Hari Kolam Findem’in CEO ve Kurucu Ortağı – Röportaj Serisi

Findem’in CEO ve kurucu ortağı olarak, Hari şirketin genel yönünü ve stratejik büyümesini sürdürmekle sorumludur ve ayrıca günlük operasyonlarını denetler. O, neredeyse iki thập kỷdır şirketler kurmak ve öncü teknoloji çözümleri oluşturmak konusunda deneyimli bir girişimci ve teknoloji uzmanıdır.

Hari, daha önce Instart’in kurucu ortağı ve CTO’suydu, burada şirketin teknik vizyonunu yönetti ve müşteri gereksinimlerini gerçekleştirebilir ve yenilikçi çözümlere çevirdi. Instart’ta bulunduğu süre boyunca 50’den fazla patente ortak oldu.

Hari, ayrıca Aster Data’de senior düzeyde mühendislik pozisyonlarında çalıştı, burada tüm özellikler boyunca tüm geliştirme yığını üzerinde çalıştı ve Sun’un Solaris Cluster grubunda, kritik yazılım modüllerine katkıda bulundu.

Siz başarılı bir girişimci olarak iki startup’ı başarılı bir şekilde başlattınız. İlk startupınız Instart’da, ekipleri ölçeklendirme konusundaki büyük bir sorunla karşılaştığınız anda gerçekleşen eureka anını tartışabilir misiniz?

Bu, sadece bir değil, birkaç farklı deneyimin birleşmesiydi. Instart’ta, şirketin extrem bir büyüme yolunda olduğunu ve bu durumun özel bir dizi zorluğu getirdiğini gördük. Şimdi, gerçekten çeşitli bir ekip oluşturmaya çalışıyoruz ve bunu kısa sürede ve kıta çapında yapıyoruz. Yetenek için diğer startup’larla yarışırken ve ekibimizi hızlı bir şekilde ölçeklendirirken, birkaç kötü işe alım yaptık, bu da bizi geri çekti ve birçok hayal kırıklığına neden oldu. Diğer engeller, işe alım listemizi işe alım uzmanlarına iletme sürecinde ortaya çıktı. Bu süreç yüksek hata oranına sahipti ve birçok kez doğru işe alım yapmak için hızlı bir şekilde kapamak amacıyla fedakarlıklar yaptık. Bunlar, neredeyse tüm girişimcilerin karşılaştığı zorlu derslerdi, ancak bu derslerin Findem’i ortaya çıkaran fikir ve ateşi ateşlediğini biliyorum.

Findem’i başlatma hikayesini tartışabilir misiniz?

Findem, aslında kariyerimdeki önceki hatalarımın doğrudan bir sonucuydu. Her girişimci gibi, mükemmel ekipler oluşturmanın bir işin başarısının en önemli faktörü olduğunu biliyorum. Ayrıca bu, son derece zor bir iş. Mühendislik geçmişim nedeniyle, en zorlu sorunları çözmeye ve en büyük etkileri yaratmaya çekiliyorum ve bu konkrét zorluğu motive etti. İşe alım sürecini geleneksel olarak çözmek, sadece insan faktörüyle birlikte brute-force yoluyla olur ve bu süreç hatalarla, önyargıyla ve verimsizliklerle dolu olur. Daha da yakından incelediğimde, aslında temelde bir veri sorunu olduğu ve bunu çözmek için veri sorunu olarak yaklaşmak gerektiğini fark ettim. AI ve derin analitik kullanarak, işe alım uzmanlarının adayları aramak içindesired özelliklere dayalı bir yaklaşım getirdik. Şirketler, daha verimli, maliyetleri azaltan, eşitliği artıran ve daha iyi kaliteli işe alımlar sağlayan veri tabanlı işe alım süreçlerine yöneliyor. Findem, bir tutku projesi olarak başladı ve şimdi özellikle daha büyük şirketlerde, daha fazla işe alım sıkıntısı, masrafı ve acısı olan şirketlerde başarılı oluyoruz.

İşe alım sürecinde veri ne kadar önemli?

Veri, etkili işe alım kararları almak için son derece önemlidir. Örneğin, şirketler daha çeşitli ekipler oluşturmaya çalışırken, çalışan ve aday verilerini izlemek genellikle bir sonra düşünülür. Ancak, çeşitlilik, eşitlik ve kapsayıcılık (DE&I) girişimlerinin, organizasyonun当前 veri bilgilendirilmiş durumundan başlaması önemlidir—analitik, liderlik çeşitliliği, çeşitlilik üzerindeki ilerlemenizi son beş yıl boyunca takip etme, ücret farklılıkları, çeşitli çalışanların devir oranları gibi her şeyi gösterebilir. Not etmek önemlidir ki, veri izleme sadece cinsiyet ve ırk değil, aynı zamanda yaş, din, engellilik ve askeri hizmet gibi diğer faktörleri de içermelidir. Bu verilere sahip olduğunuzda, gerçekten çeşitli ve kapsayıcı bir kültür oluşturmaya yönelik hedeflerinizi haritalayabilirsiniz.

Ayrıca, işe alım yoluyla çeşitli ve kapsayıcı bir kültür oluştururken, aday arama sürecinin başlangıcından itibaren çeşitliliği desteklediğinizden emin olmak için yetenek havuzunu izlemek çok önemlidir. Bu, doğru verilere sahip olmadan imkansızdır.

Pipeline analitiği, çeşitlilik işe alım çabalarınızda neler çalıştığını veya çalışmadığını anlamak için de çok önemlidir. Diverse adaylar nasıl işe alınıyor? Hangi işe alım uzmanları gerçekten diverse adaylarla dolu bir pipeline oluşturuyor? Diverse adayların daha yüksek bir yüzdesinin bulunduğu coğrafi alanlardan kaynaklıyor musunuz? Veri, bu soruların cevaplarını size verebilir.

Veri, ayrıca, tarihi verilerin, şirket içinde başarılı olacak yetenekleri ortaya çıkarmak için kullanıldığı öngörülü analitiklerin de merkezinde yer alır. Öngörülü analitik, bir adayın belirli bir role göre nasıl performans göstereceğini, devir riskini, uzaktan çalışma pozisyonunda başarılı olup olmayacağını ve size en olası şekilde başarılı olacak adayları belirlemenize yardımcı olabilecek diğer bilgileri söyleyebilir.

Findem hangi veri kaynaklarından bilgi topluyor?

Findem, potansiyel bir adayın özelliklerini kaydetmek ve öğrenmek için tüm kamuoyunda mevcut insan verilerini toplar, doğrular ve çoklu kaynaklar arasında üçgenler. Her birey için 1 milyondan fazla özellikten oluşan bir kütüphanemiz var. Müşterilerimiz, iç HR araçlarını Findem ile entegre etmeyi seçerse, bu verileri zenginleştirebilir ve yeni özellikler keşfedebiliriz. Topladığımız kamu bilgilerinin bazı örnekleri, Nüfus verisi, ürün kategorisi bilgileri verisi, şirket finansal verisi, piyasa verisi, patent ve yayınlar verisi, eğitim verisi ve üretkenlik ve beceri verisidir.

İşverenler Findem platformunu ideal adayı bulmak için nasıl en iyi şekilde kullanabilirler?

İdeal adaylarla, aktif veya pasif olsun, işverenler platformumuzu kullanarak, 1 milyondan fazla özellikten oluşan bir kombinasyonuna göre adayları arayabilirler. Özellikler somut olabilir, Örneğin, biri kadın, önceki bir kurucu veya bir üst-10 VC-finansmanlı startup için çalıştı, veya soyut olabilir, Örneğin, biri şirketin değerlerini temsil ediyor, girişimci bir ruh taşıyor veya bir go-getter. Bu özellikler, her bireyin veri bilgilendirilmiş bir resmini sağlar ve açık bir pozisyonu doldurmak için exact bir uyum bulmak için kullanılabilir.

Özellikler, iç çalışanlar, en güncel bilgilerle zenginleştirilmiş ATS profilleri ve dış adaylar arasında eşleştirilebilir. Şirketler genellikle ideal bir aday profili ile başlar ve bu ideal adayın özelliklerine sahip olan herkesin yetenek havuzunu oluşturur, ancak bazıları özelliklere dayalı bir arama yapmayı tercih eder.

Bir diğer benzersiz yaklaşım, süperstar bir çalışanın özelliklerini analiz etmek ve sonra bu özelliklere sahip adayları aramaktır—bunlar, şirket içinde veya dışında olabilir—ve sonra bu klonların bir aramasını yapmak. Diyelim ki, uzaktan çalışma konusunda başarılı, sadık ve başarılı bir şekilde satın alınan bir şirketin CMO’su olan biri var, bir işveren basitçe bizim platformumuzda bu kopya bireyler için arama yapabilir.

Findem, makine öğrenimi sürecinden kasıtsız cinsiyet veya etnik önyargıdan nasıl kaçınır?

Görünürlüğü olmayan yetenek dağılımı—yani çeşitlilik—belirli bir konumu veya arama özelliğini seçerken ortaya çıkan bilinçsiz önyargıdır. Findem, yetenek dağılımının dinamik bir özetini konum ve çeşitli arama özellikleri tarafından sağlar ve bu görünürlüğü insan kaynakları ekibine verir.

Ayrıca, insan katılımı olmadan özelliklere dayalı aramalar yaparak, manuel incelemeler sırasında aday PII bilgilerini bulanıklaştırarak ve pipeline’a mümkün olduğunca çeşitli olması için ağırlıklar ekleyerek bu önyargıları azaltıyoruz.

Findem’in yetenek aramalarında yeni özellikler bulmasını sağlayan ilginç bir kavram var. Bu süreç nasıl çalışır?

Findem, yeni özellikleri çeşitli yollarla ortaya çıkarabilir. Birisi, diğer şirketlere ve farklı zamanlarda işe aldıkları insanlara bakmaktır. Örneğin, bir şirket, Seri B turunu artırma veya halka açılma planı yapıyorsa, benzer girişimlerde başarılı olan şirketlerin nasıl personele sahip olduklarını anlamak isteyebilir. Platformumuz, bu insanların özelliklerini görmelerini ve kendi yetenek aramalarında kullanmalarını sağlar.

Benzer şekilde, süperstar çalışanlarınız ve iç sistemlerinizle bunu yapabilirsiniz. İç HR bilgi sistemi (HRIS) kullanarak en iyi performans gösterenleri ayırt edebilir ve sonra bu özelliklere sahip adayları gelecekteki aramalar için kullanabilirsiniz.

Findem hakkında paylaşmak istediğiniz başka bir şey var mı?

Şu anda odaklandığımız en büyük alanlardan biri, yetenek kaynağımıza tamamen self-servis bir çözüm sunmaktır. Birinci gün hedefimiz, HR fonksiyonu içindeki herkesin kullanabileceği kadar basit bir platform oluşturmaktı ve bu hedefe doğru büyük adımlar atıyoruz.

Harika röportaj için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular Findem ziyaret edebilir.