การทำนายหรือคาดการณ์ประเด็นปัญหาที่เกี่ยวข้องกับการบริหารทรัพยากรบุคคลเป็นสถานการณ์ที่เกิดขึ้นอยู่เสมอในทุกองค์กรตั้งแต่อดีตจนปัจจุบัน ทั้งนี้หากเราลองนึกย้อนกลับไปถึงกระบวนการจัดการทรัพยากรบุคคลพื้นฐาน นับตั้งแต่การสรรหาคัดเลือก การพัฒนา การประเมินผลงาน และการให้รางวัลตอบแทน เราเองในฐานะนักบริหารทรัพยากรบุคคลก็มักจะถูกถามคำถามเชิงคาดการณ์อยู่เสมอ เช่นจะตัดสินใจคัดเลือกผู้สมัครคนไหนดีมาเป็นพนักงานของเรา เขาจะทำงานได้ดีหรือไม่ เขาจะอยู่กับเรานานแค่ไหน เขาจะทำงานร่วมทีมกับผู้จัดการคนนี้ได้รึเปล่า เขาน่าจะทำยอดขายได้แค่ไหน เราควรเลือกเขาเป็นหัวหน้างานหรือไม่ เหล่านี้คือตัวอย่างคำถามในชีวิตประจำวันที่นักบริหารทรัพยากรบุคคลต้องเผชิญอยู่เสมอ
แนวทางรับมือกับคำถามดังกล่าวในอดีต นอกจากการใช้ประสบการณ์ ไหวพริบ ความสามารถในการคาดการณ์ส่วนตัวแล้ว เราก็อาจจะพยายามสร้างแบบวัดทางจิตวิทยาขึ้นมาเพื่อช่วยประเมินข้อมูลสำหรับประกอบการตัดสินใจ ซึ่งการคาดการณ์โดยใช้ผลจากแบบประเมินทางจิตวิทยาก็อาจจะมีความถูกต้องหรือเบี่ยงเบนได้ในระดับหนึ่ง ขึ้นอยู่กับคุณภาพของเครื่องมือวัดที่เราใช้
วกกลับมาถึงยุค Data Driven ในปัจจุบัน ซึ่งหลายองค์กรได้เริ่มใช้ความรู้ด้าน Data Science เพื่อวิเคราะห์ข้อมูลด้านทรัพยากรบุคคลเชิงลึกหรือการทำ HR Analytics เพื่อคาดการณ์สถานการณ์ต่าง ๆ ที่อาจจะเกิดขึ้น โดยเฉพาะอย่างยิ่งการสร้างเครื่องมือทำนายในรูปแบบที่เป็น Machine Learning Model ที่จะทำให้คอมพิวเตอร์สามารถเรียนรู้ได้ด้วยตนเอง และโมเดลดังกล่าวก็จะยิ่งมีความถูกต้องในการทำนายมากยิ่งขึ้นเมื่อได้รับข้อมูลมากยิ่งขึ้น ซึ่งการใช้ความรู้ด้าน Data Science นี้จะช่วยทำให้การตัดสินใจด้านทรัพยากรบุคคลมีความถูกต้อง เที่ยงตรง ส่งผลต่อประสิทธิภาพในการตัดสินใจทางธุรกิจในยุคดิจิตอลมากยิ่งขึ้น
ปัจจุบัน การสร้างโมเดลทำนายในรูปแบบ Machine Learning สามารถดำเนินการได้ง่ายยิ่งขึ้นโดยใช้โปรแกรมสำเร็จรูป เช่น RapidMiner ซึ่งโปรแกรมดังกล่าวจะช่วยให้เราสามารถวิเคราะห์ข้อมูลได้ทั้งในรูปแบบพรรณาและการคาดการณ์ทำนาย รวมถึงการติดตั้งให้โมเดลสามารถทำงานได้เองโดยอัตโนมัติโดยการเชื่อมโยงกับฐานข้อมูลบนระบบคราวน์และให้ประมวลผลได้เองเมื่อข้อมูลเปลี่ยนไป
ในที่นี้ จะลองสาธิตการใช้ RapidMiner ในการทำนายผลการปฏิบัติงานของพนักงาน โดยใช้ขั้นตอนการวิเคราะห์ข้อมูลตามแนวทาง CRISP-DM ดังนี้
ขั้นตอนที่ 1 การตั้งคำถาม หรือทำความเข้าใจธุรกิจ (Business Understanding) ว่าผู้บริหารต้องการทราบเกี่ยวกับอะไร ซึ่งในที่นี้สมมุติเป็นกรณีศึกษา ผู้บริหารอยากทราบว่าพนักงานกลุ่มตัวอย่างหรือบุคคลที่เราสนใจ จะทำงานได้ดีแค่ไหน หรือจะมีผลการปฏิบัติงานในระดับใด
ขั้นตอนที่ 2 การทำความเข้าใจข้อมูลที่เรามีอยู่ (Data Understanding) ว่าข้อมูลที่เรามีอยู่ประกอบไปด้วย Attribute อะไรบ้าง มีจำนวนเท่าไหร่ ข้อมูลแต่ละ Attribute หรือคอลัมภ์เป็นข้อมูลประเภทไหน เช่นเป็นตัวเลข เป็นตัวหนังสือ เป็นวันเดือนปี เป็นต้น รวมถึงการสำรวจข้อมูล (Explore data) เพื่อให้เขาใจคุณลักษณะเบื้องต้นของข้อมูลที่เรามีอยู่
ภาพที่ 2.1 ตัวอย่างการสำรวจข้อมูลเบื้องต้น
ขั้นตอนที่ 3 การปรับปรุงแก้ไขข้อมูลหรือ Cleaning Data เพื่อขจัดข้อมูลขยะออกไป ซึ่งอาจจะส่งผลให้ผลการวิเคราะห์ผิดพลาดหรือเบี่ยงเบนไป ทั้งนี้ในการ Cleansing ดังกล่าวอาจรวมถึงการสร้าง Attribute ใหม่ที่เราสนใจหรือคาดว่าจะมีผลต่อตัวแปรเป้าหมาย (Label)
ภาพที่ 3.1 ตัวอย่างการปรับปรุงแก้ไขข้อมูล (Data Cleansing)
ขั้นตอนที่ 4 การวิเคราะห์น้ำหนัก (Weight) ตัวแปรต้นที่ส่งผลต่อตัวแปรเป้าหมายที่เราสนใจศึกษา (Label) ในที่นี้คือระดับผลการปฏิบัติงานของพนักงานซึ่งเราจะพบว่าข้อมูล Attribute ต่าง ๆ ที่เรานำมาวิเคราะห์จะมีน้ำหนักที่ส่งผลต่อระดับผลการปฏิบัติงานที่แตกต่างกันออกไปผลที่ได้จากการวิเคราะห์ในขั้นตอนนี้จะช่วยให้เราลดทอนบาง Attribute ออกไปจากชุดข้อมูลก่อนที่เราจะเข้าสู่ขั้นตอนการวิเคราะห์เพื่อเลือก Machine Learning Modelที่เหมาะสมที่สุดสำหรับชุดข้อมูลนี้
ภาพที่ 4.1 แสดง Weight ตัวแปรที่ส่งผลต่อตัวแปรเป้าหมาย
ขั้นตอนที่ 5 การวิเคราะห์เพื่อคัดเลือกโมเดล การทำนายที่มีความเที่ยงตรงสูงที่สุด ซึ่งในกระบวนการนี้อาจจะมีการลดทอน Attribute บางรายการที่มีความเกี่ยวข้องกับตัวแปรเป้าหมายน้อยมากออกไปอีก ให้เหลือเฉพาะปัจจัยที่มีความสำคัญสูงเท่านั้น ทั้งนี้ในโปรแกรม RapidMiner จะเสนอแนะ Machine Learning Model ต่าง ๆ ให้เราพิจารณา รวมถึงการแนะนำว่าโมเดลใดมีค่าความแม่นยำในการทำนาย (Accuracy) สูงสุด
ภาพที่ 5.1 แสดงตัวอย่างการแนะนำ Machine Learning Model ต่างๆ ของ RapidMiner
ขั้นตอนที่ 6 การนำโมเดลไปใช้งาน สำหรับการทำนายกลุ่มตัวอย่างหรือบุคคลที่เราสนใจว่าเขาจะมีผลการปฏิบัติงานในระดับใดตามที่เราต้องการรวมไปถึงการศึกษาระดับผลกระทบของตัวแปรใน Attribute ต่าง ๆ ในโมเดลที่เราเลือกใช้ว่ามีตัวแปรใดส่งผลกระทบต่อระดับผลการปฏิบัติงานมากน้อยเท่าใดซึ่งค่าที่ได้เราสามารถนำไปประกอบการจัดทำแผนหรือปรับปรุงระบบบริหารทรัพยากรบุคคลที่เกี่ยวข้องต่อไป
ภาพที่ 6.1 แสดง Weight ตัวแปรที่ส่งผลต่อตัวแปรเป้าหมาย ของ Model ที่เราเลือกใช้
จากตัวอย่างข้างต้นจะเห็นได้ว่าความก้าวหน้าของเทคโนโลยีการวิเคราะห์ข้อมูลในปัจจุบันช่วยให้การวิเคราะห์ HR Analytics โดยเฉพาะการคาดการณ์ด้านต่าง ๆ ทำได้สะดวกมากยิ่งขึ้น อย่างไรก็ตามผู้ที่สนใจใช้งานดังกล่าวก็จะต้องมีความเข้าใจในหลักการสำคัญ ๆ เกี่ยวกับ Machine Learning Model แนวคิดสำคัญเกี่ยวกับการบริหารจัดการทรัพยากรบุคคล (HR Domain) และกระบวนการทางธุรกิจ (Business Model) ขององค์กร เพราะการทำ HR Analytics จำเป็นต้องใช้ศาสตร์ต่าง ๆ ข้างต้นร่วมกันแบบบูรณาการ
.svg)
