Цифровизация бизнеса принесла в сферу управления персоналом магические слова big data, slice&dice, speed&scale, dashboards, drill down, а вместе с ними немалое количество иллюзий. Например, что можно внедрить некое универсальное «решение для big data», которое сделает все за вас и поднимет HR-аналитику в компании на новый уровень. Это не совсем так: важную подготовительную работу вам предстоит проделать самостоятельно.
Сейчас в большинстве HR-служб используется простая аналитика данных о кандидатах для оптимизации воронки найма в процессе подбора, примитивный анализ плана и факта для оценки результативности и обучения. Речь чаще всего идет об усредненных цифрах и статичных, не связанных между собой показателях о персонале. Чтобы сделать следующий шаг и взглянуть на HR-данные комплексно, нужно понять, как устроен процесс работы с ними и на какие вопросы может ответить HR-аналитика.
Выбор траектории
Многие современные HR-руководители по-прежнему пытаются принимать решения на основе интуиции, рискуя ошибиться, а цена локальной ошибки в масштабах всей компании может быть очень высокой. Современная HR-аналитика — это отказ от прямой психологизации и переход к управлению людьми с точки зрения данных, когда решения, основанные на профессиональном «чутье» и опыте, подкрепляются информацией из аналитических систем.
Существует несколько популярных траекторий исследования HR-данных:
- Текучесть персонала.
- Производительность в себестоимости.
- Отношение темпов роста ФОТ (фонд оплаты труда) и роста производительности.
- Анализ рынка труда по ключевым должностям.
- Вовлеченность персонала.
Аналитика начинается с постановки задачи — и это самая важная ее часть. У разных компаний и отраслей разные модели управления процессами и бизнес-задачи, поэтому и траектории исследования HR-данных у них могут сильно отличаться.
Например, в промышленности редко задаются вопросом текучести персонала, так как большие заводы обычно являются градообразующими предприятиями. В такой ситуации вкладывать силы в предсказание увольнений нет смысла. А вот охране труда и технике безопасности можно уделить больше внимания. Часто показатель LTIFR (коэффициент травматизма) применяется ко всем сотрудникам, начиная с топ-менеджмента: например, если рабочий получит тяжелую травму в цеху, то премию не получит никто, в том числе генеральный директор. При этом до 70% травмоопасных ситуаций происходят в результате «человеческого фактора», поэтому такому предприятию будет важно понимать профиль «аккуратного» и «небрежного» работника. На основании этих профилей можно актуализировать программы инструктажа по технике безопасности, а также выделить среди персонала группы риска, с которыми нужно работать усиленно.
А, например, в FMCG-секторе массовый персонал меняется часто и требует чуткого операционного управления и обучения. Здесь полезно знать профиль лояльного и результативного работника — для барьерометрии (первичной оценки) при найме, а также для исследования факторов вовлеченности. Такая аналитика, подкрепленная не только фокус-группами, но и математическими исследованиями, поможет компании четче выстраивать стратегию управления и развития персонала.
Сбор данных
Следующая задача после поиска траекторий исследования — составить список источников полезной информации. Кроме основных баз данных, где хранится все от ФИО работников до возраста и информации об образовании их детей, есть смысл обратиться к менее очевидным источникам: данным с турникетов, видеопотокам с камер в зоне ресепшн, звукам кассового аппарата, отдельно рассчитанной скорости обслуживания клиентов. К сбору информации и поиску цифр, которые гармонично отразят интересующие вас аспекты жизни работника в компании, привлекается множество департаментов — не только HR и IT, но и финансовые службы, которые отслеживают показатели продаж и выручки на уровне дивизионов или линий бизнеса. Бывает очень полезно и участие проектного офиса, где хранятся данные по инвестиционной деятельности, основным вехам проекта и участникам, привлеченным на различных его этапах. Это кропотливая работа, которая кроме внимательности требует хороших навыков перевода «сырых данных» в бизнес-метрики.
Совет: часто оказывается, что данные найти можно, но это «стопка» excel-файлов под конкретный запрос, и есть большая вероятность, что эти цифры встретятся в одной таблице в первый и последний раз. Поэтому, если компания планирует начать системную работу с данными, следует организовать их регулярный сбор.
Проверка полноты и качества данных
После поиска данных необходимо понять, можно ли сразу сводить их в единую картину. Например, мы хотим собрать соц. дем. данные о работниках, которые ведутся в системах SAP HCM, 1С или Oracle. И если мы говорим о простых полях вроде пола, возраста, даты приема и даты увольнения, то первичный набор проверок может быть следующим: У всех ли работников заполнен пол? Есть ли другие виды пола, кроме мужского и женского? Есть ли у всех работников дата приема? Не раньше ли дата приема даты рождения или даты основания компании? Не уволился ли человек раньше, чем его наняли на работу? Такие проверки кажутся странными, но результат может вас удивить.
Часто, когда нужно сделать работу быстрее и дешевле, этот этап пропускается как неважный.
Совет: при нехватке ресурсов лучше не «срезать углы», а взять меньше данных для анализа. Если сразу перейти к выводам на основе непроверенных данных, вы рискуете получить результаты с явными ошибками и не принять вообще никакого решения, потратив время зря. Например, может получиться, что в среднем сотрудники компании работают 100 дней в месяц по 24 часа в сутки, потому что исходные данные из учетной системы сводятся в одном месяце в часах, а в другом — в минутах.
Подготовка к предиктивному моделированию
Если вы планируете смоделировать поведение персонала в будущем, не забывайте, что модель — это лишь математический алгоритм. Он производительней человека, но при этом не способен «мыслить» в человеческом понимании. Поэтому главная задача — подать данные в модель как можно проще — в таком виде, чтобы она не путалась с масштабом цифр и не выдавала прописные истины вроде: «чем дольше человек работает в компании, тем больше у него стаж». При подготовке к моделированию нужно понять, в каких разрезах брать данные: по году, поквартально, помесячно, понедельно. При этом важно заранее подумать о том, как агрегировать данные, чтобы помочь модели легче идентифицировать сигналы.
Даже если модель будет работать как «черный ящик», она все равно сможет сформировать итоговый список важных факторов, предостерегающих вас от принятия неправильных решений в HR. Этот список можно проиллюстрировать в виде гистограммы или «дерева», а также встроить в обычные системы управления типа «светофор». Такой инструмент может с некоторого порога значений предупреждать о вероятности неблагоприятного события по конкретному сотруднику, подсказывая, в какой момент нужно принимать меры. Такое решение помогает мониторить качество процессов и производительность персонала.
Примечание: если в вашей компании менее 5000 работников и менее 3000 человек, которые относятся к интересующей вас группе персонала, можно пропустить этот пункт. Предиктивные модели работают только для больших групп.
Визуализация результата
Рынок предлагает множество сложных систем визуализации данных: Tibco Spotfire, Tableau, Qlickview. Прежде чем выбрать одну из них или заказать разработку сложной кастомизированной системы, поймите, в каком виде вам нужны отчеты, чтобы регулярно отслеживать ключевые показатели и принимать решения. Не исключено, что на первых порах вам вполне хватит возможностей Excel.
После того, как вы разработаете первую аналитическую «витрину» для принятия решения, вы сможете оценить, насколько изменился ваш взгляд на бизнес компании в целом. Ваша работа уже не будет прежней, потому что поменяется привычный подход к решению рутинных задач — а он зачастую и является главным ментальным барьером для внедрения аналитики на серьезном уровне.
| Вас может заинтересовать |
 |
|
| |
Оксана Шишкина
Ласкаво просимо
Реклама
Реклама