We leven in een talent economy en meer dan ooit realiseren bedrijven zich dat business succes gebouwd wordt op de schouders van sterke mensen. Door de opkomst van initiatieven als ‘Great Place To Work’ en de populariteit van LinkedIn heeft het HR departement de voorbije tiental jaren aan strategisch belang gewonnen. Bedrijven erkennen dat wanneer ze over een gelukkige schare aan werknemers beschikken, heel de business erbij gebaat is.
Maar hoe bereiken we dat doel?
Stel je voor dat je dat HR Director bent van een bedrijf met meer dan 20,000 werknemers. Je hebt het onhebbelijk gevoel dat heel wat van je werknemers het bedrijf beginnen te verlaten, maar je weet niet waarom. Je neemt een kijken in de verslagen van de exitinterviews, maar na een paar honderd gelezen te hebben, ontwaar je niet onmiddellijk een trend. Het enige gemeenschappelijke punt: deze exits hadden misschien voorkomen kunnen worden.
Wanneer je de dynamieken probeert te begrijpen die spelen bij een grote groep van mensen, kijk ik naar wat de data me vertelt. Deze aanpak werkt ook in andere delen van de business, zoals marketing en finance, dus waarom ook niet voor HR?
Retention analytics
Een manier waarop de HR data kunnen gebruiken is om te voorspellen wie wanneer je bedrijf zal verlaten. Door je basis van ‘loyale’ werknemers te vergelijken met zij die je bedrijf doelbewust hebben verlaten (aan de hand van predictive modeling technieken), kan je de meest voorkomende verschillen tussen de twee ontwaren. Zo kan je zien op welk punt in hun carrière mensen neigen te vertrekken en wat de oorzaken zouden kunnen zijn.
De onderstaande grafiek toont bijvoorbeeld het aantal jaar dat een persoon in dienst is. Het valt meteen op dat bij mensen met minder dan 4 jaar dienst de kans op vertrek een stuk hoger ligt, doelbewust of niet. Dankzij deze info kan je je predictive modeling gaan afstemmen op de doelgroep van mensen die binnen de 4 jaar vertrokken zijn om verdere voorspelling te gaan doen.
Een voorbeeld van hoe lang mensen in dienst zijn en wanneer ze vertrekken
Nu kunnen we gaan kijken naar het aantal variabelen die hierbij in het spel zijn. Merk bijvoorbeeld op dat er mensen zijn die vaak ziek vallen en dat een terugkerend patroon is voorafgaand aan een vertrek. Wanneer een werknemer dus regelmatig ziek valt, kan je best eens kijken of alles nog wel ok is.
Je kan ook externe data gaan monitoren, zoals jobpopulariteit of vacatureinformatie. Zo kan je misschien ontdekken dat iemands positie aan populariteit wint, wat dan weer een signaal is om ervoor te zorgen dat deze mensen gelukkig blijven – zo niet riskeer je hen kwijt te spelen aan de concurrentie. Ik ken bijvoorbeeld een pharmabedrijf dat “high-flight-risk” kandidaten identificeert onder hun high-potential werknemers door data te collecteren van LinkedIn en andere sociale netwerken.
Je zou ook zelf een sociaal netwerk van je werknemers kunnen bouwen door te gaan kijken naar hun emailfrequentie bijvoorbeeld, om zo cruciale nodes te ontdekken. Wanneer cruciale nodes vertrekken, zijn mensen die ‘close’ met hen zijn in het netwerk ook sneller geneigd om te vertrekken.
Aanwerven voor succes
Retention analytics kunnen helpen om je goede werknemers te behouden. Maar wat met het aantrekken van nieuwe sterke krachten? Wat maakt een ‘goede’ werknemer ‘goed’ en hoe kan je hen doelgericht rekruteren? Door een gelijkaardig pad te volgen als eerder beschreven en je goede werknemers te vergelijken met de minder goede aan de hand van data verzameld tot op het moment van aanwerving.
Nu denk je waarschijnlijk: “Welke data kan ik van iemand hebben voor ik hem aangeworven heb?”
Wel, dit is je kans om creatief te zijn. Naast demografische data, educatie en voorbije werkervaringen kan je informatie verzamelen over kandidaten door gestructureerde interviews te doen, gelijkaardig aan interviews uit kwalitatief onderzoek. Deze interviews bevatten net dezelfde vragen voor elke kandidaat, zodat je achteraf makkelijk kan gaan vergelijken.
Een bijkomend voordeel is dat je de vragen kan stellen op maat van je business. Een high-tech bedrijf heeft bijvoorbeeld een analytics model ontworpen dat voorspelde of werknemers al dan niet ‘toxic’ (leugenaars of bedriegers) zouden worden. Vervolgens reduceerden ze dit type profielen bij aanwervingen door doelgericht specifieke zaken uit het interviewproces te gaan analyseren.
Na een dergelijke analyse is het mogelijk dat heel wat traditionele overtuigingen niet langer van kracht zijn. Een verzekeringsmaatschappij analyseerde bijvoorbeeld de profielen van top sales mensen en ontdekte dat hoge schoolresultaten of academisch succes geen sterke indicator was voor toekomstig sales succes. Wat wel een rol speelde, waren factoren als spelfouten en grammaticale fouten in het CV en of ze al dan niet ervaring hadden in het verkopen van vastgoed of auto’s.
Een andere optie om data over je potential hires te verzamelen is te kijken naar LinkedIn en Twitter. Deze data kan gestructureerd of ongestructureerd zijn (waarschijnlijk gaat het om free text).
Aan de hand van de verzamelde data tot op het moment van aanwerving van mensen zowel binnen als buiten je bedrijf, kan je nu aan segmentation analysis gaan doen om het segment van ‘goede werknemers’ te identificeren. Mensen die binnen dat segment vallen, maar nog geen werknemer zijn, zijn dus de geknipte kandidaten om te volgen.
Een voorbeeld van clustering van werknemers
Tegengaan van absenteïsme
Forbes berekende dat de kosten ten gevolge van absenteïsme ongeveer $3000 per werknemer per jaar bedragen. Deze kosten zijn dus extreem hoog en worden veroorzaakt door verloren gegane productiviteit, slechtere kwaliteit van goederen en diensten, overtollige admin tijd en een terugval in moraal doorheen het hele bedrijf.
Absenteeism is already measured quite extensively in most companies and is usually a major KPI for HR. The reasons for absenteeism, though, are manifold and hard to determine. They can be either legitimate or poor excuses for missing work, they can be due to bullying in the workplace, burnout, childcare, depression, illness ...
Absenteïsme wordt al uitgebreid gemeten in heel wat bedrijven en is meestal een belangrijke KPI voor HR. De redenen voor absenteïsme zijn echter uiteenlopend en moeilijk te bepalen. Ze kunnen gegrond zijn of niet, te wijten zijn aan pestgedrag op het werk, burnout, kinderzorg, depressie, ziekte, etc.
Analytics kunnen helpen bij het counteren van absenteïsme door het opsporen van de onderliggende redenen en zo naar een lagere graad van verzuim toe te werken.
Wanneer je bijvoorbeeld tot de vaststelling komt dat mensen vaak ziek zijn op maandagen, kan je naar de oorzaak gaan zoeken. Zo vind je misschien dat mensen die dan vaak afwezig zijn alleenstaande moeders zijn en dat hun afwezigheid vaak valt op een maandag na een vakantieperiode. Dit kan erop wijzen dat deze groep mensen moeite hebben met alles op een rijtje te krijgen op een drukke maandagochtend. Een oplossing voor dit probleem kan zijn dat je hen toelaat om twee uurtjes later te komen op deze dagen en ze de rest van de week een half uur langer te laten werken.
Een andere toepassing rond absenteïsme kan slaan op het sturen van medische controle. Het is een grote kost voor bedrijven om hun werknemers te laten controleren wanneer ze ziek zijn. Wanneer je kan inschatten of iemand effectief ziek is of niet, dan kunnen deze controles beter gestuurd worden. In plaats van mensen at random te bezoeken, zorgen gerichte bezoeken ervoor dat je de meest ‘risicovolle’ werknemers eerst kan opzoeken.
Alleen al het weten dat de absenteïsmegraad op sommige dagen hoger ligt, laat je ook toe hier rekening mee te houden in je planning. Autobedrijven bijvoorbeeld bestuderen de onderliggende patronen hierrond en voorzien extra personeel op dagen dat er meer kans is op verzuim.
Een voorbeeld van ‘ziekte van 1 dag' per weekdag
Waar begin ik best?
Heel wat bedrijven beschikken reeds over een schat aan HR-informatie tjokvol waardevol inzichten. Denk maar aan legacy HR en planning applicaties of off the shelf HRM-producten als Peoplesoft. Andere mogelijke bronnen van informatie kunnen zijn: badging uren, user logins van thuis, emailverkeer, externe data, data verzameld tijdens interviews, performance review data, background check data, etc. Jouw bedrijf kan al bezig zijn met analytics op een of andere manier, dus is het zaak om deze expertise en tools als een hefboom te gaan gebruiken.
Een ding om in gedachte te houden inzake HR analytics is privacy en security. Als werkgever heb je uiteraard toegang tot heel wat persoonlijke informatie en als werknemer is het je recht om deze privacy (ten dele) te eisen. In heel wat gevallen is het mogelijk om deze data volstrekt te anonimiseren zodat je enkel trends en inzichten kan opsporen. Wanneer je echter gaat modeleren door gebruik te maken van specifieke persoonlijke data (bvb. externe data of door interviews), moet je beter opletten en de privacywetgeving er eens op naslaan.
De waarde van HR analytics kan snel aangetoond worden door een kleine proof of concept te doen en te focussen op business prioriteiten. De sleutel hier is think big but act small, zoals bij elk ander analytics project. Het is beter om niet te overanalyseren en je analytics setup te perfectioneren, maar je te laten leiden door de data.
Vaak zien we dat analytics project de bal misslaan doordat ze te ambitieus ingestoken werden, bijvoorbeeld uit een gretigheid om iets te doen met alle beschikbare data en ze te perfectioneren voor echt te beginnen. Een agile approach – zo snel mogelijk iets van waarde creëren – is een heel goede manier om te ontdekken wat je allemaal uit je data kan halen. Op die manier kan je goed geïnformeerd beslissen waar je je in een volgende iteratie best op gaat richten.
Na een aantal van deze proof of concepts ga je een beter zicht hebben over de toegevoegde waarde van HR analytics en waar specifiek de grootste ROI voor je business zit. Eens je dit weet, kan je de nodige meetpunten instellen om analyses te gaan doen en de gecreëerde modellen te gaan toepassen.
Dit is waar zaken als data quality, data governance, ICT architectuur, business processen en change management in het spel komen, net als het operationaliseren van je inzichten uit analytics om meer waarde te creëren.
Conclusie
People analytics wint aan momentum. HR departementen wereldwijd beginnen zich te realiseren dat data de sleutel is om vragen te beantwoorden rond wanneer mensen je bedrijf vervoegen, aan boord blijven of gaan vertrekken.
Percentage of respondents rating People Analytics as an 'important' or 'very important' trend.
Maar er zijn nog heel wat meer zaken mogelijk met HR analytics. Zoek maar eens op wat Google bijvoorbeeld aan het doen is. Hopelijk levert dit artikel je de nodige inspiratie op om er zelf mee aan te slag te gaan.
Wil je meer weten over wat HR Analytics voor jouw organisatie kan betekenen? Neem dan contact met ons op via info@ae.be.
