Skillaz: Как работает система рекрутинга с элементами искусственного интеллекта

По данным исследовательской компании Bersin, мировой рынок интерактивных сервисов для оценки соискателей вакансий составляет около $2 млрд. Откусить кусок этого пирога пытаются и российские стартапы — как запустившийся прошлым летом сервис Skillaz, позволяющий искать кандидатов в открытых источниках и автоматически оценивать их с помощью интервью, анкетирования и других инструментов. За год стартап заработал около 6 млн рублей чистой прибыли, обзавелся крупными клиентами (среди них — «Азбука вкуса» и «ВымпелКом») и привлек несколько сотен тысяч долларов инвестиций. Руководитель Skillaz Андрей Крылов рассказал Inc., как соискатели реагируют на звонки роботов, чем обернулась демократия в стартапе и почему компании должны уже сейчас собирать все данные про людей.

Куда движется рекрутинг

Сейчас с рекрутингом происходит то же самое, что с бухгалтерией в 1990-х. Тогда появились 1С и другие компьютерные программы, а бухгалтеры перестали пользоваться счетами. Большие компании либо сократят HR-отделы, либо переключат их сотрудников на выполнение более творческих задач. Нынешний рекрутер должен уметь работать с социальными сетями и большими данными и —  самое главное — думать не о разовых количественных KPI, а о повышении эффективности бизнеса в целом.

Технологически рекрутинг сильно отстает от других сфер. До Skillaz я работал в «Лаборатории Касперского». Мы делали крутые продукты для развития антивируса — а рядом HR-специалисты забивали резюме в базу руками и очень по этому поводу переживали.

Будущее рекрутинга —  уход от рутинной деятельности HR-специалистов. Потребности клиентов стандартные — сокращение финансовых и трудозатрат. Мы стараемся балансировать между созданием крутого продукта и бизнесом, стараемся «слушать» рынок и работать исходя из его потребностей.

Skillaz в цифрах

Как устроен Skillaz

Сервис нужно делать для пользователей, готовых платить за ощутимый бизнес-эффект. Поэтому мы с самого начала познакомились с несколькими крупнейшими компаниями (включая «Сбербанк» и «Ростелеком») и начали выстраивать для них реальные бизнес-кейсы — где-то даже бесплатно, чтобы наладить отношения. Путь от «зеленой» компании до технологического инноватора у нас занял 8 месяцев.

Над проектом сейчас работают 15 человек и несколько аутсорсинговых команд (в том числе международных). Большая часть из них — программисты, по одному сотруднику — на продажах, пиаре и маркетинге.

80% наших расходов — ФОТ и аутсорсинг. Оставшиеся 20% — тратим на маркетинг.

Я не готов сказать точно, сколько мы закрыли вакансий для наших клиентов. Речь о десятках тысяч человек. До ста тысяч мы еще не дошли.

В первую очередь наш сервис закрывает массовые вакансии — например, продавцов. Но есть и проекты по точечному подбору. У нас был кейс, когда рекрутер говорил, что вакансия штучная (позицию мы не можем раскрыть по договору с клиентом) и на всю страну есть только семь кандидатов. Но наша система за неделю только в Москве нашла 50 заинтересованных человек, которые просто были вне поля зрения кадровых агентств. И это нормально для России, где на открытом рынке — только 30% кандидатов, остальные — в тени.

Наша платформа сама оценивает кандидата. Она автоматически предлагает ему пройти тестовое задание, оценивает его по ряду критериев, а затем приглашает (или не приглашает) на собеседование с рекрутером. До конца года мы планируем оценить более 1 млн кандидатов.

Для будущих продавцов у нас есть квест «Сложный клиент». Кандидат должен в игровом режиме пообщаться с покупателем и убедить его не писать жалобу.

Мы уже занимаемся первичным обучением кандидатов. Соискателям, которые после первичной оценки по каким-то параметрам не прошли отбор, система рекомендует пройти корпоративное обучение. Затем ему предлагается сдать экзамен и попробовать еще раз.

Мы хотим сделать Skillaz системой с элементами искусственного интеллекта. Но пока это скорее «Tinder в сфере рекрутинга». Рекрутеры и нанимающие менеджеры говорят, подходит или не подходит им соискатель вакансии, а машина анализирует результативность пути каждого кандидата.

Машинное обучение помогает нам оценивать эффективность сотрудников, нанятых с помощью нашей системы. Мы делаем это дважды — через 6 и 12 месяцев с начала их работы в компании. Это аналитическая работа с последующим прогнозом деятельности.

Сейчас на рынке недостает открытых данных, чтобы строить валидные модели и правильно обучать AI-системы. Но работать с машинным обучением необходимо. Поэтому мы агрегируем огромное количество данных о кандидатах и обучаем свою систему — замыкаем ее на обратную связь об успешности кандидатов внутри компании, и это дает некоторые возможности для предиктивного прогнозирования.

Мы доверили боту поиск кандидатов и первую коммуникацию. Это может быть автоматический звонок, SMS-информирование, письмо на электронную почту, сообщения в социальных сетях и мессенджерах. Соискатели реагируют по-разному — все зависит от человека и региона, где он живет. Сильно повышает лояльность автоматический звонок кандидату с записанным джинглом компании. Первичную коммуникацию с роботом уже прошли 5 млн человек.

Наши инструменты — все вместе — составляют роботизированную систему. На выходе нанимающий менеджер получит большой профайл о кандидате с двумя кнопками: «Хочу позвать его на собеседование» и «Не хочу». Все дополнительные данные уже собрала машина.

Большие компании должны уже сейчас собирать все возможные данные про людей. В дальнейшем их можно использовать для подбора «звездных» команд. Когда наберется достаточно данных, всю воронку массового подбора персонала можно будет сделать автоматической — первичная нагрузка ляжет на робот, а человек будет только модерировать процесс и принимать финальные решения.

Сервиса «нажал одну кнопку и подбор в компании стал идеальным» — не существует. Мы пытаемся доносить это до клиентов. Необходимо качественно автоматизировать процессы подбора, научиться правильно накапливать данные и «процессить» кандидатов — и тогда «светлое Big Data будущее» станет возможным.

До конца года мы планируем привлечь около $3 млн. Это будет третий раунд инвестиций. В первом мы получили $150 тысяч от группы инвесторов (назвать их имена не можем). Во втором — несколько сотен тысяч долларов в Skillaz вложил фонд Salt&Pepper Capital Сергея Румянцева.

Мы строим решение с архитектурой вроде AppStore. В нем будет много различных средств поиска и оценки кандидатов для крупных, средних и малых предприятий. Кроме уже существующих инструментов, появится автоматическое распознавание видеоконтента  — чтобы по видео оценивать психологические компетенции кандидата. Система также сможет распознавать сказанное человеком в ходе видеоинтервью и вести небольшое собеседование по дереву ответов.

В будущем я вижу Skillaz большим интернет-магазином средств поиска и оценки кандидатов. Работодатель выбирает необходимые ему фишки (будь то видео-интервью с деревом ответов, геймификация, первичный поиск или что-то еще) и получает динамическое ценообразование в зависимости от выбранных функций. Поэтому мы прорабатываем интеграцию со сторонними приложениями — например, сервис SkyEng поможет нам оценивать английский язык кандидатов. Интеграция проходит по двум сценариям: либо процент от будущих сделок, либо покупка API по стандартному чеку.

Европа — наш главный приоритет после России. Европейский рынок менее конкурентен, чем Силиконовая долина, и ближе по менталитету, чем Азия. Выйти на него планируем осенью этого года — это будут англоговорящие страны и Восточная Европа. После этого возьмем паузу — займемся масштабированием команды и адаптацией продукта под конкретные страны.