شخصی‌سازی مزایای رفاهی کارکنان با هوش مصنوعی؛ از پیشنهاد هوشمند تا افزایش استفاده از خدمات
فرض کنید یک سازمان ۵۰۰ کارمند دارد و برای همه آن‌ها یک فهرست یکسان از خدمات رفاهی ارائه می‌کند.
در این فهرست، خدماتی مانند باشگاه ورزشی، رستوران، فروشگاه پوشاک، مراکز درمانی، گردشگری و خرید کالا وجود دارد.
اما آیا همه کارکنان به یک اندازه از این خدمات استفاده می‌کنند؟
احتمالاً خیر.
ممکن است یک کارمند به خدمات ورزشی علاقه داشته باشد، دیگری به‌دنبال خرید کالاهای ضروری باشد و فردی دیگر ترجیح دهد از خدمات سفر یا درمان استفاده کند.
وقتی همه کارکنان پیشنهادهای یکسانی دریافت می‌کنند، بخشی از خدمات ممکن است برای آن‌ها نامرتبط باشد.
اینجاست که مفهوم شخصی‌سازی مزایای کارکنان با هوش مصنوعی اهمیت پیدا می‌کند.
هوش مصنوعی می‌تواند با استفاده از داده‌های مجاز، ترجیحات اعلام‌شده و ویژگی‌های خدمات، پیشنهادهایی متناسب‌تر با نیاز هر کارمند ارائه دهد.
البته شخصی‌سازی به معنای نظارت بر زندگی خصوصی کارکنان یا جمع‌آوری بی‌رویه اطلاعات نیست.
یک سیستم رفاهی هوشمند باید هم‌زمان سه هدف را دنبال کند:
- افزایش ارتباط پیشنهادها با نیاز کارکنان
- ساده‌تر کردن دسترسی به خدمات مناسب
- حفظ اختیار، شفافیت و حریم خصوصی کاربران
در این مقاله بررسی می‌کنیم که این فناوری چگونه کار می‌کند، چه داده‌هایی نیاز دارد، چه خطراتی ایجاد می‌کند و سازمان‌ها چگونه می‌توانند آن را به‌صورت مرحله‌ای اجرا کنند.
شخصی‌سازی مزایای رفاهی کارکنان چیست؟
شخصی‌سازی مزایای رفاهی یا Personalized Employee Benefits به معنای ارائه گزینه‌ها و پیشنهادهای متناسب با نیازها و ترجیحات متفاوت کارکنان است.
در مدل سنتی، سازمان معمولاً یک بسته رفاهی مشترک تعریف می‌کند.
برای مثال، همه کارکنان به یک فهرست ثابت از فروشگاه‌ها و خدمات دسترسی دارند.
اما در مدل شخصی‌سازی‌شده، تجربه مشاهده و انتخاب خدمات می‌تواند برای هر فرد متفاوت باشد.
برای نمونه:
کارمندی که علاقه خود را به ورزش اعلام کرده، پیشنهادهای باشگاه و خدمات ورزشی بیشتری می‌بیند.
کارمندی که شهر محل استفاده از خدمات را تهران انتخاب کرده، ابتدا تأمین‌کنندگان همان شهر را مشاهده می‌کند.
کارمندی که به خدمات سفر علاقه دارد، پیشنهادهای مرتبط با گردشگری را در اولویت می‌بیند.
در این روش، الزاماً بودجه رفاهی افراد متفاوت نمی‌شود.
شخصی‌سازی پیشنهادها با تخصیص نابرابر مزایا تفاوت دارد.
ممکن است همه کارکنان از حقوق رفاهی یکسانی برخوردار باشند، اما نحوه نمایش خدمات و پیشنهادها بر اساس انتخاب خودشان متفاوت باشد.
چرا مدل یکسان خدمات رفاهی همیشه کافی نیست؟
کارکنان یک سازمان از نظر نیاز، محل زندگی، علایق و شرایط استفاده از خدمات متفاوت هستند.
یک فهرست ثابت ممکن است تنوع مناسبی داشته باشد، اما لزوماً کشف خدمات مرتبط را آسان نمی‌کند.
برای مثال، اگر یک پلتفرم رفاهی صدها تأمین‌کننده داشته باشد، پیدا کردن گزینه مناسب ممکن است زمان‌بر شود.
این مسئله می‌تواند به چند نتیجه منجر شود:
۱. دیده نشدن خدمات مرتبط
ممکن است خدمات مناسبی در شبکه وجود داشته باشد، اما کارمند آن را پیدا نکند.
۲. افزایش زمان جست‌وجو
کارمند مجبور شود دسته‌بندی‌های مختلف را بررسی کند.
۳. نمایش پیشنهادهای نامرتبط
کاربری که به خدمات ورزشی علاقه ندارد، ممکن است بارها پیشنهادهای ورزشی مشاهده کند.
۴. دشوار شدن ارزیابی برنامه رفاهی
اگر سازمان فقط تعداد خدمات موجود را اندازه‌گیری کند، نمی‌تواند به‌تنهایی تشخیص دهد کارکنان تا چه اندازه از آن‌ها استفاده می‌کنند.
شخصی‌سازی می‌تواند برای کاهش این مشکلات مفید باشد، اما میزان اثر آن باید با داده واقعی سنجیده شود.
هوش مصنوعی چگونه خدمات رفاهی مناسب را پیشنهاد می‌دهد؟
برای درک موضوع، یک فروشگاه اینترنتی را تصور کنید که محصولات مرتبط با جست‌وجوها و انتخاب‌های کاربر را پیشنهاد می‌دهد.
موتور پیشنهاددهنده خدمات رفاهی نیز می‌تواند از منطق مشابهی استفاده کند.
بااین‌حال، اطلاعات مورد استفاده در محیط کار حساس‌تر است و باید محدودیت‌های بیشتری برای آن در نظر گرفت.
یک موتور پیشنهاددهنده معمولاً از سه بخش تشکیل می‌شود:
داده‌های ورودی: اطلاعاتی که با مجوز و برای هدف مشخص جمع‌آوری شده‌اند.
منطق پیشنهاددهی: قواعد یا مدل‌هایی که ارتباط میان کاربر و خدمات را ارزیابی می‌کنند.
خروجی: فهرستی از خدمات پیشنهادی همراه با امکان مشاهده و انتخاب سایر گزینه‌ها.
برای مثال، سیستم ممکن است بر اساس شهر انتخابی، دسته‌بندی موردعلاقه و محدوده قیمت موردنظر کاربر، چند خدمت را در اولویت نمایش قرار دهد.
این فرایند الزاماً به مدل‌های پیچیده یادگیری ماشین نیاز ندارد.
در بسیاری از پروژه‌ها، شروع با قواعد ساده و قابل توضیح، مناسب‌تر از استفاده فوری از الگوریتم‌های پیچیده است.
سه روش اصلی شخصی‌سازی خدمات رفاهی
روش اول: شخصی‌سازی مبتنی بر قواعد
Rule-Based Personalization
در این مدل، سیستم از قواعد مشخص استفاده می‌کند.
برای مثال:
اگر کاربر شهر اصفهان را انتخاب کرده است، ابتدا تأمین‌کنندگان فعال اصفهان نمایش داده شوند.
اگر دسته‌بندی موردعلاقه او ورزش است، خدمات ورزشی در اولویت قرار بگیرند.
اگر یک پیشنهاد منقضی شده است، نمایش داده نشود.
مزیت این روش، سادگی و قابلیت توضیح آن است.
محدودیت آن نیز این است که معمولاً توانایی محدودی برای کشف الگوهای پیچیده دارد.
روش دوم: پیشنهاددهی مبتنی بر ویژگی خدمات
Content-Based Filtering
در این روش، سیستم ویژگی‌های خدماتی را که کاربر انتخاب کرده یا به آن‌ها علاقه نشان داده است، بررسی می‌کند.
برای مثال، اگر کاربر چند مرکز ورزشی را ذخیره کرده باشد، سیستم می‌تواند خدمات مشابه را پیشنهاد دهد.
ویژگی‌های قابل استفاده شامل موارد زیر هستند:
- دسته‌بندی خدمت
- شهر و محدوده جغرافیایی
- نوع استفاده حضوری یا آنلاین
- محدوده قیمت
- ویژگی‌های عمومی خدمت
- ترجیحات اعلام‌شده کاربر
این روش برای پلتفرم‌هایی مناسب است که اطلاعات ساختاریافته و باکیفیتی درباره تأمین‌کنندگان دارند.
روش سوم: پیشنهاددهی مبتنی بر رفتارهای مشابه
Collaborative Filtering
در این روش، الگوریتم الگوهای تعامل کاربران را بررسی می‌کند.
برای مثال، اگر گروهی از کاربران به چند خدمت مشابه علاقه نشان داده باشند، سیستم ممکن است خدمت دیگری را که در همان الگو پرتکرار است پیشنهاد کند.
اما استفاده از این روش در محیط سازمانی نیازمند احتیاط بیشتری است.
نباید از اطلاعات فردی کارکنان برای نتیجه‌گیری درباره وضعیت خانوادگی، مالی، سلامت یا ویژگی‌های حساس آن‌ها استفاده شود.
همچنین داده‌های محدود یا نامتوازن می‌توانند به پیشنهادهای ضعیف یا ناعادلانه منجر شوند.
به همین دلیل، استفاده از این روش باید با ارزیابی حریم خصوصی، کیفیت داده و کنترل‌های مناسب همراه باشد.
مقایسه روش‌های پیشنهاددهی خدمات رفاهی
| روش | داده موردنیاز | مزیت | محدودیت |
|---|---|---|---|
| مبتنی بر قواعد | ترجیحات و ویژگی خدمات | ساده و قابل توضیح | انعطاف محدود |
| مبتنی بر ویژگی خدمات | اطلاعات دسته‌بندی و تعاملات مجاز | پیشنهادهای مرتبط با علایق | احتمال تکرار پیشنهادهای مشابه |
| مبتنی بر رفتارهای مشابه | الگوهای تعامل با مجوز مناسب | کشف خدمات جدید | پیچیدگی، نیاز به داده و خطرات حریم خصوصی |
| مدل ترکیبی | ترکیبی از داده‌های مجاز | انعطاف بیشتر | نیازمند ارزیابی و نگهداری دقیق‌تر |
برای بسیاری از سازمان‌ها، مدل مبتنی بر قواعد می‌تواند نقطه شروع مناسبی باشد.
چه داده‌هایی برای شخصی‌سازی مزایای کارکنان لازم است؟
یکی از مهم‌ترین تصمیم‌ها در طراحی یک سیستم رفاهی هوشمند، انتخاب داده‌های ورودی است.
اصل مهم این است:
فقط اطلاعاتی جمع‌آوری شود که برای ارائه خدمت مشخص ضروری است.
برای مثال، داده‌های زیر ممکن است مفید باشند:
شهر انتخابی برای دریافت خدمات
این اطلاعات می‌تواند به نمایش تأمین‌کنندگان مرتبط کمک کند.
دسته‌بندی‌های موردعلاقه
کاربر می‌تواند به‌صورت اختیاری دسته‌هایی مانند ورزش، سفر، غذا یا خرید را انتخاب کند.
محدوده قیمت موردنظر
اگر کاربر بخواهد، می‌تواند محدوده قیمت مناسب خود را مشخص کند.
خدمات ذخیره‌شده
ذخیره یک خدمت می‌تواند نشانه‌ای از علاقه کاربر باشد؛ البته فقط در چارچوب اطلاع‌رسانی و مجوز مناسب.
بازخورد مستقیم
کاربر می‌تواند اعلام کند که یک پیشنهاد برای او مفید بوده یا خیر.
در مقابل، استفاده از اطلاعاتی مانند پرونده پزشکی، وضعیت مالی شخصی، مکالمات خصوصی یا داده‌های حساس استخدامی برای پیشنهاد خدمات رفاهی، بدون ضرورت و مبنای مجاز، قابل توجیه نیست.
آیا هوش مصنوعی باید سن، حقوق یا وضعیت تأهل کارکنان را بداند؟
خیر، لزوماً چنین نیازی وجود ندارد.
برای پیشنهاد یک باشگاه ورزشی یا فروشگاه پوشاک، معمولاً لازم نیست سیستم از حقوق، وضعیت تأهل یا اطلاعات خصوصی فرد مطلع باشد.
در بسیاری از موارد، ترجیح اعلام‌شده توسط خود کارمند اطلاعات مناسب‌تری فراهم می‌کند.
برای مثال، به‌جای اینکه سیستم بر اساس سن کارمند حدس بزند به چه خدماتی علاقه دارد، می‌توان از او پرسید:
«دوست دارید کدام دسته خدمات را بیشتر ببینید؟»
این رویکرد هم شفاف‌تر است و هم احتمال شکل‌گیری کلیشه‌های نادرست را کاهش می‌دهد.
تجربه Pluxee در شخصی‌سازی مزایای کارکنان
در بازار بین‌المللی خدمات رفاهی، شرکت‌هایی مانند Pluxee بر تنوع مزایا و حق انتخاب کارکنان تأکید دارند.
در نمونه همکاری Pluxee و ValueNet در آلمان، یک پلتفرم دیجیتال برای انتخاب مزایای مختلف معرفی شده است که از هوش مصنوعی برای کمک به یافتن مزایای متناسب با نیاز کارکنان استفاده می‌کند.
این نمونه نشان می‌دهد که ترکیب انتخاب فردی، مدیریت دیجیتال مزایا و سیستم‌های هوشمند، یکی از رویکردهای قابل بررسی در صنعت خدمات رفاهی است.
بااین‌حال، باید میان قابلیت‌های اعلام‌شده یک محصول، نتایج اثبات‌شده و امکانات قابل پیاده‌سازی در بازار ایران تفاوت قائل شد.
مدل‌های حقوقی، مالیاتی و زیرساختی کشورها نیز یکسان نیستند.
بنابراین تجربه Pluxee می‌تواند الهام‌بخش طراحی محصول باشد، نه الگویی که بدون تغییر در ایران اجرا شود.
سناریوی عملی: شخصی‌سازی خدمات رفاهی برای سازمان ۵۰۰ نفره
فرض کنیم یک سازمان ۵۰۰ کارمند دارد.
همه کارکنان به یک شبکه مشترک از خدمات رفاهی دسترسی دارند.
سازمان تصمیم می‌گیرد به‌جای تغییر بودجه رفاهی، نحوه کشف و مشاهده خدمات را بهبود دهد.
مرحله اول: دریافت ترجیحات داوطلبانه
از کارکنان خواسته می‌شود در صورت تمایل، سه دسته موردعلاقه خود را انتخاب کنند.
برای مثال:
- خرید کالاهای روزمره
- ورزش
- خدمات درمانی
- رستوران و غذا
- سفر و گردشگری
این اطلاعات صرفاً برای تنظیم پیشنهادها استفاده می‌شود.
مرحله دوم: دسته‌بندی تأمین‌کنندگان
برای هر تأمین‌کننده اطلاعاتی مانند شهر، دسته‌بندی، شرایط استفاده و وضعیت فعال بودن ثبت می‌شود.
مرحله سوم: نمایش پیشنهادهای مرتبط
سیستم ابتدا خدماتی را نمایش می‌دهد که با انتخاب کاربر سازگار هستند.
در کنار آن، امکان مشاهده تمام خدمات نیز حفظ می‌شود.
مرحله چهارم: دریافت بازخورد
کاربر می‌تواند پیشنهادهای نامرتبط را پنهان کند یا علایق خود را تغییر دهد.
مرحله پنجم: ارزیابی نتایج
سازمان و ارائه‌دهنده پلتفرم، شاخص‌های تجمیعی و مجاز را بررسی می‌کنند.
هدف این است که مشخص شود آیا تجربه جست‌وجو و استفاده از خدمات بهتر شده است یا خیر.
این سناریو یک الگوی پیشنهادی برای طراحی سیستم است و به معنای وجود تمام این امکانات در پلتفرم‌های فعلی نیست.
مثال عددی: آیا پیشنهاد هوشمند استفاده از خدمات را افزایش می‌دهد؟
برای بررسی اثر احتمالی شخصی‌سازی، یک آزمایش فرضی طراحی می‌کنیم.
فرض کنیم ۴۰۰ کارمند به‌صورت داوطلبانه در آزمایش شرکت می‌کنند و به‌طور تصادفی در دو گروه ۲۰۰ نفره قرار می‌گیرند.
گروه اول فهرست عمومی خدمات را مشاهده می‌کند.
گروه دوم فهرست خدمات را بر اساس ترجیحات اعلام‌شده خود مشاهده می‌کند.
پس از چهار هفته، نتایج فرضی زیر ثبت می‌شود:
| شاخص | فهرست عمومی | پیشنهاد شخصی‌سازی‌شده |
|---|---:|---:|
| تعداد کاربران | ۲۰۰ | ۲۰۰ |
| کاربران دارای حداقل یک استفاده | ۴۰ | ۵۴ |
| نرخ استفاده | ۲۰٪ | ۲۷٪ |
| تعداد جست‌وجوهای منجر به مشاهده جزئیات | ۱۲۰ | ۱۵۰ |
در این مثال فرضی، نرخ استفاده از ۲۰ درصد به ۲۷ درصد رسیده است.
اختلاف برابر با ۷ واحد درصد یا افزایش نسبی ۳۵ درصدی است.
این ارقام نتیجه واقعی یک پژوهش یا عملکرد استفینو نیستند.
همچنین چنین اختلافی به‌تنهایی اثبات نمی‌کند که هوش مصنوعی علت افزایش استفاده بوده است.
برای نتیجه‌گیری معتبر باید طراحی آزمایش، تفاوت‌های تصادفی، اندازه نمونه، کیفیت پیشنهادها و معناداری آماری بررسی شود.
پنج شاخص مهم برای سنجش موفقیت شخصی‌سازی
۱. نرخ استفاده از خدمات
Benefit Utilization Rate
تعداد کارکنانی که در دوره مشخص حداقل یک بار از خدمات استفاده کرده‌اند، تقسیم بر تعداد کارکنان واجد شرایط.
۲. نرخ تعامل با پیشنهادها
Recommendation Engagement Rate
نسبت کاربرانی که با پیشنهادهای نمایش‌داده‌شده تعامل معنادار داشته‌اند.
۳. نرخ تبدیل پیشنهاد به استفاده
Recommendation Conversion Rate
نسبت پیشنهادهایی که در بازه تعریف‌شده به استفاده واقعی از خدمت منجر شده‌اند.
۴. تنوع خدمات استفاده‌شده
بررسی می‌شود که آیا کارکنان از دسته‌های متنوع‌تری استفاده می‌کنند یا صرفاً چند خدمت پرطرفدار بیشتر دیده می‌شوند.
۵. رضایت از مرتبط بودن پیشنهادها
می‌توان با یک پرسش کوتاه و اختیاری بررسی کرد:
«پیشنهادهای نمایش‌داده‌شده تا چه اندازه برای شما مرتبط بودند؟»
ارزیابی بهتر است در سطح تجمیعی و بدون افشای اطلاعات فردی به کارفرما انجام شود.
چگونه از تبعیض الگوریتمی جلوگیری کنیم؟
سیستم‌های هوش مصنوعی ممکن است الگوهای ناعادلانه‌ای را از داده‌های گذشته یاد بگیرند.
برای مثال، اگر یک خدمت در گذشته فقط به گروه محدودی نمایش داده شده باشد، الگوریتم ممکن است همان الگو را تکرار کند.
برای کاهش این خطر باید:
- دسترسی پایه به خدمات برای کارکنان واجد شرایط حفظ شود.
- پیشنهادها به معنای حذف گزینه‌های دیگر نباشند.
- استفاده از ویژگی‌های حساس محدود شود.
- کیفیت پیشنهادها برای گروه‌های مختلف، در چارچوب مجاز، ارزیابی شود.
- کاربران بتوانند ترجیحات خود را تغییر دهند.
- امکان گزارش پیشنهاد نامناسب وجود داشته باشد.
هدف شخصی‌سازی، آسان‌تر کردن انتخاب است؛ نه محدود کردن فرصت کارکنان.
حریم خصوصی در پلتفرم رفاهی هوشمند
داده‌های مربوط به استفاده از خدمات ممکن است اطلاعاتی درباره علایق یا رفتار فرد آشکار کنند.
به همین دلیل، طراحی سیستم باید از ابتدا با اصول حفاظت از داده همراه باشد.
شفافیت
کاربر بداند چه اطلاعاتی جمع‌آوری می‌شود و چرا.
حداقل‌سازی داده
اطلاعات غیرضروری جمع‌آوری نشود.
محدودیت هدف
داده‌های رفاهی بدون مبنای مجاز برای ارزیابی عملکرد شغلی یا تصمیمات استخدامی استفاده نشوند.
کنترل دسترسی
کارکنان سازمان و تأمین‌کنندگان فقط به اطلاعات ضروری برای انجام وظایف خود دسترسی داشته باشند.
اختیار کاربر
در مواردی که پردازش مبتنی بر رضایت است، کاربر بتواند ترجیحات خود را تغییر دهد یا رضایت را مطابق سازوکار مربوط پس بگیرد.
امنیت اطلاعات
اطلاعات در زمان ذخیره و انتقال با کنترل‌های امنیتی مناسب محافظت شوند.
نگهداری محدود
داده‌ها بیش از مدت ضروری و مجاز نگهداری نشوند.
در ایران نیز طراحی و بهره‌برداری از چنین سامانه‌ای باید با بررسی مقررات قابل اعمال و تعهدات قراردادی انجام شود.
آیا برای شخصی‌سازی خدمات رفاهی حتماً به مدل زبانی بزرگ نیاز داریم؟
خیر.
یکی از اشتباهات رایج این است که تصور کنیم هر قابلیت هوشمند باید با مدل‌های زبانی بزرگ یا LLM ساخته شود.
درحالی‌که برای بسیاری از کاربردهای پیشنهاددهی، روش‌های ساده‌تر کافی هستند.
برای مثال:
فیلتر شهر: با یک شرط ساده قابل اجراست.
اولویت‌بندی دسته‌های موردعلاقه: با امتیازدهی مبتنی بر قواعد قابل اجراست.
پیشنهاد خدمات مشابه: می‌تواند با ویژگی‌های ساختاریافته خدمات انجام شود.
مدل‌های زبانی بزرگ ممکن است برای درک درخواست‌های متنی مفید باشند.
برای مثال، کاربر بنویسد:
«یک باشگاه نزدیک محل کارم می‌خواهم که بعد از ساعت اداری بتوانم بروم.»
یک دستیار مبتنی بر زبان طبیعی می‌تواند این درخواست را به معیارهای جست‌وجو تبدیل کند.
اما اطلاعات واقعی باشگاه‌ها، ساعت فعالیت و شرایط خدمات باید از منابع معتبر سامانه دریافت شود.
مدل زبانی نباید اطلاعات تأمین‌کننده یا تخفیف‌های موجود را از خود تولید کند.
معماری پیشنهادی موتور پیشنهاددهنده رفاهی
برای طراحی یک سیستم قابل توسعه می‌توان پنج لایه در نظر گرفت.
لایه اول: کاتالوگ خدمات
اطلاعات ساختاریافته تأمین‌کنندگان، دسته‌بندی‌ها، شهرها، شرایط استفاده و وضعیت فعال بودن خدمات.
لایه دوم: ترجیحات کاربر
اطلاعاتی که کاربر آگاهانه و در چارچوب مجاز ارائه می‌کند.
لایه سوم: موتور پیشنهاددهنده
منطق امتیازدهی، فیلتر و رتبه‌بندی خدمات.
لایه چهارم: رابط کاربری
نمایش پیشنهادها همراه با توضیح مختصر درباره دلیل پیشنهاد و امکان مشاهده تمام خدمات.
لایه پنجم: تحلیل و کنترل کیفیت
بررسی شاخص‌های عملکرد، بازخوردها، خطاها و سوگیری‌های احتمالی.
این معماری می‌تواند به‌صورت تدریجی پیاده‌سازی شود و نیازی نیست تمام بخش‌ها از روز اول مبتنی بر یادگیری ماشین باشند.
نقشه راه ۹۰ روزه برای اجرای آزمایشی
روزهای ۱ تا ۳۰: آماده‌سازی
در ماه اول، سازمان و ارائه‌دهنده پلتفرم باید مسئله اصلی را مشخص کنند.
برای مثال:
آیا کارکنان خدمات مناسب را پیدا نمی‌کنند؟
آیا برخی دسته‌ها کمتر دیده می‌شوند؟
آیا جست‌وجوی خدمات زمان‌بر است؟
سپس کیفیت داده‌های خدمات، شیوه دریافت ترجیحات و الزامات حریم خصوصی بررسی می‌شود.
خروجی: تعریف مسئله، شاخص پایه و طراحی آزمایش.
روزهای ۳۱ تا ۶۰: اجرای آزمایشی
در مرحله دوم، یک سیستم ساده پیشنهاددهی مبتنی بر قواعد برای گروهی داوطلب از کارکنان اجرا می‌شود.
امکان تغییر ترجیحات و مشاهده فهرست کامل خدمات حفظ می‌شود.
خروجی: نسخه آزمایشی قابل استفاده و داده‌های اولیه عملکرد.
روزهای ۶۱ تا ۹۰: ارزیابی
در مرحله سوم، نتایج آزمایش بررسی می‌شوند.
اگر سیستم عملکرد مناسبی داشته باشد، می‌توان درباره توسعه آن تصمیم گرفت.
اگر نتایج ضعیف باشند، ممکن است مشکل از کیفیت داده، تنوع تأمین‌کنندگان یا طراحی تجربه کاربری باشد؛ نه لزوماً از نوع الگوریتم.
خروجی: گزارش ارزیابی و تصمیم برای توسعه، اصلاح یا توقف آزمایش.
هفت اشتباه رایج در شخصی‌سازی مزایای رفاهی
۱. جمع‌آوری اطلاعات بیش از نیاز
داده بیشتر همیشه به معنای پیشنهاد بهتر نیست.
۲. شروع با الگوریتم پیچیده
گاهی یک سیستم ساده مبتنی بر ترجیحات، ارزش بیشتری ایجاد می‌کند.
۳. بی‌توجهی به کیفیت اطلاعات تأمین‌کنندگان
اگر آدرس، دسته‌بندی یا شرایط استفاده اشتباه باشد، پیشنهاد هوشمند نیز مفید نخواهد بود.
۴. محدود کردن حق انتخاب
پیشنهاد هوشمند نباید باعث پنهان شدن دائمی خدمات دیگر شود.
۵. استفاده از داده رفاهی برای ارزیابی شغلی
رفتار خرید یا استفاده از خدمات رفاهی نباید بدون مبنای قانونی و هدف مجاز وارد تصمیمات منابع انسانی شود.
۶. نداشتن شاخص موفقیت
تعداد کلیک به‌تنهایی نشان‌دهنده موفقیت برنامه رفاهی نیست.
۷. ادعای هوشمندی بدون آزمایش
وجود یک الگوریتم یا مدل AI به معنای اثربخشی آن نیست.
شخصی‌سازی مزایای رفاهی چه ارتباطی با استفینو دارد؟
استفینو به‌عنوان پلتفرم خدمات و مزایای سازمانی، سازمان‌ها و کارکنان را به شبکه‌ای از تأمین‌کنندگان کالا و خدمات متصل می‌کند.
در چنین مدلی، تنوع خدمات و امکان انتخاب از میان دسته‌بندی‌های مختلف اهمیت دارد.
از منظر توسعه محصول، شخصی‌سازی هوشمند می‌تواند یکی از مسیرهای آینده پلتفرم‌های رفاهی باشد.
برای مثال، یک پلتفرم می‌تواند در آینده بر اساس ترجیحات داوطلبانه کارکنان، خدمات مرتبط‌تر را در اولویت نمایش قرار دهد.
همچنین امکان جست‌وجوی طبیعی خدمات یا دریافت بازخورد درباره پیشنهادها قابل بررسی است.
این موارد پیشنهادهایی برای توسعه آینده هستند و نباید به‌عنوان قابلیت‌های فعال فعلی استفینو تلقی شوند.
برای آشنایی با خدمات سازمانی استفینو:
https://staffino.ir/org-panel
برای مشاهده شبکه تأمین‌کنندگان:
https://staffino.ir/merchants-directory
چک‌لیست مدیران منابع انسانی پیش از اجرای AI رفاهی
- [ ] مسئله‌ای که قرار است حل شود مشخص است.
- [ ] شاخص‌های موفقیت پیش از اجرا تعریف شده‌اند.
- [ ] کیفیت اطلاعات خدمات و تأمین‌کنندگان بررسی شده است.
- [ ] داده‌های ورودی به حداقل ضروری محدود شده‌اند.
- [ ] نحوه اطلاع‌رسانی و دریافت مجوزهای لازم مشخص است.
- [ ] کارکنان می‌توانند ترجیحات خود را مدیریت کنند.
- [ ] مشاهده همه خدمات برای افراد واجد شرایط امکان‌پذیر است.
- [ ] داده‌های فردی برای ارزیابی عملکرد شغلی استفاده نمی‌شوند.
- [ ] روش ارزیابی سوگیری و خطا مشخص است.
- [ ] یک گروه آزمایشی برای سنجش نتایج در نظر گرفته شده است.
- [ ] مسئول رسیدگی به خطاها و درخواست‌های کاربران تعیین شده است.
- [ ] درباره توسعه سیستم بر اساس نتایج واقعی تصمیم‌گیری می‌شود.
جمع‌بندی؛ آینده خدمات رفاهی کارکنان هوشمندتر و انتخاب‌محورتر است
شخصی‌سازی مزایای رفاهی با هوش مصنوعی به معنای تعیین نیاز کارکنان از طرف سازمان نیست.
هدف این است که هر کارمند بتواند خدمات مرتبط با نیازهای خود را ساده‌تر پیدا کند.
یک سیستم موفق باید بر سه اصل استوار باشد:
حق انتخاب کارکنان، کیفیت پیشنهادها و حفاظت از اطلاعات شخصی.
سازمان‌ها نیز بهتر است پیش از سرمایه‌گذاری در مدل‌های پیچیده هوش مصنوعی، مسئله واقعی، کیفیت داده‌ها و امکان سنجش نتایج را بررسی کنند.
در بسیاری از موارد، شروع با ترجیحات داوطلبانه و پیشنهاددهی مبتنی بر قواعد، گام منطقی‌تری نسبت به اجرای فوری یک سیستم پیچیده است.
آینده خدمات رفاهی فقط در افزایش تعداد تأمین‌کنندگان نیست؛ بلکه در آسان‌تر شدن دسترسی کارکنان به خدماتی است که واقعاً برایشان کاربرد دارد.
نظرات و پرسش‌ها
در حال بارگذاری نظرات...