Hari Kolam er administrerende direktør og medstifter af Findem – Intervjuerækken

Som administrerende direktør og medstifter af Findem, er Hari ansvarlig for at drive virksomhedens overordnede retning og strategiske vækst, samt overvåge dens dag-til-dag drift. Han er en serieiværksætter og en erfaren teknolog, med næsten to årtiers erfaring i opbygning af virksomheder og skabelse af banebrydende teknologiløsninger.

Hari var tidligere medstifter og teknisk direktør i Instart, hvor han ledede virksomhedens tekniske vision og oversatte kundernes krav til realiserbare og innovative løsninger. Under sin tid i Instart, var han medforfatter til mere end 50 patenter.

Hari har også haft seniorteknisk stillinger i Aster Data, hvor han arbejdede på alle funktioner på hele udviklingsstakken, samt i Solaris Cluster-gruppen i Sun, hvor han bidrog med kritiske moduler af software.

De har været en succesfuld iværksætter med to vellykkede startups. Kan du diskutere det aha-øjeblik ved din første startup, Instart, da du indså, at skalaering af et hold er et stort problem for de fleste iværksættere?

Det var ikke bare ét, men mere en kombination af flere forskellige oplevelser. Vi nåede et punkt i Instart, hvor vi var på en ekstremt hurtig vækstbane, herunder udvidelse af virksomheden internationalt, og det fremkom en særlig udfordring. Nu er vi ved at bygge et exceptionelt hold, der er sandt diversificeret, og gør det på kort tid og på tværs af kontinentale grænser. Da vi konkurrerede med andre startups om talent og havde brug for at skala vores hold, endte vi med at lave nogle dårlige ansættelser, som satte os tilbage og skabte en masse frustration. Andre bump på vejen kom, da vi prøvede at kommunikere vores ønsker til rekrutteringsfolk. Processen var højst fejlbehæftet, og vi fandt os selv i en situation, hvor vi ofte måtte gå på kompromis med den rette ansættelse for at nå målet hurtigt. Disse var hårdtslående lektioner og udfordringer, der næsten alle iværksættere står over for, men jeg er taknemlig for, at de fik idéen og fødede ild til, hvad der førte til Findem.

Kan du så diskutere historien om lanceringen af Findem?

Findem var virkelig et direkte resultat af fejlene, jeg begik i ansættelse og skalaering tidligere i min karriere. Som enhver iværksætter vil fortælle dig, er opbygning af exceptionelle hold den vigtigste faktor i en virksomheds succes. Det er også overordentligt svært. Som person med en teknisk baggrund, er jeg tiltrukket af at løse nogle af de sværeste problemer, der fører til de største effekter, og jeg var motiveret af denne udfordring. At finde de rette ansættelser, der kan gå sammen med virksomhedens kultur og have de kompetencer, der kræves for at udføre jobbet, er meget sværere, end det lyder.

Traditionelt var den eneste måde at løse talent-skalaeringsproblemet gennem brute-force, sammen med et menneskeligt element – og processen var fuld af fejl, bias og inefficienser. Da jeg undersøgte det nærmere, slog det mig, at det i virkeligheden er et data-problem i sin kerne, og den rigtige måde at løse det på er at tilgå det som et data-problem. Ved hjælp af AI og dyb analytics, har vi bragt en succesfuld ny tilgang til processen ved at enable HR-ledere til at søge efter kandidater baseret på ønskede attributter i stedet for nøgleord eller titler på CV’er. Virksomheder bliver tiltrukket af data-baseret rekruttering, fordi det er mere effektivt, reducerer omkostninger, forbedrer lighed og resulterer i bedre kvalificerede ansættelser. Findem startede som et passion-projekt, og nu er vi i live, især blandt virksomheder, der oplever mere ansættelses-problemer, smerter og udgifter end deres mindre modparter.

Hvor vigtigt er data, når det kommer til ansættelse?

Data er utrolig vigtigt, når det kommer til at træffe effektive ansættelsesbeslutninger. For eksempel, når virksomheder prøver at bygge mere diverse hold, er sporing af medarbejder- og kandidatdata ofte en eftertanke. Det er dog afgørende, at diversitet, lighed og inklusion (DE&I) initiativer starter med gennemsigtighed om den nuværende, data-informeret tilstand af organisationen – analytics kan vise dig alt fra diversiteten af ledelsen, til hvordan du har sporet diversitet over de sidste fem år, til kompensationsforskelle, til omsætningsrater af diverse medarbejdere. Det er vigtigt at bemærke, at data-sporing bør udstrækkes ikke kun til køn og race, men også til andre faktorer, såsom alder, religion, handicap og militærtjeneste. Når du har denne data, kan du starte med at kortlægge dine mål og virkelig arbejde mod en divers og inklusiv kultur.

Også, når det kommer til at bygge en divers og inklusiv kultur gennem ansættelse, er det meget vigtigt at overvåge talent-pipeline for at sikre, at du nærer diversitet lige fra starten af kandidatsøgningen. Dette er umuligt uden den rette data.

Pipeline-analytics er også nøgle til at forstå, hvad der fungerer eller ikke i dine diversitetsrekrutteringsbemærkninger. Hvor hurtigt rekrutterer diverse kandidater? Hvilke rekrutteringsfolk er virkelig med til at flytte nålen, når det kommer til at fylde pipeline med diverse kandidater? Er du sourcing fra geografiske områder, hvor der er en højere procentdel af diverse kandidater? Data kan give svaret på alle disse spørgsmål, som du ellers ikke ville kunne besvare.

Data er også centralt i forudsigende analytics, hvor historisk data bruges til at afsløre talent, der vil udmærke sig i din virksomhed. Forudsigende analytics kan fortælle dig, hvor sandsynligt det er, at en kandidat vil fungere godt i en bestemt rolle, deres risiko for omsætning, om de vil være succesfulde i en fjernposition og andre oplysninger, der kan hjælpe dig med at pege på kandidater, der er mest sandsynligt at blomstre.

Hvad er nogle af de datakilder, som Findem indsamler information fra?

Findem samler alle offentligt tilgængelige persondata, som er verificeret og trianguleret på tværs af multiple kilder, med det formål at optage og lære om en potentielt kandidats attributter. Vi har en bibliotek med mere end 1 million attributter for hver enkelt person. Vi kan berige denne data og opdage nye attributter, hvis vores kunder vælger at integrere deres interne HR-værktøjer med Findem. Nogle eksempler på den offentlige information, vi samler, inkluderer folketællingsdata, produktkategoriinformation, virksomhedsfinansdata, markeddata, patenter og publikationsdata, uddannelsesdata og produktivitets- og færdighedsdata.

Hvordan kan arbejdsgivere bedst bruge Findem-platformen til at matche med den ideelle kandidat?

For at matche med ideelle kandidater – enten de er aktive eller passive – kan arbejdsgivere bruge vores platform til at søge efter dem baseret på en kombination af over 1 million attributter. Attributter kan være tangibelt, såsom om en person er kvinde, en tidligere grundlægger eller har arbejdet for en top-10 VC-finansieret startup, samt intangibelt, såsom om en person inkarnerer virksomhedens værdier, besidder en iværksætterspirits eller er en go-getter. Disse attributter giver et data-informeret billede af hver enkelt person og kan bruges til at finde den præcise match til at udfylde en åben stilling.

Attributter kan matches på tværs af interne medarbejdere, ATS-profiler, der er beriget med den mest opdaterede information, og eksterne kandidater. Typisk starter virksomheder med en ideel kandidatprofil og bygger en talent-pool af hver person, der matcher den ideelle kandidats attributter, selvom nogle vælger at bygge en attribut-søgning fra bunden.

En anden unik tilgang, de kan tage, er at analysere attributterne hos en person, der er en superstjerne-ansat – de kunne være inde eller ude i virksomheden, der rekrutterer – og derefter arkitektur en søgning efter kandidater, der er essentielt deres kloner, hvilket betyder, at de også besidder disse præcise attributter. Lad os sige, de kender en person, der excellerer i fjernarbejde, er loyal og var en CMO i en virksomhed, der blev succesfuldt opkøbt, en arbejdsgiver kan blot søge på vores platform efter en samling af kandidater, der er kopier af denne person.

Hvordan undgår Findem ubevidst køns- eller etnisk bias fra dens maskinlæringsproces?

Den ufrivillige bias, der introduceres uden nogen indsigt i talentfordeling – dvs. diversitet – når man vælger en bestemt lokalitet eller attribut til søgning, er en kilde til ubevidst bias. Findem giver en samlet oversigt over talentfordelingen dynamisk efter lokalitet og forskellige søgeattributter og giver denne indsigt til personaleteamet.

Vi formindsker også disse bias gennem attribut-baserede søgninger, der kan udføres uden menneskelig indblanding, ved at kamuflere kandidatens personlige identifikationsinformation, når man udfører manuelle gennemgang, og ved automatisk at tilføje vægte til pipeline for at sikre, at den er så divers som muligt.

En interessant koncept er, hvordan Findem enable arbejdsgivere til at finde nye attributter til talent-søgninger. Hvordan fungerer denne proces?

Findem enable nye attributter til at blive opdaget på flere måder. En af dem er ved at se på andre virksomheder og de personer, de har ansat på forskellige tidspunkter. For eksempel, hvis en virksomhed planlægger at rejse en serie B-runde eller gå offentligt, kan de ønske at forstå, hvordan virksomheder, der var meget succesfulde i lignende foretagender, var bemandede. Vores platform giver arbejdsgiverne mulighed for at se attributterne hos disse personer og bruge dem i deres egen talent-søgning.

Ligesom kan du gøre det med dine egne superstjerne-ansatte og interne systemer. Det er muligt at bruge din interne HR-informationsystem (HRIS) til at skelne dine top-performere, og derefter kan du identificere attributter, der er fælles for dem, og bruge det til at føde fremtidige søgninger.

Er der noget andet, du gerne vil dele om Findem?

En af vores største fokusområder lige nu er at opfylde vores vision om at gøre vores talent-sourcing-løsning helt selvbetjent. En dag-én-mål for os var at bygge en platform, der var simpel nok for enhver inden for HR-funktionen at bruge, og vi er ved at nå dette mål lige nu.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Findem.