

Bilo da želite da sebi oslobodite par sati dnevno za prioritetne aktivnosti ili da formulišete projekat koji će kompaniji omogućiti inteligentnije i efikasnije upravljanje ključnim ljudskim resursima, verovatno ćete morati da se oslonite na neku od naprednih IT tehnologija koje počinju da prožimaju sve aspekte naših života. Saznajte više o njima i dodatnoj vrednosti koje mogu da donesu Vašoj kompaniji.
Čet-botovi (chatbot)
Jedan od najčešćih oblika korišćenja moderne tehnologije za olakšavanje rada svim odeljenjima jedne kompanije (bilo da je u pitanju rad sa spoljnim korisnicima ili partnerima, ili sa zaposlenima unutar kompanije) jeste formiranje automatizovanog chatbot modula za odgovore na najčešće postavljena pitanja.
Iako su i ranije postojale liste čestih pitanja/odgovora (FAQ) i praktikovalo se publikovanje bitnih informacija putem internog Web portala, oglasne table, grupnih mail-ova i ostalih kanala komunikacije, sazrevanje generacije milenijalaca i masovna ekspanzija socijalnih mreža i mobilnih aplikacija dovelo je do razumevanja značaja individualizovane komunikacije sa korisnikom neke usluge, u trenutku u kome mu/joj je ta informacija potrebna.
Najšešća primena chatbot tehnologije jeste u pružanju osnovnih informacija o proizvodima i uslugama neke kompanije, pri čemu se chatbot nudi kao kanal komunikacije posetiocima sajta kompanije ili pratiocima njenih društvenih mreža. Praktično, chatbot postaje zamena call centra kompanije za davanje informacija o karakteristikama i cenama proizvoda, načinima naručivanja/pretplate, načinima plaćanja, rokovima i statusu isporuke i sl.
Iako je chatbot tipično baziran na veoma jednostavnom softverskom modulu (čiji se korpus “znanja” često može postaviti i podešavati i bez ikakvog znanja o programiranju, npr. jednostavnim dodavanjem pitanja i odgovora u Excel), efekti uvođenja ovakve tehnologije su višestruki:
- smanjuje se potreba za velikim brojem saradnika u call centru koji su do tada repetitivno davali jedne te iste informacije pozivaocima;
- povećava se zadovoljstvo korisnika usled bržeg dolaska do informacije (za razliku od frustracije koju izaziva dugo čekanje na liniji u slučaju većeg broja istovremenih poziva).
Sve informacije koje se razmenjuju sa chatbot-om su već digitalne, tako da je lako na osnovu njih sprovesti ciljanu kampanju u vezi sa proizvodima koji bi osobi mogli biti interesantni, ili napraviti analitičku obradu koja će pokazati trendove zahteva i pitanja na koja chatbot nije programiran da odgovori, kako bi se njegova funkcionalnost unapredila.
U HR svetu (tipično interni, integrisan sa HR bazama) chatbot može da uvede ogromnu kvalitativnu promenu u dnevni raspored HR aktivnosti. Na primer, ako pogledamo tipičnu kompaniju u Srbiji, HR je danas jedini koji može da obezbedi odgovor na pitanje “Koliko mi je dana odmora ostalo?” ili “Kako da prijavim dete na zdravstveno osiguranje?”.
Što više zaposlenih, to više upita ovog tipa, a još ako na drugoj strani nemate organizovan sistem, već morate da pretražujete po istoriji dosijea zaposlenih, na ovo odlazi velika količina vremena. Sve postaje još kompleksnije kada imate različite tipove procedura za različite lokacije ili različite tipove poslova (povremeni, stalni angažman i sl).
Neka istraživanja pokazuju da ovakva rešenja u velikim sistemima mogu da oslobode i do 50% vremena HR-u za kvalitetnije aktivnosti.
Bitno je napomenuti da, za razliku od call centra za korisnike, ili poziva koji će zaposleni uputiti Vama u vezi sa pitanjem koje ima, chatbot tehnologije (naročito integrisane za socijalnim mrežama poput FB ili Viber-a) imaju mogućnost da proaktivno u Vaše ime kontaktiraju korisnike ili zaposlene i automatizovano prenesu bitnu informaciju (npr. dogovore termin individualne konsultacije ili zdravstvenog pregleda ili obaveste korisnika da je proizvod za koji je bio zainteresovan ponovo na stanju). Mogu i da dobave druge bitne informacije (npr. fotografiju rizika za povredu na radu), čime se može otpočeti neki od relevantnih poslovnih procesa i procedura.
Robotic Process Automation (RPA)
Mnogobrojna istraživanja faktora koji utiču na uvećanje nivoa stresa na radnom mestu ukazuju na to da su među osnovnim faktorima stresa nedostatak vremena za obavljanje svih radnih zadataka u toku dana, kao i neophodnost obavljanja velikog broja zadataka koje zaposleni smatraju nepotrebnim ili birokratskim.
Jedna familija tehnoloških rešenja, pod nazivom Robotic Process Automation, fokusirala se na rešavanje problema kako automatizovati svakodnevne dosadne administrativne aktivnosti i time, jednim zamahom, osloboditi deo vremena zaposlenog za obavljanje smislenijih zadataka (ili barem smanjiti prekovremeno ostajanje u kancelariji).
S druge strane, može se umanjiti nezadovoljstvo koje je posledica obavljanja zadataka koji se čine besmislenim ili predstavljaju mehaničko ponavljanje istih aktivnosti. Neki od primera za to su kopiranje broja ostvarenih radnih sati u prošlom mesecu za sve zaposlene iz Excel-a u softver za izračunavanje plata; prekucavanje podataka sa PDF fakture koji su dobijeni mail-om u knjigovodstveni softver; prikupljanje i sabiranje podataka iz hrpe papirnih dokumenata u konsolidovani mesečni izveštaj o prometu.
Tehnološko rešenje ovog problema se ogleda u softverima koji su u stanju da, posmatrajući i “snimajući” Vašu aktivnost prilikom obavljanja nekog zadatka (npr. iz koje ćelije Excela uzimate podatak, u koje polje i na kom ekranu knjigovodstvenog softvera ćete ga prekopirati), praktično “nauče” kako se ta aktivnost obavlja.
Nakon toga softverski roboti (botovi) preuzimaju takvu aktivnost na sebe. Korišćenjem mašinskog učenja današnja RPA rešenja dovoljno su “pametna” da nakon obrađenog uzorka od 20-ak različitih tipova PDF-faktura, sama zaključe da je ukupna suma fakture uvek poslednja cifra u donjem desnom uglu dokumenta i da na taj način i u potpuno novom obrascu fakture (koji do tada nije procesiran) uspešno pronađu taj podatak.
Neke procese i zadatke, naročito u slučaju da se izvor podataka i mesto njihovog unosa ne menjaju (npr. uvek isti tip ulaznog Excela i uvek isti ekran na unos) na ovaj način je moguće u potpunosti automatizovati (ljudska interakcija je potpuno nepotrebna).
S druge strane, u slučajevima gde ulaz nije potpuno kontrolisan (npr. možemo očekivati potpuno novi format fakture od novog dobavljača) robot odrađuje “pešački” deo posla, ali ostavlja zaposlenom mogućnost da finalno pregleda i eventualno ispravi/dopuni podatke pre njihovog snimanja u krajnjem sistemu. Time se eliminiše mogućnost greške automatizovanog sistema (koji na osnovu ispravke operatera “uči” i šta ne treba da radi sledeći put i vremenom povećava kvalitet obrade) .
U HR okruženju RPA-tehnologija može da posluži kao alat koji oslobađa značajan deo vremena HR-u, zamenjujući birokratske zadatke (npr izrada rešenja o godišnjem odmoru za zaposlene) vremenom za aktivnosti koje su od veće vrednosti za kompaniju (identifikacija i razvoj talenata, poboljšanje profila kompanije kao poslodavca itd). S druge strane, HR može takvo rešenje da predloži menadžmentu kao mogućnost da se najvredniji zaposleni rasterete administrativnog opterećenja i da im se time ostavi više vremena za aktivnosti u kojima su najbolji i donose najveću vrednost kompaniji. Takođe, može da im uveća zadovoljstvo radnim mestom i poslodavcem, što može umanjiti verovatnoću njihovog odlaska.
Mašinsko učenje (ML) i veštačka inteligencija (AI)
Mašinsko učenje i veštačka inteligencija su danas s razlogom teme o kojima se govori u svim aspektima života i poslovanja. Razlog zbog kog je došlo do eksplozije njihove primene u poslednjih nekoliko godina jeste to što se došlo do trenutka u kom je tehnologija (brzi računari u cloud-u i softverski alati za koje nije neophodno biti doktor matematike) postala jeftina i dostupna za rešavanje svakodnevnih problema.
Osnovni poslovni problem koji se rešava tim tehnologijama jeste nedostatak ili visoka cena visokospecijalizovane radne snage za određene poslove. Često se prvo pomisli na rešenja koja se naširoko propagiraju kroz medije (roboti sa kojima se razgovara, roboti hirurzi, autonomna vozila, algoritmi koji komponuju pop-hitove itd), ali u praksi se najčešće srećemo sa rešenjima koja se bave mnogo jednostavnijim (i češćim) poslovnim problemima.
To su chatbot-ovi koji zamenjuju radnike u call centru odgovarajući na pitanja o proizvodima ili uslugama, pametne kamere koje na proizvodnoj traci uočavaju i uklanjaju defektne proizvode umesto radnika, optimizacija utroška električne energije prilagođavanjem rada potrošača, poput bojlera ili klime, vašim životnim navikama itd).
Mašinsko učenje (Machine Learning, skr. ML) je tehnologija koja podrazumeva da se specijalizovanom softveru isporuči set istorijskih podataka koji sadrže niz ulaza i izlaza (npr ako su ulazi broj godina staža, platni razred, stepen obrazovanja i koeficijent ostvarenja plana, izlaz bi mogao biti visina ličnog dohotka).
Ovaj process se naziva “trening”, a po njegovom završetku dobija se tzv. machine learning model. Model predstavlja samostalnu softversku komponentu koja će za novi set ulaza, koji nije bio deo trening podataka (npr podaci za potencijalnog zaposlenog) izbaciti set izlaza (u ovom slučaju procenu visine ličnog dohotka koju bi kandidat mogao da ostvari), formiranih na osnovu statističkih algoritama modela.
Iako je mašinsko učenje samo po sebi veoma kompleksna disciplina (bazirana na mnoštvu vrsta matematičko-statističkih modela i tehnika, od kojih je svaka primenljiva i daje optimalne rezultate samo za određeni tip problema), danas postoje softverski alati koji omogućavaju da i potpuni laik bez potrebe za predznanjem matematike ili programiranja formira jednostavan model koji će mu pomoći u svakodnevnom radu (više o tome u sledećem izdanju).
Iako se u praksi pojmovi mašinsko učenje i veštačka inteligencija (Artificial Intelligence, skr. AI) koriste skoro kao sinonimi, veštačka inteligencija je širi pojam od pojma mašinskog učenja. Uprošćeno rečeno, veštačkom inteligencijom možemo nazvati svaku softversku tehnologiju koja se, prema opažanju korisnika, ponaša slično kao što bi čovek u istoj situaciji.
Razliku između ova dva pojma možemo ilustrovati primerom chatbot-ova za korisničku podršku: oni se mogu realizovati bilo korišćenjem mašinskog učenja (treniranje setom konkretnih pitanja iz prakse i adekvatnih odgovora) , bilo klasičnim algoritamskim programiranjem (“ako pitanje sadrži reč isporuka onda ispiši informacije o uslovima isporuke”), ali krajnjem korisniku, nesvesnom detalja tehničke realizacije, oba chatbot-a izgledaju kao oblik veštačke inteligencije koji im pomaže na sličan način kao što bi to činio operater call centra.
Od svih organizacionih celina jedne kompanije, HR bi trebalo da bude najvažniji zagovornik ove tehnologije, upravo zato što ona daje odgovore na najveće probleme upravljanja ljudima, najkritičnijim resursom kompanije:
- “Eh da nam je još jedna Milica” (Milica je efikasan radnik sa odličnim rezultatima i kada bi ostale kolege pokazale isti nivo performansi kompanija bi bila mnogo uspešnija) – Rešenje ovog problema može biti da se model mašinskog učenja istrenira primerima Miličinih uspešnih ishoda (npr. parametri koje je imala na raspolaganju da donese odluku i sama odluka, parametri tržišta u trenutku formiranja cene i cena kojom je dobijen posao, uvid koji je imala u stanje zaliha i marketinška akcija koja je rezultirala rasprodajom lagera). Ovaj model se zatim, u vidu elektronskog savetnika (mobilna ili Web aplikacija) stavlja na raspolaganje manje uspešnim/iskusnim kolegama da ga konsultuju prilikom donošenja odluka (“šta bi Milica uradila u ovoj situaciji”). Time se direktno povećava koeficijent njihove uspešnosti. Model se, naravno, ne mora trenirati samo iskustvima jedne osobe, već se može napraviti skup ulaza i pozitivnih ishoda koji su proizvod rada čitavih timova ljudi, i njime se trenirati model.
- “Eh da nam nije otišla Milica” (naravno, ukoliko Milica napusti kompaniju, umnogome pomaže ukoliko ste, kao u prethodnom primeru, njeno znanje i iskustvo “snimili” u vidu ML modela i podelili sa ostalim kolegama, međutim, ova tehnologija može pomoći HR-u i da predvidi da li je Milica sklona odlasku iz kompanije i eventualno ga predupredi) – U skoro svakoj kompaniji HR raspolaže istorijskim podacima koji ukazuju na tipičan radni ciklus zaposlenih u njoj (kakvog su profila pri dolasku u kompaniju, kako se razvijaju tokom vremena, kakvi su im rezultati, kakva nadoknada, u kojim situacijama odlaze). Na osnovu ovih podataka se takođe može napraviti ML model koji menadžmentu može da ukaže da su ključni zaposleni pod rizikom od napuštanja kompanije, ili model koji može da ukaže na to koji je razvojni model potrebno primeniti na talenat da bi se on razvio u “Milicu”.
Drugi bitan aspekat korišćenja ML/AI tehnologija jeste upravljanje znanjem. Znanje, bilo da je u pitanju opšte domensko znanje (npr. korpus naučnih radova o onkološkim bolestima i stotinama hiljada dokumentovanih slučajeva iz prakse čak i za retke oblike bolesti, koji se danas koristi za treniranje online onkološkog asistenta, koga konsultuju lekari iz manjih ili siromašnijih sredina koji nemaju pristup simpozijumima i pretplatama na vrhunske stručne publikacije) ili znanje “skriveno” unutar arhiva kompanija ili institucija (npr kompletne arhive sudova, klinika, berzanskih ili osiguravajućih kompanija u kojima su u papirnoj formi, napisane slobodnim jezikom, nalaze zakopane decenije vrednih iskustava) je danas više nego ikad “na dohvat ruke”.
Formiranjem ML modela i korišćenjem naprednih algoritama prepoznavanja bitnih infomacija iz slobodno formiranog teksta (vesti, dijagnoze, književna dela, ugovori) i drugih oblika informacija (vizuelna obrada snimaka rentgena ili magnetne rezonance, video zapisa sa bezbednosnih kamera, zvukova tornada itd) danas je moguće omogućiti lak pristup (sličan Google pretrazi) informacijama koje su do sada smatrane nedostupnim (npr pitanja “u kojim ugovorima smo uvrstili klauzulu o zaštiti od konkurencije” ili “koja je istorija produženja ugovora ovom saradniku” do sada su podrazumevala odlazak u arhivu i ručno prekopavanje dokumenatacije).