AI-система навчання та розвитку працівників
Корпоративне навчання (L&D) з AI — це не просто каталог курсів з рекомендаціями. Система відстежує практичне застосування знань, вимірює реальний бізнес-ефект навчання та автоматично адаптує програми до зміни вимог ролей.
Зв'язок навчання з бізнес-результатами
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from anthropic import Anthropic
import json
class LearningImpactMeasurer:
"""Вимірювання впливу навчання на продуктивність"""
def measure_training_impact(self, training_records: pd.DataFrame,
performance_data: pd.DataFrame,
training_id: str,
kpi_column: str,
weeks_before: int = 8,
weeks_after: int = 12) -> dict:
"""
Difference-in-differences: порівнюємо тих, хто пройшов навчання,
з контрольною групою подібних працівників.
"""
trained = set(
training_records[training_records['training_id'] == training_id]['employee_id']
)
perf = performance_data.copy()
perf['is_treated'] = perf['employee_id'].isin(trained).astype(int)
perf['is_post'] = (perf['weeks_from_training'] > 0).astype(int)
# DiD оцінка
pre_treated = perf[(perf['is_treated'] == 1) & (perf['is_post'] == 0)][kpi_column].mean()
post_treated = perf[(perf['is_treated'] == 1) & (perf['is_post'] == 1)][kpi_column].mean()
pre_control = perf[(perf['is_treated'] == 0) & (perf['is_post'] == 0)][kpi_column].mean()
post_control = perf[(perf['is_treated'] == 0) & (perf['is_post'] == 1)][kpi_column].mean()
did_estimate = (post_treated - pre_treated) - (post_control - pre_control)
pct_improvement = did_estimate / max(pre_treated, 1e-9) * 100
return {
'training_id': training_id,
'kpi': kpi_column,
'treated_n': len(trained),
'did_estimate': round(did_estimate, 3),
'improvement_pct': round(pct_improvement, 1),
'pre_treated_mean': round(pre_treated, 3),
'post_treated_mean': round(post_treated, 3),
'statistically_meaningful': abs(pct_improvement) > 5
}
def compute_roi(self, impact: dict,
training_cost: float,
avg_employee_cost_per_week: float,
n_employees: int) -> dict:
"""ROI навчання у грошових термінах"""
# Приріст продуктивності за тиждень × 12 тижнів × N працівників
weekly_value_gain = (
impact.get('improvement_pct', 0) / 100 *
avg_employee_cost_per_week * n_employees
)
total_value_12w = weekly_value_gain * 12
roi_pct = (total_value_12w - training_cost) / training_cost * 100 if training_cost > 0 else 0
return {
'training_investment': training_cost,
'estimated_value_gain_12w': round(total_value_12w),
'roi_pct': round(roi_pct, 1),
'payback_weeks': round(training_cost / max(weekly_value_gain, 1))
}
class SkillsMarketIntelligence:
"""Моніторинг ринкових трендів у навичках"""
def __init__(self):
self.llm = Anthropic()
def analyze_job_market_trends(self, job_postings: pd.DataFrame,
months_lookback: int = 6) -> dict:
"""Аналіз трендів навичок із вакансій на ринку"""
recent_postings = job_postings[
job_postings['posted_date'] >= pd.Timestamp.now() - pd.DateOffset(months=months_lookback)
]
older_postings = job_postings[
job_postings['posted_date'] < pd.Timestamp.now() - pd.DateOffset(months=months_lookback)
]
def skill_frequency(df: pd.DataFrame) -> pd.Series:
all_skills = []
for _, row in df.iterrows():
all_skills.extend(row.get('required_skills', []))
return pd.Series(all_skills).value_counts(normalize=True)
recent_freq = skill_frequency(recent_postings)
older_freq = skill_frequency(older_postings)
trends = []
for skill in recent_freq.index:
recent_share = recent_freq.get(skill, 0)
older_share = older_freq.get(skill, 0)
if older_share > 0:
growth = (recent_share - older_share) / older_share * 100
else:
growth = 100.0
trends.append({
'skill': skill,
'current_frequency': round(recent_share, 4),
'growth_pct': round(growth, 1),
'trend': 'rising' if growth > 20 else 'declining' if growth < -20 else 'stable'
})
return {
'rising_skills': [t for t in trends if t['trend'] == 'rising'][:10],
'declining_skills': [t for t in trends if t['trend'] == 'declining'][:5],
'analysis_period_months': months_lookback
}
def generate_l_and_d_priorities(self, company_skills_gaps: dict,
market_trends: dict,
budget_constraint: float) -> str:
"""LLM-рекомендації щодо пріоритетів L&D бюджету"""
response = self.llm.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=400,
messages=[{
"role": "user",
"content": f"""Recommend L&D priorities for a tech company.
Current skill gaps in team: {list(company_skills_gaps.keys())[:8]}
Rising market skills: {[s['skill'] for s in market_trends.get('rising_skills', [])[:8]]}
Declining skills: {[s['skill'] for s in market_trends.get('declining_skills', [])[:5]]}
Annual L&D budget: ${budget_constraint:,.0f}
Provide 4-5 specific recommendations.
For each: skill area, why it's priority, suggested format (bootcamp/course/workshop/mentoring), estimated cost."""
}]
)
return response.content[0].text
class AdaptiveLearningRecommender:
"""Персоналізовані рекомендації навчального контенту"""
def recommend(self, employee: dict,
skill_gaps: dict,
content_catalog: pd.DataFrame,
learning_history: pd.DataFrame) -> list[dict]:
"""Рекомендації на основі історії навчання"""
# Виключаємо вже пройдене
completed_ids = set(
learning_history[learning_history['employee_id'] == employee['id']]['content_id']
) if len(learning_history) > 0 else set()
available = content_catalog[~content_catalog['id'].isin(completed_ids)]
# Переваги формату з історії
if len(learning_history) > 0:
emp_history = learning_history[learning_history['employee_id'] == employee['id']]
preferred_format = (
emp_history.groupby('format')['completion_rate'].mean()
.idxmax() if len(emp_history) > 0 else 'video'
)
else:
preferred_format = 'video'
recommendations = []
for skill, gap_info in sorted(skill_gaps.items(), key=lambda x: -x[1].get('gap', 0))[:5]:
skill_content = available[
available['skills'].apply(lambda s: skill in (s if isinstance(s, list) else []))
]
if skill_content.empty:
continue
# Переважаний формат + складність відповідає рівню
target_level = gap_info.get('current', 0) + 1
filtered = skill_content[
(skill_content['level'].between(max(0, target_level - 0.5), target_level + 0.5)) |
(skill_content['level'].isna())
]
if filtered.empty:
filtered = skill_content
# Переважаний формат
format_match = filtered[filtered['format'] == preferred_format]
best = format_match.iloc[0] if not format_match.empty else filtered.iloc[0]
recommendations.append({
'skill': skill,
'content_id': best['id'],
'title': best['title'],
'format': best.get('format', 'course'),
'duration_hours': best.get('duration_hours', 5),
'skill_gap_priority': gap_info.get('priority', 'medium'),
'reason': f"Закриває розрив у навичці '{skill}' (рівень {gap_info.get('current', 0)} → {gap_info.get('required', 2)})"
})
return recommendations
Вимірювання реального ROI навчання через DiD-аналіз — ключова відмінність від наївних підходів. Компанії, які впроваджують вимірювання впливу, збільшують L&D ROI на 40-60% за рахунок перерозподілу бюджету від неефективних до доведено роботящих програм.