Книга: Цифровизация: Практические рекомендации по переводу бизнеса на цифровые технологии
Назад: 6. Сколько стоят ваши данные? Джеймс Шорт и Стив Тодд
Дальше: 8. Почему вашей компании нужны интерпретаторы данных. Крис Брэди, Майк Форд и Саймон Чедвик
7

Готова ли ваша компания к использованию HR-аналитики?

Барт Безенс, Софи де Винне и Люк Селс

Большие массивы данных («большие данные») и соответствующие аналитические методы в современной бизнес-среде распространены повсеместно. Более того, новые технологии, такие как интернет вещей, непрерывно растущее число профилей в соцсетях и появление открытых общедоступных данных, только увеличивают потребность в глубоких аналитических знаниях и навыках. Многие компании уже вкладывают деньги в большие данные и аналитику для лучшего понимания поведения клиентов. Некоторые наиболее продуманные и проработанные аналитические приложения используются в организациях, ориентированных на клиента. Особенно четко прослеживается эта тенденция в таких областях, как страхование, управление рисками и выявление финансовых махинаций.

Но как использовать большие данные и аналитику, чтобы получить представление о другой важнейшей группе заинтересованных лиц в компании — о ваших сотрудниках? Несмотря на то что многие организации наращивают инвестиции в аналитику и управление человеческими ресурсами (HR), удачных примеров в этой области еще очень немного. Поскольку среди прочих приложений для бизнеса HR-аналитика пока выглядит новичком, мы полагаем, что специалистам-кадровикам будет полезен опыт использования аналитики в областях, ориентированных на клиента.

Основываясь на результатах наших исследований и накопленном опыте, мы представим читателям четыре примера успешного использования HR-аналитики для поддержки стратегических кадровых решений. Если говорить точнее, мы сопоставим результаты наших недавних исследований и отраслевых наработок в сфере исследований потребительского поведения с HR-аналитикой и обсудим четыре важных сопутствующих эффекта.

Урок 1. Моделирование, измерения и регулирование динамики обмена данными в сети сотрудников. В ходе наших собственных исследований мы обнаружили, что связи между клиентами (например, социальные взаимодействия, операции по кредитным картам, совершаемые с одними и теми же контрагентами, или отношения между членами правлений компаний) весьма значимы с точки зрения объяснения и прогнозирования форм коллективного поведения. К ним относятся, например, уход клиентов, реакции людей на маркетинговые программы или на мошенничество. Мы считаем, что эти принципы можно эффективно использовать для получения самых очевидных и легкодоступных выгод в сфере HR-аналитики. В частности, можно построить сеть, использующую сотрудников в качестве узлов с организацией связей между ними с помощью (анонимной) переписки по электронной почте, на базе совместных проектов или сходства талантов, возможно, с нормировкой по датам последних контактов. Потом такую сеть можно будет использовать для оценки того, насколько легко новые сотрудники будут встраиваться в существующий коллектив, а также для количественной оценки оптимального (с точки зрения производительности) соотношения между теми формами поведения, которые обеспечивают слаженное взаимодействие между сотрудниками, и теми, кто привносит разнообразие.

Что делать, если ваша аналитическая модель выявляет неразумный, а то и вовсе дискриминационный характер политики найма и увольнения в компании? Или показывает, что вы используете негодные критерии отбора или ищете нечто несуществующее?

Кроме того, при временном прекращении работы или увольнении даже одного сотрудника важно представлять себе соответствующие социальные эффекты. Это необходимо, чтобы не допустить лавинообразного распространения нежелательных последствий и/или утечки талантов из вашей сети или компании. При принятии решений об увольнении необходимо особенно тщательно рассматривать кандидатуры работников, пользующихся авторитетом в коллективе, или координаторов общественных связей в организации, чтобы избежать функционального отключения значимых частей сети.

Урок 2. Большие данные и аналитика — это не магия. Как и в отношении любой другой новой технологии, важно с самого начала задать соответствующую планку ожиданий. Аналитические методы могут быть ценными инструментами, но они не являются панацеей и не обеспечивают оптимального характера всех критически важных и сложных кадровых решений в компании. Кроме того, практически сразу после запуска аналитической HR-модели она устаревает, так как экосистема, в которой она реализуется (стратегия компании, документация на сотрудников, макроэкономическая среда и многое другое), постоянно изменяется. Поэтому крайне важно, чтобы HR критически осмысливал, интерпретировал и корректировал результаты, полученные с помощью аналитических моделей, используя свою деловую хватку, опыт, знание проблемы и самой организации. Например, что делать, если ваша аналитическая модель показывает, что ваша политика найма и увольнения отнюдь не разумная, а то и просто дискриминационная? Или что вы используете негодные критерии отбора, ищете нечто несуществующее? Или что недавняя значительная потеря клиентов, скорее всего, стала следствием увольнения конкретного сотрудника?.. Любые неожиданные, хотя и обоснованные аналитические выводы следует оценивать осторожно и вдумчиво. Очевидно, что для этого HR-менеджеры должны владеть информацией и обладать открытым мышлением.

Урок 3. Аналитические HR-модели — это не только статистические показатели, но и глубокое понимание бизнеса. Типичными ошибками новичков при развертывании аналитических моделей в любом бизнес-контексте является слепая одержимость статистическими показателями (аппроксимацией, коэффициентами корреляции, коэффициентом детерминации R-квадрат и т.п.) и ориентация на чрезмерно сложные модели. Статистические показатели важны, но от аналитических HR-моделей требуется большее. Два других важных критерия эффективности — это интерпретируемость модели и ее адекватность.

Интерпретируемость означает, что любое кадровое решение, основанное на аналитических выводах, должно быть надлежащим образом мотивировано, а необходимость тех или иных действий можно простым языком объяснить всем заинтересованным сторонам. Это стремление к простоте препятствует использованию чрезмерно сложных аналитических моделей, которые в большей степени ориентированы на статистические показатели, нежели на корректную бизнес-аналитику.

Еще один ключевой критерий эффективности модели — соблюдение правовых норм и иных действующих нормативов, конфиденциальности и этических аспектов. Это особенно важно в отношении HR-приложений. Аналитические модели всегда следует интерпретировать с осторожностью, а при выборе данных для построения аналитических HR-моделей следует учитывать требования в отношении гендерного равенства и разнообразия.

Урок 4. Ретроспективное тестирование эффективности аналитических кадровых моделей. В области анализа потребительского поведения средний срок службы модели составляет два-три года. У нас нет оснований полагать, что в HR-аналитике дела обстоят иначе. Однако с учетом влияния кадровых решений на отдельных лиц и организацию в целом важно, чтобы аналитические алгоритмы управления персоналом постоянно подвергались проверке путем сопоставления прогнозов с реальностью. В таком случае любое ухудшение показателей можно будет сразу заметить и принять соответствующие меры. Например, если речь идет о найме, необходимо постоянно оценивать эффективность каналов найма «до» (какие каналы найма обеспечивают нам кандидатов с нужными характеристиками?) и «после» приема на работу (по каким каналам мы наняли самых лучших сотрудников?).

Настало время увеличивать инвестиции в HR-аналитику. А когда ваши усилия в этом направлении увенчаются успехом, мы будем ожидать от организаций следующего стратегически важного шага. Мы полагаем, что таким шагом станет объединение результатов HR-аналитики с данными анализа потребительского поведения. Это позволит компаниям глубже понять взаимосвязи между двумя ключевыми категориями человеческих ресурсов: сотрудниками и клиентами.

Назад: 6. Сколько стоят ваши данные? Джеймс Шорт и Стив Тодд
Дальше: 8. Почему вашей компании нужны интерпретаторы данных. Крис Брэди, Майк Форд и Саймон Чедвик