Logo
  • Opinie
  • 21 april 2015

14 HR Analytics lessen uit 2014 – deel 2

Steeds meer grote organisaties zijn bezig met het uitbouwen van hun HR analytics expertise. Sommigen doen dat intern, anderen dan weer met het gebruik van externe ondersteuning. Het is overduidelijk dat organisaties meer inzichten willen verwerven in de relatie tussen investeringen in HR praktijken en de uitwerking ervan op de output van hun organisatie, onder welke vorm dan ook. Luk Smeyers vat voor u zijn voornaamste geleerde lessen uit zijn projecten van 2014 samen.

Dit is deel 2 van de 14 geleerde lessen. Deel 1 kan u hier lezen.

8. Een ‘just promoted’ PhD aanwerven, is geen goede start

Een aantal organisaties koos er in de afgelopen tijd voor om een jonge, pas gepromoveerde academicus (al dan niet vast) aan te werven. De rationale drijfveer: deze mensen hebben geleerd om met data te werken en verbanden te onderzoeken op een wetenschappelijk verantwoorde wijze. Op zich een legitieme reden om deze stap te zetten maar wat mij betreft geen goede startbasis. Deze PhD-er mag dan wel over bovenstaande vaardigheden en kennis beschikken, hij of zij zal onvoldoende in staat zijn om HR-analytics hoog op de radar van de organisatie te zetten. Analyses doen is één ding. Heel wat moeilijker is het om de analytische agenda te bepalen, toegevoegde waarde te verlenen aan de kernprocessen van de organisatie, de vaak complexe cross-functionele samenwerking aan te sturen, de moeilijke interne silo’s, bureaucratie en politiek te doorbreken, de business case te presenteren aan het management, enz. Wil je de naald in het groen krijgen? Start dan met een zwaarder (consulting-type) profiel met een sterke analytische scherpzinnigheid die impact kan hebben op directieniveau. Voeg hier in een tweede fase een academicus aan toe, second in command!

9. Vergeet ‘big data’ bij de start

Ik schreef er al vaker over: vergeet al dat gedoe over big data en focus eerst op de kwalitatieve ontwikkeling van je interne HR-data. Bijna wekelijks moet ik uitleggen dat HR zelf geen big data heeft maar dat we veel uit kunnen leren dat fenomeen: de evolutie van rapporteren naar voorspellen, de focus op gedisciplineerde kwalitatieve (versus administratieve) dataverzameling, het toevoegen van data-experten (van binnen of buiten de organisatie) aan het team, het nadenken over data-governance, het verrijken van de besluitvorming met ‘long data’. Long data? Als we iets geleerd hebben de voorbije jaren is dat je met goede ‘long data’ uitstekend toegevoegde waarde kan leveren. Long data omvat datasets die een lange historie bestrijken, die een veranderend en bewegend beeld schetsen, processen en interacties in kaart brengen die door de tijd heen veranderen. Als je bijvoorbeeld het succes van je rekrutering (‘quality of hire’) gaat meten, ken je de resultaten pas binnen een jaar of zelfs later. Op voorwaarde dat je alle relevante data gedisciplineerd verzameld hebt. Dus: lang leve de ‘long data’! En…begin er morgen mee!

10. Laat organisatiepolitiek niet in de weg staan van het leveren van toegevoegde waarde

De grootste uitdaging ligt niet altijd in het verrichten van voorspellende analyses zelf maar in het in beweging brengen van de organisatie op basis van de uitkomsten van die analyses. Dat ondervinden we bij elk project, bijna tot vervelens toe. De hypothesen, data, analyses en antwoorden zijn allemaal van ontegensprekelijk belang. Maar de manier waarop die vragen, analyses en antwoorden in overeenstemming of in conflict zijn met de interne politiek en de gedragingen en overtuigingen van een organisatie, is vele malen belangrijker. Soms lokken zelfs de beste analytische uitkomsten erg contraproductieve of defensieve reacties uit. Een organisatie in beweging krijgen op basis van analytische uitkomsten, is hard labeur (en dus niet weggelegd voor een junior-PhD). Potentiële politieke tegenwind wordt door HR vaak schromelijk onderschat: knappe analyses, vakkundige antwoorden op essentiële businessproblemen en toch geen resonantie in de organisatie. Zo kunnen analytics dus (ook) mislukken.

11. U kan morgen starten!

Het is een quote van HR Analytics Manager Patrick Coolen: ‘U kan morgen starten!’ Waarom geeft Patrick deze tip? Samen met ons is Patrick ervan overtuigd dat je niet moet wachten tot al je data op orde zijn – een vaak gehoord standpunt van HR – voor je met HR-analytics begint. Het is een parallel en zelfs interactief proces: data analyseren en tegelijkertijd de échte kwaliteit van die data leren kennen als je ermee aan de slag gaat. En zeker als je wil werken aan je ‘long data’ (zie boven, punt 9), kan je niet vroeg genoeg starten met analyseren. Wellicht zal je voortaan een hele reeks nieuwe gegevens moeten bijhouden over een langere periode en dan kan je er maar best meteen mee beginnen. Morgen dus! Met dank aan Patrick voor de quote!

12. Maak van HR-analytics een continue proces en geen aaneenschakeling van losse projecten

Omdat de analytische maturiteit in de meeste HR afdelingen nog in het beginstadium zit, zien we vaak een aaneenschakeling van losse projecten met relatief weinig samenhang. In functie van testen en leren is dat volstrekt legitiem (en zelfs aangewezen) maar op termijn helpt deze ‘patchwork-benadering’ onvoldoende het analytisch leiderschap van HR in de organisatie te verankeren. In een tweede fase, na de initiële experimenten, bevelen wij steeds aan om te focussen op een (beperkt) aantal sleutelprocessen in de organisatie en deze gedurende een langere periode te analyseren en op te volgen. De bedoeling moet zijn om waarde toe te voegen aan deze kernprocessen en ze op termijn te optimaliseren. Dat doe je niet met eenmalige analyses maar met metingen met een lange tijdshorizon, regelmatige updates, permanente samenwerking met de proceseigenaren en door het verzamelen van ‘long data’ (zie ook punt 9).

13. Het gebruik van engagementdata dient met grote omzichtigheid te gebeuren

Ik zie heel wat organisaties krampachtige pogingen doen om, bij wijze van eerste HR-analytics experimenten, vanuit hun engagement data te vertrekken en ze te koppelen aan andere organisatie- of businessdata. Vanuit de veronderstelling dat uit dit soort engagement-gebaseerde analyses impactvolle uitkomsten ontstaan, verschijnt engagementanalyse op bijna alle HR-analytics agenda’s. Ik vind dat geen goede evolutie, om meerdere redenen:

  • Geen doel op zich: het gebruik van engagement-data mag geen doel op zich zijn. Het is een ondersteunende en bijkomende databron om kernprocessen van organisaties beter te kunnen analyseren. Vertrek dus vanuit je business of organisatievraagstukken en kijk of engagement, samen met andere predictoren, daarop een impact heeft. Organisaties die vertrekken vanuit de engagementdata en willen bestuderen wat er zoal door engagement wordt beïnvloed, vinden (na oneindig lang analyseren!) meestal slechts marginale, nietszeggende verbanden die men in een businessmeeting erg moeilijk hard kan maken. Om nog maar te zwijgen van de actiegerichtheid van zulke uitkomsten. Opletten dus!
  • Verouderde data: ik zie organisaties engagement-data gebruiken die soms al een jaar of zelfs ouder zijn. Niet doen! In onze huidige snel veranderende organisaties waar een aankondiging van het management in één klap alles kan veranderen, zijn engagement-uitkomsten slechts een momentopname. Als je deze data überhaupt wil gebruiken, dan doe je dat best onmiddellijk na (of zelfs simultaan met) de survey. Hoe korter de periode tussen de engagementmeeting en de koppeling met data van kernprocessen, des te betrouwbaarder de analyse.
  • Bij medewerkers uit de frontlijn: de impact van engagement is het best zichtbaar te maken bij medewerkers in de frontlijn, zij die direct met klanten in contact staan: de barista van de koffieshop, de call agent van de bank, de installateur van het kabelbedrijf, de sales rep van de vending machines, de buschauffeurs van het touringcarbedrijf, enz. Als je bij deze ‘frontliners’ de business output vergelijkt in clusters van hoog- of laag-geëngageerd, dan krijg je al snel erg interessante, significante verschillen waarop gestuurd kan worden. Enkele voorbeelden van outputverschillen tussen hoog/laag frontline-engagement zijn productiviteit, sales, klantentevredenheid, verzuim, verloop, enz. Als je diezelfde hoog/laag clusters toepast op de (subjectieve) beoordelingsscores van je interne medewerkers, dan wordt het verhaal erg dun.
  • Koppelen op individueel niveau: omwille van de anonimiteit van de engagementdata beschikken maar weinig bedrijven over deze data op individueel niveau. Omwille van de statistische robuustheid is het nochtans een must om de koppeling te doen op individueel niveau, om daarna alles weer samen te voegen om de anonimiteit te vrijwaren. Als je enkel op team- of afdelingsniveau kan koppelen, steek er dan niet te veel energie in want het levert doorgaans weinig bruikbare output op.

14. Je hoeft bij de start geen gebruik te maken van een overkoepelend analytisch ‘Center of Excellence’

Sommige grotere organisaties (zoals banken, verzekeringen, contact centers,…) hebben in hun marketing, risk management, actuariële of commerciële afdelingen reeds belangrijke analytische activiteiten lopen. Vaak werden er overkoepelend analytische ‘Centers of Excellence’ opgericht om meerdere afdelingen tegelijk te kunnen bedienen, om productiever te werken op gemeenschappelijke technische platformen, om (schaarse) analytische resources te delen, enz. Ik krijg vaak de vraag van HR of het, bij gebrek aan skills in HR, niet aangewezen zou zijn om voor geavanceerde analyses beroep te doen op deze COE’s. Ik ben daar geen voorstander van en wel om de volgende redenen:

  • HR geen prioriteit: deze COE’s hebben meestal overvolle agenda’s van businessgerelateerde projecten. Als HR er – zonder sterk analytisch ‘track record’ - dan ook nog eens bijkomt, leert de ervaring me dat het helaas niet anders kan dat HR onderaan de prioriteiten-ladder komt en vaak maandenlang moet wachten om bediend te worden…if at all.
  • Te weinig learnings: als HR zijn analyses aan een COE overdraagt, gaan ze voorbij aan alle learnings die ik onder punt 5 beschreven heb en zullen ze onvoldoende maturiteit ontwikkelen, onvoldoende inzichten verwerven in de kwaliteit van de (long) data en amper structurele maatregelen kunnen bedenken om waarde toe te voegen aan de kernprocessen van de organisatie. De focus komt daardoor uitsluitend op de output van de analyses en niet op de bredere context.
  • Probleem met vertrouwelijkheid: en last but not least: als je de HR data bij een COE zou droppen, heb je ongetwijfeld meteen een probleem met de vertrouwelijkheid van de medewerker-data. Tot nu toe heb ik nog geen goede oplossingen gevonden voor deze problematiek tenzij de analytische capaciteit binnen HR op te bouwen.

Misschien is het COE-concept op iets langere termijn wel het overwegen waard, maar eerst moet HR zelf op een hoger maturiteitsniveau komen om dit te kunnen aansturen en een oplossing te bedenken voor de problematiek van de vertrouwelijkheid van de medewerkersdata.

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.