Hari Kolam er administrerende direktør og medgrunnlegger av Findem – Intervju-serie

Som administrerende direktør og medgrunnlegger av Findem, er Hari ansvarlig for å drive selskapets overordnede retning og strategiske vekst, samt å overvåke dens dag-til-dag-drift. Han er en serialentrepreneur og en dyktig teknolog, med nesten to tiår med erfaring i å bygge selskaper og skape banebrytende teknologiløsninger.

Hari var tidligere medgrunnlegger og teknisk direktør i Instart, der han ledet selskapets tekniske visjon og oversatte kundekrav til realiserbare, innovative løsninger. Under hans tid i Instart, var han medforfatter av over 50 patenter.

Hari har også hatt seniortekniske stillinger i Aster Data, der han arbeidet med alle funksjoner over hele utviklingsstakken, samt i Solaris Cluster-gruppen i Sun, der han bidro med kritiske moduler av programvare.

Hva var det som utløste tanken om å starte ditt første selskap, Instart, da du innser at å skalle opp et team er et stort problem for de fleste entreprenører?

Det var ikke bare ett, men snarere en kombinasjon av flere erfaringer. Vi nådde et punkt i Instart der vi var på en ekstremt rask vekstbane, inkludert å utvide selskapet internasjonalt, og det presenterte en spesiell sett med utfordringer. Nå prøver vi å bygge et unikt team som virkelig er mangfoldig, og gjøre det på kort tid og over kontinentale grenser. Da vi konkurrerte med andre startups for talent og rushet for å skalle opp vårt team, endte vi opp med å gjøre noen dårlige ansettelser, som satte oss tilbake og skapte mye frustrasjon. Andre utfordringer kom da vi prøvde å kommunisere vårt ønske om ansatte til rekrutterere. Prosessen var svært feilfølsom, og vi fant oss selv å kompromittere mange ganger på riktig ansatt i ånden av å lukke raskt. Disse var hardtslående lekser og noen som utfordrer nesten alle entreprenører, men jeg er takknemlig for at de utløste tanken og fødde ild til det som ledet til Findem.

Kan du så diskutere opphavet til å starte Findem?

Findem var virkelig et direkte resultat av feilene jeg gjorde i å ansette og skalle opp tidligere i min karriere. Som alle entreprenører vil fortelle deg, er bygging av unike teamer den eneste viktigste faktoren i en bedrifts suksess. Det er også usedvanlig vanskelig. Som noen med en teknisk bakgrunn, er jeg tiltrukket av å løse noen av de hardeste problemene som fører til de største effektene, og jeg var motivert av denne utfordringen. Å finne de riktige ansatte som kan sammenflettes med selskapets kultur og har kompetansen som trengs for å utføre jobben, er mye harder enn det høres ut som.

Tradisjonelt var det eneste måten å løse talent-skaling-problemet gjennom brute-force, sammen med et menneskelig element – og prosessen var full av feil, bias og ineffektiviteter. Da jeg undersøkte det nærmere, slo det meg at det faktisk er et data-problem i kjernen, og den riktige måten å løse det på er å nærme seg det som et data-problem. Ved å bruke AI og dyptgående analyser, har vi bragt en ny tilnærming til prosessen ved å muliggjøre at HR-ledere kan søke etter kandidater basert på ønskede attributter i stedet for å bruke nøkkelord eller tittel på CV-er. Selskaper blir dradd mot data-basert rekruttering fordi det er mer effektivt, reduserer kostnader, forbedrer likhet og resulterer i bedre kvalifiserte ansatte. Findem startet som et lidenskapsprosjekt og nå er vi i ferd med å blomstre, spesielt blant bedrifter som møter flere ansattingsproblemer enn deres mindre motparter.

Hvor viktig er data når det kommer til å ansette?

Data er svært viktig når det kommer til å gjøre effektive ansattingsbeslutninger. For eksempel, når selskaper prøver å bygge mer mangfoldige team, er sporing av ansatt- og kandidatdata ofte en ettertanke. Likevel er det viktig at diversitet, likhet og inklusjon (DE&I) initiativer starter med åpenhet om den nåværende, data-informerte tilstanden i organisasjonen – analyser kan vise deg alt fra mangfoldet i ledelsen, til hvordan du har sporet på mangfold over de siste fem årene, til kompensasjonsforskjeller, til omgangshastigheten til diverse ansatte. Det er viktig å merke seg at data-sporing bør utvides ikke bare til kjønn og rase, men også andre faktorer som alder, religion, funksjonsnedsettelse og militærtjeneste. Når du har denne dataen, kan du starte med å kartlegge dine mål og virkelig arbeide mot en mangfoldig og inkluderende kultur.

Også, når det kommer til å bygge en mangfoldig og inkluderende kultur gjennom å ansette, er det svært viktig å overvåke talent-pipeline for å sikre at du nærer mangfold fra starten av kandidatsøket. Dette er umulig uten riktig data.

Pipeline-analyser er også nøkkel til å forstå hva som fungerer eller ikke i dine mangfoldsrekrutteringsinnsats. Hvor raskt rekrutteres diverse kandidater? Hvilke rekrutterere flytter virkelig nålen når det kommer til å fylle pipeline med diverse kandidater? Er du sourcing fra geografiske områder der det er en høyere prosent av diverse kandidater? Data kan gi svarene på alle disse spørsmålene som du ellers ville være uvitende om.

Data er også i kjernen av prediktiv analyse, der historisk data brukes til å avdekke talent som vil utmerke seg i din bedrift. Prediktiv analyse kan fortelle deg hvor sannsynlig det er at en kandidat vil fungere bra i en bestemt rolle, deres risiko for omgang, hvis de vil være suksessfulle i en fjernposisjon og annen informasjon som kan hjelpe deg å peke ut kandidater som er mest sannsynlig å blomstre.

Hva er noen av datakildene som Findem samler informasjon fra?

Findem samler all offentlig tilgjengelig persondata, som er verifisert og triangulert over flere kilder, for å registrere og lære om en potensiell kandidats attributter. Vi har en bibliotek på over 1 million attributter for hver enkelt. Vi kan berike denne dataen og oppdage nye attributter hvis våre kunder velger å integrere sine interne HR-verktøy med Findem. Noen eksempler på offentlig informasjon vi samler inkluderer folketellingsdata, produktkategoriinformasjon, selskapsøkonomiske data, markeddata, patenter og publikasjonsdata, utdanningsdata og produktivitets- og ferdighetdata.

Hvordan kan arbeidsgivere best bruke Findem-plattformen til å matche med den ideelle kandidaten?

For å matche med ideelle kandidater – enten de er aktive eller passive – kan arbeidsgivere bruke vår plattform til å søke etter dem basert på en kombinasjon av over 1 million attributter. Attributter kan være tangibelt, som om noen er kvinne, en tidligere grunnlegger eller har arbeidet for et topp-10 VC-finansiert startup, samt intangibelt, som om noen inkorporerer selskapets verdier, besitter en entreprenørånd eller er en go-getter. Disse attributtene gir en data-informert bilde av hver enkelt og kan brukes til å finne den eksakte passformen til å fylle en åpen stilling.

Attributter kan matche over interne ansatte, ATS-profiler som er beriket med den mest oppdaterte informasjonen og eksterne kandidater. Vanligvis starter selskaper med en ideell kandidatprofil og bygger en talent-pool av hver person som matcher den ideelle kandidatens attributter, selv om noen velger å bygge en attributt-søk fra scratch.

En annen unik tilnærming de kan ta er å analysere attributtene til noen som er en superstjernearbeidstaker – de kan være inne eller utenfor selskapet som ansetter – og deretter arkitektonisk søke etter kandidater som er essensielt deres kloner, det vil si de også besitter disse eksakte attributtene. Si de vet noen som utmerker seg i fjernarbeid, er lojal og var en CMO i et selskap som ble suksessfullt overtatt, en arbeidsgiver kan enkelt søke på vår plattform etter en sett av kopi-kandidater.

Hvordan unngår Findem uforvarende kjønns- eller etnisk bias fra dens maskinlæringsprosess?

Den uforvarende biasen som blir introdusert uten noen innsikt i talentfordeling – AKA mangfold – når man velger en bestemt lokasjon eller attributt til å søke etter, er en kilde til ubevisst bias. Findem gir en aggregert sammenfatning av talentfordelingen dynamisk etter lokasjon og ulike søkeattributter og gir denne innsikten til personteamet.

Vi reduserer også disse biasene gjennom attributt-basert søk som kan gjøres uten menneskelig innblanding, ved å kamuflere kandidat PII-informasjon når man gjennomfører manuelle gjennomganger og ved å automatisk legge til vekter til pipeline for å sikre at den er så mangfoldig som mulig.

En interessant konsept er hvordan Findem muliggjør arbeidsgivere å finne nye attributter for talent-søk. Hvordan fungerer denne prosessen?

Findem muliggjør nye attributter å bli avdekket på en rekke måter. En måte er å se på andre selskaper og menneskene de har ansatt på ulike tidspunkter. For eksempel, hvis et selskap planlegger å øke en Serie B-runde eller gå offentlig, kan de ønske å forstå hvordan selskaper som var svært suksessfulle i lignende foretak var bemannet. Vår plattform lar arbeidsgivere se attributtene til disse menneskene og bruke dem i sine egne talent-søk.

Liknende kan du gjøre dette med dine egne superstjernearbeidstakere og interne systemer. Det er mulig å bruke din interne HR-informasjonssystem (HRIS) til å skille dine topp-utførere, og deretter kan du identifisere attributter som er felles for dem og bruke det til å føde fremtidige søk.

Er det noe annet du ønsker å dele om Findem?

En av våre største fokusområder nå er å oppfylle vår visjon om å gjøre vår talent-sourcing-løsning fullstendig selvbetjent. En dag-én-mål for oss var å bygge en plattform som var enkel nok for noen innen HR-funksjonen til å bruke, og vi er i ferd med å nå dette milepælet nå.

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