Hari Kolam är VD och medgrundare av Findem – Intervju-serie

Som VD och medgrundare av Findem ansvarar Hari för att driva företagets övergripande riktning och strategiska tillväxt, samt 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 och 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 startups. Kan du diskutera den avgörande ögonblicket på din första startup 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 flera 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 mångfacetterat, och göra det på kort tid och över kontinentala gränser. När vi tävlade med andra startups om talang och skyndade oss att skala upp vårt team, gjorde vi 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 felbenägen, och vi fann oss själva kompromissa många gånger om rätt rekrytering i anda att stänga snabbt. Dessa var hårda lektioner och utmaningar som nästan alla entreprenörer står inför, men jag är tacksam att de väckte idén och gav upphov till Findem.

Kan du sedan diskutera ursprunget till att lansera 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 byggandet av 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 denna specifika utmaning. 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 var den enda vägen att lösa talangskalningsproblemet genom att använda brutalkraft och en mänsklig faktor – och processen var full av fel, bias och ineffektivitet. När jag undersökte det närmare, insåg jag att det faktiskt är ett dataproblem i sin kärna, och den rätta vägen att lösa det är att närma sig det som ett dataproblem. Med hjälp av AI och djupgående analyser har vi infört en framgångsrik ny approach till processen genom att möjliggöra för HR-chefer att söka efter kandidater baserat på önskade attribut snarare än nyckelord eller titlar på CV:n. Företag dras till data-baserad rekrytering eftersom det är mer effektivt, minskar kostnaderna, förbättrar jämställdhet och resulterar i bättre kvalitetsrekryteringar. Findem började som ett passionprojekt och nu blomstrar vi, särskilt bland företag som upplever fler rekryteringsbesvär, smärta och utgifter än sina mindre motparter.

Hur viktigt är data när det gäller rekrytering?

Data är av yttersta vikt när det gäller att fatta effektiva rekryteringsbeslut. Till exempel, när företag försöker bygga mer mångfacetterade 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 ledningen till hur man har spårat diversitet under de senaste fem åren, till löneskillnader, till personalomsättning av diverse 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 mångfacetterad och inkluderande kultur.

Även när det gäller att bygga en mångfacetterad och inkluderande kultur genom rekrytering, är det mycket viktigt att övervaka talangpipelinen för att säkerställa att du närar diversitet redan från början av 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 diverse kandidater? Vilka rekryterare flyttar verkligen nålen när det gäller att fylla pipelinen med diverse kandidater? Söker du kandidater från geografiska områden där det finns en högre procent av diverse 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 talang 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 vara framgångsrika i en distansposition 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 in information från?

Findem sammanställer all offentligt tillgänglig persondata, som verifieras och trianguleras över flera källor, för att registrera och lära om en potentiell kandidats attribut. Vi har en bibliotek med mer än 1 miljon attribut för varje individ. Vi kan berika denna data 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 folkräkningdata, produktkategoridata, företagsfinansdata, marknadsdata, patent- och publiceringsdata, utbildningsdata och produktivitets- och färdighetsdata.

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

För att matcha med ideala 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, såsom om någon är kvinna, en tidigare grundare eller arbetade för en topp-10 VC-finansierad startup, samt intangibla, såsom om någon förkroppsligar 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 passningen 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 ideala kandidatens attribut, även om vissa väljer att bygga en attribut-sökning från scratch.

En annan unik approach de kan ta är att analysera attributen hos någon som är en superstjärna-anställd – de kan vara inom eller utanför det företag som rekryterar – och sedan arkitektera en sökning efter kandidater som är i princip deras kloner, det vill säga de också besitter dessa exakta attribut. Säg att de vet att någon excellerar på distansarbete, är lojal och var en CMO på ett företag som framgångsrikt förvärvades, en arbetsgivare kan enkelt söka på vår plattform efter en uppsättning klonliknande individer.

Hur undviker Findem oavsiktlig köns- eller etnisk bias från dess maskinlärningsprocess?

Den oavsiktliga bias som introduceras utan synlighet för talangfördelning – AKA diversitet – när man väljer en specifik plats eller attribut att söka efter är en källa till omedveten bias. Findem tillhandahåller en sammanställd sammanfattning av talangfördelningen dynamiskt per plats och olika sökattribut och ger denna synlighet till personalteamet.

Vi minskar också dessa bias genom attribut-baserade sökningar som kan göras utan mänskligt ingripande, genom att dölja kandidatens personliga identifieringsinformation när man genomför manuella granskningar och genom att automatiskt lägga till vikter i pipelinen för att säkerställa att den är så divers som möjligt.

En intressant koncept är hur Findem möjliggör för arbetsgivare att hitta nya attribut för talangsökningar. Hur fungerar denna process?

Findem möjliggör att nya attribut upptäcks på flera sätt. Ett sätt är att titta på andra företag och de personer 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 personer och använda dem i sina egna talangsökningar.

På samma sätt kan du göra detta med dina egna superstjärna-anställda och interna system. Det är möjligt att använda ditt interna HR-informationssystem för att skilja på dina toppresterande anställda, och sedan kan du 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 talangsökningslösning 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 detta mål.

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