Kaonavi توابع تجزیه و تحلیل متن را با استفاده از هوش مصنوعی تولید شده توسط AI تقویت می کند ، و اهداف تجزیه و تحلیل را با پیوند با پایگاه داده های منابع انسانی – Cloud Watch – گسترش می دهد

در تاریخ ۲۹ ، شرکت Kaonavi ، Ltd. اعلام کرد که “بینش یاب” خود را تقویت می کند ، تابعی که از AI تولید شده برای انجام تجزیه و تحلیل متن در سیستم مدیریت استعدادهای مبتنی بر ابر خود “Kaonavi” استفاده می کند و آن را قادر می سازد تا با پایگاه داده های منابع
در تاریخ ۲۹ ، شرکت Kaonavi ، Ltd. اعلام کرد که “بینش یاب” خود را تقویت می کند ، تابعی که از AI تولید شده برای انجام تجزیه و تحلیل متن در سیستم مدیریت استعدادهای مبتنی بر ابر خود “Kaonavi” استفاده می کند و آن را قادر می سازد تا با پایگاه داده های منابع انسانی ارتباط برقرار کند.
Kaonavi یک سرویس ابری است که به طور مرکزی اطلاعات منابع انسانی مانند چهره های کارمند ، نام ها ، تجربیات ، ارزیابی ها و مهارت ها را مدیریت و تجسم می کند و امکان انجام وظایف استراتژیک مدیریت استعدادها مانند پرسنل بهینه و ارتقاء Reskilling را فراهم می کند. در میان اینها ، ما یک “یاب بینش” ارائه می دهیم که بازخورد کارمندان و اطلاعات پایگاه داده را تجزیه ، سازماندهی و تجسم می کند و از درک نکات کلیدی و تجزیه و تحلیل روند پشتیبانی می کند.
این بار ، همین عملکرد تقویت شده است و اکنون می توان با یک پایگاه داده منابع انسانی پیوند برقرار کرد. عملکرد تجزیه و تحلیل متن سنتی فقط پاسخ های پرسشنامه باز را هدف قرار داده است ، بنابراین بینش ها فقط از پاسخ به مجموعه پرسشنامه می توان به دست آورد. با این حال ، با پیوند با یک پایگاه داده منابع انسانی که در آن کلیه داده های کارمندان جمع آوری شده است ، سوابق جهت گیری کارمندان و تعامل روزانه نیز مورد تجزیه و تحلیل قرار گرفته است. هوش مصنوعی می تواند سوابق مصاحبه و تنظیم هدف را برای همه کارمندان در سراسر هیئت مدیره با استفاده از نسل و هوش مصنوعی تجزیه و تحلیل کند ، بنابراین گفته می شود که امکان نزدیک شدن به چالش های احتمالی سازمان و دانش دفن شده بدون محدود کردن به طراحی سؤال امکان پذیر است.
Kaonavi سوابق ۱ بر ۱ جمع آوری شده در پایگاه داده منابع انسانی ، بازخورد ارزیابی و نتایج بررسی پالس را تجزیه و تحلیل می کند و در نتیجه می تواند نکات کلیدی را که نیاز به پشتیبانی از نظرات مثبت و منفی دارند ، شناسایی کند و نحوه استفاده از آنها را معرفی کند. در این حالت ، همچنین می توان با محدود کردن داده ها توسط تیم یا بخش ، چالش ها و نقاط قوت منحصر به فرد برای هر گروه را شناسایی کرد.

برچسب ها :
ناموجود- نظرات ارسال شده توسط شما، پس از تایید توسط مدیران سایت منتشر خواهد شد.
- نظراتی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
- نظراتی که به غیر از زبان فارسی یا غیر مرتبط با خبر باشد منتشر نخواهد شد.
ارسال نظر شما
مجموع نظرات : 0 در انتظار بررسی : 0 انتشار یافته : ۰