# ШІ в HR — це не про Unilever. Це про малий і середній бізнес

> Від Unilever до МСБ: відтворити корпоративні воркфлоу за 4 тижні з €500/місяць

Source: https://www.electe.net/uk/post/l-ai-in-hr-non-roba-da-unilever-roba-da-pmi

Site guide: https://www.electe.net/uk/llms.txt

Щотижня, спілкуючись із компаніями в Європі, я чую одну й ту саму фразу:
**«ШІ в HR — це для великих. Ми не Unilever».**

Це дорогий міф.

Реальність така: ті самі патерни, які сьогодні економлять мільйони великим компаніям, можна відтворити в МСБ за **€100-500/місяць**, використовуючи freemium-інструменти, трохи автоматизації та дані, які у вас вже є.

## **Enterprise проти МСБ: розрив набагато менший, ніж здається**

Unilever обробляє 250 000 заявок на рік за допомогою ШІ й економить €1 млн.
Стартап на 50 осіб впроваджує власний міні-воркфлоу з автоматизацією і економить 10–15 годин на тиждень, інвестуючи €100–200/місяць.

Не потрібна корпоративна технологія. Потрібна логіка: автоматизувати, стандартизувати, прогнозувати.

_(Це вартість ліцензій на програмне забезпечення для самостійного впровадження. Налаштування вимагає 20–100 годин внутрішньої роботи одноразово, залежно від складності.)_

## Дані це підтверджують

Mastercard згенерувала $21 млн завдяки своєму AI talent marketplace.
Але навіть МСБ може отримати –75% часу на скринінг завдяки автоматизаціям Zapier за €20/місяць.
Моделі з відкритим кодом (Random Forest, XGBoost) досягають 85–95% точності у прогнозуванні плинності кадрів, використовуючи лише дані HRIS.

## Вартість входу: обвалилася

Сьогодні ШІ в HR стартує з €0:

- Парсинг резюме → безкоштовно
- Прогнозні моделі → відкритий код
- Автоматизації → Zapier/Make від €20/місяць
- ATS → freemium

Витративши 20–40 годин на внутрішнє налаштування, МСБ може побудувати систему, яка:

- усуває 15–20 годин на тиждень ручної роботи
- виявляє співробітників у зоні ризику до того, як вони підуть
- прискорює time-to-hire на 40–60%

_Складність зменшується. Можливості зростають._

## 📊 Реальний кейс: виробнича МСБ у Ломбардії (120 співробітників)

Самостійно побудована прогнозна модель виявила 3 співробітників із високим ризиком, які не потрапляли в поле зору HR. Втрутившись у ситуацію з двома з них, компанія уникнула €90 тис. витрат на плинність кадрів. Загальні інвестиції за 1 рік: €5 000. ROI: 1700%.

Конкретне налаштування (3 тижні):

- Експорт історичних даних HRIS (3 роки): понаднормові, зарплата, останнє підвищення, опитування задоволеності, дані про звільнення
- Навчання моделі Random Forest на 180 минулих звільненнях + 300 активних співробітниках
- Найбільш прогностичні змінні, що виявилися: понаднормові >12 год/тиждень, стагнація в підвищенні >3 роки, показник задоволеності <6/10

Результат: модель позначила 3 співробітників із ймовірністю звільнення 85%+ протягом 6 місяців.
Двоє з них не подавали жодних явних сигналів ризику («стабільні понад 8 років, жодних ознак невдоволення»).

Ручний аналіз після позначення:

- Співробітник A: постійні понаднормові (15 год/тиждень) + жодного підвищення за 4 роки → отримав зовнішню пропозицію
- Співробітник B: зарплата на 18% нижче ринкової + задоволеність 5/10 → активно переглядав LinkedIn
- Співробітник C: уже вирішив змінити роботу, щоб розпочати новий професійний шлях → рішення підтверджено на exit-інтерв'ю

Втручання: підвищення зарплати +12% (A і B) + письмовий план кар'єри + скорочення понаднормових.
A і B утримані. **C утримати було неможливо.**

_«У нас дані в HRIS зберігалися роками. Знадобилося 8 годин роботи дата-аналітика, щоб витягнути CSV і запустити Python-скрипт. Цінність була не в складній технології, а в тому, щоб подивитися на дані, які в нас вже були.» — HR-менеджер_

Питання не в тому, «чи можемо ми це собі дозволити?». Питання в тому: чи є у вас 20–40 годин на впровадження? Якщо так, повернення інвестицій практично гарантоване — за будь-якого масштабу.

## Як малий та середній бізнес може відтворити enterprise-AI (без enterprise-бюджету)

**Розбір воркфлоу Unilever: що насправді відбувається на кожному кроці**

Процес AI-рекрутингу Unilever для Future Leaders Programme — це золотий стандарт індустрії. Запущений у 2016 році, він скоротив час найму з 4-6 місяців до 4 тижнів, обробляючи 1,8 мільйона заявок на рік для 30 000 позицій.

### Крок 1 → Заявка через LinkedIn (10-15 хвилин)

Кандидат напряму підключає профіль LinkedIn без традиційного резюме. Це рішення розширило пул талантів з 840 до 2 600 представлених університетів.

### Крок 2 → Ігри Pymetrics (20-30 хвилин)

12 нейронаукових ігор вимірюють 91 когнітивну та емоційну рису: увагу, прийняття рішень, толерантність до ризику, розпізнавання емоцій, стійкість. Система порівнює профіль з бенчмарком найкращих виконавців. 98% кандидатів проходять цей етап (проти 50% у традиційному підході).

### Крок 3 → Відеоінтерв'ю HireVue (30 хвилин)

Асинхронне відео. З 2021 року аналіз обличчя виключено: низька прогностична сила (0,25%-4%) та упередженість.
AI аналізує лише семантичний зміст і мовленнєві патерни. Відсіює до 80%.

### Крок 4 → Discovery Center Day

3 500 фіналістів із 250 000 заявок. 800 наймів на рік.

**Задокументовані результати:**
-75% часу рекрутера, £1M заощаджень/рік, +16% різноманітності персоналу, досягнуто гендерного паритету, прийняття офферів з 64% до 82% ✅

_Штучний інтелект розкриває зв'язки, можливості та шляхи, які жоден ручний процес не здатний виявити. Те, що було приховано, стає очевидним._

## 2. Технологія, що стоїть за внутрішніми talent marketplace

Internal Talent Marketplace — це найбільш розвинена форма AI для внутрішньої мобільності.
Gloat збирає навички із самозвітів, історії роботи та ринкових сигналів, з динамічною онтологією.

**Кейс Mastercard "Unlocked"**
Результати: $21M заощаджень, 900 000 розблокованих годин, 62% adoption, +80% задоволеності, +30% утримання.

**Кейс Schneider Electric "Open Talent Market"**
60% adoption за 2 місяці, 360 000 розблокованих годин, $15M+ заощаджень, NPS 60.

## 3. Змінні, що дійсно передбачають плинність кадрів

Модель IBM Watson використовує 35 змінних.

Найбільш прогностичні:

- OverTime
- JobSatisfaction
- YearsSinceLastPromotion
- MonthlyIncome
- JobInvolvement

📊 **Типова точність:**

- Random Forest: 84-87%
- XGBoost/CatBoost: 85-95%
- Logistic Regression: 75-80%

`import pandas as pd`
`from sklearn.model_selection import train_test_split`
`from sklearn.ensemble import RandomForestClassifier`

`# Завантажте датасет IBM HR Analytics (безкоштовний на Kaggle)`
`df = pd.read_csv('IBM-HR-Attrition.csv')`
`y = df['Attrition'].map({'Yes': 1, 'No': 0})`
`X = pd.get_dummies(df.drop('Attrition', axis=1))`

`# Train model`
`X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)`
`rf = RandomForestClassifier(n_estimators=40)`
`rf.fit(X_train, y_train)`

`# Top 5 предиктивних змінних`
`importances = pd.Series(rf.feature_importances_, index=X.columns)`
`print(importances.nlargest(5))`

Цей код працює у Google Colab безкоштовно. Типовий результат: MonthlyIncome, OverTime, Age, TotalWorkingYears, YearsAtCompany як топ-предиктори.

## Економіка інструментів: від €0 до €500/місяць (DIY)

Ландшафт інструментів для AI в HR демократизувався. Стартові інвестиції обвалилися з €50.000+ до €0-500/місяць **для тих, хто впроваджує самостійно**. Це вартість програмних інструментів для налаштування, а не готових рішень «під ключ».

**Freemium-стек (€0/місяць - самостійне налаштування):**

- ATS: Breezy HR (безкоштовний рівень, 1 активна позиція)
- Відеоінтерв'ю: myInterview (базовий безкоштовний)
- Оцінювання: TestGorilla (розширений безкоштовний пробний період)
- Парсинг CV: pyresparser (open source)
- Предиктивна модель: Python + scikit-learn (open source)
- Аналітика: Google Sheets + шаблон

**Стек для МСП 10-50 співробітників (€100-300/місяць - внутрішнє впровадження):**

- LinkedIn Recruiter Lite: €170/місяць
- Zapier/Make: €20/місяць (потребує налаштування workflow)
- pyresparser: безкоштовно
- Python-модель: безкоштовно (потребує базових навичок Python)

**Стек для МСП 50-200 співробітників (€500-1.500/місяць - внутрішня команда):**

- Повноцінна ATS: €200-400/місяць (налаштування + обслуговування)
- Платформа для оцінювання: €150-300/місяць
- Дашборд аналітики: €100-200/місяць
- Розширені автоматизації: €50-100/місяць

**Важливе уточнення:** ці бюджети — це **вартість ліцензій на програмне забезпечення**, вони не включають час на впровадження. Потрібні базові навички (налаштувати Zapier, виконати Python-скрипт, читати документацію API). Для компаній 10-50 співробітників: 20-40 годин роботи на початкове налаштування. Для 50-200 співробітників: 60-100 годин, розподілених на 4-8 тижнів.

Перевага: після впровадження обслуговування мінімальне (2-5 годин/місяць), а ROI постійний.

## Швидка перемога №1: автоматичний скринінг CV за 1 день

Автоматичний парсинг CV можна впровадити за 6-8 годин, поєднавши no-code інструменти (Zapier) з мінімальним Python-скриптом.

**Варіант A: Лише Zapier (без коду, 2-3 години)**

Повний пайплайн без написання коду:

1. **Тригер:** нова електронна пошта з вкладенням, отримана на _hr@electe.net_
2. **Дія:** Zapier Parser автоматично витягує дані з CV (name, email, phone, skills)
3. **Дія:** створює рядок у Google Sheet з витягнутими даними
4. **Дія:** сповіщення в Slack рекрутеру: "Отримано новий CV: \[ім'я\] - \[навички\]"
5. **Дія:** додає кандидата до email-послідовності (напр. "Дякуємо, ми з вами зв'яжемось")

**Вартість:** Zapier Professional €20/місяць
**Час налаштування:** 2-3 години click-and-configure
**Необхідні навички:** без кодування, лише знайомство з веб-інтерфейсами

**Варіант B: Zapier + Code by Zapier (Python/JS inline, 4-5 годин)**

Якщо Zapier Parser недостатньо, додайте власну логіку безпосередньо в Zapier:

1. Тригер: нова електронна пошта з вкладенням
2. **Дія: Code by Zapier (Python)** - розширений парсинг inline:

`# Python виконується безпосередньо в Zapier`
`import re`
`cv_text = input['cv_text']`
`email = re.findall(r'[\w\.-]+@[\w\.-]+', cv_text)[0]`
`phone = re.findall(r'\+?\d[\d\s\-\(\)]{8,}', cv_text)[0]`
`return {'email': email, 'phone': phone, 'text': cv_text}`

1. Дія: Створити рядок Google Sheet
2. Дія: Сповіщення Slack
3. Дія: Email-послідовність

**Вартість:** Zapier Professional €20/місяць (включає Code)
**Час налаштування:** 4-5 годин (розробка + тестування власної логіки)
**Необхідні навички:** базовий Python/JavaScript

**Варіант C: pyresparser на зовнішньому сервері (максимальний парсинг, 6-8 годин)**

Для дуже складних резюме або великих обсягів (500+ резюме/місяць):

`# Скрипт на виділеному сервері`
`pip install pyresparser`
`from pyresparser import ResumeParser`
`data = ResumeParser('/path/to/resume.pdf').get_extracted_data()`
`# Вивід: name, email, mobile, skills, college, degree, experience`

Zapier викликає сервер через webhook, отримує розпарсений JSON, продовжує роботу з Sheet/Slack/Email.

**Вартість:** Zapier €20/місяць + DigitalOcean €5/місяць
**Час налаштування:** 6-8 годин (налаштування сервера + деплой)
**Необхідні навички:** Python + деплой АБО зовнішній розробник

⚡ Типова економія: 15+ годин/тиждень для тих, хто обробляє 200+ резюме.

_Ефект накопичення автоматизації: низькі фіксовані витрати, зростаюча економія._

## План на 10 тижнів (DIY)

**Передумова:** Доступ до внутрішніх технічних ресурсів (розробник, аналітик даних) або бюджет €2.000-3.000 на фрілансера для підтримки налаштування.

**Тиждень 1:** Автоматичний парсинг резюме за допомогою pyresparser + конвеєр Zapier. Перша вимірювана економія: 10-15 годин.

**Тиждень 2:** Аудит HR-даних, експорт у Sheets/Airtable, налаштування дашборду ключових метрик (time-to-hire, cost-per-hire, чисельність персоналу).

**Тиждень 3:** Модель прогнозування плинності кадрів на історичному датасеті, тренування з доступними змінними, валідація з HR-менеджером.

**Тиждень 4:** Автоматизації Zapier для повторюваних робочих процесів (планування співбесід, чек-лист онбордингу, запити на відпустку). Фінальний розрахунок ROI.

**Тижні 5-10:** Ітерація та масштабування. Додавайте складність лише там, де ROI підтверджено.

_📥 Хочете дослідити, чи застосовні ці робочі процеси до вашого випадку?_
_Описані тут шаблони Google Sheet, скрипти Python та автоматизації Zapier вже працюють. Адаптуйте їх до своєї реальності._

## Висновок

Поширена помилка — думати, що потрібен корпоративний бюджет або дорогі консультанти.
Логіка — автоматизувати скринінг, стандартизувати оцінювання, прогнозувати ризики — легко відтворюється за допомогою доступних інструментів з відкритим кодом та SaaS-рішень.

Цінність не в дорогих інструментах, а в методі.
ROI легко перевищує 600% у перший рік.

**Примітка.** Код Python та приклади Zapier у цій статті вже працюють. Скопіюйте, адаптуйте до своєї реальності, впровадьте. Додаткові шаблони не потрібні: у вас вже є все необхідне для старту.