожеланий сотрудников через ИИ. Это позволяет каждому сотруднику выбирать наиболее подходящие льготы, что повышает их удовлетворенность и приверженность компании.
Для успешного применения Hook Canvas в HR важно проводить конкурентный анализ и анализ рынка. Это позволяет выявлять триггеры, которые будут эффективны именно для ваших сотрудников.
Please open Telegram to view this post
VIEW IN TELEGRAM
Новый выпуск про C&B
Мы записали новый эпизод подкаста «Эй, HR!» на тему C&B с нашими гостями — Мариной Назаровой, руководителем отдела C&B в Novametrix и помощником главного редактора журнала «Льготы и бенефиты», и Станиславом Нагирняком, экспертом в области внутрикорпоративной социальной политики и главным редактором журнала «Льготы и бенефиты».
Что мы обсудили:
👉 Геополитическая ситуация и её влияние на рынок труда
👉 Влияние семьи на здоровье сотрудников
👉 Понятие C&B и его значимость для бизнеса
👉 Перестройка мотивационных схем
👉 Конкуренция между работодателями
👉 Анализ рынка труда и бенефитов
👉 Необычные льготы
👉 Возвращение к советским практикам
👉 Отпуска за выгорание
👉 Роль ИИ в HR
👉 Вовлечение членов семьи в мотивационные схемы
👉 Коммуникационные стратегии для внедрения льгот
👉 Влияние региональных особенностей на льготы
👉 ДМС для членов семьи
👉 Влияние гибких льгот на сотрудников
👉 Советы начинающим специалистам по C&B
👉 Важность нетворкинга и правильного выбора направления
Посмотреть видео можно по ссылкам:
⭐️Смотреть в ВК
⭐️Смотреть на YouTube
📢 Подписывайтесь на наши каналы, чтобы не пропустить новые интересные выпуски и обновления.
Мы записали новый эпизод подкаста «Эй, HR!» на тему C&B с нашими гостями — Мариной Назаровой, руководителем отдела C&B в Novametrix и помощником главного редактора журнала «Льготы и бенефиты», и Станиславом Нагирняком, экспертом в области внутрикорпоративной социальной политики и главным редактором журнала «Льготы и бенефиты».
Что мы обсудили:
👉 Геополитическая ситуация и её влияние на рынок труда
👉 Влияние семьи на здоровье сотрудников
👉 Понятие C&B и его значимость для бизнеса
👉 Перестройка мотивационных схем
👉 Конкуренция между работодателями
👉 Анализ рынка труда и бенефитов
👉 Необычные льготы
👉 Возвращение к советским практикам
👉 Отпуска за выгорание
👉 Роль ИИ в HR
👉 Вовлечение членов семьи в мотивационные схемы
👉 Коммуникационные стратегии для внедрения льгот
👉 Влияние региональных особенностей на льготы
👉 ДМС для членов семьи
👉 Влияние гибких льгот на сотрудников
👉 Советы начинающим специалистам по C&B
👉 Важность нетворкинга и правильного выбора направления
Посмотреть видео можно по ссылкам:
⭐️Смотреть в ВК
⭐️Смотреть на YouTube
📢 Подписывайтесь на наши каналы, чтобы не пропустить новые интересные выпуски и обновления.
3
Не все нейросети одинаково полезны.
В HR Tech часто обсуждаются сложные технологии, такие как большие языковые модели. Эти инструменты действительно мощные и способны решать сложные задачи, но не всегда их использование оправдано.
Важно понимать, что не все задачи требуют применения таких тяжеловесных решений — зачастую простые алгоритмы машинного обучения оказываются более подходящими.
Недавно перед нами стояла задача: помочь кандидатам найти вакансии, до которых они могут добраться за 20 минут на общественном транспорте в час пик. Вместо того чтобы использовать сложные нейросети, мы решили задействовать проверенный алгоритм k-ближайших соседей (k-NN).
Что такое k-NN и почему он лучше подходит для этой задачи?
K-NN — это простой, но эффективный алгоритм машинного обучения, который использует расстояния для классификации или регрессии. Он находит ближайшие объекты (в нашем случае — вакансии) относительно заданной точки, например, местоположения кандидата. Для ускорения процесса мы применили kd-tree — структуру данных, которая позволяет быстро и эффективно находить ближайшие вакансии в многомерном пространстве.
Почему мы выбрали k-NN с kd-tree, а не сложные нейросети?
👉Простота: Не все задачи требуют применения сложных и ресурсоёмких решений. K-NN прост в реализации и не требует сложной настройки. Это значит, что решение работает быстро и эффективно без необходимости использования мощных серверов.
👉Точность и скорость: В сочетании с kd-tree, k-NN обеспечивает высокую скорость и точность поиска ближайших вакансий. Для нашей задачи, где важно учитывать время поездки в условиях реального времени, такой подход оказался оптимальным.
👉Экономичность: Применение простых алгоритмов, таких как k-NN, позволяет сократить затраты на вычислительные мощности и время на разработку. Это делает решение доступным и легко интегрируемым в повседневную работу HR.
Пример использования:
Когда кандидат вводит свой адрес, система с помощью k-NN, ускоренного через kd-tree, анализирует вакансии, которые находятся в пределах 20 минут на транспорте. Затем, используя API маршрутизатора Яндекса, система предлагает кандидату список наиболее удобных вакансий с учётом реальной загруженности дорог.
Вывод:
Важно понимать, что не все задачи требуют применения сложных нейросетей. Иногда простые алгоритмы машинного обучения, такие как k-NN, дают более эффективные результаты, быстрее внедряются и требуют меньше ресурсов. В HR Tech, как и в любой другой сфере, важно выбирать инструменты, исходя из конкретной задачи, а не из желания использовать самые сложные технологии.
В HR Tech часто обсуждаются сложные технологии, такие как большие языковые модели. Эти инструменты действительно мощные и способны решать сложные задачи, но не всегда их использование оправдано.
Важно понимать, что не все задачи требуют применения таких тяжеловесных решений — зачастую простые алгоритмы машинного обучения оказываются более подходящими.
Недавно перед нами стояла задача: помочь кандидатам найти вакансии, до которых они могут добраться за 20 минут на общественном транспорте в час пик. Вместо того чтобы использовать сложные нейросети, мы решили задействовать проверенный алгоритм k-ближайших соседей (k-NN).
Что такое k-NN и почему он лучше подходит для этой задачи?
K-NN — это простой, но эффективный алгоритм машинного обучения, который использует расстояния для классификации или регрессии. Он находит ближайшие объекты (в нашем случае — вакансии) относительно заданной точки, например, местоположения кандидата. Для ускорения процесса мы применили kd-tree — структуру данных, которая позволяет быстро и эффективно находить ближайшие вакансии в многомерном пространстве.
Почему мы выбрали k-NN с kd-tree, а не сложные нейросети?
👉Простота: Не все задачи требуют применения сложных и ресурсоёмких решений. K-NN прост в реализации и не требует сложной настройки. Это значит, что решение работает быстро и эффективно без необходимости использования мощных серверов.
👉Точность и скорость: В сочетании с kd-tree, k-NN обеспечивает высокую скорость и точность поиска ближайших вакансий. Для нашей задачи, где важно учитывать время поездки в условиях реального времени, такой подход оказался оптимальным.
👉Экономичность: Применение простых алгоритмов, таких как k-NN, позволяет сократить затраты на вычислительные мощности и время на разработку. Это делает решение доступным и легко интегрируемым в повседневную работу HR.
Пример использования:
Когда кандидат вводит свой адрес, система с помощью k-NN, ускоренного через kd-tree, анализирует вакансии, которые находятся в пределах 20 минут на транспорте. Затем, используя API маршрутизатора Яндекса, система предлагает кандидату список наиболее удобных вакансий с учётом реальной загруженности дорог.
Вывод:
Важно понимать, что не все задачи требуют применения сложных нейросетей. Иногда простые алгоритмы машинного обучения, такие как k-NN, дают более эффективные результаты, быстрее внедряются и требуют меньше ресурсов. В HR Tech, как и в любой другой сфере, важно выбирать инструменты, исходя из конкретной задачи, а не из желания использовать самые сложные технологии.
3
1000 правок в отчёте
У каждого руководителя регулярно возникает потребность просматривать отчёты сотрудников и указывать на ошибки, которые могут повторяться из раза в раз. Это отнимает много времени и сил.
🤯Проблемы:
👉 Ошибки. Подчинённые допускают ошибки и регулярно отправляют документы, не проверив их — в итоге вам приходится тратить время на их исправление.
👉 Объем. Сотрудники присылают огромные, 100-страничные Excel-файлы, которые требуют длительного анализа и поиска необходимых данных, вместо того чтобы выделить ключевую информацию или предоставить основные выводы.
👉 Разные метрики. Недостаток единообразия в показателях и метриках: часто разные сотрудники используют разные показатели для одной и той же темы отчёта, что затрудняет сравнение данных и требует дополнительной проверки.
Для себя мы решили эту проблему с помощью чат-бота с LLM, который проверяет и анализирует отчёты. Бот автоматически проверяет документы на соответствие вашим требованиям (правильность данных, отсутствие ошибок, корректность сумм) и возвращает их сотруднику на доработку, если что-то не так. Также он создаёт краткое саммари по ключевым критериям, что позволяет сосредоточиться на главных выводах и сэкономить время.
Но каждый руководитель может попробовать сделать следующее, чтобы прикоснуться к инструменту (на основе доступных решений):
👉 Составьте перечень отчётов, которые регулярно поступают к вам на проверку.
👉 Определите практические критерии проверки, которые часто становятся источниками ошибок: корректность расчётов (например, соответствие сумм этапов общей сумме), отсутствие дублирующих данных, актуальность информации (соответствие данных текущему периоду), наличие всех необходимых разделов и показателей, соблюдение единого формата оформления (шрифты, заголовки, структуры таблиц), отсутствие грамматических и стилистических ошибок.
👉 Загрузите первый и второй пункт в GPT и попросите создать чёткую инструкцию для проверки отчётов с помощью нейросети. Это позволит получить конкретный набор правил и требований, которые ваш будущий ассистент сможет использовать для проверки отчётов.
👉 Создайте GPTs-ассистента – это как чат GPT, но с заранее настроенными условиями обработки информации. Загрузите в него полученные инструкции, чтобы он мог оценивать документы по вашим критериям. Такой ассистент сможет автоматически обрабатывать и проверять отчёты на соответствие вашим требованиям.
👉 Предоставьте сотрудникам доступ к GPTs-ассистенту, объясните, как им пользоваться, и внедрите его в рабочий процесс, чтобы оптимизировать проверку отчётов и сократить количество ошибок.
Этот подход не только поможет вам внедрить технологии в свою работу, но и даст возможность быстрее и эффективнее обрабатывать информацию. Конечно, для корпоративного использования лучше адаптировать LLM с учётом безопасности, ролей и внутрикорпоративного интерфейса, но это отличный первый шаг к вашей цифровизации." А для тех кто хочет оценить себя как руководителя, мы разработали специальный AI инстумент для оценки. Нажмите «Начать» и получите оценку своих компетенций.👇
У каждого руководителя регулярно возникает потребность просматривать отчёты сотрудников и указывать на ошибки, которые могут повторяться из раза в раз. Это отнимает много времени и сил.
🤯Проблемы:
👉 Ошибки. Подчинённые допускают ошибки и регулярно отправляют документы, не проверив их — в итоге вам приходится тратить время на их исправление.
👉 Объем. Сотрудники присылают огромные, 100-страничные Excel-файлы, которые требуют длительного анализа и поиска необходимых данных, вместо того чтобы выделить ключевую информацию или предоставить основные выводы.
👉 Разные метрики. Недостаток единообразия в показателях и метриках: часто разные сотрудники используют разные показатели для одной и той же темы отчёта, что затрудняет сравнение данных и требует дополнительной проверки.
Для себя мы решили эту проблему с помощью чат-бота с LLM, который проверяет и анализирует отчёты. Бот автоматически проверяет документы на соответствие вашим требованиям (правильность данных, отсутствие ошибок, корректность сумм) и возвращает их сотруднику на доработку, если что-то не так. Также он создаёт краткое саммари по ключевым критериям, что позволяет сосредоточиться на главных выводах и сэкономить время.
Но каждый руководитель может попробовать сделать следующее, чтобы прикоснуться к инструменту (на основе доступных решений):
👉 Составьте перечень отчётов, которые регулярно поступают к вам на проверку.
👉 Определите практические критерии проверки, которые часто становятся источниками ошибок: корректность расчётов (например, соответствие сумм этапов общей сумме), отсутствие дублирующих данных, актуальность информации (соответствие данных текущему периоду), наличие всех необходимых разделов и показателей, соблюдение единого формата оформления (шрифты, заголовки, структуры таблиц), отсутствие грамматических и стилистических ошибок.
👉 Загрузите первый и второй пункт в GPT и попросите создать чёткую инструкцию для проверки отчётов с помощью нейросети. Это позволит получить конкретный набор правил и требований, которые ваш будущий ассистент сможет использовать для проверки отчётов.
👉 Создайте GPTs-ассистента – это как чат GPT, но с заранее настроенными условиями обработки информации. Загрузите в него полученные инструкции, чтобы он мог оценивать документы по вашим критериям. Такой ассистент сможет автоматически обрабатывать и проверять отчёты на соответствие вашим требованиям.
👉 Предоставьте сотрудникам доступ к GPTs-ассистенту, объясните, как им пользоваться, и внедрите его в рабочий процесс, чтобы оптимизировать проверку отчётов и сократить количество ошибок.
Этот подход не только поможет вам внедрить технологии в свою работу, но и даст возможность быстрее и эффективнее обрабатывать информацию. Конечно, для корпоративного использования лучше адаптировать LLM с учётом безопасности, ролей и внутрикорпоративного интерфейса, но это отличный первый шаг к вашей цифровизации." А для тех кто хочет оценить себя как руководителя, мы разработали специальный AI инстумент для оценки. Нажмите «Начать» и получите оценку своих компетенций.👇
6
Media is too big
VIEW IN TELEGRAM
Негатив в команде
👉Одной из скрытых причин, по которой сотрудники увольняются, может быть негатив в коллективе. Но как HR вовремя выявить такую проблему, если она не всегда очевидна? В больших командах сложно заметить первые признаки, и здесь на помощь приходят современные технологии.
👉Представьте инструмент, который автоматически анализирует коммуникации внутри команды и выявляет потенциальные конфликты. Именно таким решением является нейросетевой бот, о котором я рассказывал в видео — его можно создать на основе доступных решений.
👉Например, в одном из чатов сотрудники поздравляют друг друга с днём рождения — на первый взгляд, всё нормально. Однако, проанализировав предыдущие сообщения, простой бот может выявить, что между двумя коллегами зреет конфликт. Такие ситуации часто проходят незамеченными и могут привести к уходу ценных сотрудников, если их вовремя не решить.
👉Бот анализирует переписку и, при выявлении признаков негатива или напряжённости, отправляет HR уведомление с кратким описанием ситуации. Это позволяет HR вмешаться вовремя и устранить проблему до её обострения.
Конечно, важно соблюдать правовые нормы, например, получить согласие сотрудников на мониторинг.
✅️ Полезную методику анализа негатива я приложил к этому посту.
Подписывайтесь на канал, чтобы узнавать больше о подобных решениях!
👉Одной из скрытых причин, по которой сотрудники увольняются, может быть негатив в коллективе. Но как HR вовремя выявить такую проблему, если она не всегда очевидна? В больших командах сложно заметить первые признаки, и здесь на помощь приходят современные технологии.
👉Представьте инструмент, который автоматически анализирует коммуникации внутри команды и выявляет потенциальные конфликты. Именно таким решением является нейросетевой бот, о котором я рассказывал в видео — его можно создать на основе доступных решений.
👉Например, в одном из чатов сотрудники поздравляют друг друга с днём рождения — на первый взгляд, всё нормально. Однако, проанализировав предыдущие сообщения, простой бот может выявить, что между двумя коллегами зреет конфликт. Такие ситуации часто проходят незамеченными и могут привести к уходу ценных сотрудников, если их вовремя не решить.
👉Бот анализирует переписку и, при выявлении признаков негатива или напряжённости, отправляет HR уведомление с кратким описанием ситуации. Это позволяет HR вмешаться вовремя и устранить проблему до её обострения.
Конечно, важно соблюдать правовые нормы, например, получить согласие сотрудников на мониторинг.
Подписывайтесь на канал, чтобы узнавать больше о подобных решениях!
Please open Telegram to view this post
VIEW IN TELEGRAM
54
Массовый подбор
Массовый подбор персонала — тема нового выпуска подкаста «ЭЙ, HR!». В гостях эксперты, которые делятся лучшими практиками и стратегиями массового рекрутинга:
✅️ Дарья Башкатова — Руководитель отдела по массовому подбору персонала, МегаФон
✅️ Дарья Дегтярева — Создатель Школы массового подбора
✅️ Зинаида Чумакова — Директор по персоналу, строительная компания NOVAMETRIX
В этом эпизоде разбираем:
👉 Построение системы массового подбора для достижения стабильных результатов
👉 Как стратегия и работа с заказчиком помогают оптимизировать процесс
👉 Проведение аудита и планирование численности команды с учетом бизнес-целей
👉 Ключевые метрики, стоимость и скорость закрытия вакансий
👉 Использование автоматизации: чат-боты, голосовые роботы и ATS-системы
👉 Источники привлечения кандидатов, в том числе Авито для массовых позиций
👉 Как синергия воронки подбора и правильное управление бюджетом повышают эффективность
👉 Важность укомплектованности команды и роль руководителей в подборе
👉 Проблемы на этапе собеседования и пути улучшения конверсии кандидатов
👉 Советы начинающим рекрутерам и секреты успешного массового подбора
Посмотреть выпуск можно по ссылкам:
⭐️Смотреть в ВК
⭐️Смотреть на YouTube
И это ещё не всё!
У нас есть специальное заряженное видео от Дарьи Дегтяревой, которое выведет ваш подбор на новый уровень, достаточно прислонить его к рекрутерам, добавил под постом👇
Массовый подбор персонала — тема нового выпуска подкаста «ЭЙ, HR!». В гостях эксперты, которые делятся лучшими практиками и стратегиями массового рекрутинга:
В этом эпизоде разбираем:
👉 Построение системы массового подбора для достижения стабильных результатов
👉 Как стратегия и работа с заказчиком помогают оптимизировать процесс
👉 Проведение аудита и планирование численности команды с учетом бизнес-целей
👉 Ключевые метрики, стоимость и скорость закрытия вакансий
👉 Использование автоматизации: чат-боты, голосовые роботы и ATS-системы
👉 Источники привлечения кандидатов, в том числе Авито для массовых позиций
👉 Как синергия воронки подбора и правильное управление бюджетом повышают эффективность
👉 Важность укомплектованности команды и роль руководителей в подборе
👉 Проблемы на этапе собеседования и пути улучшения конверсии кандидатов
👉 Советы начинающим рекрутерам и секреты успешного массового подбора
Посмотреть выпуск можно по ссылкам:
⭐️Смотреть в ВК
⭐️Смотреть на YouTube
И это ещё не всё!
У нас есть специальное заряженное видео от Дарьи Дегтяревой, которое выведет ваш подбор на новый уровень, достаточно прислонить его к рекрутерам, добавил под постом👇
Please open Telegram to view this post
VIEW IN TELEGRAM
57
Media is too big
VIEW IN TELEGRAM
Островок надежды
После подкаста по массовый подбор, где коллеги обсуждали, что основным источником найма линейного персонала остаются джобборды, я задумался о том, как можно найти баланс между цифровыми и офлайн-каналами привлечения.
😀Первое, что пришло в голову, — может, привлечь таксистов? Они ведь могут рассказывать не только о своем бизнесе, но и о карьерных возможностях! ))
Но если говорить серьезно, смотрел что в США используют рекрутинговые «островки» в торговых центрах.
⭐️Вот пример компании👉 https://www.expresspros.com
👉Эти точки работают как мини-агентства и помогают охватить ту часть кандидатов, которую трудно привлечь через цифровые каналы.
👉Соискателям на месте предлагают помощь в создании резюме, профессиональной фотосессии, записи короткой видео-презентации и подборе вакансий.
👉Такой формат привлекает до 30% кандидатов, которые не присутствуют на джоббордах, и особенно эффективен в условиях дефицита кадров.
Для российского рынка 2024-2025 года, где спрос на массовый и неквалифицированный персонал вырос на 15%, такой подход мог бы закрыть часть потребности в кадрах.
Пока такие «островки» не используются у нас компаниями, и возникает вопрос — интересно почему? BTL - как инструмент рекрутмента видел, а островки еще нет🥸
После подкаста по массовый подбор, где коллеги обсуждали, что основным источником найма линейного персонала остаются джобборды, я задумался о том, как можно найти баланс между цифровыми и офлайн-каналами привлечения.
😀Первое, что пришло в голову, — может, привлечь таксистов? Они ведь могут рассказывать не только о своем бизнесе, но и о карьерных возможностях! ))
Но если говорить серьезно, смотрел что в США используют рекрутинговые «островки» в торговых центрах.
⭐️Вот пример компании
👉Эти точки работают как мини-агентства и помогают охватить ту часть кандидатов, которую трудно привлечь через цифровые каналы.
👉Соискателям на месте предлагают помощь в создании резюме, профессиональной фотосессии, записи короткой видео-презентации и подборе вакансий.
👉Такой формат привлекает до 30% кандидатов, которые не присутствуют на джоббордах, и особенно эффективен в условиях дефицита кадров.
Для российского рынка 2024-2025 года, где спрос на массовый и неквалифицированный персонал вырос на 15%, такой подход мог бы закрыть часть потребности в кадрах.
Пока такие «островки» не используются у нас компаниями, и возникает вопрос — интересно почему? BTL - как инструмент рекрутмента видел, а островки еще нет🥸
Please open Telegram to view this post
VIEW IN TELEGRAM
21
Средняя зарплата в России: влияние НДФЛ, инфляция и дефицит на рынке труда — тема нового подкаста «ЭЙ, HR!».
Вместе с экспертами Towers Consulting обсуждаем самые актуальные вопросы рынка труда:
✅️ Маргарита Локтанова — управляющий партнер Towers Consulting
✅️ Ирина Санева — руководитель практики по исследованиям рынка труда Towers Consulting
📌 Что обсудили:
👉 Какие профессии показали рост зарплат в 2024 году, а где они снизились?
👉 Как технологии помогают компаниям анализировать данные по зарплатам?
👉 Реальное влияние инфляции на зарплаты — отличается ли она от данных ЦБ?
👉 Как бизнес готовится к пересмотру зарплат на 2025 год?
👉 Как повышение НДФЛ для высокооплачиваемых сотрудников повлияет на рынок труда?
👉 Что делать компаниям, чтобы удерживать сотрудников в условиях дефицита кадров?
👉 Почему ошибки в зарплатной политике дорого обходятся бизнесу и как их избежать?
👉 Перспективы профессий и переквалификация: что ждет рынок труда?
📢 Послушать и посмотреть выпуск можно по ссылкам:
⭐️ Смотреть в ВК
⭐️ Смотреть на YouTube
Не забывайте подписываться на канал ЭЙ, HR! 👉 Подписаться
👇Небольшой кусочек про то кто больше зарабатывает мужчины или женщины
Вместе с экспертами Towers Consulting обсуждаем самые актуальные вопросы рынка труда:
✅️ Маргарита Локтанова — управляющий партнер Towers Consulting
✅️ Ирина Санева — руководитель практики по исследованиям рынка труда Towers Consulting
📌 Что обсудили:
👉 Какие профессии показали рост зарплат в 2024 году, а где они снизились?
👉 Как технологии помогают компаниям анализировать данные по зарплатам?
👉 Реальное влияние инфляции на зарплаты — отличается ли она от данных ЦБ?
👉 Как бизнес готовится к пересмотру зарплат на 2025 год?
👉 Как повышение НДФЛ для высокооплачиваемых сотрудников повлияет на рынок труда?
👉 Что делать компаниям, чтобы удерживать сотрудников в условиях дефицита кадров?
👉 Почему ошибки в зарплатной политике дорого обходятся бизнесу и как их избежать?
👉 Перспективы профессий и переквалификация: что ждет рынок труда?
📢 Послушать и посмотреть выпуск можно по ссылкам:
⭐️ Смотреть в ВК
⭐️ Смотреть на YouTube
Не забывайте подписываться на канал ЭЙ, HR! 👉 Подписаться
👇Небольшой кусочек про то кто больше зарабатывает мужчины или женщины
5
Реферальные программы: почему они не работают и как это исправить
Автоматизация HR — моя основная работа, что-то давно про неё не писал. За последний год мы с командой запустили несколько реферальных программ для HR, они же «Приведи друга». Казалось бы, простая механика: сотрудники рекомендуют кандидатов, HR отслеживает процесс, бизнес получает закрытые вакансии быстрее и дешевле. Но на практике рефералки часто буксуют.
Если программа не даёт результатов, почти всегда причина в одном из трёх сценариев:
1️⃣ Сложно и непонятно — сотрудники не понимают, как участвовать, кандидаты не знают, что делать дальше.
2️⃣ Не мотивирует — бонус неинтересный или про него вообще никто не знает.
3️⃣ Ручной хаос — HR не успевает обрабатывать заявки, кандидаты теряются, метрики не отслеживаются.
Чтобы быстро находить слабые места, я составил для себя чек-лист. Делюсь — может, пригодится.
Чек-лист: почему реферальная программа может не работать
👉Простая механика — сотрудник понимает условия за 1 минуту.
👉 Гибкая система бонусов — выбор между деньгами, выходными, плюшками.
👉 Награды для всех — бонус получает не только рекомендатель, но и кандидат.
👉 Быстрая подача заявки — не больше 2 минут (чат-бот, портал).
👉 Автоматизация процесса — HRM + push-уведомления о статусах.
👉 Продвижение внутри компании — email, внутренние каналы, акции.
👉 Аналитика в работе — QoR, RPR, retention rate.
В файле — разбор типичных ошибок и как их исправлять.
Если у вас есть кейсы, когда рефералка внезапно взлетела или наоборот не сработала, делитесь — интересно обсудить! 🚀
Автоматизация HR — моя основная работа, что-то давно про неё не писал. За последний год мы с командой запустили несколько реферальных программ для HR, они же «Приведи друга». Казалось бы, простая механика: сотрудники рекомендуют кандидатов, HR отслеживает процесс, бизнес получает закрытые вакансии быстрее и дешевле. Но на практике рефералки часто буксуют.
Если программа не даёт результатов, почти всегда причина в одном из трёх сценариев:
1️⃣ Сложно и непонятно — сотрудники не понимают, как участвовать, кандидаты не знают, что делать дальше.
2️⃣ Не мотивирует — бонус неинтересный или про него вообще никто не знает.
3️⃣ Ручной хаос — HR не успевает обрабатывать заявки, кандидаты теряются, метрики не отслеживаются.
Чтобы быстро находить слабые места, я составил для себя чек-лист. Делюсь — может, пригодится.
Чек-лист: почему реферальная программа может не работать
👉Простая механика — сотрудник понимает условия за 1 минуту.
👉 Гибкая система бонусов — выбор между деньгами, выходными, плюшками.
👉 Награды для всех — бонус получает не только рекомендатель, но и кандидат.
👉 Быстрая подача заявки — не больше 2 минут (чат-бот, портал).
👉 Автоматизация процесса — HRM + push-уведомления о статусах.
👉 Продвижение внутри компании — email, внутренние каналы, акции.
👉 Аналитика в работе — QoR, RPR, retention rate.
В файле — разбор типичных ошибок и как их исправлять.
Если у вас есть кейсы, когда рефералка внезапно взлетела или наоборот не сработала, делитесь — интересно обсудить! 🚀
Градации воротничков: почему внутри одной категории люди хотят разной мотивации?
Раньше всё было просто (по классике):
👉 Белые воротнички — офисные специалисты.
👉 Синие воротнички — рабочие специальности.
Но в последние годы появилось много новых неклассических категорий:
🔸 Золотые воротнички — эксклюзивные топы
🔸 Полосатые воротнички — заключенные
🔸 Зелёные воротнички, серые, стальные, розовые.
А самое интересное — внутри самих этих категорий тоже появились разные градации.
Пример: синие воротнички — почему они не одинаковые?
Если посмотреть на классические синие воротнички, кажется, что у них одинаковые запросы:
👉 Стабильность
👉 Прозрачные зарплаты
👉 Понятные рабочие условия
Но на практике внутри этой группы есть минимум два разных типа, и их нельзя мотивировать одинаково.
👉 Синие синтетические воротнички
Это рабочие, которые выполняют типовые задачи, легко заменяемы и не требуют высокой квалификации.
Примеры:
👉 Линия сборки на заводе.
👉 Грузчики, кладовщики.
👉 Операторы простого оборудования.
Как их мотивировать?
✅ Простая система бонусов: сделано больше — получено больше.
✅ Стабильность: понятный график, чёткая оплата без задержек.
✅ Минимум сложностей: чем проще правила работы, тем лучше.
🚨 Что не работает?
❌ Персонализированные мотивационные схемы.
❌ Обучение и развитие без чёткой пользы («зачем мне эти курсы?»).
2️⃣ Синие бархатные
Это элита рабочих профессий. Они тоже выполняют физический труд, но требуют уникальных навыков и не могут быть просто заменены другим человеком.
Примеры:
👉 Специалисты по редким видам сварки.
👉 Авиационные и судостроительные механики.
👉 Ювелиры, реставраторы, столяры высокого уровня.
Как их мотивировать?
✅ Индивидуальный подход: стандартные схемы для них не работают.
✅ Уникальные условия: доступ к эксклюзивному оборудованию, лучшие заказы.
✅ Признание статуса: награды, участие в отраслевых конкурсах.
✅ Развитие и обучение: мастер-классы, стажировки, повышение уровня.
🚨 Что не работает?
❌ Отношение как к рядовому персоналу («ты же просто рабочий»).
❌ Жёсткие правила без учёта их профессионального статуса.
Почему это важно?
Если управлять синими синтетическими, как синими бархатными, они не поймут сложных схем мотивации и потеряют интерес.
Если синим бархатным предложить «стабильность и понятный график», они просто уйдут туда, где их навыки действительно ценят.
⭐️Важно! Все читатели моего канала настоящая элита, золотые воротнички!
Но вот ваш коллега… как бы так сказать… иногда делает странные вещи. Хотите понять, какой у него воротничок под свитером? Небольшой тест от нейросети👇
Раньше всё было просто (по классике):
👉 Белые воротнички — офисные специалисты.
👉 Синие воротнички — рабочие специальности.
Но в последние годы появилось много новых неклассических категорий:
🔸 Золотые воротнички — эксклюзивные топы
🔸 Полосатые воротнички — заключенные
🔸 Зелёные воротнички, серые, стальные, розовые.
А самое интересное — внутри самих этих категорий тоже появились разные градации.
Пример: синие воротнички — почему они не одинаковые?
Если посмотреть на классические синие воротнички, кажется, что у них одинаковые запросы:
👉 Стабильность
👉 Прозрачные зарплаты
👉 Понятные рабочие условия
Но на практике внутри этой группы есть минимум два разных типа, и их нельзя мотивировать одинаково.
👉 Синие синтетические воротнички
Это рабочие, которые выполняют типовые задачи, легко заменяемы и не требуют высокой квалификации.
Примеры:
👉 Линия сборки на заводе.
👉 Грузчики, кладовщики.
👉 Операторы простого оборудования.
Как их мотивировать?
✅ Простая система бонусов: сделано больше — получено больше.
✅ Стабильность: понятный график, чёткая оплата без задержек.
✅ Минимум сложностей: чем проще правила работы, тем лучше.
🚨 Что не работает?
❌ Персонализированные мотивационные схемы.
❌ Обучение и развитие без чёткой пользы («зачем мне эти курсы?»).
2️⃣ Синие бархатные
Это элита рабочих профессий. Они тоже выполняют физический труд, но требуют уникальных навыков и не могут быть просто заменены другим человеком.
Примеры:
👉 Специалисты по редким видам сварки.
👉 Авиационные и судостроительные механики.
👉 Ювелиры, реставраторы, столяры высокого уровня.
Как их мотивировать?
✅ Индивидуальный подход: стандартные схемы для них не работают.
✅ Уникальные условия: доступ к эксклюзивному оборудованию, лучшие заказы.
✅ Признание статуса: награды, участие в отраслевых конкурсах.
✅ Развитие и обучение: мастер-классы, стажировки, повышение уровня.
🚨 Что не работает?
❌ Отношение как к рядовому персоналу («ты же просто рабочий»).
❌ Жёсткие правила без учёта их профессионального статуса.
Почему это важно?
Если управлять синими синтетическими, как синими бархатными, они не поймут сложных схем мотивации и потеряют интерес.
Если синим бархатным предложить «стабильность и понятный график», они просто уйдут туда, где их навыки действительно ценят.
⭐️Важно! Все читатели моего канала настоящая элита, золотые воротнички!
Но вот ваш коллега… как бы так сказать… иногда делает странные вещи. Хотите понять, какой у него воротничок под свитером? Небольшой тест от нейросети👇
Media is too big
VIEW IN TELEGRAM
Фидбек-сэндвич или многослойная обратная связь: как давать обратную связь так, чтобы её не просто слышали, но и принимали?
2025 год, рынок труда – штука непредсказуемая. Удержать сотрудников становится сложнее, особенно когда деньги уже не единственный фактор, влияющий на решения.
Сейчас есть три основных инструмента, которые реально работают:
⭐️ Деньги – оклад, премии, опционы. Но если два предложения примерно одинаковые, выбор делают не по зарплате.
⭐️ Льготы и бенефиты – ДМС, гибкость, удалёнка, корпоративные программы. Это создаёт ощущение комфорта, но не удерживает само по себе.
⭐️ Культура – и вот тут начинается самое сложное. Люди остаются там, где с ними разговаривают нормально, где дают понятную обратную связь, где понятно, куда расти и чего от тебя ждут.
Об этом мы недавно говорили с Вячеславом Шаховым, управляющим партнером консалтинговой компании CooperFitch ОАЭ (подкаст уже скоро выйдет). В том числе обсуждали, как давать фидбек так, чтобы он реально работал.
Фидбек-сэндвич: почему он помогает?
Большая проблема – когда обратная связь звучит либо слишком мягко («Ты молодец, но...»), либо слишком жёстко («Опять всё не так»).
Оба варианта не работают:
👉 В первом случае человек не понимает, что именно надо изменить.
👉 Во втором – демотивируется, обижается и дальше работает на автопилоте.
Есть простой формат, который помогает говорить честно, но без разрушения мотивации – фидбек-сэндвич.
Как это работает для Data Scientist (очистка и подготовка данных)
👉Начинаем с сильных сторон
«Ты хорошо выстраиваешь пайплайны подготовки данных и учитываешь специфику задачи. В последнем проекте правильно обработал временные ряды и избавился от мультиколлинеарности, что заметно улучшило качество модели.»
👉Говорим, что надо улучшить
«Но в последних данных после merge появились дубликаты, из-за чего тренировочная выборка оказалась разбалансированной. Также при заполнении пропущенных значений категориальных фич использовался fillna(‘unknown’), но без проверки на влияние на модель — это могло добавить шум.»
👉Закрепляем поддержкой и предложением решения
«Ты уже показывал хороший подход к очистке данных. Давай посмотрим на аномалии перед merge и попробуем добавить кросс-валидацию с разными стратегиями обработки пропусков, чтобы проверить влияние на метрики?»
Фокус в том, что человек получает чёткий сигнал, но не воспринимает его как атаку.
Как это внедрить в работу?
👉 Сформировать культуру обратной связи – это не оценка человека, а возможность ему развиваться.
👉 Научить руководителей давать корректный фидбек – разработчики, дизайнеры, аналитики часто не любят абстрактные слова. Надо чётко: что хорошо, что исправить, как исправить.
👉 Применять в любом рабочем общении – даже в чатах и письмах. Если вы пишете кому-то про ошибку – добавьте поддержку и конкретное предложение.
Автоматизируем: фидбек-сэндвич через нейросеть
Я приложил документ с промтом, который автоматически превращает ваш фидбек в многослойную обратную связь.
📌 Просто вбейте, что хотите сказать сотруднику – нейросеть подскажет, как сформулировать так, чтобы он не закрылся и понял, что делать.
2025 год, рынок труда – штука непредсказуемая. Удержать сотрудников становится сложнее, особенно когда деньги уже не единственный фактор, влияющий на решения.
Сейчас есть три основных инструмента, которые реально работают:
⭐️ Деньги – оклад, премии, опционы. Но если два предложения примерно одинаковые, выбор делают не по зарплате.
⭐️ Льготы и бенефиты – ДМС, гибкость, удалёнка, корпоративные программы. Это создаёт ощущение комфорта, но не удерживает само по себе.
⭐️ Культура – и вот тут начинается самое сложное. Люди остаются там, где с ними разговаривают нормально, где дают понятную обратную связь, где понятно, куда расти и чего от тебя ждут.
Об этом мы недавно говорили с Вячеславом Шаховым, управляющим партнером консалтинговой компании CooperFitch ОАЭ (подкаст уже скоро выйдет). В том числе обсуждали, как давать фидбек так, чтобы он реально работал.
Фидбек-сэндвич: почему он помогает?
Большая проблема – когда обратная связь звучит либо слишком мягко («Ты молодец, но...»), либо слишком жёстко («Опять всё не так»).
Оба варианта не работают:
👉 В первом случае человек не понимает, что именно надо изменить.
👉 Во втором – демотивируется, обижается и дальше работает на автопилоте.
Есть простой формат, который помогает говорить честно, но без разрушения мотивации – фидбек-сэндвич.
Как это работает для Data Scientist (очистка и подготовка данных)
👉Начинаем с сильных сторон
«Ты хорошо выстраиваешь пайплайны подготовки данных и учитываешь специфику задачи. В последнем проекте правильно обработал временные ряды и избавился от мультиколлинеарности, что заметно улучшило качество модели.»
👉Говорим, что надо улучшить
«Но в последних данных после merge появились дубликаты, из-за чего тренировочная выборка оказалась разбалансированной. Также при заполнении пропущенных значений категориальных фич использовался fillna(‘unknown’), но без проверки на влияние на модель — это могло добавить шум.»
👉Закрепляем поддержкой и предложением решения
«Ты уже показывал хороший подход к очистке данных. Давай посмотрим на аномалии перед merge и попробуем добавить кросс-валидацию с разными стратегиями обработки пропусков, чтобы проверить влияние на метрики?»
Фокус в том, что человек получает чёткий сигнал, но не воспринимает его как атаку.
Как это внедрить в работу?
👉 Сформировать культуру обратной связи – это не оценка человека, а возможность ему развиваться.
👉 Научить руководителей давать корректный фидбек – разработчики, дизайнеры, аналитики часто не любят абстрактные слова. Надо чётко: что хорошо, что исправить, как исправить.
👉 Применять в любом рабочем общении – даже в чатах и письмах. Если вы пишете кому-то про ошибку – добавьте поддержку и конкретное предложение.
Автоматизируем: фидбек-сэндвич через нейросеть
Я приложил документ с промтом, который автоматически превращает ваш фидбек в многослойную обратную связь.
📌 Просто вбейте, что хотите сказать сотруднику – нейросеть подскажет, как сформулировать так, чтобы он не закрылся и понял, что делать.
1