Logo
  • Opinie
  • 22 september 2015

5 Manieren om voorspellende HR analytics een vliegende start te geven

Iedere keer wanneer we een HR professional aan de lijn krijgen die met ons wil praten over het opzetten van mogelijkheden op het vlak van voorspellende HR analytics, krijgen we dezelfde vraag: hoe kunnen we zo snel mogelijk van start gaan? Uiteraard bestaat er geen standaardantwoord op deze vraag aangezien elke organisatie anders is en erg verschillende uitdagingen biedt op het vlak van data, analytische mogelijkheden, problemen op het vlak van de bedrijfsactiviteiten en/of de medewerkers, etc. Hierbij enkele van onze gebruikelijke antwoorden op de meest voorkomende vragen.

1) Start een klein pilootproject!

We raden organisaties die snel willen starten met HR analytics altijd aan om met een relatief eenvoudig proefproject te beginnen en om niet de fout te maken om enkel te focussen op de analytische resultaten van het pilootproject zelf, maar eerder (en vooral) op de ruimere context, nl. waarom werd dit pilootproject georganiseerd? Er wordt steeds met ongeduld uitgekeken naar de resultaten van een analyse, maar de volgende zaken zijn even belangrijk als de resultaten zelf:

  • verzamelen van analytische ervaring in het algemeen;
  • inzicht krijgen in de complexiteit van data, het eigenaarschap van data, de locatie van data (wie heeft welke data, waar worden de data bewaard, hoe krijg je toegang tot de data, ...);
  • begrijpen van de kwaliteit van de data (evolueren van een administratieve naar een analytische visie);
  • functieoverschrijdend samenwerken met de mensen in het bedrijf; (bekijk deze case study over een dergelijke samenwerking tussen diverse afdelingen)
  • samen leren werken met data-analisten (aan wie brengen de analisten verslag uit binnen HR, wat is hun plaats in de organisatie?);
  • de analytische activiteit organiseren: doe je dat intern of besteed je dat uit? (lees dit artikel over dit onderwerp)
  • het stellen van de juiste hypotheses en vragen;
  • begrijpen van de analytische methodologieën, zie verder in punt 2; (zie ook dit artikel over dit onderwerp)
  • voorstellen van business cases en leren hoe je het verhaal brengt en de analytische resultaten visueel presenteert;
  • leren hoe je omgaat met data management (privacy, wettelijke beperkingen, transparantie,…),
  • samenwerken met de ICT-afdeling om data te verzamelen, te integreren en de vertrouwelijkheid te garanderen, etc.

We raden starters trouwens altijd aan om niet te wachten tot al hun HR data op orde is om met HR analytics te starten - een standpunt (en soms een excuus) dat vaak gehoord wordt bij HR. Het is een parallel en zelfs interactief proces: data analyseren en tegelijkertijd een beeld krijgen van de werkelijke datakwaliteit wanneer je deze in een pilootproject gebruikt. Je kan niet vroeg genoeg starten met voorspellende analyse aangezien je best een hele reeks data langere tijd moet gaan bijhouden. Je start dus best onmiddellijk! Lees meer geleerde lessen in dit artikel.

2) Denk aan deze 4 benaderingen om HR analytics een vliegende start te geven

Vaak wordt ons de vraag gesteld welke soort analyse we uitvoeren in onze voorspellende HR analytics-projecten. Om die reden gaven we een kort overzicht van de vier meest voorkomende benaderingen of methodologieën die we telkens opnieuw gebruiken. Een samenvatting van deze vier benaderingen:

Benadering 1: Clustering: Met deze benadering kan je verborgen groepspatronen onderzoeken met behulp van clusteringtechnieken: bv. welke types van medewerkers (groepen) zullen een snellere inwerktijd hebben?

Benadering 2: Analyse van verbanden: Aan de hand van deze benadering kan je inzicht verwerven in verborgen verbanden. Meestal gebruiken we het woord 'impact' om relaties tussen gebeurtenissen of kenmerken van mensen/bedrijven uit te leggen: bv. wat is de impact van training op klantentevredenheid?

Benadering 3: Risicoanalyse: Met behulp van deze benadering krijgen we inzicht in de waarschijnlijkheid of mogelijkheid van (belangrijke/strategische) voorvallen: bv. welke medewerkers hebben een groter risico op verzuim?

Benadering 4: Forecasten: Met deze benadering kan je inzicht krijgen in de toekomstige tendensen, op basis van historische patronen: bv. hoe zal het verloop evolueren in de komende 3, 6 of 12 maanden? Zie ook punt 4 in deze blog.

In dit artikel vind je meer details en voorbeelden van deze benaderingen: 4 benaderingen die iedereen in HR analytics zou moeten gebruiken.

3) Snelle analyses nodig? Werk met externe experten!

Organisaties hebben vaak op korte termijn behoefte aan snelle personeelsanalyses ter ondersteuning van de beslissingen die ze nemen (vb. bij het uitwerken van budgetten, tijdens evaluatieprocedures, reorganisaties, etc.) terwijl ze zich niet al te veel willen bekommeren over het bouwen van interne HR analytics-capaciteiten. Op die momenten kan de inbreng van een externe expert zeer waardevol zijn. Maar snelheid heeft ook vaak te maken met de mogelijkheid om snel een maximaal concurrentieel voordeel te ontwikkelen, wat voor tal van organisaties ook een reden vormt om uit te besteden.

Heel wat organisaties werken momenteel aan de opbouw van hun interne analytische capaciteiten. Dit vergt echter vrij veel tijd en in tussentijd doen ze voor HR analytics beroep op externe experts om vorderingen te boeken, belangrijke ervaring op te doen, meer inzicht te krijgen in hun data, etc. Lees alle details over outsourcing van HR analytics in dit artikel: ’12 redenen waarom het uitbesteden van HR analytics een goede zaak is voor HR’.

4) Voeg statistische voorspellingen toe aan belangrijke tendensen zoals verloop of absenteïsme.

De analyse van verloop of absenteïsme wordt meestal met behulp van retrospectieve, beschrijvende verslagen uitgevoerd. Als startpunt is dit ongetwijfeld zeer nuttig, maar een statistische voorspelling zal het inzicht aanzienlijk verbeteren. Door een statistische voorspelling voor de komende periode van 3, 6 of 12 maanden aan uw verslag over de verloop of absenteïsme toe te voegen, zullen er makkelijker acties gekoppeld worden aan de inzichten, waardoor je meer aandacht van het management zal krijgen.

Het toevoegen van statistische voorspellingen (versus retropectief rapporteren) zal bovendien helpen om de kosten van het toekomstig verloop of absenteïsme veel preciezer en met meer impact te berekenen. Dit zal je CFO bevallen! Meer details over de analyse van de omzet kan je vinden in deze reeks artikelen over voorspellende verloopanalytics.

5) Grote investeringen in analytische technologie zijn niet nodig bij de start

HR hoeft geen zware investeringen te doen in datatechnologie om voorspellende HR analytics uit te voeren. En indien je van plan bent om ultrasnel van start te gaan met behulp van externe experts, dan hoef je natuurlijk helemaal niet te investeren in technologie. Een citaat van Patrick Coolen (ABN-AMRO) en Esther Bongenaar (Shell) in het interview ‘Debunking 5 predictive HR analytics Myths’ (5 mythes over voorspellende HT analytics ontmaskerd):

Patrick Coolen: Om met analyse te starten hoef je niet onmiddellijk in technologie te investeren en hoef je geen perfecte data te hebben. Mijn advies? Start kleinschalig en leer snel! Indien je over een goede reeks data beschikt, dan kan je vandaag nog met analytics starten (Patrick besteedt zijn analyse-activiteiten uit).

Esther Bongenaar: Als je een laptop met Excel hebt, dan kan je correlaties en regressies uitwerken. Voeg daar gratis R-software aan toe en je bent klaar voor geavanceerde analyses. Je kan investeren in statistische software of visualisatiesoftware, maar dat is niet noodzakelijk. Wij voeren de meeste analyses uit op onze laptops met Excel en R. Regressies, clustering en transformaties zijn onze basisinstrumenten (Esther besteedt de analytische activiteiten niet uit).

Je kan het volledige interview met Patrick en Esther in dit artikel lezen ‘Debunking 5 Predictive HR Analytics Myths’.

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.