Ecco la scomoda verità: la maggior parte delle aziende prende decisioni critiche sulla forza lavoro riguardo a chi assumere, sviluppare e impiegare basandosi su dati incompleti e statici. E man mano che l’AI assume un ruolo centrale in queste decisioni, il problema della qualità delle scelte peggiora. La differenza tra un sistema di gestione delle competenze che funziona davvero e uno che finisce per restare inutilizzato risiede nell'architettura dati sottostante. Senza un'architettura dei dati di qualità, l'AI non fa altro che commettere errori più velocemente e su larga scala. Queste sei domande ti aiuteranno a vedere oltre il marketing e a valutare se una soluzione è costruita su fondamenta in grado di offrire risultati concreti quando le decisioni contano davvero.
1. La soluzione tratta le competenze come elementi probabilistici o deterministici?
Il problema: la maggior parte dei sistemi tratta le competenze come caselle da spuntare. Il dipendente X possiede la competenza Y: VERO. Ma nella realtà le competenze non funzionano in questo modo. Sono valutazioni ponderate in base al livello di padronanza che cambiano nel tempo.
Cosa cercare: Il sistema è in grado di esprimere un grado di incertezza? Può rispondere con un "sicuro all'85%" invece di un semplice "sì"? Comprende che Python per la data science è completamente diverso da Python per lo sviluppo web? Se il sistema non è in grado di dirti quanto è affidabile nelle sue valutazioni, allora sta semplicemente tirando a indovinare. E non hai alcun modo di sapere quando le sue supposizioni sono sbagliate.
2. Acquisisce segnali dall'ambiente di lavoro o soltanto dati registrati?
Il problema: I registri di formazione mostrano ciò che le persone hanno studiato. Le autovalutazioni indicano ciò che pensano di saper fare. Nessuna delle due opzioni dice ciò che possono effettivamente realizzare quando serve.
Cosa cercare: Il sistema si Connect al luogo di lavoro effettivo? Può rilevare segnali da GitHub, Jira, Confluence e dagli strumenti di gestione dei progetti utilizzati? La migliore prova di funzionalità non è un certificato di completamento del corso, ma l'effettiva dimostrazione delle attività lavorative svolte. Se il sistema conosco solo elenchi di corsi di formazione svolti e valutazioni annuali, non è in grado di intercettare i segnali più importanti.
3. Capisce il contesto o si limiterà ad abbinare parole chiave?
Il problema: "Python" non è una competenza unica. Python per la data science (pandas, scikit-learn) è completamente diverso da Python per lo sviluppo web (Django, Flask) o l'automazione DevOps. I sistemi che si basano solo sulla corrispondenza di parole chiave offrono indicazioni insufficienti.
Cosa cercare: Il sistema comprende il contesto semantico? Riesce a distinguere fra "analisi dei dati" in un contesto finanziario e quella in un contesto di marketing? Sa che le competenze in React per creare dashboard sono diverse dalle competenze in React per creare app mobile? Senza comprensione semantica, l'abbinamento di parole chiave diventa solo un costoso sistema per la ricerca di parole chiave e poco altro.
4. Modella il decadimento temporale?
Il problema: Una competenza utilizzata ieri vale più di una usata tre anni fa. Le competenze si affinano con l’uso. Svaniscono se non vengono aggiornate. La maggior parte dei sistemi le tratta tutte allo stesso modo.
Cosa cercare: informati sulla "recenza": a quando risale l'ultima dimostrazione di una competenza? Frequenza: con quale frequenza viene utilizzata? Traiettoria: si sta consolidando o deteriorando? Se ogni competenza viene considerata valida indipendentemente dal fatto che sia stata applicata la settimana scorsa o tre anni fa, i dati diventano inaffidabili nel momento in cui una persona cambia ruolo o si distacca da una funzione.
5. Sa spiegare le sue valutazioni?
Il problema: Se non capisci perché il sistema pensa che qualcuno abbia una certa capacità, non puoi confermare che sia così. Non è possibile correggere i bug del sistema. Non è possibile migliorarlo. E la fiducia svanisce rapidamente se la logica non è visibile.
Cosa cercare: Ogni valutazione dovrebbe essere supportata da una motivazione valida. Quali prove supportano questa interpretazione? Quali sistemi hanno fornito i dati? Quando è stato aggiornato l'ultima volta? Quanto è affidabile il sistema? Chi l'ha convalidato? La spiegabilità è fondamentale per prendere decisioni consapevoli.
6. Sintetizza più fonti o si basa su una sola?
Il problema: nessuna fonte da sola fornisce un quadro completo. Le autovalutazioni sono ottimistiche. Le valutazioni dei manager sono occasionali. I registri di formazione mostrano quanto un utente ha studiato, invece di valutare come ha applicato le competenze. La documentazione relativa al lavoro è sparsa fra una dozzina di sistemi.
Cosa cercare: Il sistema raccoglie molteplici segnali e li valuta in modo intelligente? Prova delle attività lavorative, attività di formazione, valutazione dei manager, convalida da parte dei colleghi, auto-valutazioni. Tutte queste fonti sono importanti. Nessuna di esse da sola è sufficiente. I sistemi che attingono a un'unica fonte ereditano ogni bias e ogni lacuna di quella fonte. Una sintesi di più fonti è più difficile da realizzare. Ma è anche l'unica cosa che funziona.
Prossimi passi
Queste sei domande da sole non consentiranno di chiudere un affare o concludere una valutazione. Però, diranno velocemente se un fornitore ha valutato seriamente il problema dei dati, oppure se si limita a proporre la tassonomia e l'interfaccia utente, sperando che tu non vada troppo a fondo della questione.
La dura verità è che la maggior parte dei sistemi di gestione delle competenze non sono nati per rispondere bene a queste domande. È qualcosa che vale la pena sapere prima di impegnarsi.
Vuoi saperne di più sul tema dei dati? Leggi il nostro blog: Skills Data: Understanding the Foundation of Workforce Intelligence.
