Logo
  • Achtergrond
  • 23 februari 2022
  • Toine Al & Irma Doze

Voorbeeld datagedreven vitaliteit en verzuimmanagement

Vitaliteit en verzuim staan bij veel organisaties hoog op de agenda. Het zijn twee aparte vraagstukken die wezenlijk van elkaar verschillen. Het ene gaat over gezond zijn, het andere over ziek zijn. Een van de bijlagen Praktische toepassingen van datagedreven HR in het boek HR Analytics laat zien hoe data kunnen helpen bij het kijken naar beide en het nemen van onderbouwde beslissingen erover. Dit artikel zoomt in op het vaststellen van het probleem.
Beeld Voorbeeld datagedreven vitaliteit en verzuimmanagement

Verzuim brengt sowieso financiële schade met zich mee, gewoon omdat de organisatie personeelskosten heeft zonder dat er opbrengsten tegenover staan. Of omdat een lager verzuim invloed heeft op de strategische planning, eenvoudigweg omdat hetzelfde werk met minder mensen zou kunnen worden uitgevoerd. Maar verzuim brengt ook meer directe kosten met zich mee, zoals premies, verzuimbegeleiding, vervangingskosten en eventuele kosten van WIA en re-integratie. Of afgeleide kosten zoals meer stress, of een slechte sfeer bij de overige medewerkers die uiteindelijk kan resulteren in lagere productiviteit. Verzuim brengt vaak méér kosten met zich mee dan wordt gedacht.

Als je vitaliteit en verzuim datagedreven wilt aanpakken, begin je met vaststellen of de organisatie een probleem heeft op dat gebied. Dit bepaal je door diverse kengetallen te combineren. Vervolgens kun je met behulp van data achterhalen welke factoren van invloed zijn. Daarnaast helpen data om vast te stellen of de interventies succesvol zijn.

Het probleem vaststellen

Als je wilt inventariseren hoe het ervoor staat met het verzuim binnen de organisatie, begin je veelal met terugkijken. Hoeveel verzuim was er het afgelopen jaar? Om het verzuimpercentage uit te rekenen, vergelijk je het aantal dagen dat iemand in een jaar verzuimt en het aantal dagen dat hij in dat jaar had kunnen werken. Dat bereken je meestal in kalenderdagen, maar het kan ook in werk- of roosterdagen. Daarmee is het plaatje nog niet compleet. Je wilt ook weten hoeveel werknemers wel en niet over de drempel stappen om zich ziek te melden. Daarvoor kijk je naar hoe vaak werknemers zich gemiddeld ziek melden: de meldingsfrequentie. Die wordt bepaald door het aantal ziekmeldingen te delen door het aantal medewerkers. Als de meldingsfrequentie 1 is, melden werknemers zich gemiddeld één keer per jaar ziek.

Maar let op, een deel van de werknemers heeft zich in dat jaar helemaal niet ziek gemeld. Dat heet het percentage nulverzuim. Het belang van het nulverzuim wordt vaak onderschat, soms zelfs niet verwerkt in systemen. Terwijl het juist een heel belangrijk gegeven is voor de conclusie. Kijk ook hoelang de verzuimgevallen gemiddeld duren: de gemiddelde verzuimduur. Je kijkt hiervoor naar de afgesloten verzuimgevallen. Van de andere gevallen weet je immers nog niet hoe ze gaan verlopen. Het onderscheid tussen korte en lange gevallen is arbitrair, maar wel goed om te maken.

Iedere verzuimspecialist weet dat er vaak een geheel andere problematiek ten grondslag ligt aan een relatief groot aandeel korte of juist lange verzuimgevallen. Door de combinatie van al deze gegevens kun je zien of er een probleem is. Als je hebt vastgesteld hoe het verzuim er binnen de afdeling of organisatie uitziet, kun je dat intern vergelijken met de eigen doelstelling, met andere afdelingen binnen de organisatie of extern met benchmarkcijfers. Het is ook goed om te kijken wat de trend in de organisatie is. En te voorspellen wat er gebeurt als de organisatie niets doet; worden de cijfers dan beter of juist slechter? Dat kun je heel simpel uiteenzetten in Excel, maar het kan ook met een complex voorspellend model waarbij de voorspelling is gebaseerd op een combinatie van variabelen in de tijd. Deze variabelen kunnen bijvoorbeeld zijn: leeftijdsontwikkeling, ontwikkeling aandeel frequent verzuimers, ontwikkeling man-vrouwverhouding, ontwikkeling teamontvang, ontwikkeling aandeel medewerkers dat met een rooster werkt, ontwikkeling aandeel medewerkers dat in direct contact staat met klanten, enzovoort. Dat laatste is uiteraard nauwkeuriger, maar het blijft een voorspelling.

Op basis van voorgaande analyses besluit de organisatie of zij een probleem heeft waarmee zij aan de slag wil. De noodzaak daartoe is groter naarmate, met data uiteraard, wordt aangetoond dat het verzuim invloed heeft op andere resultaten. Op de klanttevredenheid bijvoorbeeld, omdat er niet genoeg mensen kunnen worden ingezet voor de dienstverlening. Of op de financiële resultaten, omdat verzuim nou eenmaal geld kost. Of op de reputatie als werkgever, waardoor de organisatie moeilijker sollicitanten krijgt voor vacatures.
Gaat het bij alle vier de kengetallen fout? Dan heeft de organisatie een algeheel probleem, een verzuimcultuur zogezegd, die zij aan alle kanten zal moeten oppakken: zowel erop gericht dat minder werknemers verzuimen als dat de verzuimduur wordt bekort. Misschien blijkt echter dat het meldingspercentage laag is en het nulverzuim hoog, maar dat er een lange gemiddelde verzuimduur is. Dan is de drempel om terug te komen na een ziekmelding blijkbaar heel hoog, dus dan richt je je met name op de werknemers die ziek zijn en probeer je het verzuimproces te verkorten. Het kan ook zijn dat de meldingsfrequentie hoog is, maar de verzuimduur en het nulverzuim juist heel laag. Dan zijn werknemers dus niet lang ziek, maar melden ze zich wel heel vaak ziek. Dan is het beter om onderzoek te doen naar het ziek worden in plaats van naar het ziek blijven. Kijk daarnaast ook goed of het probleem zich voordoet in de hele organisatie of alleen in een onderdeel of een specifieke groep.

Een rekenvoorbeeld

Stel dat de organisatie een meldingsfrequentie heeft van 1. Dat is de gemiddelde meldingsfrequentie in Nederland, dus dat lijkt goed te zitten. Maar het maakt nogal een verschil of daar een nulverzuim bij zit van 20 procent of van 80 procent. Als het nulverzuim 20 procent is, heeft 80 procent van de werknemers zich in dat jaar ziek gemeld. De gemiddelde meldingsfrequentie van 1 wordt dus veroorzaakt door 80 procent van de werknemers. Zij hebben zich gemiddeld 1,25 keer ziek gemeld dit jaar. Is het nulverzuim daarentegen 80 procent, dan wordt de meldingsfrequentie van 1 veroorzaakt door 20 procent van de werknemers. Een klein groepje heeft zich gemiddeld 5 keer ziek gemeld dat jaar. Dat kan een probleem zijn.

Ziekteverzuim brengt voor een werkgever veel kosten met zich mee, maar deze zijn vaak lastig exact te berekenen. Toch is het goed om een indicatie van deze kosten te maken. Daarmee kun je namelijk ook achterhalen hoeveel een goed en gericht verzuimbeleid kan opleveren. En hoe de organisatie zich het beste kan verzekeren of welke voorzieningen zij moet treffen. Je kunt de verzuimkosten ook gebruiken om een businesscase te maken. Je stelt bijvoorbeeld: als we deze oplossing uitvoeren, verwachten we dat het verzuim met X procent afneemt en dat levert X euro op. Dat zet je dan af tegen de kosten.

Je wilt daarvoor inschatten hoeveel winst je kunt behalen met een vitaliteitsprogramma. Soms kunnen leveranciers daar inzicht in geven op basis van resultaten van andere klanten. Nog beter is het om eigen data te gebruiken. Sorteer alle afdelingen van meest vitaal naar minst vitaal. Bekijk de meest en minst vitale afdelingen: is daar ook een verschil in verzuim? En als je de vitaliteit van de mindere afdelingen kunt verhogen tot ze op de helft van het oorspronkelijke verschil uitkomen, hoeveel minder verzuim levert dat dan op? Je kunt ook met scenario’s werken: stel dat het helemaal niet werkt, stel dat het een beetje werkt of stel dat het heel goed werkt. Wat zijn dan de respectievelijke opbrengsten? Op basis daarvan kun je doorrekenen.

Dit is een gedeelte uit het boek HR Analytics - Waarde creëren met datagedreven HR-beleid

 

 

Producttips

Volg HR Praktijk

Word gratis lid en ontvang op dinsdag en donderdag het laatste HR-nieuws in uw mailbox! Én als lid krijgt u ook toegang tot exclusieve online artikelen.