Alper Tekin, Directeur des produits chez Findem – Série d’entretiens

Auparavant, vous étiez un entrepreneur en série, agissant en tant que fondateur et PDG de plusieurs startups. Quels étaient certains des plus grands défis de recrutement que vous avez rencontrés ?

Le recrutement a été l’un des aspects les plus difficiles de mon parcours d’entrepreneur. En tant qu’entrepreneurs, nous savons que les personnes comptent plus que tout le reste et que la construction de l’équipe appropriée est le travail le plus important de tout dirigeant d’entreprise. Cependant, il est vraiment difficile d’allouer le temps suffisant nécessaire pour trouver les bonnes personnes lorsque vous êtes occupé par de nombreuses autres activités commerciales impliquées dans la création et la mise à l’échelle d’une entreprise. Sans données objectives sur qui est disponible, il est difficile de trouver le bon ensemble de personnes, et encore plus difficile de savoir si elles feront bien dans votre organisation.

Pouvez-vous partager la vision de la façon dont Findem construit une plateforme de talents autonome pour l’équipe RH de l’avenir ?

L’acquisition de talents est un travail complexe avec des centaines de tâches, effectuées par des dizaines de personnes, à travers des dizaines d’outils de pointe qui ne communiquent pas les uns avec les autres la plupart du temps. Notre vision est de supprimer cette complexité grâce à une combinaison d’IA et d’automatisation des processus.

Notre premier et principal objectif est de soutenir les équipes de talents en automatisant les tâches fastidieuses, répétitives et sujettes à erreurs de leur quotidien et d’aider les personnes à prendre des décisions plus rapides, meilleures et plus justes avec des données. Nous voyons déjà des cas d’utilisation, tels qu’une grande entreprise technologique où ils utilisaient huit à 10 systèmes pour simplement construire un pipeline de talents, et chacun était utilisé de manière cloisonnée. Cela leur prenait 80-100 clics pour accomplir une seule tâche et maintenant, avec des applications autonomes, ils peuvent effectuer la même tâche avec un seul clic.

Comme presque toutes les fonctions commerciales, les organisations de talents subiront une transformation basée sur l’IA et notre plan est d’automatiser tout ce qui peut l’être, permettant ainsi aux recruteurs et aux autres professionnels des talents d’atteindre leur plein potentiel. Les applications autonomes joueront initialement un rôle crucial dans la planification, le pipeline et l’analyse, puis s’étendront sur l’ensemble du cycle de vie des talents, englobant tout, de la planification de la main-d’œuvre aux pools de talents, en passant par le développement de carrière et la planification de la relève.

Findem analyse des trillions de points de données et tire parti de ce que l’on appelle des données 3D, pouvez-vous clarifier ce que sont les données 3D ?

Findem ingère 1,6 trillion de points de données à partir de centaines de milliers de sources pour générer de nouvelles données de talents qui n’existent nulle part ailleurs et fournir une compréhension d’un individu et des entreprises avec lesquelles il est associé, dans le temps. Findem utilise ces trois dimensions de données – personnes et données d’entreprise dans le temps – pour relier les parcours individuels et d’entreprise et créer des profils de talents enrichis.

Pensez-y de cette façon : chaque personne qui a travaillé sur le marché du travail moderne a un parcours et laisse derrière elle une empreinte numérique. Il y a des titres, des promotions, des certificats, des contributions de code, des publications, des publications sur les réseaux sociaux, etc. De même, les entreprises ont un parcours. Ils ont des activités telles que des tours de financement, des IPO et des dépôts financiers, ainsi que des descriptions de poste, des organigrammes, des profils d’entreprise et des profils de direction – toutes ces données peuvent tracer le développement et les progrès d’une organisation.

Traditionnellement, les décisions de talents reposaient sur un CV, une demande d’emploi et/ou un profil LinkedIn qui ne proposaient qu’une tranche unidimensionnelle d’un individu et de données d’entreprise. Cependant, nous avons construit une plateforme capable de capturer des milliers de points de données sur les parcours individuels et d’entreprise et de les convertir en un profil massivement enrichi. Le résultat est une compréhension plus détaillée et plus granulaire de l’expérience, des compétences et de l’impact d’une personne que ce qui était précédemment possible avec la recherche manuelle ou à partir d’un profil LinkedIn généré par l’utilisateur.

Avec notre Talent Data Cloud, l’ensemble des carrières est recherchable sur commande via une interface GenAI. Par exemple, vous pouvez demander à la plateforme de vous montrer les CFO des entreprises américaines détenues par des sociétés de capital-investissement qui ont fait passer une entreprise d’une marge opérationnelle négative à une marge opérationnelle positive ou de vous donner une liste de directeurs de produit loyaux qui ont travaillé pour une startup B2B et l’ont fait passer par une grande série C.

Quels sont les différents types de points de données qui sont analysés ?

Notre Talent Data Cloud utilise dynamiquement et en continu un modèle de langage pour générer des données 3D à partir de centaines de milliers de sources de données.

Il analyse les données de profil et de contact provenant de LinkedIn, GitHub, StackOverflow, Kaggle, Dribble, Doximity, ResearchGate, WordPress et sites Web personnels. Les données du recensement proviennent du Bureau du recensement des États-Unis, bien sûr. De plus, nous examinons les données d’entreprise provenant d’annonces de financement, de détails d’IPO, de modèles d’entreprise de plus de 8 millions d’entreprises et de plus de 100 000 catégories d’entreprise et de produit agrégées. Pour les compétences vérifiées, la plateforme analyse plus de 300 millions de brevets et de publications, plus de 5 millions de projets de données ouvertes et de projets de ML, et plus de 200 millions de dépôts de code open source et d’autres contributions publiques. Et nous incluons notamment les données ATS qui comprennent les informations de profil de candidat de l’ATS de l’utilisateur, qui peut être Greenhouse, Workday, SmartRecruiters, BambooHR, Lever, etc.

Que cherche l’apprentissage automatique lors de l’analyse de ces données ?

Findem est BI d’abord, puis utilise l’IA pour apprendre et faire des prédictions basées sur des données factuelles. Nous appelons cela un modèle déterministe par opposition à un modèle probabiliste. Par exemple, nous n’inférons pas de manière probabiliste que vous avez de l’expérience dans les startups, nous regardons plutôt votre historique d’emploi et voyons si les entreprises pour lesquelles vous avez travaillé ont été classées comme des startups, puis ajoutons un attribut « expérience de startup » à votre profil.

Comment ces données sont-elles ensuite transformées en attributs, et qu’est-ce que les attributs ?

Une fois que la collecte de données a lieu, nous avons un moteur d’intelligence (pensez-y comme un middleware SQL sophistiqué) qui peut mapper les données à tout attribut que nous souhaitons créer.

Les attributs sont les compétences, les expériences et les caractéristiques des individus et des entreprises – et ils sont à la fois tangibles et intangibles. Les attributs tangibles incluent les rôles (actuels, passés et expériences de rôle), l’expérience professionnelle, l’éducation, les qualifications et d’autres informations techniques. Les attributs intangibles peuvent être très étendus, tels que savoir si quelqu’un inspire la loyauté, construit des équipes diversifiées ou est motivé par la mission.

Notre recherche basée sur les attributs permet aux équipes RH de rechercher des candidats sur tous les canaux de leur écosystème de talents en utilisant pratiquement tout critère que vous pouvez imaginer.

Comment la plateforme empêche-t-elle les préjugés de genre ou raciaux de l’IA de s’infiltrer dans les décisions de recrutement ?

Notre plateforme a été conçue intentionnellement pour ne pas prendre de décisions au nom de l’utilisateur, mais plutôt pour que l’IA aide les personnes dans leur processus de prise de décision. En utilisant une stratégie BI d’abord, la plateforme donne la priorité à la collecte, à l’analyse et à la présentation de données pour fournir des informations et un soutien à la prise de décision, puis utilise l’IA pour apprendre, raisonner et faire des prédictions ou des recommandations avec des résultats de confiance.

Nous sommes une plateforme de recherche et de mise en correspondance, et non une plateforme d’évaluation de candidats, et l’IA n’est jamais utilisée pour évaluer de manière subjective une personne. Elle n’avance ni ne rejette automatiquement les candidats. De plus, puisque Findem n’utilise pas l’IA pour la recherche et la mise en correspondance (ces capacités sont basées sur l’IA), elle atténue le risque de préjugés ou de discrimination dans le processus.

Comment Findem simplifie-t-il le processus de promotion du personnel interne ?

À son cœur, nous n’avons pas à faire la distinction entre « interne » et « externe » talents. Pour toute personne dans notre base de données, notre algorithme peut trouver les meilleurs candidats correspondants, qu’ils soient à l’intérieur ou à l’extérieur de l’organisation.

Quels sont tous les outils de gestion de talents proposés ?

Nous consolidons les activités de premier plan, donc tout, de la recherche de talents à la CRM en passant par l’analyse. Nous avons également une solution pour la mobilité interne et nous mettons en œuvre des offres pour la gestion des références et la planification de la relève.

À quel stade du parcours entrepreneurial une startup devrait-elle être avant de contacter Findem ?

Nous servons des clients de toutes tailles, mais notre point fort tend à être les entreprises qui sont en mode de mise à l’échelle avec quelques centaines d’employés.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Findem.