本文出自

大數據辦不到的精準招募

大數據辦不到的精準招募

2019年6月號

資料科學無法分析一切》演算法還不能擔當招募大任

Data Science Can't Fix Hiring (Yet)
彼得.卡裴利 Peter Cappelli
瀏覽人數:1052
  • "資料科學無法分析一切》演算法還不能擔當招募大任"

  • 字放大
  • 多人授課購買
    購買〈資料科學無法分析一切》演算法還不能擔當招募大任〉文章
  • 個人收藏購買
    購買〈資料科學無法分析一切》演算法還不能擔當招募大任〉PDF檔
    下載點數 10
招募方面的最新發展看來既有前景,也令人擔憂。

徵才主管迫切需要新的工具,因為現有的工具(非結構化的面談、性格測驗、個人推薦等),都不太有效。目前在招募方面的最新發展,是資料科學的興起,這種做法由演算法驅動,以找出及評估求職者。這種趨勢看來既有前景,也令人擔憂。根據我的統計,目前有上百家供應商正在開發及銷售這些工具給公司。遺憾的是,資料科學在招募人才方面仍處於初步階段,還不是雇主想要的萬靈丹。

供應商承諾,這些新工具將會協助減少社會偏見對人才招募的影響。這些演算法確實可以找出以前因缺乏某種學歷或社會背景,而遭淘汰的優秀求職者。但這些工具也有可能找到並促成使用一些會引起麻煩(或應該會帶來麻煩)的預測變數。

資料科學家的挑戰

根據過去的資料,預測力很有限

大多數資料科學家似乎不太了解就業環境,因此他們的工具往往用了比不用還糟。例如,很多資料科學家只根據職場上「績效最佳員工」的屬性來打造模型,接著就用這個模型來尋找有相同屬性的求職者,而這麼做的資料科學家所占百分比高得驚人。他們使用容易衡量的屬性,例如臉部表情、用字遣詞、社群媒體上的留言等等。但他們沒有仔細檢視高績效員工和績效不佳員工在這些屬性上的真正差異,因而限制了這些工具的效用。此外,從社群媒體或求職者造訪過的網站收集資料,也引發了有關隱私的重要問題。那些資訊確實可以用合法方式取得,但是,留下那些文字的人並未打算、也未授權那些文字做那樣的運用。此外,你在大學期間發布的內容,數十年後變成影響你的招募演算法的因素,這樣公平嗎?

機器學習法的另一個問題是,演算法需要使用大量資料才能做出準確的預測,但很少雇主收集足夠大量的資料(招募人數、績效評估等等)可供演算法使用。雖然理論上供應商可以匯集許多雇主的資料,來克服這個障礙,但他們並不真的知道個別公司的情境是否非常特殊,以致根據許多公司的資料所做的預測並不適用某家公司。

另一個問題是,挑選求職者的所有分析方法都是看過往的資料,因為它們是根據已經發生的結果來分析。(演算法特別依賴過去的經驗,部分原因在於開發這種演算法需要大量的觀察資料,即使是大型雇主,也需要多年的工作績效資料。)正如亞馬遜發現的,過去可能和你追求的未來大不相同。亞馬遜發現,他們從2014年開始使用的招募演算法,給女性的分數較低,連一些與女性相關的屬性也給分較低(例如參加女性研究課程),因為該公司以前績效最好的員工大多是男性,所以演算法想找跟他們一樣的人。由於無法解決這個問題,亞馬遜於2017年停用那個演算法。儘管如此,許多公司仍繼續使用。

資料科學家面臨的根本挑戰在於,招募並不像預測滾珠軸承何時可能失靈那麼簡單(預測滾珠軸承失靈是任何預測法都可能做到的)。人才招募非常重要,所以它不僅受到法律的規範,也必須基於公平的基本概念。某個標準與良好工作績效有關,這只能作為招募時的必要條件,不能當成充分條件。

以資料科學家覺得有預測能力的一個變數為例:通勤距離。資料顯示,通勤時間愈長,員工的流失率愈高。然而,通勤距離是由你居住的地方所決定的,而這又涉及到房價、收入、種族等因素。根據居住地點來挑選員工,很可能對受到保障的群體(例如少數族裔)有不利的影響。

除非其他標準的預測力都不如目前使用的標準(這在機器學習演算法中很難判斷),否則公司使用有負面影響的招募標準時,就會違法。即使公司真的找不到更好的衡量標準,為了避免違法,他們必須證明,為什麼現在使用的標準可以預測出好績效。以通勤時間來說,也許公司可以證明它的預測效力,但至少在目前,使用臉部表情、社群媒體上的留言、或公司無法證明其重要性的其他指標,都有違法之虞。

使用演算法的最後一個缺點是,那是便宜行事的做法:只根據績效好的員工來打造演算法,而不檢視所有的員工;只使用容易收集的衡量標準;聽信供應商宣稱那個演算法在其他公司有效,而不看那個演算法用在自家員工上的成效。在這方面,不僅沒有白吃的午餐,甚至連便宜的午餐也應該完全避免。

(洪慧芳譯自“Data Science Can't Fix Hiring (Yet),” HBR, May-June 2019)



彼得.卡裴利 Peter Cappelli

華頓商學院(Wharon School)管理學講座教授,也是該校人力資源中心主任。他最近的著作是《大學教育值得投資嗎?》(Will College Pay Off? A Guide to the Most Important Financial Decision You'll Ever Make)。


本篇文章主題技術