автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.10, диссертация на тему:Информационная технология принятия управленческих решений при подборе разработчиков программного обеспечения
Автореферат диссертации по теме "Информационная технология принятия управленческих решений при подборе разработчиков программного обеспечения"
БЕЙЛЬХАНОВ ДАМ ИР КАЙРЖАНОВИЧ
ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ ПРИ ПОДБОРЕ РАЗРАБОТЧИКОВ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
Специальность: 05.13.10 - Управление в социальных и экономических
системах
АВТОРЕФЕРАТ
диссертации на соискание ученой степени кандидата технических наук
Астрахань-2015
1 о ш 2015
005570026
Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Астраханский государственный технический университет»
Научный руководитель:
Официальные оппоненты:
доктор технических наук, профессор Квятковская Ирина Юрьевна.
Дворянкин Александр Михайлович
доктор технических наук, профессор, ФГБОУ ВПО «Волгоградский государственный технический
университет», профессор кафедры «Программное обеспечение
автоматизированных систем»
Шикульская Ольга Михайловна
доктор технических наук, профессор, ГАОУ АО ВПО «Астраханский инженерно-строительный институт», главный научный сотрудник
Ведущая организация:
ФГБОУ ВПО «Пензенский государственный технологический университет»
Защита состоится 3 июля 2015 г. в 14:00 на заседании диссертационного совета Д 307.001.06 на базе Астраханского государственного технического университета по адресу: 414056, г. Астрахань, ул. Татищева 16, ауд. Г. 313.
Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью организации, просим направлять по адресу: 414056, г.Астрахань, ул. Татищева, 16, ученому секретарю диссертационного совета Д 307.001.06.
С диссертацией можно ознакомиться в библиотеке Астраханского государственного технического университета и на сайте http://astu.0rg/Pages/Sh0w/3 071.
Автореферат разослан «_» мая 2015 г.
Ученый секретарь диссертационного совета
А. А. Ханова
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность исследования. По данным опроса 100 ГГ-рекрутеров, проведенным рекрутинговым агентством GMS, оказалось, что рекрутеры тратят 30-40% рабочего времени на поиск IT-специалистов по всей России на различных профессиональных Интернет-ресурсах, наиболее популярными среди которых по количеству пользователей и предпочтению рекрутеров, являются: HeadHunter, Stack Overflow, Linkedln, Habrahabr, GitHub.
Практика показывает, что рекрутерам довольно сложно оценить профессионализм кандидатов на этапе поиска. Технологические IT-компании предъявляют высокие требования к компетенциям кандидатов, в связи с чем затягиваются сроки поиска кандидатов, поскольку несоблюдение компетенций приводит к большому количеству отказов от потенциальных кандидатов, направленных работодателю от рекрутинговой компании, что отрицательно влияет на их репутацию и HR-бренд.
На сегодняшний день на рынке программного обеспечения отсутствуют информационные технологии для подбора специалистов с учетом особенностей найма в конкретную компанию в части анализа компетенций кандидатов (например, в соответствии с профессиональным стандартом «Программист» разработанным ассоциацией АП КИТ от 2013г.) и обязанностей. Большинство HR-систем основаны на поиске ключевых слов и фильтрации стандартных запросов к базам данных кадровых агентств, отсутствует возможность определения соответствия компетенций кандидата его обязанностям в компании.
Степень разработанности темы. Вопросами автоматизации процесса рекрутмента занимались многие ученые: в области разработки моделей электронного рекрутмента — Franz Nirschl, Manfred Fuchs, Jürgen Dorn; в области использования компетентностного подхода - И.А. Зимней, Э.Ф. Зеера,
B.Гутмахера, В.В. Краевского, A.B. Хуторского, В.А Богословского, Е.А. Караваева, М.Е. Бершадского и др. Работы JI.P. Фионовой, Д.И. Прошина,
C.А. Маруева посвящены вопросам управления образованием на основе компетентностного подхода, И.В. Сибикиной и И.Ю. Квятковской - исследованию и разработке моделей, алгоритмов формирования и оценки компетенций выпускников; В.В. Лаптева и A.B. Морозова — оценке деятельности разработчиков объектно-ориентированного программного обеспечения; R. Xiao, Т. Chen, Z. Тао — информационного моделирования компетенций и реинжиниринга процесса разработки продукта.
Недостаточная проработанность вопросов применения информационных технологий в IT-рекрутменте в части использования данных баз знаний профессиональных сообществ, комплексной оценки компетенций кандидата и определения сходства обуславливают необходимость проведения исследований в данном направлении.
Объектом исследования является процесс подбора в IT-компанию специалистов в сфере разработки программного обеспечения.
Предмет исследования - модели, методики и алгоритмы, используемые в процессе 1Т-рекрутмента.
Целью диссертационной работы является повышение эффективности процесса поиска и принятия управленческих решений при подборе специалистов в сфере разработки программного обеспечения в IT-компанию на основе разработанных математического и информационно-программного обеспечения.
Для достижения поставленной цели требуется решение следующих задач:
1. Провести анализ процесса IT-рекрутмента, включая схемы подбора персонала, методы поиска, оценки компетенций, обработки и агрегации информации при подборе специалистов в сфере разработки программного обеспечения.
2. Разработать методику подбора специалистов в сфере разработки программного обеспечения согласно выбранным ограничениям, эмулирующую предпочтения лица, принимающего решение (ЛПР), в виде моделей кандидата и требований работодателя на основе разработанных процедур.
3. Разработать процедуру оценки компетенций кандидатов при подборе в компанию с использованием группировки обязанностей и кандидатов в соответствии с компетенциями на основе алгоритма кластеризации ROC (англ. «Rank Order Clustering»), процедуру подбора на основе оценки сходства кандидатов по множеству заданных характеристик работодателем.
4. Разработать информационную технологию поиска и обработки информации о кандидатах с учетом ограничений системы, на основе процессно-ориентированной интеграции системы с наиболее популярными среди IT-рекрутеров базами знаний: HeadHunter, Stack Overflow, Linkedln, GitHub, Habrahabr. Апробировать результаты работы с использованием разработанной информационно-аналитической системы (ИАС) в реально действующей 1Т-компании.
Научная новизна.
1. Создана методика подбора специалистов в сфере разработки программного обеспечения, разделяющая процесс обработки информации на три этапа: на первом выполняется поиск информации о кандидатах, полученной из неоднородных баз знаний профессиональных сообществ; на втором - структурирование и ранжирование полученной неоднородной информации о кандидате в его расширенный профиль; на третьем - выполняется оценка соответствия компетенций кандидата описанных в виде модели кандидата, а также оценка сходства характеристик кандидата в соответствии с моделью требований работодателя, что позволяет повысить эффективность подбора, а также сократить время поиска специалистов в работе рекрутинговых компаний.
2. Разработаны процедуры оценки компетенции и сходства характеристик специалистов по разработке программного обеспечения при подборе в IT-компанию, отличающиеся от известных использованием
алгоритма кластеризации ROC и средств корреляционного анализа, что позволило определить уровень соответствия компетенций кандидата заданной модели кандидата и подбирать специалистов, совместимых по множеству заданных характеристик.
3. На основе процессно-ориентированной интеграции баз знаний разработана информационная технология поиска и обработки информации о кандидатах, отличающаяся использованием данных из профессиональных сообществ для формирования расширенного профиля кандидата за счет формализации и учета качественных показателей при оценке компетенций, что позволило локализовать проблемы рутинного поиска кандидатов среди множества профилей специалистов на различных Интернет-ресурсах.
Теоретическая значимость работы. Разработаны теоретические положения относительно усовершенствования существующих методов и алгоритмов в оценке компетенций специалистов, а также поиске и обработке информации о кандидатах в базах знаний профессиональных сообществ.
Практическая значимость работы. Практическая значимость исследования заключается в применении разработанной информационной технологии с использованием ИАС в процессе IT-рекрутмента с целью повышения эффективности процесса подбора разработчиков программного обеспечения в работе рекрутинговых компаний, компаний занимающих фрилансом, а также стартапов.
Результаты диссертационной работы были реализованы в виде программного продукта, зарегистрированного в Федеральной службе по интеллектуальной собственности, а также разработанное программно-алгоритмическое обеспечение использовалось в задачах поиска и подбора кандидатов по направлению IT-аутсорсинга в кадровом центре при ООО «Центр обучения Пилот-Информ». Для повышения эффективности подбора специалистов в команды по разработке программного обеспечения для сферы турбизнеса было осуществлено внедрение в компанию ООО «Мегатек-Сервис».
Методы исследования. Для решения поставленных задач применялись методы теории выбора и принятия решений, линейной алгебры, теории множеств, теории алгоритмов, дискретной математики, комбинаторики и математического моделирования, проектирования ИС.
Основные положения и результаты, выносимые на защиту:
1. Методика подбора специалистов в сфере разработки программного обеспечения в 1Т-компанию.
2. Процедура оценки компетенции кандидатов на соответствие обязанностям описанных моделью кандидата с использованием алгоритма кластеризации ROC. Процедура оценки сходства кандидата по множеству характеристик описанных моделью требований работодателя.
3. Информационная технология поиска и обработки информации о кандидатах на основе процессно-ориентированной интеграции с базами зна-
ний, предоставляющая возможности формирования расширенного профиля кандидата для оценки его компетенции.
Достоверность и обоснованность диссертационного исследования определяется корректным применением методов исследования и подтверждается результатами внедрения, показавшими, что разработанные модели, методики подбора и процедуры оценки компетенций адекватны при подборе разработчиков программного обеспечения с учетом требований работодателя конкретной компании.
Апробация научных результатов. Основные результаты работы представлены и обсуждены на международных и всероссийских научно-практических конференциях: «Техника и технологии: пути инновационного развития» (Курск, 2014), «Поколение будущего: Взгляд молодых ученых» (Курск, 2012-2014), «Теоретические и методологические проблемы современных наук» (Новосибирск, 2014), XVIII - XXX Международных научно-практических конференций «Технические науки - от теории к практике» (Новосибирск, 2013, 2014), «Актуальные вопросы и инновационные процессы в науках современного общества» (Уфа, 2014), «Проблемы развития науки и образования: теория и практика» (Москва, 2013).
Публикации. По теме диссертации и результатам выполненных научных исследований в 2011-2014 гг. опубликованы 11 работ, отражающих основное содержание диссертационной работы, в том числе в 3 статьях научных журналов, рекомендуемых ВАК РФ. Получено свидетельство об официальной регистрации программы для ЭВМ № 2014614067.
Структура и объем работы. Диссертационная работа состоит из введения, четырех глав основного текста, заключения, списка литературы. Основной объем работы — 126 страниц машинописного текста, который включает 33 рисунка, 27 таблиц, список литературы, состоящий из 94 наименований публикаций отечественных и зарубежных авторов и 7 приложений.
СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность темы диссертационной работы, сформулированы цель и задачи исследования, методы решения, объект и предмет исследования, приведены основные результаты и научная новизна, описана теоретическая и практическая значимость полученных результатов, а также приведена структура диссертации.
Первая глава посвящена обзору и сравнительному анализу результатов исследований по применению моделей и методик процесса 1Т-рекрутмента и обработке информации при подборе персонала.
Выделены проблемы информатизации управления ИАС, связанные с отсутствием:
— единой площадки 1Т-специалистов;
— оценки компетенции специалиста;
— подбора на соответствие требованиям работодателя.
Согласно карьерной статистике компании НеасЩип1ег, которая ежедневно вычисляет ЬЬ. индекс, было определено, что в период 01.2012г. -01.2015г. - значение КЬ.индекса для 1Т-индустрии увеличилось с 1.5 до 2.09, это означает, что именно во столько раз, количество резюме стало преобладать над количеством вакансий. На рисунке 1 изображена динамика изменения количества резюме и вакансий за последние 3 года.
Резюме и вакансии во ООО
Рисунок 1 - Динамика изменения карьерной статистики в 1Т-индустрии
Выполнен анализ преимуществ и недостатков сложившихся информационных систем, установлены основные ограничения систем, выделены три основных показателя эффективности KPI (англ. «Key Performance Indicators»), используемые современными рекрутинговыми компаниями: время на подбор (англ. «time to fill»); качество подбора (англ. «quality of hire»); стоимость подбора (англ. «cost per hire»). Рассмотрены существующие типы моделей информационного поиска, типовая архитектура и концепции современных информационно-аналитических систем по поиску и подбору персонала, таких как, HeadHunter, Super Job, Мой круг.
Сформулирована постановка задачи диссертационного исследования, где при известных множества альтернатив pfj с заданными свойствами, множества альтернатив с требуемыми свойствами {Zip}, требуется выполнить поиск функции выбора Crh(X) из {Хг} и {Zip}, которая позволит на основе минимального расстояния Хемминга rXiizip частным случаем вычислить оценку близости между имеющимися альтернативами и определить уровень соответствия компетенции кандидата обязанностям.
Во второй главе разработана методика подбора специалистов в сфере разработки программного обеспечения. Весь процесс подбора разбивается на три последовательных этапа:
Этап 1. Поиск информации о кандидатах в базах знаний;
Этап 2. Структурирование и ранжирование неоднородной информации из разных баз знаний профессиональных сообществ в расширенный профиль кандидата;
Этап 3. Оценка и подбор кандидата.
— Шаг 1. Процедура оценки компетенций кандидата;
- Шаг 2. Процедура оценки сходства характеристик кандидата с требованиями работодателя.
Рассмотрим вначале последний этап, где выполняется оценка и подбор кандидата, и для которого формализованы описания моделей кандидата и требований работодателя, необходимые для соблюдения требований работодателя, представленные в виде соответствующих теоретико-множественных моделей.
Теоретико-множественная модель кандидата в процессе оценки компетенций кандидатов в соответствии с кластерами «обязанность-компетенции» и «кандидат-компетенции» имеет вид:
_ МС = {К, X, Т, ЯТК, ШХ, ИТХ], _
где К = {К^, t = 1,Т - множество компетенций, X = {X¡}, I = 1,п - множество кандидатов, Т = {Т|}, I = 1 ,Ь~ множество обязанностей в соответствии с компетенциями, КТК = {ИТК^} - множество связей между Тг и Ки ЯКХ = {ЯКХа} - множество связей между Кь и Хь ЯТХ = {ЯТХ1Л} -множество связей между Т1 и Х^.
На основе модели кандидата была разработана процедура оценки компетенций кандидатов для анализа их компетентности в Г-мерном пространстве в соответствии с заданными обязанностями на должность, использующая алгоритм 110С для группировки кластеров обязанностей и кандидатов:
1. Экспертным путем определить множества обязанностей {7^} и компетенций необходимых кандидату Х1 для выполнения заданных должностных инструкций.
2. Для каждой обязанности Г£ экспертным путем определить оценку требуемой компетенции Ки где 0< <1.
3. Для кандидата Х1 оценить уровень каждой необходимой компетенции К(; в ходе интервью с экспертом.
4. Сгенерировать матрицу ЯТХ соответствия «обязанности-кандидат» рассчитав показатель совместимости ЯТХц между обязанностью Тг и кандидатом Х1 с использованием расчета расстояния Хемминга:
--Е^Я тки ' (1)
где ЯТХц - показатель совместимости между обязанностью Т, и кандидатом Х{, интерпретирующий подтвержденный уровень компетенции, где ЯТХц £ [0; 1]; ИТК^ — уровень компетенции требуемый для выполнения обязанности Г(; ЯКХ1 х - уровень компетенции Ки присутствующей у кандидата^.
5. Выполнить кластеризацию кандидатов и обязанностей в полученной матрице RTX на основе алгоритма ROC в соответствии с обязанностями и компетенциями.
5.1. Вычислить вес каждой 1-й строки матрицы RTX:
Wl=Y?=1RTXli2n-i. (2)
Вес каждого /'-го столбца:
Wi = I.l1RTXll 2l-1. (3)
5.2. Отсортировать строки матрицы RTX в порядке убывания соответствующих весов.
5.3. Повторить предыдущие два шага для каждого /-го столбца.
5.4. Повторять шаги 5.1-5.3, пока позиция каждого элемента RTXt l в каждой строке и каждом столбцу не перестанет изменяться.
В результате удалось сопоставить компетенции кандидата в соответствии с обязанностями заданной должности.
Поскольку для совместной работы используется критерий надежности участников в партнере Reí, выраженный в виде бинарного отношения: Reí - {(a,b) I a, b е X, а «доверяет» Ь}, обладающее свойствами рефлексивности, симметричности и транзитивности: если Va, b,c &Х, aRelb A bRelc => aRelc, то кандидат а «доверяет» кандидату с. Для этого требуется определить связи между кандидатом и требованиями работодателя, которые могут быть сформированы в виде следующей теоретико-множественной модели требований:
__MT = {X,U,Z),
где X = {Х{}, i = 1, п - множество потенциальных кандидатов, U = {Uq}, q = 1, Q - заданный набор характеристик, Z = {Zipj, ip = 1,/Р - группы требований, представленные набором характеристик для сравнения кандидатов.
На основе данной модели требований была разработана процедура оценки сходства характеристик кандидата с требованиями работодателя, состоящая из шагов:
Шаг 1. Задать исходное множество кандидатов X. Установить множество характеристик U для сравнения меры сходства близости кандидатов Xt с множеством заданных групп требований Ztp. Задать число итераций counter = 0.
Шаг 2. Экспертным путем определить значения характеристик сравнения q G {0; 1} для группы требований: Zip = {qf,..., Qq). Если counter = 0, то задать число итераций counter = IP для формирования команды, состоящей из h членов и ¡P групп требований.
Шаг 3. Установить наличие характеристик для каждого кандидата и экспертным путем определить их значения Xt = (дг ...,qq), q 6 {0; 1}. При
необходимости каждый из характеристик q можно также разделить на несколько элементов: qnl,...,qnq.
Шаг 4. Для определения сходства характеристик каждого кандидата с группой требований (Xit Zip) вычислить коэффициент корреляции rXiiZ.p, используемый для анализа степени близости их связи.
rxt,zip I------(4)
J[<3 ■ zxt2 - CM2] • [Q ■ SV - (zzipy]
где Q - количество заданных характеристик
Шаг 5. Задать множество PIRip, в которое отобрать всех кандидатов, для которых выполняется условие, свидетельствующее о прямой связи с группой требований: rXiiZ. > 0.
Шаг 6. Проверить значимость коэффициента корреляции rx.Zlp на уровне ос с использованием /-критерия Стьюдента: t_rXijiv-jQ=2
Задать множество STip. Установить необходимый уровень значимости ос и проверить условие t > t1_oc Q_2, при выполнении которого добавить кандидата X,- в STip и вычислить разность множеств Xt\ STip — {q G Xi\q £ STip} для исключения уже подобранных кандидатов при сходстве с другими группами требований.
Шаг 7. На основе пятиуровневой классификации выполнить лингвистическую оценку меры сходства кандидатов с терм-множеством значений: «очень низкий» (ОН), «низкий» (Н), «средний» (С), «высокий» (В), «очень высокий» (ОВ). Определить понятие узловой точки - точки со 100% уверенностью экспертов, в которой уровень фактора располагается однозначно, далее получить координаты всех пяти узловых точек с использованием коэффициентов Стьюдента. Поделить каждый отрезок [х(1л:г+1] на три зоны, составляющие пропорцию 1:и:1, где параметр и > 0 выражает глубину неуверенности экспертов: зону абсолютной уверенности, зону пониженной уверенности, зону абсолютной неуверенности. Определить, что 0 - означает отсутствие принадлежности к множеству, 1 - полную принадлежность.
Шаг 8. Задать counter = counter - 1. Если counter > 0, то ip = ip + 1 и перейти к шагу 2, в противном случае, перейти к шагу 9.
Шаг 9. На основе анализа уровня меры сходства сформировать множество TT(h), где требуется выбрать из каждой сформированной группы требований STip h кандидатов.
Согласованность экспертов на определенных шагах в вышеуказанных процедурах определяется с помощью коэффициента конкордации Кенделла.
В третьей главе рассматриваются этапы поиска и структурирования информации о кандидатах с использованием процессно-ориентированной интеграции ИАС с такими базами знаний, как: HeadHunter, Stack Overflow, Linkedln, GitHub, Habrahabr. На рисунке 2 приведено описание структурно-функциональной модели поиска кандидатов в ИАС.
Процесс поиска осуществляется в одном из двух режимов: полном или частном. В полном режиме каждая заявленная компетенция из баз знаний должна присутствовать у кандидата.
ИАС.
Критерии; отбора
8е6-портал
Рекруте з
Модуль поиска
HeadHunter АР»4
Вектор сходства профилей кандидата
Агрегация информации о кандидате из баз знаний
обмен идентифицирующими данными о кандидате
••>0
Linkedln API
Пс редача данных по кандидату для обработки
обмен идентифицирующими данными о кандидате
Обработка данных по кандидатам
Результаты поиска
Обработка вторичных данных кандидата по компетенциям
•Ob-
stacle Overflow I обмен идентифицирующими
Запись обработанных данных i \
данными о кандидате
Расширенный профиль кандидата
GitHub API
обмен идентифицирующими данными о кандидате
•ik.
Ранжирование кандидатов по степени сходства
к
Habrahabr API
Синхронизация данных о кандидатах
^TSaSa-"" знаний ИАС
Рисунок 2 - Структурно-функциональная модель процесса поиска в ИАС
Для полного поиска задается функция выбора:
Моьз = (,Сгг(Г) А ...ЛСгк(Х)1 где МаЬз - сформированное множество кандидатов; Сгк(Х) - частная функция выбора по /г-ой характеристике.
Для частного поиска, допускающего отсутствие некоторых компетенций у кандидатов из выбранных баз знаний, используется другая функция выбора:
Мге1 = (Сгг (X) V ...УСгьСГ»,
где Mre! - сформированное множество кандидатов.
iV-мерный вектор профиля конкретного пользователя Р профессиональной базы знаний формируется в ИАС как вектор с информационными полями (e-mail, дата рождения, номер телефона и т.д):
P=<fvfz.....fn>.
где fiP - i-oe поле профиля пользователя Р.
Например, для Pi и Р2, имеющих общую структуру <ФИО, e-mail, дата рождения> с использованием функции сравнения строк рассчитывается вектор сходства V между соответствующими векторными полями:
V(P1,P2)=<v1,v2.....vn >, (6)
где vi = comp.fj^1, f^2), 0 < vt < 1, \V\ = |PX| = \P2\,
v, — 1, если f;Pl идентично f?2 пл
compi- „ •
( Vj = 0, в противном случае
Для информационных полей, имеющих различный формат, введены две категории сходства - точное и частичное.
Для точного сравнения используется функция compt (7). Для частичного сравнения определена функция SubMatch:
rlength{s2)
--——-, если Si содержит s2
lengthQsJ
SubMatchisi.s?) = \lengthiSi) ■ (8)
--. . . , если s2 содержит st
length(s2)
. О, в противном случае С помощью функции SubMatch^s-L, s2) вычисляется вектор частичного сходства УМА при сравнении сложных типов данных:
УМА(Аг, Л2) = х SubMatchif*1, f*2), (9)
где ftAl,fiA2 являются i-м полем каждого из адресов вектора Аг и А2, wi -
вес i-ro поля с адресом /. и vvf = 1.
На последнем шаге определяется классификация - «тот же пользователь» или «разные пользователи» для пары профилей Pi и Р2■ Для определения сходства S(PV Р2) введен весовой вектор w одинаковой размерности с V для контроля влияния поля профиля. Оценку подобия профилей Pi и Р2 определяют, как:
5(Рх,Р2) = х w,). (Ю)
Далее выполняется сравнение полученной оценки S с пороговым значением, заданным экспертом, и дальнейшая классификация.
Для расчета предварительной оценки сходства кандидата с заявленными требованиями характеристик, в ИАС используются следующие критерии компетенции Crt (таблица 1).
Таблица 1 - Критерии оценки компетенции кандидата
Базы знаний Критерии
HeadHunter, Linkedln ключевые навыки, опыт работы, знание иностранных языков, подтверждения навыков, рекомендации
Stack Overflow рейтинг пользователя, статусы программирования, рейтинг ответов
GitHub количество проектов, количество коммитов, рейтинг проектов
Habrahabr рейтинг пользователя
Интегральный показатель оценки на основе найденных критериев для каждого кандидата вычисляется следующим образом:
Ш^-Сп
IP ='■
СпЬ
(И)
где СпЬ — количество найденных критериев совпадения Сг; у кандидата, — вес критерия Сгг, е [0; 1], = Далее на основе введенной
пятиуровневой классификации выполняется лингвистическая оценка сходства.
ИАС позволяет рекрутеру сформировать запрос к структурированным данным в неоднородных базах знаний, для построения выборки подмножества кандидатов, обладающих заданными атрибутами, т.о. исключается множество кандидатур, несовместимых в соответствии с заданными характеристиками.
В четвертой главе приведена архитектура ИАС (рисунок 3), и описывается ее программная реализация.
Рисунок 3 - Архитектура ИАС
Пользователями системы являются рекрутер и руководитель проекта (ЛПР). Анализ информации и работа с ИАС не требует высококвалифицированных НЯ-экспертов, экономит время и расходы компании. Описаны структуры входных и выходных данных. Входной информацией для системы является список требований работодателя в соответствии с требуемыми компетенциями, список требований к кандидату. Выходами системы являются ранжированный список кандидатов на заданную должность.
Разработанный программный продукт представляет собой веб-решение, включающее в себя: веб-интерфейс для взаимодействия пользователя с системой и набор сервисов, являющихся реализацией таких задач, как: поиск, оценка, подбор.
Приведен анализ результатов внедрения в кадровом центре при ООО «Центр обучения Пилот-Информ» и в 1Т-компании ООО «Мегатек-Сервис». Для оценки эффективности подбора персонала были выбраны определенные показатели эффективности КР1 (время подбора, стоимость подбора, качество подбора) с участием и без участия разработанной системы была создана имитационная модель. Установлено: увеличение эффективности процесса подбора кандидатов в среднем на 15% по сравнению с предыдущим механизмом процесса подбора (таблица 2).
Таблица 2 - Внедрение системы
Показатели эффективности, КР1 Имит. модель Система
Время подбора, дн. 175 142
Показатель прироста качества подбора, % 10 26
В приложениях приведены свидетельство о государственной регистрации программы для ЭВМ и акты о внедрении результатов научной работы.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ
Главным итогом диссертационной работы является решение научной задачи, связанной с разработкой методики и средств информационной поддержки при подборе специалистов по разработке программного обеспечения, позволяющей решить основные проблемы в процессе поиска и подбора кандидатов в соответствии с требованиями работодателя с целью повышения эффективности процесса ГГ-рекрутмента.
1. В ходе проведенного исследования рассмотрены схемы подбора персонала, методы поиска, оценки компетенций,. На основе проведенного анализа недостатков была аргументирована необходимость разработки методики подбора специалистов с использованием разработанных процедур по оценке компетенции кандидата и подбору на основе требований работодателя, а также баз знаний профессиональных сообществ на основе разработанной информационной технологии поиска и обработки информации о кандидатах.
2. Разработана методика подбора специалистов в сфере разработки программного обеспечения в 1Т-компанию, позволяющая повысить
эффективность подбора, а также сократить стоимость подбора и время поиска специалистов в работе рекрутинговых компаний.
3. Разработана процедура оценки компетенций, позволяющая вычислить показатель совместимости компетенции кандидата в соответствии с моделью кандидата, таким образом, решая проблему поиска и распределения ресурсов по обязанностям путем их кластеризации с помощью алгоритма ROC.
4. Разработана процедура подбора оценки сходства кандидатов по множеству заданных характеристик работодателем за счет использования средств корреляционного анализа.
5. Разработана информационная технология поиска и обработки информации о кандидатах на основе процессно-ориентированной интеграции с представленными базами знаний для устранения проблем рутинного поиска кандидатов среди множества профилей на различных Интернет-ресурсах.
6. Результаты исследования прошли экспериментальную проверку в процессе поиска и подбора персонала для кадрового центра ООО «Центр обучения Пилот-Информ» и в IT-компании ООО «Мегатек-Сервис». Установлено увеличение эффективности процесса подбора кандидатов в среднем на 15% по сравнению с предыдущим механизмом процесса подбора, повышено качество оценки компетенции потенциальных кандидатов, сокращено общее время подбора кандидатов в среднем на 21% по сравнению с традиционным подходом.
ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ
Статьи в периодических изданиях, включенных в список ВАК РФ
1. Бейльханов, Д.К. Применение модели надежности в процессе ко-мандообразования / Д.К. Бейльханов, И.Ю. Квятковская, A.B. Петраев // Вестник Иркутского государственного технического университета. Серия: Кибернетика, информационные системы и технологии. - 2013. - №4. - С. 12 -15.
2. Бейльханов, Д.К. Управление процессом командообразования в сфере ИТ с использованием компетентностного подхода / Д.К. Бейльханов // Журнал «Ученые записки» Санкт-Петербургского Университета управления и экономики.-2014.-№6.-С. 36-43.
3. Бейльханов, Д.К. Разработка алгоритма подбора приоритетной команды в процессе командообразования / Д.К. Бейльханов, И.Ю. Квятковская // Вестник Астраханского государственного технического университета: управление, вычислительная техника и информатика. - 2014 - № 3 — 2014. -№3. - С. 75-84.
Статьи в межвузовских научных сборниках, сборниках трудов международных, всероссийских конференций
4. Бейльханов, Д.К. Разработка информационной технологии поиска и обработки информации на основе процессно-ориентированной интеграции
баз знаний / Д.К. Бейльханов, И.Ю. Квятковская // 4-ая Международная научно-практическая конференция «Техника и технологии: Пути инновационного развития». - Курск, 2014. - С. 44-47.
5. Бейльханов, Д.К. Система поддержки принятия решений по формированию команд проектов на основе компетентностного подхода / Д.К. Бейльханов, И.Ю. Квятковская // Международная научно-практическая конференция «Проблемы развития науки и образования: теория и практика. Часть II». - Москва, 2013. - С. 125 - 129.
6. Бейльханов, Д.К. Метод исследования модели компетенций в системе поддержки принятия решений / Д.К. Бейльханов, И.Ю. Квятковская // 2-я Международная молодежная научная конференция «Поколение будущего —2013». — Курск, 2013. — С. 87-91.
7. Бейльханов, Д.К. Использование модели компетенций в процессе командообразования / Д.К. Бейльханов, И.Ю. Квятковская // XXX Международная заочная научно-практическая конференция «Технические науки от теории к практике» (СибАК-2014). — Новосибирск, — 2014. - С. 7 — 12.
8. Бейльханов, Д.К. Использование методов оценки кандидатов в процессе командообразования / Д.К. Бейльханов, И.Ю. Квятковская // Международная молодежная научная конференция «Поколение будущего: Взгляд молодых ученых». — Курск, 2012. — С. 156 — 160.
9. Бейльханов, Д.К. Метод поиска и агрегации информации о разработчиках в профессиональных HR-pecypcax / Д.К. Бейльханов, И.Ю. Квятковская // XIII Международная научно-практическая конференция «Теоретические и методологические проблемы современных наук». - Новосибирск, 2014.-С. 93-99.
10. Бейльханов, Д.К. Процедура оценки компетенций кандидатов при подборе в компанию / Д.К. Бейльханов, И.Ю. Квятковская // Электронный научно-практический журнал «Актуальные вопросы и инновационные процессы в науках современного общества». — Уфа, — No. 11 (11-2014) / [Электронный ресурс] - Режим доступа. - URL: http://nauka-rastudent.ni/l 1/2102/.
Свидетельство о государственной регистрации программы для ЭВМ
11. Автоматизированная система «Информационно-аналитическая система по обработке данных при подборе персонала». Св. о гос. per. прогр. для ЭВМ №2014614067. / Квятковская И. Ю., Бейльханов Д. К. Зарег. 25.06.2014.
Подписано в печать 30.04.2015 г. Формат 60x90/16. Гарнитура Times New Roman. Усл. печ. л. 1,0. Тираж 100 экз. Заказ № 154
Отпечатано в типографии издательства ФГБОУ ВПО «АГТУ». 414056, г. Астрахань, Татищева, 16ж.
-
Похожие работы
- Управление выбором оптимальной автоматизированной среды "разработчик - конструкторская САПР"
- Конвергенция неоднородных информационных сред на основе кроссплатформенных программных компонент
- Методика моделирования и разработки программно-технических комплексов для систем принятия решений
- Информационное обеспечение оценки качества программного продукта при управлении процессом тестирования технической документации
- Математическое обеспечение и программный комплекс автоматизированного рабочего места разработчика алгоритмов для микропроцессорных систем управления
-
- Системный анализ, управление и обработка информации (по отраслям)
- Теория систем, теория автоматического регулирования и управления, системный анализ
- Элементы и устройства вычислительной техники и систем управления
- Автоматизация и управление технологическими процессами и производствами (по отраслям)
- Автоматизация технологических процессов и производств (в том числе по отраслям)
- Управление в биологических и медицинских системах (включая применения вычислительной техники)
- Управление в социальных и экономических системах
- Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей
- Системы автоматизации проектирования (по отраслям)
- Телекоммуникационные системы и компьютерные сети
- Системы обработки информации и управления
- Вычислительные машины и системы
- Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (по отраслям наук)
- Теоретические основы информатики
- Математическое моделирование, численные методы и комплексы программ
- Методы и системы защиты информации, информационная безопасность