ZDEFINIOWANEGO SYSTEMU W POSTACI APLIKACJI STOSOWANEJ DO WSPOMAGANIA DECYCYJNEGO
7. PODSUMOWNIE I WNIOSKI
We współczesnym społeczeństwie, w którym praca człowieka jest nie tylko źródłem
środków gwarantujących mu codzienne utrzymanie, ale równieŜ jest waŜnym stymulatorem, słuŜącym do zaspokajania indywidualnych potrzeb jednostki oraz całego społeczeństwa, proces zarządzania zasobami ludzkimi jest szczególnie waŜny i odpowiedzialny. Proces ten wiąŜe się z koniecznością podejmowania decyzji, których skutki w ogólnym przypadku mogą być doniosłe i dalekosięŜne w skali jednostkowej i w skali społecznej. Jedną z najwaŜniejszych składowych procesu zarządzania zasobami ludzkimi jest faza doboru pracowników. Dobór ten polega na odpowiedniej selekcji kandydatów, mających właściwe (odpowiadające postawionym wymaganiom) wykształcenie czy doświadczenie. Sprawdzenie powyŜszych kwalifikacji było i jest podstawą procesu rekrutacji kadr, ale to obecnie juŜ nie wystarcza. W sytuacji, gdy pracownik jest dla pracodawcy najwaŜniejszym czynnikiem determinującym sukces lub niepowodzenie określonych działań – wybór odpowiedniej osoby coraz częściej opiera się równieŜ na innych kryteriach.
Takim dodatkowym kryterium selekcyjnym są na przykład umiejętności psychospołeczne czy predyspozycje do dalszego rozwoju, a takŜe kreatywność i lojalność potencjalnego pracownika. Problem polega jednak na tym, Ŝe w odróŜnieniu od kryteriów formalnych (takich jak wykształcenie czy doświadczenie) te dodatkowe waŜne kryteria trudno jest w sposób obiektywny sprawdzić na etapie procesu rekrutacji.
Wysokie i stale rosnące wymagania stawiane procesowi rekrutacji pracowników a takŜe procesom związanym z zarządzaniem posiadanymi w firmie zasobami ludzkimi (human resources) sprawiają, Ŝe tradycyjne metody oceny i ewaluacji pracowników, stosowane od lat przez doświadczonych kadrowców, okazują się dziś zdecydowanie niewystarczające. Dla większości menedŜerów jest oczywiste to, jak waŜny jest obecnie proces zarządzania zasobami ludzkimi, a takŜe to, Ŝe w procesie tym jednak nie powinno się bazować wyłącznie na juŜ wypracowanej tradycyjnej metodologii. Głównym załoŜeniem tej tradycyjnej metodologii jest bowiem przypuszczenie, Ŝe jeśli odpowiednio kwalifikowany i doświadczony człowiek dokonuje sam analizy dostępnych zasobów ludzkich i sam dobiera kadrę, to dobierze optymalnych pracowników stosując odpowiednie metody ich selekcji. Doświadczenie wykazuje, Ŝe przypuszczenie to bywa błędne.
Podejście nowoczesne do zadania selekcji kadry polega na tym, Ŝe oczywiście nadal korzysta się z wiedzy i instytucji doświadczonych pracowników związanych z działem kadrowo-płacowym przedsiębiorstwa, ale dodatkowo powinno się wykorzystywać obiektywne techniki komputerowe oraz dostępne narzędzia inteligencji biznesowej. Tylko dzięki nim bowiem moŜna polepszyć uzyskiwane efekty, a nawet niewielkie usprawnienie polityki kadrowej firmy moŜe znacząco wpłynąć na jej skuteczniejsze działanie i uzyskanie przewagi konkurencyjnej.
JuŜ w latach 90-tych ubiegłego stulecia wyniki szeregu dokonanych66 badań porównawczych w dziedzinie nauk społecznych [79] wykazały, Ŝe stosowanie dostępnych w tamtych czasach narzędzi logiki wsparcia biznesowego jest nie tylko tak samo dobre, ale w przewaŜającej liczbie przypadków nawet lepsze niŜ metoda case’owa, polegająca na dokonywaniu analizy informacji bezpośrednio przez człowieka. Przewaga narzędzi logicznych nad intuicją człowieka daje się przy tym wykazać niezaleŜnie od tego, czy selekcjonerem jest przyuczony urzędnik, czy renomowany specjalista w dziedzinie zarządzania, czy nawet uznany autorytet w dziedzinie psychologii. MoŜna więc tutaj postawić śmiało tezę, Ŝe jeŜeli większość firm stosowałaby dostępne narzędzia logiczne i techniki komputerowe do doboru zasobów ludzkich, to osiągnęlibyśmy większy wskaźnik trafności decyzji kadrowych niŜ te, które zostały podjęte dotychczas.
Dlaczego więc tak się nie dzieje? Odpowiedź jest prosta. Narzędzi tych (do komputerowego wspomagania decyzji kadrowych) jest obecnie bardzo mało, a jeŜeli juŜ istnieją, to z powodu ich skomplikowanej natury oraz wykorzystywania złoŜonych silników bazodanowych - koszty ich wdroŜenia i licencji są bardzo duŜe. Dlatego teŜ nieustannie zachodzi potrzeba poszukiwania nowych metod i budowania nowych narzędzi, by uczynić komputerowe wspomaganie decyzji w rozwaŜanym tu obszarze bardziej efektywnym i bardziej wiarygodnym dla decydentów.
Jednym z takich narzędzi w dyskutowanym obszarze moŜe być opracowany przez autora i opisany w tej pracy wielokryterialny system wsparcia decyzyjnego w problemie doboru kadr, oparty na metaheurystyce algorytmów mrowiskowych.
Przeprowadzone badania takiego rozwiązania miały przede wszystkim udzielić odpowiedzi na pytanie, czy zaproponowana strategia sprawdzi się w tego typu problemach
66
optymalizacyjnych i jaka będzie jej efektywność. Ze względu na brak dostępu do oprogramowania, z którym moŜna by było porównać program skonstruowany w ramach tej pracy – wyniki jego działania oceniano w porównaniu z dostępnymi danymi, dotyczącymi decyzji podjętych juŜ przez człowieka.
Analiza dziedziny problemu, charakterystyka dotychczas stosowanych rozwiązań oraz weryfikacja wyników otrzymanych w trakcie przeprowadzonych eksperymentów pozwalają na sformułowanie następujących wniosków:
• NiezaleŜnie od sposobu realizacji procesu rekrutacji i selekcji pracowników oraz doboru stosowanych w nim metod, jego etapem finalnym powinien być zawsze zwrot oczekiwanych informacji, w postaci danych personalnych o poŜądanych i właściwych atrybutach, wymaganych przez pracodawcę.
• Optymalizacyjny problem rekrutacji i selekcji pracowników moŜe być odwzorowany formalnie w postaci problemu wskazania dla jak największej liczby stanowisk S tylko kandydatów K spełniających minimalne oczekiwania kryterialne zbioru S, tworząc w ten sposób graf trójdzielny G = (K, C, S, E). W zapisie tym C oznacza zbiór ograniczeń kryterialnych, zaleŜnych od profilu stanowiska, na które przeprowadzana jest rekrutacja, natomiast E jest zbiorem krawędzi tego grafu.
• Rozpatrując kombinatoryczny problem dotyczący optymalizacji zysku w postaci jak najlepszego dopasowania zbioru cech posiadanych przez kaŜdego z kandydatów do zbioru wskaźników behawioralnych, definiujących (w sensie postulatywnym) proponowane stanowiska pracy stwierdzono, Ŝe główną barierą uniemoŜliwiającą zastosowanie wydajnego algorytmu deterministycznego, jest jego niestabilność. Niestabilność ta spowodowana jest przez mnogość potencjalnych rozwiązań, związanych z występowaniem nierównomiernego rozkładu współczynników rankingowych badanych aplikantów.
• Tak sformułowany problem wyklucza więc (co zostało dowiedzione w podrozdziale 4.2) implementację rozwiązań optymalizacyjnych znanych z zastosowania w innych, związanych z decyzyjnością obszarach. rozwiązań optymalizacyjnych, Mowa jest tu o takich rozwiązaniach, jak na przykład deterministyczny algorytm dla drzewa rozpinającego, czy skojarzenia o maksymalnej liczności.
• Szereg przeprowadzonych doświadczeń wykazał, Ŝe właściwym podejściem w tym obszarze moŜe być zastosowanie rozwiązania heurystycznego w postaci zaproponowanego w pracy mrowiskowego systemu wsparcia decyzyjnego z zaimplementowanym mechanizmem dodatniego sprzęŜenia zwrotnego.
• NiezaleŜnie od stopnia złoŜoności problemu doboru kadry, najlepsze wyniki osiągnięto w przypadku systemu, posiadającego nie tylko odpowiednio dostrojone parametry sterujące (eksperymenty wykazały, Ŝe najlepsze wartość dla parametru
q0 to 0.9, dla parametru
β
to 7.0, natomiast dla parametruρ
to 0.6), ale równieŜ uwzględniającego (w częściej obieranej przez mrówki taktyce eksploracyjnej) takŜe informację heurystyczną.• W opracowanym rozwiązaniu wykorzystywana substancja feromonowa jest podstawowym nośnikiem informacji, przechowywanej w pamięci globalnej rozpatrywanej populacji i ma znaczący wpływ na jakość uzyskiwanych wyników.
• Aby taktyka związana z przekazywaniem przez mrówkę informacji o rezultacie swoich działań mogła wiązać się z sukcesem, kaŜdy z osobników przeszukujących przestrzeń rozwiązań powinien lokalnie oznaczyć sprawdzony juŜ obszar skończonego zbioru stanów. Globalnie natomiast, znacznie większą ilością substancji naleŜy oznaczyć tylko najlepsze rozwiązanie cyklu.
• KaŜda z mrówek poszukujących jak najlepszego wyniku przyczynia się do szybkiego osiągnięcia poszukiwanego optimum globalnego tylko i wyłącznie w przypadku, kiedy istnieje moŜliwość korzystania równieŜ z pamięci własnej, złoŜonej z listy odkrytych rozwiązań w postaci przejść asocjacyjnych (listy TABUS) oraz listy wierzchołków zbioru K, tworzących te rozwiązania (TABUK).
• Mimo, Ŝe w rozwiązywanych problemach optymalizacyjnych zawsze moŜna było wyróŜnić wiele minimów lokalnych, zaproponowana struktura algorytmów mrowiskowych nieustannie zmuszała mrówki do poszukiwania rozwiązań konkurencyjnych, niejednokrotnie lepszych, co zbliŜało uzyskiwane rozwiązania do minimum globalnego.
• Aby osiągnąć moŜliwe najmniejszą wartość błędu względnego w tak zaprojektowanym systemie, naleŜy odpowiednio ustalić równieŜ liczbę jego iteracji. Zaproponowana i ustalona (w trakcie przeprowadzonych eksperymentów) na 300 wartość iteracji wynika z badań nad systemami złoŜonymi maksymalnie
z 92 obiektów. W pracy z większymi zbiorami moŜe się jednak okazać, Ŝe wartość ta musi zostać ponownie zweryfikowana.
Podsumowując moŜemy stwierdzić, Ŝe zaproponowane rozwiązanie w postaci mrowiskowej strategii heurystycznej, mimo kombinatorycznej natury badanych problemów związanych z procesem rekrutacji i selekcji pracowników, pozwala na uzyskiwanie rozwiązań co najmniej bliskich globalnie optymalnym. Ponadto dobierając odpowiednio strategię w tworzących to rozwiązanie algorytmach moŜna wyeliminować osiąganie lokalnych minimów, przyspieszając w ten sposób osiągnięcie optimum globalnego. Dlatego teŜ proponowane podejście moŜna z powodzeniem polecić do wykorzystania. Stanowi ono ciekawy przyczynek naukowy w obszarze stosowania algorytmów mrowiskowych, ale moŜe być takŜe stosowane praktycznie w obszarze zarządzania zasobami ludzkimi. Warto podkreślić, Ŝe opracowane w pracy rozwiązanie jest unikatowym narzędziem informatycznym związanym z doborem kadry, i zostało eksperymentalnie zweryfikowane jako dobrze sprawdzające się narzędzie wsparcia decyzyjnego w tym zakresie.
Bibliografia
[1] Abbass H. A., Hoai N. X., McKay R. I., AntTAG, A new method to compose computer using colonies of ants, Proceedings of the IEEE Congress on Evolutianory Computation, Vol. 2, Honolulu 2002.
[2] Adamiec M., KoŜusznik B., Zarządzanie zasobami ludzkimi – aktor – kreator – inspirator, Wydawnictwo AKADE, Kraków 2000.
[3] Armstrong M., Zarządzanie zasobami ludzkimi, Oficyna Ekonomiczna, Kraków 2003.
[4] Azzag H., Monmarch´e N., Slimane M., Venturini G., Guinot C., AntTree: A new model for clustering with artificial ants. IEEE Congress on Evolutionary Computation, wolumen 4, strony 2642–2647, Canberra, 2003. IEEE Press. [5] Bautista J., Pereira J., ant Algorithms for Assembly Line Balancing, Springer
Berlin, 2002.
[6] Berkhin P., Survey of clustering data mining techniques. Raport instytutowy, Accrue Software, San Jose, CA, 2002.
[7] Bernstein A.J., Rozen S.C., Trudni współpracownicy, Gdańskie Wydawnictwo Psychologiczne, Gdańsk 2003.
[8] Bonabeau E., Dorigo M., Theraulaz G., Inspiration for optimization from social insect behaviour. Nature, 406, 2000.
[9] Bonabeau E., Dorigo M., Theraulaz G., Swarm Intelligence: From Natural to Artificial Systems (Santa Fe Institute Studies on the Sciences of Complexity). Oxford University Press, USA, 1999.
[10] Bonabeau E., Dorigo M., Theraulaz G., Swarm Intelligence: From Natural to Artificial Systems, Bio Inspired Computing CS851, 2008.
[11] Bonabeau E., Theraulaz G., Mądrość roju. Świat Nauki, (6):48–56, 2000. [12] Borkowska S., Zarządzanie zasobami ludzkimi. Teraźniejszość i przyszłość,
IPISS, Warszawa 2006.
[13] Boryczka M., Programowanie mrowiskowe w procesie aproksymacji funkcji., Wydawnictwo Uniwersytetu Śląskiego, Katowice 2006.
[14] Boryczka M., Some aspects of Ant System for TSP, Fundamenta Informaticae, 1998, s. 197-209.
[15] Boryczka M., WspółbieŜność w systemach mrówkowych dla problemu czterech listonoszy, Zeszyty konferencyjne, Zakopane 1998, s. 40-46.
[16] Bramham J., Benchmarking w zarządzaniu zasobami ludzkimi, Oficyna Ekonomiczna, 2004.
[17] Brown R., Procesy grupowe, Gdańskie Wydawnictwo Psychologiczne, Gdańsk 2006.
[18] Camp R., Simonetti J. L., Vielhaber M. E., Strategiczne rozmowy kwalifikacyjne. Jak zatrudniać dobrych pracowników, Oficyna Ekonomiczna, Kraków 2006.
[19] Colorni A., Dorigo M., Maniezzo V., Distributed optimization by ant colonies, Appeared in Proceedings of ECAL92, Paris 1992.
[20] Cooper R., Sawaf A., EQ. Inteligencja emocjonalna w organizacji i zarządzaniu, Wydawnictwo Studio Emka, Warszawa 2000.
[21] Dale M., Skuteczna rekrutacja i selekcja pracowników, Oficyna Ekonomiczna, 2005.
[22] de Castro Aranha C., A survey on using ant-based techniques for clustering. IBA institute’s seminar, IBA Lab. - Research Laboratory of Genetic and Evolutionary Computations (GEC) of the Graduate School of Frontier Sciences, The University of Tokyo, Japan, 2006.
[23] Decastro L., von Zuben F., Recent Developments In Biologically Inspired Computing. Idea Group Publishing, Hershey, PA, USA, 2004.
[24] Deneubourg J., Goss S., Franks N., Sendova-Franks A., Detrain C., Chretien L., The dynamics of collective sorting robot-like ants and ant-like robots. Proceedings of the first international conference on simulation of adaptive behavioron from animals to animats, Cambridge, MA, USA, 1990. MIT Press. [25] Dorigo M., di Caro G., The ant colony optimization meta-heuristic. David
Corne, Marco Dorigo, Fred Glover, redaktorzy, New Ideas in Optimization., McGraw-Hill, London, 1999.
[26] Dorigo M., Gambardella L. M., Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem, IEEE Transactions on Evolutionary ComputationVol. 1,No. 1,pp. 53-66, 1997.
[27] Dorigo M., Maniezzo V., Colorni A., Positive feedback as a search strategy. Technical Report 91-016, 1991.
[28] Dorigo M., Socha K., An introduction to ant colony optimization. Technical Report TR/IRIDIA/2006-010, 2006.
[29] Dorigo M. and Stützle T., Ant Colony Optimization, The Mit Press, 2004. [30] Dowsland K. and Thompson J., Ant colony optimization for the examination
scheduling problem. Journal of the Operational Research Society,426–439, 2005.
[31] Edelmann R. J., Konflikty w pracy, Gdańskie Wydawnictwo Psychologiczne, Gdańsk 2005.
[32] Fączkowska E., Wyrzykowski M., Wizja firmy, a zarządzanie kadrami w PAMOTEX-ie S.A., Polska Fundacja Promocji Kadr, Warszawa 1999.
[33] Feldman D.C., Managin Careers In Organizations, Scott, Foresman and Company, Glenview, Illinois 1998.
[34] Galen F., Dean T., Narzędzia do przeprowadzania rekrutacji i selekcji, Oficyna Ekonomiczna, 2005.
[35] Golden A. S., Goehle R., Recruitment, selection and retention of CBD workers, Popline, Berkley, 2002.
[36] Górska J., Zarządzanie pracownikami, Instrumenty polityki personalnej, Poltex, Warszawa 2001.
[37] Grensing L., Jak rekrutować pracowników. Przewodnik dla średnich i małych firm., Wyd. M & Communications Polska, 2001.
[38] Half R., Jak znaleźć, zatrudnić i zatrzymać najlepszych pracowników, WNT, Warszawa, 1995.
[39] Handl J., Dorigo M., On the performance of ant-based clustering. Proc. of the 3 Int. Conf. on Hybrid Intelligent Systems. IOS Press, 2003.
[40] Handl J., Knowles J., Dorigo M., Ant-based clustering and topographic mapping. Artificial Life, 12(1), 2005.
[41] Herriot P., Pemberton C., Neaw Deals – The rovolution in managerial careers, Chichester 2005.
[42] Jamka B., Dobór zewnętrzny i wewnętrzny pracowników. Teoria i praktyka, Wydaw. Difin, 2006.
[43] JarmuŜ S., Zastosowanie modelu „Wielkiej piątki” w doborze i ocenie personelu. Nowoczesne metody doboru i oceny personelu, Wydawnictwo Profesjonalnej Szkoły Biznesu, Kraków 2000.
[44] Jarosław M., Rekrutacja i zatrudnianie według standardów UW, Ralpha Pro, 2004.
[45] Jassim R. K., Competitive Advantage through the Employees, CCH, Australia, 2007.
[46] Kaplan R. S., Norton D. P., Strategiczna karta wyników, Arthur Andersen i Wydawnictwo Naukowe PWN, Warszawa 2001.
[47] Keenan T., Graduate recruitment in Britain: a survey of selection methods used by organizations, Journal of Organizational Behavior, 1995.
[48] Koźmiński A., Piotrowski W., Zarządzanie. Teoria i praktyka, wydanie V, Wydawnictwo Naukowe PWN, Warszawa 2006.
[49] Kurda W., Nie ma rozwoju firmy bez rozwoju kadr, Personel i Zarządzanie, nr 2, 2006.
[50] Lanz K., Zatrudnianie i zarządzanie personelem, PWN, Warszawa 1994. [51] Lievens F., van Dam K., Anderson N., Recent trends and challenges in
personnel selection, Personel Review, 2002.
[52] Lipka A., Raz w górę, raz w dół, Personel, nr 15/16, sierpień 2000.
[53] Lumer D., Faieta B., Diversity and adaptation in populations of clustering ants. SAB94: Proceedings of the third international conference on Simulation of adaptive behavior : from animals to animats 3, strony 501–508, Cambridge, MA, USA, 1994. MIT Press.
[54] Lunden B., Rekrutacja pracowników. Poradnik dla pracodawcy, BL Info Polska, 2003.
[55] Łucewicz J., Współczesne determinanty zarządzania kadrami, [w:]Zarządzanie kadrami, red. T. Listwan, Wydawnictwo C.H. BECK, Warszawa 2002.
[56] Makin P., Cooper G., Cox Ch., Organizacje a kontrakt psychologiczny. Zarządzanie ludźmi w pracy, Wydawnictwo Naukowe PWN, Warszawa 2000. [57] Marciniak J., Rekrutacja i zatrudnianie według standardów Unii Europejskiej,
Wydawnictwo Alpha, Ostrołęka 2004.
[58] Marciniak J., Standaryzacja procesów zarządzania personelem, Oficyna Ekonomiczna, Kraków 2006.
[59] Mroziewski M., Style kierowania i zarządzania. Wybrane koncepcje, Wydawnictwo Difin, Warszawa 2005.
[60] Newman J., Hettich S., Blake L., Merz J. C., UCI repository of machine learning databases, 1998.
[61] Pang-Ning T., Introduction to Data Mining. Addison Wesley Publication, 2006. [62] Penny H., Jak zdobyć pierwszą pracę, Read Me, 2002.
[63] Prakash Shelokar S., Jayaraman V. K., Kulkarni B. D., Ant algorithm for single and multiobjective reliability optimization problems, John Wiley & Son, 2002.
[64] Reed A., Zarządzanie zasobami ludzkimi (HRM), Wydawnictwo Petit, Warszawa 2002.
[65] Sałustowicz R. P., Probalistic incremental Program Evolution, Technical University of Berlin, 2003.
[66] Sendova-Franks A., Brood sorting by ants: two phases and differential diffusion. Animal Behaviour, 2004.
[67] Smith M., Robertson I. T., The Theory and Practice of Systematic Personel Selection, Macmillan, London 1993.
[68] Steinmann H., Schreyogg G., Zarządzanie. Podstawy kierowania przedsiębiorstwem. Koncepcje, funkcje, przykłady, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 2004.
[69] Stępień J., Wirtualny Pośredniak, Businesmen Magazine, nr 10/2000. [70] Stoner F., Wankel Ch., Kierowanie, PWE, Warszawa 1994.
[71] Stredwick J., Zarządzanie pracownikami w małej firmie, One Press, Gliwice 2005.
[72] Stuetzle T. and Hoos H.H., Max-min ant systems, Future Generation ComputerSystem, 2000
[74] Sysło M., Deo N., Kowalik J., Algorytmy optymalizacji dyskretnej, PWN, Warszawa 1999.
[75] Szubstarska J., Kadry w dobie przemian. Preferowane i zaniedbane aspekty funkcji personalnej, Personel 5/1998.
[76] Trojanowski K., Metaheurystyki praktyczne, WIT, 2005.
[77] Walukiewicz S., Programowanie dyskretne, WNT, Warszawa 1986.
[78] Witkowski T., Nowoczesne metody doboru i oceny personelu, Profesjonalna Szkoła Biznesu, 2003.
[79] Wood R., Payne T., Metody rekrutacji i selekcji pracowników oparte na kompetencjach, Oficyna Ekonomiczna, 2006.
[80] Vesel A. and Zerovnik J., How well can ants color graphs? Journal of Computing and Information Technology - CIT, 131–136, 2000.
[81] Yakubovich V., Stages of the Recruitment Process and the Referrer's Performance Effect, Informs, Maryland, 2006
[82] Yancang Li, Wanqing Li, Adaptive Ant Colony Optimization Algorithm Based on Information Entropy: Foundation and Application, Fundamenta Informaticae, IOS Press, 2007.