PERSONE
La ricchezza della NTA Srl è basata sulle Risorse Umane che ne fanno parte.
Nata come società di servizi in outsourcing, l’Azienda, fin dai primi tempi, ha inteso valorizzare il proprio patrimonio umano, consapevole che ogni suo successo non potesse prescindere dalla qualità professionale delle risorse coinvolte.Di conseguenza le attività di ricerca e selezione dei neoassunti hanno sempre avuto massima priorità ed attenzione.
L’Azienda vanta un Data Base attivo di candidati, tutti incontrati e professionalmente valutati, di oltre 13.000 curricula in costante aggiornamento temporale.
Inviare il proprio C.V. è facile: basta accedere alla parte dedicata del sito evidenziata in home page.
Il reclutamento dei candidati avviene da anni attraverso collaborazioni con Albi Professionali, Università, “passa parola” sistemico tra le candidature ricevute.
LE PROBLEMATICHE DI UNA QUALIFICATA SELEZIONE
La selezione dei candidati avviene di norma in due fasi: individuazione delle competenze (TEST e REPORTING) e valutazione delle esperienze (CValue). Ciascuna delle suddette attività è stata concepita e realizzata attraverso progetti di ricerca innovativa, in collaborazione con strutture leader del settore e sotto la guida delle strutture specialistiche interne dell’Azienda.
Risulta utile evidenziare che le applicazioni realizzate hanno valenza sia per le attività interne della Azienda NTA, sia per azioni commerciali verso il mercato delle Organizzazioni interessate alla problematica.
LA SOLUZIONE G-TEST REPORTING
Il sistema prevede un approccio innovativo alla gestione della fase di TEST e REPORTING della valutazione, non solo in riferimento al risultato del singolo, ma anche nel confronto tra i candidati di una campagna di selezione per l’individuazione di un predeterminato candidato “ideale”.
Destinatari ed utilizzatori sono i reclutatori ed i gestori del personale in quanto la soluzione è utilizzabile sia come strumento di selezione che come strumento di monitoraggio periodico delle competenze disponibili.
Il sistema si ispira alla seguente organizzazione e sequenza:
1) Test statistici di solidità
2) Sistema di reporting
3) Rete di Bayes dinamica
(una rete bayesiana rappresenta la distribuzione della probabilità congiunta di un insieme di variabili – Wikipedia)
La rete bayesiana su cui è realizzato il funzionamento del software G-TEST rappresenta un elenco combinato di probabilità, tarato in base alla definizione dei relativi nuclei di macro-competenza e delle loro declinazioni. A partire dal lavoro di analisi del profilo, e dalle informazioni raccolte, viene infatti prodotto il cosiddetto “Albero di obiettivi didattici” che rappresenta la struttura generale delle conoscenze/competenze da testare. Il sistema, analizzando in progress le combinazioni di risposta, provvede ad approfondire la somministrazione sullo stesso cluster nel caso di possibilità di superamento o al contrario saltare il cluster a favore di quello successivo in caso di dato talmente negativo da non offrire la possibilità di superarlo. Il modello attuale nella complessiva validità della modellazione matematica attuata per la traduzione dell’albero di obiettivi nella distribuzione probabilistica prevede che la sezione della somministrazione sia strettamente legata all’algoritmo del giudizio.
1) Test statistici di solidità
2) Sistema di reporting
3) Rete di Bayes dinamica
(una rete bayesiana rappresenta la distribuzione della probabilità congiunta di un insieme di variabili – Wikipedia)
La rete bayesiana su cui è realizzato il funzionamento del software G-TEST rappresenta un elenco combinato di probabilità, tarato in base alla definizione dei relativi nuclei di macro-competenza e delle loro declinazioni. A partire dal lavoro di analisi del profilo, e dalle informazioni raccolte, viene infatti prodotto il cosiddetto “Albero di obiettivi didattici” che rappresenta la struttura generale delle conoscenze/competenze da testare. Il sistema, analizzando in progress le combinazioni di risposta, provvede ad approfondire la somministrazione sullo stesso cluster nel caso di possibilità di superamento o al contrario saltare il cluster a favore di quello successivo in caso di dato talmente negativo da non offrire la possibilità di superarlo. Il modello attuale nella complessiva validità della modellazione matematica attuata per la traduzione dell’albero di obiettivi nella distribuzione probabilistica prevede che la sezione della somministrazione sia strettamente legata all’algoritmo del giudizio.
LA SOLUZIONE CValues
Il progetto CValues nasce per dotare l’area Risorse Umane di strumenti idonei per comprendere le caratteristiche ed i valori intrinseci delle risorse censite nel database, per i progetti di outsourcing, nell’ambito delle attività di selezione aziendale.
Al di là dell’aspetto individuale del progetto, infatti, è importante saper individuare le caratteristiche del database di curricula in proprio possesso sia per poter determinare nuovi trend di ricerca di profili non esistenti nel sistema, sia per valorizzare i profili già presenti.
Di per sé la selezione è un processo fortemente ancorato a sistemi di valutazione soggettiva e difficilmente si riescono a cogliere i valori trasversali. Attraverso il progetto CValues, NTA ha realizzato un sistema di analisi dei dati testuali per individuare le tipicità dei profili in relazione all’esito dei test e all’età dei candidati.
L’utilizzo della procedura prevede quattro fasi di sviluppo funzionale:
1) Configurazione di un web services atto ad estrarre i dati nel formato richiesto dalla procedura La stringa minima definita per l’estrazione è:
– ID
– esito selezione
– anno di nascita
– titolo di studio
– ricezione curriculum
– punteggio cultura
– prova informatica
– considerazioni del candidato
– motivazioni
2) Configurazione delle opzioni di analisi dei dati estratti con semplici strumenti di ufficio; nella fase di lancio della procedura di analisi è possibile definire le opzioni della specifica analisi in termini di:
– use.stem
attivazione/disattivazione della tecnica di analisi del testo legata allo stemming, cioè un processo per il quale la parola viene ridotta alla forma flessa riportandola alla sua forma radice, detta tema. Il tema non corrisponde necessariamente alla radice morfologica (lemma) della parola: normalmente è sufficiente che le parole correlate siano mappate allo stesso tema (ad esempio, docente, docenza, docenti sono tutte parole riconducibili al tema docen).
– remove.numbers
attivazione/disattivazione della sezione di algoritmo che analizza i numeri presenti all’interno del testo.
– remove.months
attivazione/disattivazione della sezione di algoritmo che analizza i nomi dei mesi presenti all’interno del testo all’interno di date.
– model_name
definizione del nome dell’analisi (es. CValues_1_Gen_19).
– synonyms
attivazione/disattivazione della sezione algoritmo che include la lista dei sinonimi all’interno dell’analisi. La lista dei sinonimi è un elenco di termini (Word e Reference corrispondente), utile a comprendere i significati similari presenti nel testo. Questa lista è costantemente aggiornabile per rendere maggiormente efficace l’analisi.
– vocab_opt
attivazione/disattivazione della sezione di algoritmo che include la lista di significati predeterminati all’interno dell’analisi. In caso di opzione vocabolario attivata, il sistema si limiterà all’analisi dei significati associati ai temi individuati nel vocabolario.
– na_include
attivazione/disattivazione dell’opzione che include la gestione dei dati nulli all’interno della sistema.
– use_ngram
attivazione/disattivazione dell’opzione che include l’analisi di parole multiple (es. sicurezza_sul_lavoro), considerandole come un unico significato.
3) Lancio della procedura di analisi (secondo uno specifico protocollo di azione)
4) Graficazione automatica dei risultati in relazione alle meta-variabili I grafici elaborati riguardano la visualizzazione del topic model per i singoli campi informativi attraverso l’indice di:
– topical prevalence: utile a specificare gli insiemi di contenuti similari
– topical content: tipici per identificare le caratteristiche effettivamente ricercate, escluse o valutate nei candidati.
1) Configurazione di un web services atto ad estrarre i dati nel formato richiesto dalla procedura La stringa minima definita per l’estrazione è:
– ID
– esito selezione
– anno di nascita
– titolo di studio
– ricezione curriculum
– punteggio cultura
– prova informatica
– considerazioni del candidato
– motivazioni
2) Configurazione delle opzioni di analisi dei dati estratti con semplici strumenti di ufficio; nella fase di lancio della procedura di analisi è possibile definire le opzioni della specifica analisi in termini di:
– use.stem
attivazione/disattivazione della tecnica di analisi del testo legata allo stemming, cioè un processo per il quale la parola viene ridotta alla forma flessa riportandola alla sua forma radice, detta tema. Il tema non corrisponde necessariamente alla radice morfologica (lemma) della parola: normalmente è sufficiente che le parole correlate siano mappate allo stesso tema (ad esempio, docente, docenza, docenti sono tutte parole riconducibili al tema docen).
– remove.numbers
attivazione/disattivazione della sezione di algoritmo che analizza i numeri presenti all’interno del testo.
– remove.months
attivazione/disattivazione della sezione di algoritmo che analizza i nomi dei mesi presenti all’interno del testo all’interno di date.
– model_name
definizione del nome dell’analisi (es. CValues_1_Gen_19).
– synonyms
attivazione/disattivazione della sezione algoritmo che include la lista dei sinonimi all’interno dell’analisi. La lista dei sinonimi è un elenco di termini (Word e Reference corrispondente), utile a comprendere i significati similari presenti nel testo. Questa lista è costantemente aggiornabile per rendere maggiormente efficace l’analisi.
– vocab_opt
attivazione/disattivazione della sezione di algoritmo che include la lista di significati predeterminati all’interno dell’analisi. In caso di opzione vocabolario attivata, il sistema si limiterà all’analisi dei significati associati ai temi individuati nel vocabolario.
– na_include
attivazione/disattivazione dell’opzione che include la gestione dei dati nulli all’interno della sistema.
– use_ngram
attivazione/disattivazione dell’opzione che include l’analisi di parole multiple (es. sicurezza_sul_lavoro), considerandole come un unico significato.
3) Lancio della procedura di analisi (secondo uno specifico protocollo di azione)
4) Graficazione automatica dei risultati in relazione alle meta-variabili I grafici elaborati riguardano la visualizzazione del topic model per i singoli campi informativi attraverso l’indice di:
– topical prevalence: utile a specificare gli insiemi di contenuti similari
– topical content: tipici per identificare le caratteristiche effettivamente ricercate, escluse o valutate nei candidati.
Diamo risposta ad esigenze generalmente "non codificate".
Risolviamo problematiche nuove ed estemporanee.
Affrontiamo emergenze di ristrutturazione.
Dal 2003 l’azienda è certificata ISO 9001 in relazione allo scopo di “progettazione ed erogazione di servizi temporanei alle Imprese, per la fornitura di risorse umane qualificate a supporto dell’organizzazione committente”.
