با نسل جدید منابع انسانی چه می کنید؟

انواع نسل‌ها

• نسل سنتی‌ها

این نسل شامل افرادی با وفاداری بالا به سازمان، احترام به سلسله مراتب، ترجیح کارهای پایدار و عدم تمایل به تغییر شغل است.

• نسل انفجار جمعیت

افرادی سخت کوش، با انگیزه، علاقه مند به پیشرفت‌های شغلی، رقابت پذیر و البته سنتی این نسل را تشکیل می دهند.

• نسل X

نسلی که از کودکی با تکنولوژی آشنا شده است. با کامپیوتر دوست، استقلال طلب و انعطاف پذیر است.این نسل به توازن بین کار و زندگی علاقه مند است. از مهمترین ارزش های عمومی این نسل تمایل به یادگیری است.

• نسل Y

ما با گروهی علاقه‌مند به تکنولوژی، منعطف و البته کمی تنبل مواجه ایم. نسلی که معنادار بودن شغل برایش ترجیح است. نسلی که برای پیشرفت و توسعه ی شغلی صبور نیست. نسلی که بسیار عجولانه تصمیم می گیرد.

• نسل Z

وندها، شهروندان دیجیتالی اند. آنها با تکنولوژی متولد می شوند. عاشق ارتباط کوتاه و سریع، آزدی خواه و تنوع طلب است. ارزش اجتماعی برایش اهمیت دارد. برای همین عاشق تایتل های شغلی عجیب می شود. مدیریت واحد مدیریت مدیران یکی از عجیب ترین نام هایی بود که شنیده ام.

• نسل آلفا

این نسل با تکنولوژی بزرگ نشده، بلکه در تکنولوژی بزرگ شده است. کم صبر و بدون تحمل است. از کودکی محتوای سریع دیده و به هیچ عنوان منتظر چیزی نخواهد ماند. شما نباید انتظار داشته باشید که حتی برای پیش درآمد یک موسیقی تحمل داشته باشد.

سیستم های سنتی و مواجهه با نیروی انسانی

سیستم‌های سنتی برنامه‌ریزی منابع سازمانی سنتی با پایگاه‌های داده رابطه‌ای هفته‌ها طول می‌کشد تا پیش‌بینی درست و قابل استنادی را فوراً ارائه دهند. در حقیقت باید گزارش هایی مبتنی بر دقیق ترین اطلاعات ارائه شود، تا بهترین تصمیم ها گرفته شود. مدیران ارشد از طریق تجزیه و تحلیل های پیشرفته ای که گذشته و آینده را بررسی می کند و با توجه ویژه به اطلاعات مربوط به زمان حال و وضعیت فعلی بهترین تصمیمات را اتخاذ می کنند. ادغام یادگیری ماشین (ML) در سیستم های ERP مالی چندین مزیت از جمله افزایش دقت، کارایی و صرفه جویی در هزینه را ارائه می دهد. همچنین، سیستم های ERP در نظارت بر جنبه های مختلف مدیریت سرمایه انسانی (HCM) در سازمان ها حیاتی هستند. عملکرد کارکنان توجه مدیریت را جلب می کند. به ویژه، برای تضمین این که کارکنان مناسب در زمان مناسب به وظایف مناسب اختصاص داده می شوند، آنها را آموزش داده و واجد شرایط می کنند و سیستم های ارزیابی برای پیگیری عملکرد آنها و تلاش برای حفظ استعدادهای بالقوه نیروی انسانی ایجاد می کنند. قطعا پیش بینی صحیح حقوق کارکنان برای توزیع کارآمد منابع، حفظ استعدادها و تضمین موفقیت کل سازمان ضروری است. روش‌های متداول پیش‌بینی حقوق سیستم ERP معمولاً از گزارش‌های ثابتی استفاده می‌کنند که فقط وضعیت فعلی سیستم را نشان می‌دهند. این مدل اندازه گیری حقوق و دستمزد بدون تجزیه و تحلیل داده‌های مربوط به بهره وری کارکنان یا ارائه توصیه‌های مدیران یکی از مهمترین دلایل نارضایتی عمومی منابع انسانی است. باید برنامه ای هوشمند برای تسهیم درست منابع حقوق برای کارکنان در نظر گرفت تا بهترین بهره وری سازمان محقق گردد.

از دهه 1960، زمانی که اولین سیستم برنامه ریزی منابع سازمانی توسعه یافت، تاکید بیشتر بر ساده سازی و افزایش کارایی فرآیندهای شرکت از طریق یکپارچه سازی بوده است. معماری اساسی این سیستم ها عمدتاً مبتنی بر داده بود. داده ها با ترجیح برای استفاده از معیارهای کمی برای تعیین بهترین انتخاب های سازمانی مورد استفاده قرار می گرفتند.

مطالعات متعددی به چگونگی ترکیب یادگیری ماشین در سیستم‌های ERP با هدف بهبود کارایی تصمیم‌گیری پرداخته‌اند. به عنوان مثال، یک سیستم ERP پیشنهاد کرد که از یادگیری ماشین برای پیش‌بینی کیفیت محصول و بهینه‌سازی زنجیره تامین استفاده می‌کند، در حالی که یک سیستم توصیه مبتنی بر یادگیری ماشین را برای پشتیبانی تصمیم در سیستم‌های ERP پیشنهاد کرد. امروزه کسب و کارها در مدیریت زنجیره تامین خود با مشکلات مختلفی از جمله برنامه ریزی تولید ناقص، پیش بینی نادرست تقاضا و مدیریت ناکارآمد موجودی مواجه هستند. برای برنامه ریزی تولید، یک الگوریتم بهینه سازی ازدحام ذرات پیشنهاد شد که به طور قابل توجهی هزینه های تولید را کاهش داد. برای مدیریت موجودی، یک استراتژی یادگیری تقویتی پیشنهاد شد که صرفه جویی قابل توجهی در هزینه ایجاد کرد.

حاکمیت داده، مجموعه مهارت‌ها و شفافیت مدل چالش‌های ماشین هستند. چندین مطالعه به چگونگی ادغام یادگیری ماشین با ERP مالی پرداخته‌اند. به عنوان مثال، چارچوبی برای ادغام یادگیری ماشین با ERP برای بهبود پیش بینی رویدادهای مالی مانند ورشکستگی ارائه شد. برای پیش بینی ورشکستگی، آنها مدل هایی را با استفاده از الگوریتم های یادگیری ماشین و نسبت های مالی به دست آمده از سیستم های ERP ایجاد کردند. یافته‌های آن‌ها نشان داد که استفاده از الگوریتم‌های یادگیری ماشینی، قابلیت پیش‌بینی رویدادهای مالی را افزایش می‌دهد.

در زمان‌های اخیر، این پارادایم از یک رویکرد صرفا کمی به یک رویکرد کیفی تر، به ویژه در حوزه مدیریت منابع انسانی و ارزیابی کارکنان تغییر کرده است. در حال حاضر، روش‌های سنتی بررسی عملکرد قادر به ارائه بازخورد به موقع، ردیابی عملکرد در زمان واقعی یا بهبود فرصت‌های کارکنان نیستند. علاوه بر این، احتمال ارتقای شغلی یک کارمند ممکن است با گزارش مغرضانه یا نادرست سرپرست آسیب ببیند. بخش عمده ای از روش های ارتقای موجود سازمان ها باید گمراه کننده تلقی شوند زیرا به نظرات سرپرستان وابسته است.

به این نکته توجه ویژه داشته باشید: طراحی مسیر پیشرفت شغلی، مهمترین وظیفه ی واحد مدیریت منابع انسانی یک سازمان است. سازمان ها باید عملکرد کارکنان را با انتظارات مقایسه کنند و اقدامات پیشگیرانه و اصلاحی را برای جلوگیری از کاهش عملکرد کارکنان به کار گیرند. همچنین به شرکت این توانایی را می دهد که الهام بخش کارمندان برای افزایش بهره وری، محیط کاری و مهارت های کاری آنها باشد. همچنین به بخش هایی اشاره می کند که نیاز به به روز رسانی یا تغییر دارند. فرسودگی کارکنان نتیجه عملکرد ضعیف است و این بدون شک بر بهره وری و فرهنگ شرکت تأثیر منفی خواهد گذاشت.

ارزیابی عملکرد کارکنان در هر سازمانی حیاتی است، زیرا تاثیر قابل توجهی بر عملکرد شغلی کارکنان و بهره‌وری شرکت دارد. بخش منابع انسانی کارمندان را برای دستیابی به اهداف شغلی خود در سازمان همراهی می کند. در نتیجه، یک سازمان با حفظ کارکنان کارآمد، آماده سازی آن‌ها برای آینده ای محتوم و ارائه ی برنامه ی پیشرفت شغلی درست، گروهی از افراد تحصیل کرده ایجاد می کند، که به نوبه خود رهبران شایسته ای در آینده خواهند شد.

سیستم های برنامه ریزی منابع سازمانی (ERP) یک دیدگاه یکپارچه و به طور مداوم از فرآیندهای اصلی کسب و کار ارائه می دهند و به سازمان ها اجازه می دهند تا عملیات خود را بهینه کنند. عملکرد سیستم ERP این است که بهترین شیوه ها را برای مدیریت مسئولیت های دپارتمان های متعدد در داخل یک کسب و کار به کار گیرد. سیستم های ERP در حال حاضر یکی از حیاتی ترین عناصر هر شرکت موفقی هستند و روز به روز ضروری تر می شوند.

با این تصور که هوش مصنوعی (AI) شکلی از هوش است. این هوش توسط کامپیوتر یا نرم افزار نشان داده می شود، و همین دلیل هوش مصنوعی (AI) نامیده می شود. ممکن است شامل همه چیز از فرآیندهای خودکار ساده گرفته تا سیستم های بسیار پیچیده باشد که می توانند نتایج را از طریق تجزیه و تحلیل داده ها پیش بینی کنند. روش ارجح برای توسعه نرم‌افزار یا رایانه‌هایی که می‌توانند داده‌های جمع‌آوری‌شده را درک کنند، از آنها یاد بگیرند و براساس الگوهایی که رایانه می‌تواند تشخیص دهد، قضاوت کند، هوش مصنوعی (AI) است. این الگوها ممکن است کمی بیش از حد چشمگیر باشد که انسان نتواند متوجه آن شود یا به سرعت و با دقت محاسبه کند.

بخش یادگیری ماشین (ML) هوش مصنوعی به خودکارسازی فرایند ساخت مدل‌های منطقی کمک می‌کند. این مبتنی بر این ایده است که رایانه ها قادر به یادگیری از داده ها، شناسایی الگوهای موجود در آن و نتیجه گیری با حداقل کمک از سوی انسان هستند. ما برای نسل های مختلف الگوی های مختلفی که برای آن نسل شخصی سازی شده است را فراهم می کنیم. از آنجایی که ترفیعات سازمانی تاثیر قابل توجهی بر مشاغل، عملکرد، نگرش ها، وفاداری، مسئولیت ها و بهره وری عمومی کارکنان دارد، ترفیعات در اکثر سازمان ها بسیار مهم است. علاوه بر سایر جزئیات غیرقابل جایگزین، یک شرکت تجارب طولانی مدت کارکنان و روابط مشتری را از دست می دهد. ما می توانیم مشخص کنیم که آیا یک کارمند خاص الگوی بهبود را بر اساس ارزیابی های عملکرد قبلی نشان داده است یا خیر. اطلاعات نادرست می تواند منجر به پاداش نیروهای ناشایست به جای نیروهای کوشا شود. تصمیم گیری در مورد اینکه کدام پرسنل باید ارتقاء یابد یا کدام پرسنل مستحق تنزل درجه است، اساسی ترین چالش واحدهای منابع انسانی سازمان های دنیای مدرن است.

کسب‌وکارها قصد دارند از فناوری برای کشف کارایی‌ها و بینش‌های جدید استفاده کنند، استفاده از تکنیک‌های یادگیری ماشین در سیستم‌های ERP راه امیدوارکننده‌ای را پیشنهاد می دهد. ترکیب روش‌های ML در سیستم‌های ERP فرصتی استراتژیک برای بهبود دقت و اثربخشی پیش‌بینی‌های حقوق و دستمزد فراهم می‌کند و به سازمان‌ها کمک می‌کند تا استراتژی‌های جبران خسارت را ارتقا دهند و در بازار استعدادها رقابتی باقی بمانند. الگوریتم‌های یادگیری ماشینی می‌توانند کارمندانی را شناسایی کنند که ممکن است شغل خود را به دلیل نارضایتی از حقوق خود ترک کنند و امکان اقدامات پیشگیرانه برای حفظ آنها را فراهم کنند.

با استفاده از یادگیری ماشین (ML) و برنامه ریزی منابع سازمانی (ERP) با هم، سازمان ها می توانند حقوق کارکنان را به طور موثرتری پیش بینی کنند. این رویکرد شامل تجزیه و تحلیل داده های مختلف، از جمله تحصیلات، تجربه، موقعیت شغلی و معیارهای عملکرد، برای برآورد دقیق حقوق یک کارمند است. این رویکرد به استفاده از داده ها تضمین می کند که حقوق ها به طور منصفانه و بی طرفانه بر اساس معیارهای مناسب تعیین می شوند. الگوریتم‌های یادگیری ماشینی می‌توانند داده‌های دستمزد و روندهای بازار را تجزیه و تحلیل کنند تا بینش‌هایی در مورد بازه‌های دستمزد معمولی برای نقش‌ها و موقعیت‌های مختلف ارائه کنند.

مهندس جمال فاطمی زمستان ۱۴۰۳