Казалось бы, рекрутинг высококвалифицированных сотрудников не может быть продуктом. Это процесс, который невозможно полностью автоматизировать: речь идёт о людях и их мастерстве. Особенно дело касается преподавателей, где в отличие от многих профессий процесс их привлечения включает много этапов: разностороннюю оценку квалификации, опыта, навыков, проверку биографии и так далее.

Однако мы с этой задачей справились, у нас просто не было другого выбора. Когда нужно привлекать по 800–1 000 новых преподавателей в месяц, невозможно делать это ручными методами, поэтому нам пришлось построить автоматическую систему найма, через которую сегодня проходит до 150 000 кандидатов в год. Это один из самых массовых наймов преподавателей в мире.

Меня зовут Саша Осколкова, я продакт-менеджер команды Teachers Hiring. Хочу рассказать, как мы решали задачу отбора квалифицированных преподавателей в автоматическом режиме и каких результатов в итоге добились.

Рассмотрим это на примере преподавателей английского языка, поскольку здесь мы ведём самый большой рекрутинг. Сегодня в нашей базе — порядка 70 процентов рынка СНГ, то есть, получается, примерно трое из четырёх всех существующих преподавателей языка хотя бы раз проходили нашу воронку найма.

Для крупной онлайн-школы задача найма стоит непрерывно, и набор большого количества преподавателей высокого класса становится критически важным для быстрого роста бизнеса. Бизнес Skyeng рос очень быстро — до трёхкратного увеличения за год. Число учеников увеличивалось геометрически, и рекрутинг должен был успевать за ним. Пять лет назад это было 100 новых преподавателей в месяц, три года назад стало 300, а потом, в пиковые моменты, — 400 и 500 человек, причём классных профессионалов, которых нужно было находить быстро. Стало очевидно, что старые методы и каналы найма не подходят, и в Skyeng решили оптимизировать этот процесс за счёт его автоматизации. Причём задача ставилась таким образом, чтобы не увеличивать затраты на поиск одного нового учителя.

С чего всё начиналось

А начиналось всё как у всех: мы использовали CRM-систему, отдельные элементы которой пытались как-то автоматизировать. Но, поскольку это не решало проблемы, мы решили создать что-то вроде сервиса самообслуживания для кандидатов в преподаватели, чтобы в этом сервисе они могли самостоятельно проходить первоначальные этапы «собеседования», а уже потом (если всё было успешно) к процессу подключался бы человек. Причём уже не рекрутер, а скорее оператор такой системы, которому не нужны рекрутинговые навыки. А на последнем этапе мы проводим «живой» тест — тренировочный урок, где один на один с нашим методистом оцениваются методика и софт-скилы претендента.

Первую версию системы онбординга мы запустили в 2019 году. А в конце 2022-го подключили ML-модель (Machine Learning), на основе которой происходит первый этап отбора. А далее подключается автоматизация шагов для преподавателя. Система оценивает речь кандидата, записанную при подаче заявки, как профессиональный методист. Затем исходя из своей оценки и параметров анкеты маршрутизирует заявки — часть отсеивается, часть направляется на дальнейшие шаги: выбор направления, тестовое занятие, обучение работе с платформой, набор учеников и так далее. При этом кандидат, даже если он не прошёл какой-то этап, всегда может вернуться: его «уровень» в базе сохраняется, и он может повышать его — не нужно все этапы проходить заново.

Наша система автоматического рекрутмента продолжает дорабатываться, поскольку пока нам иногда ещё приходится вмешиваться, чтобы «протолкнуть» застрявший на каком-то этапе процесс. Но сейчас это бывает уже довольно редко.

Как происходит 1-й этап процесса отбора

После того как претендент регистрируется у нас в системе подбора персонала, он сразу попадает в сервис онбординга и видит перед собой на экране всю процедуру собеседования, которую должен пройти.

Прежде всего потенциальный преподаватель заполняет анкету. Затем он должен ответить на четыре главных вопроса в аудиоформате. Естественно, на английском языке. Именно здесь проходит первый отсев — не только по языку, но и по анкетным данным: образование, опыт, профиль, ещё какие-то параметры могут не подойти.

Своё или чужое

Ранее у нас, как и у многих, для записи использовался популярный видеосервис VCV: масса рекрутинговых компаний использует именно его на этапе начального отбора кандидатов. Но через некоторое время мы отказались от VCV по целому ряду причин:

• Во-первых, это достаточно жёсткая система, которая во многом нам не подходила. У сервиса были ограничения в настройках и отсутствовала возможность подстраивать его под наши требования. Мы не могли построить бесшовный флоу для кандидата: он должен был уходить в другие системы на каких-то этапах, и с его возвратом обратно на онбординг были сложности.
• Во-вторых, разработчики предоставляли нам недостаточную аналитику. Это первый этап отбора, на нём отваливалось почти 50 % кандидатов, а мы не могли понять, где именно это происходило: не могли подключить камеру, пугались конкретного вопроса или что-то ещё.
• В-третьих, все дополнительные функции реализовывались медленно и обходились дорого. Нас это не устраивало, поскольку мы же ещё и платили за сервис (около 700 или 800 тысяч рублей в год), так как система предоставлялась нам как бы в аренду. Соответственно, мы не могли интегрировать этот сервис в нашу систему онбординга.

Кроме того, мы выяснили, что выбор видео для этой задачи был в целом неверным решением. Оказалось, что многие кандидаты даже не приступают к этому этапу — созданию видео! К видеозаписи надо подготовиться: хорошо одеться, привести себя в порядок. Там же другие люди будут смотреть. Надо потренироваться говорить, придумать какую-то речь. Поэтому многие откладывают эту задачу, а то и вовсе решают отказаться от попыток. И они как бы уходят с поля, а значит, наша воронка найма теряет их. Падают и скорость прохождения, и количество кандидатов.

Оценив все плюсы и минусы, мы решили сделать собственный сервис, причём сориентировав его исключительно на аудио.



Наш сервис ACV (Audio CV) записывает голос кандидата: мы решили, что на первом этапе нам неважно, как выглядит человек. Внешний вид мы всё равно сможем проверить дальше на очном тренировочном уроке, а вначале мы хотим только услышать его. Сначала, в первой версии решения, записанную речь кандидатов оценивали наши методисты. Потом произошёл переворот — мы стали использовать модель на основе машинного обучения (ML-модель).

Искусственный интеллект для оценки кандидатов

Мы внедрили в наш сервис ML-модель, которая заменила методиста-человека. Это решение оценивает запись и на основе этой оценки (а также анкетных данных) отправляет человека дальше по маршруту рекрутинга. Ну или отказывает ему в приёме, например, из-за недостаточного уровня языковых знаний и опыта.

ML-модель способна имитировать оценку человека-методиста с достаточной точностью. Причём в отличие от человека она делает это быстро — в течение пяти секунд, поэтому кандидату не надо ждать целый день, пока методист не проверит все данные и не сделает вывод. Такая система позволяет нам автоматизировать значительную часть процесса найма преподавателей.

Важно сказать, что оценка ML-модели базируется не на проверке степени владения языком. Задача для неё была поставлена по-другому. Модель должна заменить методиста, который смотрит не только на уровень знания языка, а на совокупность других факторов: разнообразность грамматики, темп речи, произношение и т. п. То есть на все параметры, которые важны для преподавания. Методист их аккумулирует и даёт взвешенную оценку, используя наработанный опыт и ориентируясь на актуальные потребности школы.

На этом этапе нам некритично понимать, на каком именно уровне владения языком находится кандидат — Advanced или Upper-intermediate. Важно знать, что в целом он владеет английским на достаточно высоком уровне. Задача первичного отбора — отсечь тех, кто нам точно не подходит по совокупным параметрам.

Как обучали ML-модель

Для обучения модели машинного обучения мы загружали массив данных, уже оценённый методистом по шкале с пятибалльной градацией. По этой шкале человек обычно может получить от 30 до 60 баллов.

В первой версии модель отлично попадала в оценку методиста на уровне 30–35 и 50–60 баллов. То есть очень хорошие и очень плохие записи она и без сильных надстроек могла хорошо распознавать. Там очень высокая вероятность попадания, но 5 % нужного трафика у нас всё равно могло отсечься.

Учитывая, что у нас нормальное распределение оценок кандидатов и большинство людей оценивается как раз посередине кривой — между 40 и 45 баллами, — здесь уже было сложнее. В этом диапазоне определить разницу для модели было трудно. Кроме того, в одночасье мы поняли, что наши «эталонные методисты» не совсем пригодны на роль «эталона».

Как и на всех людей, на их оценки могут влиять посторонние факторы. Например, их оценки зависят от того, какой сезон, какой идёт трафик. Если трафик пошёл получше, то они склонны немножко занижать оценки. Если претендентов недостаточно, то они склонны чуть-чуть завышать оценки, потому что план есть план и кто-то же должен пройти.

Поэтому, проведя несколько экспериментов, мы создали второй набор данных, который был размечен несколько по-другому. Мы попросили методистов каждую из четырёх аудиозаписей, которую предоставлял кандидат, оценивать отдельно, а не все суммарно. И с помощью этого набора сейчас проходит обучение вторая ML-модель, которая уже способна хорошо различать результаты на уровне 40–45 баллов. Для контроля у нас, кстати, организованы прослушка и оценка каждой двадцатой аудиозаписи, после чего результат сравнивается с оценкой модели. Это также учитывается при обучении системы.

Если модель успешно пройдёт все тесты, то мы переведём систему на неё, исключив участие методистов. Они останутся только для перепроверки и корректировки модели.

Кстати, система также учитывает сезонность набора — в неё включён ограничитель, своего рода шлюз. Обычно проходной балл у нас — 45, это уже качественный преподаватель, но в низкий сезон мы можем ещё завысить планку до 50, чтобы отбирать только самые сливки. Всем остальным отказываем, хотя многие из них вполне подходят по своим характеристикам. То есть мы не снижаем планку в высокий сезон, а завышаем её в низкий.

Как мы маскировали робота

Мы стараемся не сообщать нашим потенциальным кандидатам, что результаты первого этапа процедуры найма оценивает автоматизированная система. Часто люди с гуманитарным уклоном не слишком доверяют технологиям: претендентам кажется, что такой робот не может точно оценить их навыки как преподавателя. Для них важно, чтобы это проверял человек, они ожидают индивидуального внимания к себе. Особенно это преподаватели со стажем. Многие из таких людей достаточно инертны по отношению к инновациям и технологиям. Они не очень им доверяют, поскольку не понимают, как это работает, и предпочитают взаимодействовать с человеком, если есть выбор — человек или робот, когда дело касается оценки их компетенций. Их можно понять: они далеки от всего этого.

Чтобы смягчить для них взаимодействие с автоматической системой при прохождении рекрутинговых мероприятий, мы придумали такой ход, как имитация проверки человеком. Например, мы задерживаем выдачу результата кандидату. Мы не выдаём его сразу через пять секунд, за которые система уже создала вердикт. Пусть человек лучше подождёт лишние 10 минут: это даст ему возможность почувствовать, что к нему отнеслись с вниманием. А потом, если кандидат прошёл проверку с хорошим баллом, он видит «Поздравляем!» и идёт дальше.

Шумы, акценты и прочие проблемы, с которыми справляется система

Люди, как и используемая ими техника, могут вносить помехи в работу ML-модели. Но мы научились с ними справляться.

Например, при записи могут проявиться посторонние шумы: у кандидата микрофон низкого качества или какое-то влияние внешней среды (машины, птицы, какая-то техника фонит). Для отслеживания таких ситуаций система использует ещё один модуль на основе технологии машинного обучения, который был обучен определять низкое качество записи. В этом случае система просит преподавателя повторить запись.

Кроме того, наша система делает техническую проверку на используемый язык при прохождении этапов. Мы сталкивались с тем, что по невнимательности кандидаты начинают писать не на том языке. Например, на некоторые вопросы нужно отвечать на русском языке, а они делают это на английском.

Ещё одна задача связана с акцентами. Нам важно, чтобы преподаватели говорили на русском без акцента, потому что у нас в основном русскоязычная публика, более того, у нас большой процент обучающихся детей. Хорошее владение русским языком — важный параметр для выбора кандидата. Пока мы не смогли обучить нашу модель распознавать акценты. Пробовали, было забавно, но пока ещё не удалось собрать достаточный набор данных для этой задачи.

Каковы следующие этапы процедуры привлечения и рекрутмента

Прошедшие первый этап люди в зависимости от того, какая роль им присвоена, т. е. на каком уровне они потенциально могут работать, проходят минимальное обучение по работе с нашей платформой.



После этого они записываются на тренировочный урок, где вместе с методистом имитируют реальный урок: кандидат — в позиции учителя, методист — как ученик, они разыгрывают разные ситуации.

Дальше методист оценивает кандидата по большому количеству параметров, и вуаля — мы делаем человеку предложение о работе. Ну или пока отказываем ему. Но у него всегда есть шанс попробовать снова!

Если кандидат принимает наше предложение, то уже выводим преподавателя на адаптацию, где он доучивается, осваивая наши стандарты работы и какие-то нюансы работы с платформой. Параллельно он уже набирает учеников, делает видеовизитку и аудиорассказ о себе. И начинает вести свои уроки.

Воронка найма и автоматизация

Воронка набора персонала следует модели, очень похожей на воронку продаж, в том числе измеряет общее количество учителей на каждом этапе процесса рекрутинга и динамику в процентах. После внедрения автоматизированной системы у нас сразу возросла конверсия. То есть мы можем работать не только масштабно (наша компания на сегодняшний день «перешерстила» практически весь рынок, огромный массив данных по России и СНГ), но и чрезвычайно продуктивно.

Кроме того, мы наконец избавились от «чёрного ящика». Мы чётко понимаем, как проводится оценка кандидата, как система управляет трафиком и какие экраны нам нужны для удобства всех участников. Мы видим, как претендент реагирует на нашу методику.

Самое главное — мы оставляем его на онбординге. Он не уходит никуда во внешние системы.

Поэтому мы можем возвращать в воронку найма людей, которые когда-то уже проходили через систему. В последнее время у нас в воронке — порядка 30–50 % возвращенцев. Это люди, которые не первый раз, а зачастую и не второй, приходят снова пробоваться либо уже были у нас преподавателями и возвращаются. И наша система умеет работать с таким повторно приходящим трафиком.

Если человек был у нас зарегистрирован и мы видим, что он дошёл до определённого этапа с определёнными баллами и потом отвалился, то после повторной регистрации мы сразу отправляем его на тот этап онбординга, откуда он ушёл. Кандидату не приходится ещё раз делать то, с чем он справился раньше. То есть он продолжает двигаться по процессу и в результате сможет-таки оказаться в наших рядах. Это важно, поскольку это огромное количество наших потенциальных преподавателей и существенное прибавление в наш доход. Просто потому, что мы увеличили число лидов за счёт т. н. возвращенцев и этим техническим решением с нормальными возвратами сэкономили порядка 800 тысяч за месяц на маркетинге.



Эффективная воронка набора даёт возможность в случае резкого роста продаж быстро увеличить набор персонала. По ходу процесса можно корректировать моделирование целевого набора, чтобы сделать его более точным. А с помощью накопленной аналитики мы можем даже пытаться предсказывать скачки спроса на основе исторических данных и соответствующим образом регулировать набор.