Как с помощью ИИ сократить текучку кадров и сэкономить 3 млн на рекрутинге: опыт Дикси

Высокая текучка кадров — постоянная проблема для розничных сетей. В Дикси HR-специалисты ежедневно обрабатывают сотни резюме, но из-за человеческого фактора подходящие кандидаты иногда остаются незамеченными. Как решить эту задачу с помощью ИИ? Разработали систему, которая оценивает кандидатов по личностным характеристикам и помогает выбрать тех, кто лучше всего подходит для вакансии.

Дикси – крупная розничная сеть России, под управлением более 2200 магазинов по всей стране и около 26 000 сотрудников. Вопрос найма для компании всегда актуален: команда постоянно растет, а на некоторых позициях сохраняется высокая текучка кадров.

Проблема

На ключевых операционных ролях — кладовщик и менеджер торгового зала — текучка достигала ~13%. Силы уходили на подбор новых сотрудников, а не на развитие существующей команды.

HR-команда Дикси ежедневно обрабатывает более сотни резюме на позиции кладовщиков, менеджеров торгового зала и менеджеров по закупкам. На одну такую вакансию может поступать больше 200 резюме, и не всегда удается вручную отследить всех кандидатов и вовремя выявить подходящего.

Для этого компания искала систему, которая могла бы объективно оценить личные качества кандидатов и отсеять неподходящих уже на первом этапе. 

Основная цель — ускорить найм и сократить затраты на рекрутинг. Компания хотела минимизировать человеческий фактор, который мог приводить к ошибкам при оценке кандидатов. 

Решение: как за счет ИИ ускорили рекрутинг и помогли точнее отбирать кандидатов 

Для решения задачи разработали систему Talent Mining. Это инструмент для психометрического тестирования кандидатов с использованием искусственного интеллекта. 

Система помогает оценить личностные характеристики кандидатов — их тип личности, способность адаптироваться и реакции на стрессовые ситуации.

Ключевые результаты от внедрения ИИ

• Сэкономили 3 млн рублей на отборе сотрудников — снизили текучку кадров. По итогам отбора сотрудников с помощью ИИ прошло больше кандидатов, которые остались работать на долгий срок.

• По результатам тестирования, 31% кандидатов на позицию кладовщика и 39% на позицию менеджера торгового зала успешно адаптировались и работают в компании уже более 3 месяцев.

• Упростили и улучшили подбор кандидатов — ИИ сократил время на просмотр резюме. Система выделяет ключевые факторы, по которым HR может быстрее оценить кандидата.

Этапы разработки

1. Что должен уметь сервис

Для команды Дикси нужна была система, которая могла бы объективно оценить личные качества кандидатов и отсеять неподходящих уже на первом этапе. Плюс минимизировать ошибки, которые могли возникнуть из-за человеческого фактора.

Для этого мы вместе с HR-командой создали простые и понятные критерии, которые позволяют объективно оценить кандидатов. Каждый из критериев разработали под конкретную вакансию, чтобы система могла точно выявить, кто подходит для работы, а кто нет.

На интерфейсе Talnet Mining можно увидеть, как кандидаты проходят тестирование. Вся информация по каждому кандидату собрана в одном месте: его контактные данные, результаты тестов и выбранные критерии для оценки. Например, стрессоустойчивость или эмоциональная возбудимость. 

Это позволяет рекрутерам быстрее ориентироваться в данных и принимать решения на основе факторов, которые уже до этого отсортировал и отобрал ИИ.

2. На чем обучали модель 

Использовали реальные обезличенные данные сотрудников Дикси. Модель обучали на заранее определенных характеристиках, которые адаптировали под каждую вакансию вместе с HR`ми Дикси. Например, для позиции менеджера торгового зала сделали упор на проактивность и открытость кандидата.

Когда кандидат подает резюме — система анализирует его опыт, который может повлиять на успех прохождение по вакансии. 

На втором этапе модель для анализа использует тесты, которые кандидат проходит, чтобы точнее оценить его качества для вакансии. Система также может использовать результаты из истории успешных кандидатов, чтобы на основе этих данных сделать вывод о вероятности успешной адаптации на новой должности.

Чтобы система работала как часы, использовались данные о предыдущих кандидатах и результатах действующих сотрудников на разных позициях. На основе этого обучили модель, которая теперь может прогнозировать, насколько кандидат подходит для той или иной роли.

3. Интеграция с hh

Связали все с платформой hh.ru, чтобы автоматически загружать резюме кандидатов. ИИ рассматривает каждое резюме и выделяет ключевые критерии для оценки, такие как стабильность на предыдущих местах работы (например, если кандидаты меняли работу чаще, чем раз в 3-6 месяцев) и наличие компетенций, которые не подходят для конкретной вакансии.

Тестирование и оптимизация

На этапе первых тестов были даже ситуации, что некоторые кандидаты с насмешкой относились к тестированию и факторам, которые выделил ИИ. А позже оказалось, что в 25% случаев те кандидаты, которых система не выбрала, но которых выбрали эйчары для эксперимента – не подошли по вакансии или не прошли испытательный срок.

Изначально не все тесты отражали реальные рабочие ситуации, и приходилось дорабатывать их в процессе. Например, они не учитывали специфику рабочих процессов для кладовщиков и чтобы улучшить точность, мы доработали вопросы, сделали их более практичными, чтобы они соответствовали реальным условиям труда.

5. Внедрение и мониторинг

После тестирования систему внедрили в процесс рекрутинга Дикси, чтобы опробовать ее в боевых условиях. Сейчас продолжаем развивать модель, постоянно мониторим работу ИИ и то, как она интерпретирует результаты на реальных данных. Также регулярно собираем отзывы от эйчаров, которые работают с системой.

Сейчас работаем над расширением функционала модели, чтобы система помогала в онбординге новых сотрудников и отслеживала состояние текущих «старичков». Это позволит выявлять признаки выгорания или недостаточной вовлеченности и вовремя предлагать необходимую поддержку.

Результаты

• После внедрения системы время на обработку одного резюме сократилось на 30%, что позволило рекрутерам обрабатывать больше заявок и сосредоточиться на более важных задачах.

• До внедрения ИИ один рекрутер мог отсмотреть в среднем 50 резюме в день, а после внедрения этот показатель вырос на 18%.