עם זאת, האלמנט האנושי בבדיקות המלצה יכול להוות נקודת תורפה משמעותית.

נקמות אישיות, הטיות, או אפילו ניסיונות אסטרטגיים של מעסיקים קודמים למנוע נדידת כישרונות, עלולים לזהם את המשוב, להוביל להערכות לא הוגנות ובכל חגרום לארגון לפסוח על מועמדים חזקים.

כאן נכנסת הבינה המלאכותית לתמונה, כבוררת ניטרלית רבת עוצמה, המשפרת את הדיוק וההגינות.

האתגר של משוב סובייקטיבי:

בדיקות המלצה מסורתיות מסתמכות במידה רבה על שיחות סובייקטיביות עם מנהלים קודמים.

להלן 3 כשלים אליהם חשוף תהליך בדיקות ההמלצה בשיחות עם מעסיקים קודמים:

1 המלצות נקמה:

עמיתים או מנהלים לשעבר שהם ממורמרים בשל עזיבת המועמד את החברה שלהם, עלולים לספק משוב שלילי מוגזם בשל איבה אישית למועמד או פגיעה נתפסת.

2 אגירת כישרונות:

מעסיק קודם עלול לספק בכוונה משוב פושר או שלילי באופן מתוחכם כדי להרתיע מתחרה מלגייס עובד שהעריך, ובכך לנסות להשאיר בפייפליין שלו את הטלנט ואת הידע שלו שנצבר, ולמנוע אותם מהחברה שמבקשת את ההמלצה.

3 הטיה לא מודעת:

ממליצים עלולים לאפשר, באופן לא מודע, להטיות אישיות, לרבות מגדר, גזע, חיכוכים אישיותיים, להשפיע על המשוב שלהם, גם אם ללא כוונה.

גורמים אלו יכולים לעוות את התמונה האמיתית של יכולות המועמד והתאמתו, ליצור תהליך גיוס לא יעיל שעלול להיות לא הוגן.

כלי הבינה המלאכותית, ובפרט אלה המשתמשים בעיבוד שפה טבעית (NLP) ובניתוח סנטימנטים, יכולים להכניס שכבה חדשה של אובייקטיביות לבדיקות רקע והמלצות.

להלן 4 תפקידי הבינה המלאכותית בנטרול הטיות ושיפור האובייקטיביות בעת קבלת המלצות על המועמד ממעסיקיו הקודמים:

1 ניתוח סנטימנט וטון:

הבינה המלאכותית יכולה לנתח משוב כתוב (כגון טפסי משוב רשמיים) ומשוב מילולי מתומלל (משיחות המלצה מוקלטות, בהסכמה) כדי לזהות שפה רגשית קיצונית, שליליות עקבית או ניסוחים יוצאי דופן.

היא יכולה לסמן משוב שחורג משמעותית מהערכה ניטרלית ומבוססת עובדות, ולדרבן את מנהל משאבי האנוש לחקירה מעמיקה יותר.

זה מאפשר לזהות המלצות "נקמה" פוטנציאליות על ידי איתור שפה קשה או ביקורתית באופן חריג.

2 זיהוי דפוסים לעקביות:

הבינה המלאכותית יכולה להשוות משוב על פני מספר ממליצים עבור אותו מועמד, וכן להשוות משוב לתפקידים דומים בין מועמדים שונים.

אי-התאמות או הצהרות חריגות יכולות להיות מסומנות. לדוגמה, אם ממליץ אחד מספק משוב שלילי באופן גורף בעוד שלושה אחרים חיוביים ומבוססים על עובדות, הבינה המלאכותית יכולה להדגיש פער זה, מה שמרמז כי הממליץ החריג עשוי להיות מוטה.

3 מודלי נושאים וחילוץ מילות מפתח:

כדי לזהות ניסיונות "אגירת כישרונות", הבינה המלאכותית יכולה לנתח האם משוב מתמקד באופן לא פרופורציונלי בידע קנייני, סודות חברה, או השקעה בהכשרה, באופן שנראה כמיועד להרתיע גיוס, במקום לספק הערכת ביצועים באמת.

הבינה המלאכותית יכולה לחלץ מדדי ביצועים מרכזיים ואחריות שהוזכרו על ידי מספר ממליצים, ולהשוות אותם לתיאור התפקיד כדי לוודא שהמשוב רלוונטי וממוקד תפקיד.

4 סינתזת נתונים מובנית:

במקום להסתמך על אדם שיסנתז משוב איכותני מפוזר, הבינה המלאכותית יכולה לחלץ נושאים משותפים, לכמת חוזקות וחולשות חוזרות ונשנות, ולהציג סיכום מאוזן יותר ומבוסס נתונים למנהל משאבי האנוש.

זה מפחית את העומס הקוגניטיבי ואת הפוטנציאל להטיה אנושית בפרשנות המשוב.

שימוש בבינה מלאכותית כשכבה אנליטית מתוחכמת מאפשר למנהלי משאבי אנוש לנטרל את הסובייקטיביות הטבועה בבדיקות רקע מסורתיות, להבטיח הערכה הוגנת יותר של המועמדים ולקבל החלטות גיוס מושכלות יותר, המבוססות על עובדות מאומתות ולא על דעות זדוניות או מוטות פוטנציאלית.

The post תפקיד ה-AI בשיפור האובייקטיביות של המלצות על מועמד ממעסיקים קודמים first appeared on HRUS משאבי אנוש.

הרבה מידע, מעט תובנות

"יש אינסוף מידע גלוי באינטרנט", מסביר רועי רמתי, מנכ"ל CheckNet. "אבל צריך לדעת מה לחפש, איפה ואיך, וזו משימה לא פשוטה. מנועי חיפוש לא בנויים לאתר את המידע הרלוונטי ביותר על מועמד ובטח לא לסנן אותו, לאמת אותו, ולחלץ ממנו תובנות שמסייעות בגיוס". זו בדיוק הסיבה לכך שיותר ויותר ארגונים משלבים כלים חכמים לאיסוף וניתוח מידע ברשת כחלק בלתי נפרד מתהליך הגיוס.

CheckNet: הסיפור המלא של המועמד שלכם

חברת CheckNet פיתחה פלטפורמה טכנולוגית המבוססת על בינה מלאכותית, המאפשרת לארגונים להרחיב את ההיכרות עם מועמדים – מעבר למסמכים הרשמיים שכל מועמד בוחר לספק. המערכת סורקת מאות מקורות מידע גלויים ומאגרי מידע רשמיים בזמן אמת: רשתות חברתיות, מקורות משפטיים, מידע עסקי, מדיה, מאגרי מידע ועוד – ומרכזת את המידע לתוך דוח תמציתי, ברור וממוקד, שגם מדגיש את התובנות החשובות עבורך כמגייס.ת.

המספרים מדברים: איך CheckNet משנה את תהליך הגיוס

• מהיר יותר: הסינון הראשוני של מועמדים בשימוש בצ'קנט מהיר פי שלושה מתהליך ידני.
• מדויק יותר: ב־17% מהמקרים נמצא מידע מהותי כבר בהתחלה, מה שהפסיק את תהליך הגיוס בשלב מוקדם במקום בשלב מאוחר יותר בתהליך.
• מעשיר יותר: על 26% מהמועמדים התגלה מידע חדש, שלא הופיע בקורות החיים והשפיע על ההחלטה, לטוב או לרע.
• בטוח יותר: 87% מהמגייסים דיווחו כי קיבלו החלטות בביטחון גבוה יותר לאחר השימוש במערכת של צ׳קנט.

יתרונות תפעוליים ברורים

בזמן שמנהלי גיוס מדווחים על קושי הולך וגובר באיתור מועמדים איכותיים, ובשעה שזמן הגיוס מתארך והעלות למועמד לא מתאים ממשיכה לעלות — כלי כמו CheckNet יכול לחולל שינוי. המערכת מספקת תובנות תוך דקות, מאפשרת ניפוי מהיר של מועמדים לא מתאימים, חוסכת זמן עבודה יקר ומצמצמת סיכונים תפעוליים, משפטיים ותדמיתיים.

המערכת פועלת באופן פשוט ונוח לשימוש גם ללא ידע טכנולוגי: החלק שלכם הוא הזנת נתונים בסיסיים על המועמד או העלאת קורות החיים שלו. המערכת מתחילה בשליחת מאות שאילתות, איסוף אלפי תוצאות, עיבוד הנתונים באמצעות טכנולוגיות AI מתקדמות ותמצות המידע לתוצאות רלוונטיות.
המערכת מציגה את המידע בצורה ממוקדת וברורה, במסך אחד המחולק לתחומים שונים וכולל גם סיכום של הממצאים בפסקה אחת. מתקבלת גם הדגשה של תוצאות הדורשות התייחסות, והכוונה למידע המצריך העמקה.
והחידוש האחרון? מהיום ניתן להזמין בדיקת רקע ולקבל את הדוח ישירות דרך הוואטסאפ – מכל מקום ובכל שעה.

כלי משלים, תמונה מלאה

חשוב להדגיש: CheckNet אינו מחליף את שיקול הדעת של מנהל הגיוס, אלא מספק שכבת מידע אובייקטיבית ומשלימה, המבוססת על נתונים גלויים אך שלרוב יהיו סמויים מן העין. מדובר בכלי שבכוחו לשפר את איכות ההחלטות, לייעל את התהליך, ולהפחית טעויות יקרות בגיוס.

וכפי שהנתונים מהעולם מוכיחים – זו כבר לא פריבילגיה, זו חובה מקצועית.
נשמח אם תצרו איתנו קשר לראות את המערכת בפעולה contact@checknet.co.il

The post מכירים באמת את המועמד שלכם? כך מידע מהרשת יכול לייעל את הגיוס first appeared on HRUS משאבי אנוש.

כאשר בדיקות הרקע מתבצעות ביעילות, הן יכולות לעזור להפחית את סיכוני הגיוס ובה בעת לוודא עמידה בתקנות ובדיני העבודה.

הגדרת היקף בדיקות הרקע, עמידה בדרישות החוק ושמירה על עקביות וסודיות, מאפשרים למעסיקים לבצע בדיקות יעילות ואתיות.

פרקטיקות אלה לא רק מפחיתות סיכונים אלא גם בונות אמון עם מועמדים ומטפחות תהליך גיוס הוגן.

יש הכרח לעקוב אחר שיטות עבודה מומלצות כדי לאזן בין עומק בדיקת הרקע לבין שיקולים משפטיים ואתיים.

להלן 3 הדרכים המומלצות לבדיקת רקע של מועמדים:

1 להגדיר בצורה ברורה את היקף בדיקת הרקע:

לפני תחילת בדיקת רקע, על מנהל משאבי האנוש לתאר איזה מידע הארגון מחפשים ומדוע.

ההיקף צריך להיות רלוונטי למשרה כדי למנוע פניות מיותרות.

בין תחומי המיקוד הנפוצים ניתן למנות למשל בדיקת היסטוריה פלילית. בתפקידים הדורשים אמון, כגון כספים או טיפול בילדים, בדיקת רישום פלילי עשויה להיות קריטית.

עם זאת, מעסיקים חייבים לוודא ציות לחוקים המסדירים כיצד ניתן להשתמש בהיסטוריה פלילית בהחלטות גיוס עובדים.

תחום נוסף הוא אימות תעסוקה: יש לוודא שהתפקידים המתוארים בקורות החיים, לרבות תחומי אחריות ותאריכי העסקה קודמים הם אכן מדויקים.

תחום אחר שיש לבדוק הוא השכלה והסמכות. עבור תפקידים הדורשים כישורים ספציפיים, אימות תארים והסמכות הינו חיוני.

יש להיות ספציפיים לגבי ההיקף כדי לוודא שבדיקות הרקע קשורות לעבודה ולא הוגדרו בצורה רחבה מדי. זה יסייע לארגון להימנע מתביעות אפליה ולוודא שתהליך הגיוס הוגן.

2 לעמוד בדרישות החוק והרגולציה:

מנהלי משאבי האנוש חייבים לציית לכל החוקים השונים בעת ביצוע בדיקות רקע. למשל, על המעסיק לספק למועמדים הודעה בכתב ולקבל את הסכמתם לפני תחילת בדיקת רקע.

בנוסף, על המעסיק לעמוד בדיני עבודה בכל הקשור להזדמנויות תעסוקה שוות.

על הארגון לוודא שמדיניות בדיקת הרקע שלו אינה משפיעה באופן לא פרופורציונלי על קבוצות מגוונות מסוימות, מה שעלול להוביל לתביעות של אפליה.

יש לבצע סקירה ועדכון מדיניות באופן קבוע כדי ליישר קו עם הדרישות המשפטיות באופן  שבדיקות הרקע יהיו ניתנות להגנה.

3 לשמור על עקביות וסודיות:

עקביות היא המפתח להבטחת הגינות בתהליך בדיקת הרקע. מעסיקים צריכים ליישם את אותם סטנדרטים על כל המועמדים לתפקיד נתון, ללא קשר למאפיינים אישיים.

לדוגמה, אם בדיקת אשראי נחשבת רלוונטית למצב פיננסי, יש להחיל אותה על כל המועמדים לתפקיד זה.

בנוסף, מעסיקים חייבים לטפל במידע שנאסף בסודיות מרבית. יש לשתף את תוצאות בדיקת הרקע רק עם אנשים המעורבים בתהליך הגיוס, ויש לאחסן נתונים רגישים בצורה מאובטחת כדי למנוע הפרות של הדין.

The post 3 הדרכים המומלצות לבדיקת רקע של מועמדים first appeared on HRUS משאבי אנוש.