Hari Kolam är VD och medgrundare till Findem – Intervjuserie

Som VD och medgrundare till Findem ansvarar Hari för att driva företagets övergripande riktning och strategiska tillväxt, samt för att övervaka dess dagliga verksamhet. Han är en serieentreprenör och en framstående teknolog, med nästan två decenniers erfarenhet av att bygga företag och skapa banbrytande tekniska lösningar.

Hari var tidigare medgrundare och CTO på Instart, där han ledde företagets tekniska vision och översatte kundkrav till realiserbara, innovativa lösningar. Under sin tid på Instart var han medförfattare till mer än 50 patent.

Hari har också haft seniora ingenjörspositioner på Aster Data, där han arbetade med alla funktioner över hela utvecklingsstacken, samt på Solaris Cluster-gruppen på Sun, där han bidrog med kritiska moduler av programvara.

Du har varit en framgångsrik entreprenör med två lyckade startup-företag. Kan du diskutera den där ögonblicket av upptäckt på ditt första startup-företag Instart, när du insåg att att skala upp ett team är ett stort problem för de flesta entreprenörer?

Det var inte bara en, utan snarare en kombination av ett par olika upplevelser. Vi nådde en punkt på Instart där vi var på en extremt snabb tillväxtbana, inklusive expansion av företaget internationellt, och det presenterade en särskild uppsättning utmaningar. Nu försöker vi bygga ett exceptionellt team som är riktigt diversifierat, och göra det på kort tid och över kontinentala gränser. När vi tävlade med andra startup-företag om talanger och skyndade oss att skala upp vårt team, slutade vi med att göra några dåliga rekryteringar, som satte oss tillbaka och skapade mycket frustration. Andra utmaningar kom när vi försökte kommunicera vår önskelista för anställda till rekryterare. Processen var högt feelfelbenägen, och vi fann oss själva kompromissa många gånger med rätt rekrytering i anda att stänga snabbt. Dessa var hårda lektioner och de utmanar nästan alla entreprenörer, men jag är tacksam att de tände idén och gav näring åt elden som ledde till Findem.

Kan du sedan diskutera ursprunget till att starta Findem?

Findem var verkligen ett direkt resultat av de misstag jag gjorde i rekrytering och skalning tidigare i min karriär. Som alla entreprenörer kan berätta, är att bygga exceptionella team den viktigaste faktorn för ett företags framgång. Det är också oerhört svårt. Som någon med en ingenjörsbakgrund, är jag dragen till att lösa några av de svåraste problemen som leder till de största effekterna, och jag var motiverad av den här specifika utmaningen. Att hitta rätt rekryteringar som kan smidigt passa in i företagets kultur och ha de kompetenser som krävs för att utföra jobbet är mycket svårare än det låter.

Traditionellt sett var den enda vägen att knäcka talangskalningsproblemet genom att använda brutalkraft, tillsammans med ett mänskligt inslag – och processen var full av fel, bias och ineffektivitet. När jag undersökte det närmare, slog det mig att det faktiskt är ett dataproblem i sin kärna, och den rätta vägen att lösa det är att närma sig det som ett dataproblem. Genom att använda AI och djup analys, har vi tagit fram en framgångsrik ny tillvägagångssätt för processen genom att möjliggöra för HR-chefer att söka efter kandidater baserat på önskade attribut snarare än genom nyckelord eller titlar på CV:n. Företag dras mot data-baserad rekrytering eftersom det är mer effektivt, minskar kostnader, förbättrar jämställdhet och resulterar i bättre kvalitetsrekryteringar. Findem startade som ett passionprojekt och nu blomstrar vi, särskilt bland företag som möter fler rekryteringsproblem, smärtor och utgifter än deras mindre motparter.

Hur viktigt är data när det gäller att anställa?

Data är avgörande viktigt när det gäller att fatta effektiva anställningsbeslut. Till exempel, när företag försöker bygga mer diversifierade team, är spårning av anställda och kandidatdata ofta en eftertanke. Men det är viktigt att notera att diversitet, jämställdhet och inkludering (DE&I) initiativ börjar med transparens om den nuvarande, data-informerade tillståndet i organisationen – analyser kan visa allt från diversitet i ledarskapet till hur man har spårat diversitet under de senaste fem åren, till löneskillnader, till personalomsättning av diversifierade anställda. Det är viktigt att notera att data-spårning bör utökas inte bara till kön och ras, utan också till andra faktorer som ålder, religion, funktionshinder och militärtjänst. När du har den här datan, kan du börja kartlägga dina mål och verkligen arbeta mot en diversifierad och inkluderande kultur.

Även när det gäller att bygga en diversifierad och inkluderande kultur genom anställning, är det mycket viktigt att övervaka talangpipelinen för att säkerställa att du när du börjar kandidatsökningen. Detta är omöjligt utan rätt data.

Pipeline-analyser är också nyckeln till att förstå vad som fungerar eller inte i dina diversitetsrekryteringsinsatser. Hur snabbt rekryteras diversifierade kandidater? Vilka rekryterare är verkligen på väg att fylla pipelinen med diversifierade kandidater? Söker du kandidater från geografiska områden där det finns en högre procent av diversifierade kandidater? Data kan ge svar på alla dessa frågor som du annars inte skulle kunna besvara.

Data är också kärnan i prediktiv analys, där historisk data används för att avslöja talanger som kommer att excellera inom ditt företag. Prediktiv analys kan berätta för dig hur sannolikt det är att en kandidat kommer att prestera bra i en viss roll, deras risk för personalomsättning, om de kommer att lyckas i en distansarbetsplats och annan information som kan hjälpa dig att identifiera kandidater som är mest sannolika att blomstra.

Vilka är några av de datakällor som Findem samlar information från?

Findem sammanställer all offentligt tillgänglig persondata, som verifieras och triangeleras över flera källor, för att registrera och lära om en potentiell kandidats attribut. Vi har en samling av mer än 1 miljon attribut för varje individ. Vi kan berika den här datan och upptäcka nya attribut om våra kunder väljer att integrera sina interna HR-verktyg med Findem. Några exempel på den offentliga informationen vi sammanställer inkluderar folkräkningsdata, produktkategoridata, företagsfinansdata, marknadsdata, patent- och publiceringsdata, utbildningsdata och produktivitets- och färdighetsdata.

Hur kan arbetsgivare bäst använda Findem-plattformen för att matcha med den idealiska kandidaten?

För att matcha med idealiska kandidater – antingen de är aktiva eller passiva – kan arbetsgivare använda vår plattform för att söka efter dem baserat på en kombination av över 1 miljon attribut. Attribut kan vara tangibla, som om någon är kvinna, en tidigare grundare eller har arbetat för ett topp-10 VC-finansierat startup, samt intangibla, som om någon kroppsligt förenar företagets värderingar, besitter en entreprenöriell anda eller är en go-getter. Dessa attribut ger en data-informerad bild av varje individ och kan användas för att hitta den exakta passformen för att fylla en ledig position.

Attribut kan matchas över interna anställda, ATS-profiler som berikas med den senaste informationen och externa kandidater. Vanligtvis börjar företag med en ideal kandidatprofil och bygger en talangpool av varje person som matchar den idealiska kandidatens attribut, även om vissa väljer att bygga en attributsökning från scratch.

En annan unik tillvägagångssätt de kan ta är att analysera attributen hos någon som är en superstjärnanställd – de kan vara inom eller utanför det företag som rekryterar – och sedan konstruera en sökning efter kandidater som i princip är deras kloner, det vill säga de också besitter exakt samma attribut. Säg att de vet att någon som excellerar på distansarbete, är lojal och var CMO på ett företag som lyckades förvärvas, en arbetsgivare kan enkelt söka på vår plattform efter en uppsättning klonkandidater.

Hur undviker Findem oavsiktlig kön eller etnisk bias från dess maskinlärningsprocess?

Den oavsiktliga bias som introduceras utan någon insikt i talangfördelning – dvs. diversitet – när man väljer en specifik plats eller attribut att söka efter är en källa till omedveten bias. Findem tillhandahåller en sammanfattning av talangfördelningen dynamiskt per plats och olika sökattribut och ger den här insikten till personalteamet.

Vi minskar också dessa bias genom attributbaserade sökningar som kan utföras utan mänskligt ingripande, genom att dölja kandidatens personliga identifieringsinformation när man utför manuella granskningar och genom att automatiskt lägga till vikter i pipelinen för att säkerställa att den är så diversifierad som möjligt.

En intressant koncept är hur Findem möjliggör för arbetsgivare att hitta nya attribut för talangsökningar. Hur fungerar den här processen?

Findem möjliggör för nya attribut att upptäckas på flera sätt. En är genom att titta på andra företag och de människor de har anställt vid olika tillfällen. Till exempel, om ett företag planerar att höja en serie B-runda eller gå publikt, kan de vilja förstå hur företag som var mycket framgångsrika i liknande företag var bemannade. Vår plattform låter arbetsgivare se attributen hos dessa människor och använda dem i sina egna talangsökningar.

På samma sätt kan du göra detta med dina egna superstjärnanställda och interna system. Det är möjligt att använda din interna HR-informationssystem (HRIS) för att skilja på dina toppresterande anställda och sedan identifiera attribut som är gemensamma för dem och använda dem för att mata framtida sökningar.

Finns det något annat du vill dela om Findem?

En av våra största fokusområden just nu är att uppfylla vår vision om att göra vår talangkällningslösning helt självbetjänad. En dag-ett-mål för oss var att bygga en plattform som var tillräckligt enkel för vem som helst inom HR-funktionen att använda, och vi gör stora framsteg just nu för att nå den här milstolpen.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Findem.