إنه مشهد مألوف: نحن في الأسبوع السابق لاجتماع القيادة، وأنت تعكف على إعداد عرض تقديمي حول القوى العاملة استناداً إلى بيانات مستخرجة من مصادر متعددة. تجد أن ملف أعداد الموظفين في نظام معلومات الموارد البشرية (HRIS) لا يتطابق مع سجلات الإدارة المالية، وأن بعض المناطق صنّفت المستويات الوظيفية بطرق مختلفة، بينما يرغب أحد القادة في معرفة ما إذا كانت الزيادة في معدل دوران الموظفين (الاستقالات) تتركز لدى مجموعة محددة من المديرين أم أنها مجرد تباين طبيعي. يمكنك إعداد التقرير، لكن وتيرة اتخاذ القرار الذي يتعين عليك دعمه تتسارع لتسبق عمليات التحقق اليدوي وتحديث شرائح العرض.
قبل دخول الذكاء الاصطناعي على الخط، عادةً ما يتخذ سير عمل تحليلات القوى العاملة شكل سلسلة من عمليات تسليم البيانات؛ إذ تنتقل البيانات من أنظمة السجلات الأساسية إلى جداول البيانات، ومنها إلى الرسوم البيانية، لتتحول أخيراً إلى سردٍ تحليلي يعتمده التنفيذيون كأساس لاتخاذ القرارات. ولا تكمن نقطة الفشل الأكثر شيوعاً في عملية إنشاء الرسم البياني بحد ذاتها، بل في فقدان الثقة فيما يمثله هذا الرسم؛ وذلك نتيجة لتغير التعريفات بمرور الوقت، أو تعطل روابط الربط بين البيانات، أو تجاوز القصة التحليلية للحقائق التي يمكن للبيانات دعمها فعلياً.
يوضح ما يلي نموذجاً لسير عمل إعداد التقارير، ويبيّن النقاط التي تظهر فيها مشاكل الجودة في مراحل مبكرة، وتلك التي تطفو فيها هذه المشاكل على السطح في مراحل متأخرة.
في سير العمل الأساسي هذا، يتركز معظم الجهد في ثلاث مهام متكررة: مطابقة البيانات عبر المصادر المختلفة عند وجود تعارض بين أنظمة الموارد البشرية (HRIS) وكشوف المرتبات وأنظمة تتبع الوقت؛ وإدارة التعريفات عندما يطلب القادة مقاييس مثل “معدل التسرب الوظيفي غير المرغوب فيه” أو “نطاق الإشراف” بينما يستخدم كل فريق معياراً مختلفاً؛ وصياغة السرد التحليلي عندما يمكن للوحة البيانات نفسها أن تدعم تفسيرات متعددة ومعقولة، وذلك يعتمد على سياق الأعمال الذي يتم دمجه في التحليل.
يُعد الذكاء الاصطناعي أداة فعالة في مجال تحليلات القوى العاملة (People Analytics) عندما يكون لديك سؤال محدد ومجموعة بيانات مُجهزة بشكل جيد، وتحتاج إلى مسودة تحليلية أولية بسرعة كافية لتكون ذات أهمية في دورة اتخاذ القرار. وعملياً، يعني هذا غالباً استخدام الذكاء الاصطناعي - بعد مرحلتي الاستخراج والتنظيف الأولي للبيانات - لصياغة تقرير منظم، أو إجراء مقارنات بين فئات مختلفة، أو اقتراح قائمة مختصرة بالعوامل المحتملة التي تستحق مزيداً من البحث. وتتمثل الفائدة هنا في تسريع الانتقال من مرحلة البيانات الخام إلى سرد جاهز لاتخاذ القرار، دون تخطي الخطوات الضرورية لجعل البيانات قابلة للتفسير والفهم.
استخدم الذكاء الاصطناعي في الحالات التي ينتج عنها مخرجات وسيطة ملموسة يمكنك فحصها ومراجعتها؛ مثل ملخص على مستوى الفئات يقارن معدلات التسرب الوظيفي حسب العائلة الوظيفية، أو الموقع الجغرافي، أو فترات الخدمة، أو مدة خدمة المدير. أو مسودة سردية تربط بين حركة الموظفين، وأعدادهم، وساعات العمل الإضافي، وحالات الغياب في قصة متكاملة لمراجعة العمليات الشهرية. أو مسودة تنبؤية تتوقع أعداد الموظفين والاحتياجات التوظيفية بناءً على افتراضات محددة، مما يتيح بدء مناقشات تخطيط القوى العاملة بالاعتماد على نموذج جاهز بدلاً من البدء من الصفر. وفي كل خطوة من هذه الخطوات، يتعين عليك مراجعة المسودة ومقارنتها بالتعريفات المعتمدة (كمصدر موثوق للمعلومات)، والتأكد من التعامل الصحيح مع الفئات الحساسة، وتحديد ما هو مناسب لرفعه إلى القيادة العليا.
تُعد المفاضلة بين الارتباط والسببية نقطة الفصل التي تحدد ما إذا كانت الرؤية المستمدة بمساعدة الذكاء الاصطناعي ستتحول إلى توصية موثوقة أم إلى خطأ فادح ناتج عن ثقة مفرطة. فالارتباط يعني أن متغيرين يتحركان معاً في بياناتك، بينما تعني السببية أن تغييراً معيناً قد أدى إلى حدوث تغيير آخر؛ وهذا يتطلب عادةً تصميماً بحثياً أقوى مما يمكن أن توفره بيانات القوى العاملة القائمة على الملاحظة والرصد. لذا، عندما يطرح الذكاء الاصطناعي عوامل محتملة للتسرب الوظيفي أو لاختلافات الأداء، يجب التعامل معها كفرضيات تخضع للاختبار والتحقق من خلال تصنيفات تحليلية إضافية، والمعرفة التشغيلية، واستخدام أساليب تحليلية أكثر قوة كلما أمكن ذلك.
استكشف خريطة القدرات أدناه لتحديد أجزاء سير العمل التي يمكن دعمها بالذكاء الاصطناعي، وتلك التي تتطلب حكماً مهنياً صريحاً ومباشراً.