Alper Tekin, Chief Product Officer i Findem – Intervju-serie

Tidligere var du en seriegründer, som fungerte som gründer og CEO for flere startup-selskaper. Hva var noen av de største utfordringene du møtte når det kom til å ansette?

Å ansette har vært en av de mest utfordrende aspektene ved min gründerreise. Som gründere vet vi at mennesker betyr mer enn noe annet, og å bygge det riktige teamet er den viktigste jobben for enhver forretningsleder. Det er imidlertid svært vanskelig å allokere nok tid til å finne de riktige menneskene når du har så mange andre forretningsaktiviteter å håndtere i starten og skaleringsfasen av et selskap. Uten objektive data om hvem som er tilgjengelig der ute, er det vanskelig å finne det riktige sett av mennesker, og enda vanskeligere å vite om de vil gjøre det bra i din organisasjon.

Kan du dele visjonen for hvordan Findem bygger en autonom talentplattform for HR-teamet i fremtiden?

Talentverving er en kompleks jobb med hundrevis av oppgaver, utført av titalls personer, over titalls punktverktøy som ikke snakker med hverandre de fleste gangene. Vår visjon er å fjerne denne kompleksiteten gjennom en kombinasjon av AI og arbeidsflytautomatisering.

Vår første og fremste mål er å støtte talentteamene ved å automatisere bort mundane, gjentakende og feilfølsomme oppgaver fra deres daglige arbeid og assistere mennesker i å ta raskere, bedre og mer rettferdige beslutninger med data. Vi ser allerede eksempler, som et stort teknologiselskap hvor de brukte åtte til ti systemer bare for å bygge en talentpipeline, og hver ble brukt på en isolert måte. Det tok dem 80-100 klikk for å fullføre en enkelt oppgave, og nå, med autonome applikasjoner, kan de utføre den samme oppgaven med ett klikk.

Som nesten alle forretningsfunksjoner, vil talentorganisasjoner gjennomgå en AI-først-transformasjon, og vår plan er å automatisere alt som kan automatiseres, og muliggjøre at rekrutterere og andre talentprofesjonelle kan nå sitt fulle potensiale. Autonome applikasjoner vil initialt spille en avgjørende rolle i planlegging, pipeline og analyser, og deretter utvides over hele talentlivssyklusen, og omfatter alt fra arbeidskraftsplanlegging til talentpuljer til karriereutvikling og suksessjonsplanlegging.

Findem analyserer billioner av datapunkter og tar fordel av det som kalles 3D-data, kan du forklare hva 3D-data er?

Findem innhenter 1,6 billion datapunkter fra hundredtusener av kilder for å generere helt nye talentdata som ikke finnes noen andre steder, og gir en forståelse av enkeltpersoner og selskaper de er tilknyttet, over tid. Findem bruker disse tre dimensjonene av data – person- og selskapsdata over tid – for å koble enkeltpersoners og selskapers reiser og skape berikede talentprofiler.

Tenker på det slik: hver person som har jobbet i det moderne arbeidsmarkedet, har en reise og lar etter seg en digital fotavtrykk. Det er titler, jobbforfremminger, sertifikater, kodebidrag, publikasjoner, sosiale innlegg og så videre. Liksom selskaper har en reise. De har aktiviteter som finansieringsrunder, børsnoteringer og finansielle innberetninger, samt stillingsbeskrivelser, organisasjonskart, selskapsomtaler og ledelsesprofiler – all denne dataen kan kartlegge en organsisasjons utvikling og fremgang.

Tradisjonelt har talentbeslutninger vært basert på en CV, jobbsøknad og/eller LinkedIn-profil som bare tilbyr en todimensjonal skive av person- og selskapsdata. Imidlertid har vi bygget en plattform som er i stand til å fange tusenvis av datapunkter om personers og selskapers reiser og omdanne dem til en massivt beriket profil. Resultatet er en mer detaljert og granulert forståelse av en persons erfaring, ferdigheter og innvirkning enn det som tidligere var mulig med manuell forskning eller fra en brukergenerert LinkedIn-profil.

Med vår Talent Data Cloud er hele karrierer søkbare på kommando gjennom en GenAI-grensesnitt. For eksempel kan du be plattformen vise deg CFO-er i amerikanske selskaper eid av PE-selskaper som tok et selskap fra et negativt til et positivt driftsresultat, eller gi deg en liste over lojale produktledere som jobbet for et B2B-startup og så det gjennom en stor Serie C.

Hva er de forskjellige typene datapunkter som analyseres?

Vår Talent Data Cloud dynamisk og kontinuerlig utnytter en språkmodell for å generere 3D-data fra hundredtusener av datapunkter.

Den analyserer profil- og kontaktdata fra likeså LinkedIn, GitHub, StackOverflow, Kaggle, Dribble, Doximity, ResearchGate, WordPress og personlige nettsider. Folketellingsdata kommer fra det amerikanske folketellingsbyrået, naturligvis. I tillegg ser vi på selskapsdata fra finansieringsannonser, børsnoteringsdetaljer, forretningsmodeller for over 8 millioner selskaper og over 100 000 aggregerte selskaps- og produktkategorier. For verifiserte ferdigheter analyserer plattformen over 300 millioner patenter og publikasjoner, over 5 millioner åpne datasett og ML-prosjekter og over 200 millioner åpne kildekoder og andre offentlige bidrag. Og vi inkluderer viktig ATS-data som inkluderer søkerprofilinformasjon fra brukerens ATS, som kan være Greenhouse, Workday, SmartRecruiters, BambooHR, Lever og så videre.

Hva søker maskinlæring etter når den analyserer denne dataen?

Findem er BI-først, deretter bruker den AI til å lære og gjøre prediksjoner basert på faktiske data. Vi kaller dette en deterministisk modell vs. en probabilistisk modell. For eksempel, vi infererer ikke probabilistisk at du har startup-erfaring, vi ser i stedet på din ansettelseshistorikk og ser om noen av selskapene du jobber for har blitt klassifisert som startup-selskaper og deretter legger til en «startup-erfaring»-attributt mot din profil.

Hvordan omdannes denne dataen deretter til attributter, og hva er attributter?

Når datainnsamlingen skjer, har vi en intelligensmotor (tenk på det som en sofistikert SQL-mellomvare) som kan kartlegge data til hvilke som helst attributter vi ønsker å opprette.

Attributter er ferdigheter, erfaringer og egenskaper hos enkeltpersoner og selskaper – og de er både tangibelt og intangibelt. Tangibelt attributter inkluderer roller (nåværende, tidligere og rolle-erfaring), arbeidserfaring, utdanning, kvalifikasjoner og andre tekniske opplysninger. Intangibelt attributter kan være langt gående, som om noen inspirerer lojalitet, bygger diverse team eller er misjonsdrevet.

Vår attributbaserte søk gjør det mulig for HR-team å søke etter kandidater over alle kanaler i deres talentøkosystem ved å bruke praktisk talt alle kriterier du kan tenke deg.

Hvordan forhindrer plattformen at kjønns- eller rase-AI-forvrengning krep inn i ansettelsesbeslutninger?

Vår plattform var bevisst designet for å ikke ta beslutninger på vegne av noen bruker, men heller for å la AI assistere menneskene i deres beslutningsprosess. Ved å bruke en BI-først-strategi, prioriterer plattformen innsamling, analyse og presentasjon av data for å gi innsikt og støtte for beslutning, og deretter bruker AI til å lære, resonere og gjøre prediksjoner eller anbefalinger med pålitelige resultater.

Vi er en søk- og sammenligningsplattform, ikke en kandidatvurderingsplattform, og AI brukes aldri til å gjøre en subjektiv vurdering av en person. Den automatisk fremmer eller avviser ikke søkere. Og siden Findem ikke bruker AI for søk og sammenligning (disse funksjonene er BI-basert), minimiserer det risikoen for forvrengning eller diskriminering i prosessen.

Hvordan forenkler Findem prosessen med å fremme interne ansatte?

I kjernen av det, behøver vi ikke å skille mellom «interne» og «eksterne» talent. For enhver person i vår database, kan vårt algoritme finne topp-matching kandidater, enten de er utenfor eller innen organisasjonen.

Hva er alle talenthåndteringsverktøyene som tilbys?

Vi konsoliderer topp-av-tunnelfunksjoner, så alt fra talentverving til CRM til analyser. Vi har også en løsning for intern mobilitet og vi ruller ut tilbud for anbefalingshåndtering og suksessjonsplanlegging.

På hvilket stadium av gründerreisen bør et startup være før de tar kontakt med Findem?

Vi betjener kunder av alle størrelser, men vårt søt punkt tenderer til å være selskaper som er i skaleringsmodus med noen hundre ansatte.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Findem.