A 21. század az információ és az adatok évszázada. Minden döntésünket a megszerzett információkra alapozzuk, különösen így van ez az üzleti életben, ahol a marketing, az értékesítés, a vállalat és a pénzügyek irányítása számok és mutatók alapján történik. Ez az analitikus szemlélet azonban gyakran megbicsaklik, amint emberekre terelődik a szó és a döntés – ilyenkor gyakran kerülnek előtérbe az érzések, azaz az intuíció és a személyes szimpátia.
Az így hozott döntések nem objektívek, ezáltal könnyen veszteségekhez vezethetnek, ami nemcsak pénzben nyilvánul meg, hanem adott esetben tehetséges munkavállalók lemorzsolódásában is. Éppen ezért érdemes az alkalmazottakkal kapcsolatos döntéseket – a munkaerő-felvételt, a képzési stratégiát, a csapatkommunikáció kialakítását – is adatokra támaszkodva meghozni.
Egy, a magyarországi HR-analitika helyzetét feltáró felmérés szerint a válaszadó szervezetek menedzsmentjének 75%-a igényel(ne) HR-analitikát, a vállalatok 70%-ának azonban nincs a menedzsment számára hozzáférhető HR-analitikája. A cégek 20%-ában ugyan vannak HR-rendszerek és HR-analitika, de csak a humánerőforrás-menedzsment használja az ebből származó mutatókat. Biztató, hogy a legtöbb megkérdezett HR-szakember többsége szívesen képezné magát analitikai irányba.
Miért van szükség HR-analitikára?
Az emberekkel kapcsolatos döntések adatvezérelt megközelítése körülbelül 12 éve került be a köztudatba. Először a világ vezető vállalatai – a Hewlett-Packard, a Google, az IBM, a Coca-Cola és mások – kísérleteztek ezzel a megközelítéssel. Mindannyian arra a következtetésre jutottak, hogy a számok segítenek a jobb vezetői döntések meghozatalában.
A HR-analitikának különböző szintjei vannak. Az alapot az olyan operatív mérőszámok jelentik, mint például a fluktuáció vagy a megszűnő munkahelyek aránya. Ezeket a kalkulációkat online eszközökkel is el lehet végezni, amennyiben feltöltjük az adatokat (például itt).
Az összetettebb elemzésekhez, valamint a különböző hipotézisekkel való munkához már komolyabb statisztikai ismeretek szükségesek: a matematikai-statisztikai tudás mellett ismerni kell a megfelelő célprogramokat (pl. SPSS) és programozási nyelveket (például Python) is. Ezeket az elemzéseket nem feltétlenül a HR feladata elvégezni, lehetőség van arra is, hogy csupán az adatokat szolgáltassa, de az elemzést egy külső szolgáltató végezze.
Milyen HR-adatokat kell gyűjteni és elemezni?
Több száz olyan mutató létezik, amelyet fel lehet használni egy HR-elemzés során, azonban nem mindegyik adat lesz releváns egy adott vállalat számára. Általában egy szervezet 10-12 célzott HR-mutatót választ ki, amelyek a legnagyobb hatással vannak az üzleti eredményekre. Leggyakrabban a „fájdalompontokkal” kezdik – például a fluktuációval vagy a termelékenységgel.
Íme néhány népszerű terület és mérőszám a HR területén:
- Toborzás: például a betöltetlen állások aránya, ezek betöltésének sebessége, költsége.
- Próbaidő: gyakran mérik a próbaidő alatti fluktuáció arányát vagy a soft skillek miatti elbocsátások százalékát.
- Egyéni fejlesztési terv: a munkatársak hány százalékban teljesítik az egyénileg kitűzött célokat egy év alatt.
- Fluktuációs ráta: tükrözi a felmondások arányát a csapat méretéhez képest.
- Elkötelezettség: befolyásolja az alkalmazottak hatékonyságát, és következésképpen a vállalkozás pénzügyi teljesítményét, és természetesen prediktív értékkel bír a fluktuációra nézve.
- Támogatottsági szint (eNPS – employee net promoter score): tükrözi a csapattagok lojalitását, és azt, hogy mennyire hajlandóak ajánlani a vállalatot, mint munkáltatót.
- Magas/alacsony teljesítményt nyújtók: a munkavállalók mekkora hányada teljesíti a KPI/OKR-t 90%-ban vagy annál nagyobb mértékben (magasan teljesítők), és mekkora azon munkavállalók aránya, akik nem teljesítik a célkitűzéseket (alacsonyan teljesítők). Általában a vállalatoknál mindkét kategória kb. 10%-ban képviselteti magát, míg a többiek átlagos teljesítményt nyújtanak. Ha bizonyos részlegeken több/kevesebb a magas/alacsony teljesítményt nyújtók száma, az okot ad arra, hogy elemezzük az ilyen csapatok sikerének/hiányának tényezőit.
- „Veszélyeztetett” alkalmazottak: azon emberek aránya, akik valószínűleg elhagyják a vállalatot – általában olyanok, akiknek a fizetése a piaci szint alatt van, akiknek az elkötelezettsége, termelékenysége stb. jelentősen visszaesik.
- Fizetések növekedése: például a javadalmazás melyik része terhére nő a bérköltség – állandó vagy változó (bónuszok, prémiumok). A második lehetőség kedvezőbb a vállalkozás számára – azt jelzi, hogy a munkavállalók a teljesítményre összpontosítanak.
A megfelelő elemzéshez, a mintázatok felismeréséhez és felhasználásához elegendő mennyiségű adatra van szükség egy adott időszakot illetően. Minél hosszabb ideig gyűjtjük az információkat, annál több lehetőségünk van az elemzésre.
A kutatás gyakorisága a céltól és a funkciótól függ. Például az állások betöltésének arányát célszerű havonta, míg az eNPS-t elegendő évente mérni. Ugyanakkor ugyanazt az eNPS-t össze lehet hasonlítani a munkaviszony kezdetén és a próbaidő után (megmutatja, hogy a munkáltató megtartja-e a kezdeti lojalitást). Látható, hogy egyazon adathalmazból sokféle következtetést lehet levonni. Minél több ismeretünk van az emberekről, annál érdekesebb következtetéseket találunk.
Egy érdekes példa a DTEK esete, akik analitikus megközelítést alkalmaztak a vállalatnál bekövetkező sérülések megelőzésére. Ennek érdekében megvizsgálták, hogy milyen tényezők késztetik a munkavállalókat a munkavédelmi szabályok megszegésére. Az elemzés során több hipotézis nem igazolódott be. Például, hogy az ilyen hajlam személyes tulajdonságokkal – lustasággal vagy gondatlansággal – függ össze. Sőt, a szabályszegőkről kiderült, hogy a legtermékenyebb alkalmazottak, akik készek felelősséget és kockázatot vállalni a kollektív eredmények érdekében. Ezért a vállalat úgy döntött, hogy a biztonsági kultúra egészének megváltoztatására van szükség.
Profilkészítés a jelöltekről adatok felhasználásával
Minden vállalat saját felvételi kritériumokat határoz meg. Ezek jellemzően a jelölt végzettségére és tapasztalataira összpontosítanak, holott a siker további előrejelző tényezőit is be lehet azonosítani.
Egy informatikai kiskereskedőnél például egy vezető az üzletlátogatások és az eladók megfigyelései során felállított egy hipotézist: a nők, valamint a 30 év feletti férfiak jobban teljesítenek. A vásárlók megbíznak bennük, és a kiemelt termékcsoportjuk (drágább készülékek) jobban fogy. Ez azt jelenti, hogy az ilyen jelölteket érdemes előnyben részesíteni a munkaerő-felvétel során.
Az adatok segítenek kiküszöbölni a tévhiteket. Például egy vállalat úgy véli, hogy a sikerhez azonos területről származó jelentkezőket kell felvenniük. De vajon igaz-e ez? Az adatok segítségével összehasonlítóvá válik a különböző területről érkező alkalmazottak hatékonysága. Fontos azonban, hogy nincsenek univerzális megoldások, mert a vállalatok különböző termékekkel, ügyfelekkel és feltételekkel dolgoznak, éppen ezért a profilkészítést mindig alapos gondolkodásnak kell megelőznie.
HR-analitika és hatékony toborzás
Az adatok segítségével a toborzás gyorsabban és sikeresebben zajlik. A Google például több tízezer jelölttel készült felvételi folyamatot elemzett, és arra a következtetésre jutott, hogy a felvételi folyamat bizonyos fázisai haszontalanok, és nem segítenek megjósolni a jelölt sikerét. Ezzel a tudással lényegesen hatékonyabbá tudták tenni a recruitment folyamatukat.
A toborzás minőségének számos mutatója létezik, és minden vállalatnak meg kell határoznia a sajátjait. Tegyük fel, hogy egy vállalat gyorsítani akar a felvételi folyamatán. Az elemzés során azt tapasztalják, hogy az előválogatás alatt kiválasztott jelöltek elenyésző hányada kap végül ajánlatot a vezetőkkel folytatott beszélgetés után. Meg kell találni a „rést”. Lehetséges megoldás lehet, ha a a szűrési szakaszban, még az interjúk előtt írásbeli levelezés történik a jelöltekkel vagy alaposabb a profilelemzés. Mindez azonban csak a folyamat és a kapcsolódó adatok alapos elemzésével derül ki.
Hasznos információhoz jut a vállalat akkor, ha összehasonlítja a saját mutatóit más vállalkozásokkal (benchmarking). Ha például egy vállalat azt látja, hogy egy sikeres jelentkezőhöz 10 jelölt meghallgatása szükséges, míg az iparági átlag 5, akkor ez azt jelenti, hogy a recruiternek és a vezetőnek érdemes felülvizsgálni a toborzási kritériumokat.
Fluktuáció csökkentése adatokra támaszkodva
Ha egy vállalkozás csökkenteni akarja a lemorzsolódást, és meg akarja tartani a tehetségeket, meg kell értenie, miért távoznak az emberek.
A Hewlett-Packard például az egyik vezető cégnek számít a dolgozók kiégésének és távozásának előrejelzésében. A tudósok kifejlesztettek egy analitikus modellt a vállalat számára, amely 2011 és 2013 között segített megelőzni az elbocsátások nagy részét, ezzel megtakarítva mintegy 300 millió dollárt. Az IBM is kifejlesztett egy hatékony előrejelző modellt, amelynek pontossága 95%-os.
A Johnson & Johnson 47 ezer alkalmazott adatait elemezte, és arra a következtetésre jutott, hogy a friss diplomások lojálisabb alkalmazottakká válnak, mint a tapasztalt szakemberek, miközben a hatékonyságukban nincs észrevehető különbség. Ennek következtében a Johnson & Johnson 20%-kal több diplomást kezdett el alkalmazni – és ez az intézkedés csökkentette a lemorzsolódási arányt.
Külön témakör a próbaidő alatt távozó emberek aránya, ugyanis más okok állnak a háttérben, mint a már régóta alkalmazásban lévő emberek esetében. Sokszor például azért történnek a próbaidő alatti elbocsátások, mert a munkavállalóknál hiányoznak bizonyos készségek és képességek (soft skillek), amelyekre szükség van az állás betöltéséhez – ez abból adódhat, ha a toborzás során nincs elég nagy hangsúly fektetve ezen készségekre. A helyzetet úgy lehet orvosolni, ha a toborzók bónuszrendszerét nemcsak a mennyiséghez, hanem az üres álláshelyek betöltésének sikerességéhez is kötik.
A csapattréning hatékonyságának meghatározása
A vállalatok számára fontos, hogy tudják, hatékonyan fektetik-e be a képzési költségvetésüket. Például az értékesítők számára nyújtott tréning után az értékesítők elkezdték-e használni az új ismereteket és készségeket? És vezetett-e mindez az értékesítés számainak növekedéséhez?
Lehetőség van például arra, hogy összehasonlítsuk a konverziós arányokat a képzés előtt és után. Fontos azonban mindig meggyőződni arról, hogy más tényezők – például a főszezon/holtszezon – nem torzítják az adatokat.
Vezetői kommunikáció
Az emberi kapcsolatok is átültethetők az adatok világába. Egy vállalatnál például a munkatársak hatékonysága és a vezetői kommunikáció közti kapcsolatot kutatták kérdőívek segítségével. A vezetők a beosztottak munkáját, a dolgozók pedig a felettesükkel való kommunikációt értékelték. A kezdeti hipotézis az volt, hogy minél elégedettebbek az emberek a vezetőjükkel való kapcsolatukkal, annál hatékonyabbak a munkájukban. Ám kiderült, hogy fordított az összefüggés: a hatékony csapatokban a vezetők átlagos pontszámot kaptak a dolgozóktól. További vizsgálatok során kiderült, hogy ezek a vezetők szigorúbbak és igényesebbek, ezért magasabbak a teljesítményeredmények, de a kommunikáció nem a leggördülékenyebb.
Kapcsolódó kurzusok:
Az emberekkel való munkát nem lehet 100%-ban digitalizálni, és nincs is rá szükség – minden ember-ember közötti kapcsolatban van helye az intuíciónak, az empátiának, a bizalomnak. A HR-analitika ugyanakkor kezelhetőbbé teszi az ingoványos helyzeteket, de legalábbis segít a mérőszámok gyűjtésében, az összefüggések feltárásában és a tanulságok levonásában. Az azonban, hogy hogyan használják ezen tanulságokat az emberekkel kapcsolatos döntések meghozatalakor, továbbra is a vezető (adott esetben egy HR Business Partner) és a humanerőforrás-menedzser felelőssége marad.
