Современные системы Process Mining анализируют цифровой след сотрудников: последовательность действий, длительность операций, переходы между процессами, задержки, ошибки, частоту возвратов, маршруты документов и тысячи других цифровых событий. На основе этих данных строятся модели эффективности процессов, прогнозируются риски, выявляются узкие места и принимаются управленческие решения.

По сути, цифровой след представляет собой большой набор признаков (features), на которых обучаются модели машинного обучения. Однако практически все эти признаки имеют одну природу — они являются производными цифрового поведения человека. Поэтому они во многом коррелируют между собой и одновременно зависят от множества внешних факторов: организации процесса, сложности задачи, интерфейсов информационных систем, качества связи, рабочего окружения и других условий.

Именно поэтому возникает естественный вопрос: можно ли дополнить цифровой след признаками другой природы?

В машинном обучении хорошо известно, что качество модели определяется не только количеством признаков, но и разнообразием содержащейся в них информации. Добавление нового независимого класса признаков зачастую увеличивает точность прогноза значительно сильнее, чем дальнейшее накопление однотипных данных. Именно на этом построены современные методы Feature Engineering и Data Enrichment.

Психоэргометрия предлагает именно такой новый класс данных. Она не анализирует цифровое поведение сотрудника и не использует информацию из корпоративных систем. Вместо этого она объективно измеряет сквозные способности человека — фундаментальные характеристики, лежащие в основе любой профессиональной деятельности независимо от профессии, должности или используемого программного обеспечения.

К ним относятся: -способность к реализации привычных действий; -способность получать новую информацию и формировать навыки; -способность эффективно действовать; -способность выдерживать определенный тип нагрузок.

Эти способности измеряются специализированным аппаратно-программным комплексом с миллисекундной точностью, высокой воспроизводимостью результатов и использованием общечеловеческих нормативов с учетом пола и возраста. Благодаря простым стандартизированным заданиям существенно снижается влияние эффекта тренированности, а получаемые показатели описывают не особенности конкретного рабочего процесса, а устойчивые свойства человека.

Таким образом, психоэргометрические данные имеют совершенно другую природу, чем цифровой след. Они не являются производными корпоративных логов, не дублируют показатели Process Mining и не могут быть восстановлены из цифровых событий. Это принципиально новый источник информации.

Именно поэтому психоэргометрия может рассматриваться как технология обогащения цифрового следа (Digital Footprint Enrichment). К существующим признакам цифрового поведения добавляется новый независимый слой объективных данных о человеке. В результате модели получают информацию не только о том, что делает сотрудник, но и о его базовых возможностях выполнять привычную деятельность, осваивать новое, эффективно действовать и сохранять работоспособность при различных нагрузках.

Для специалистов по анализу данных это означает переход от использования признаков одной природы к объединению двух независимых классов данных. Такая интеграция потенциально позволяет уменьшить необъясненную вариативность моделей, повысить их устойчивость и увеличить точность прогнозов без необходимости многократно увеличивать объем собираемых цифровых событий.