Как подготовиться к HR аналитике

Перевод статьи How to prepare yourself for HR analytics. Автор статьи - Lyndon Sundmark - очень интересный чувак, пишет не просто классные статьи, но еще выкладывает код в R, чем особенно интересен для практиков. Но эта статья про то. как надо входить в аналитику специалисту. Статья немаленькая))) Перевод выполнен студентами Высшей Школы Экономики Вудвард Дианой и Диулгаровой Анитой.
Читайте все статьи нашего проекта переводы статей по hr-аналитике на английском.
Итак,

Как подготовиться к HR аналитике

За последнее время я написал несколько статей, которые вызвали большой интерес. (Для меня это большая честь).

Такой интерес привел к просьбам о неформальном наставничестве, а так же вопросам «Как мне начать?» в области People/HR(кадровой)-аналитики. Эта статья ответит на все ваши вопросы.

Несомненно, область HR-аналитики очень большая. Однако, я считаю, что есть несколько пунктов, которые могут помочь в подготовке к данной области. Они перечислены в сводке ниже и более подробно описаны в остальной части этой статьи:

1. Начните с хорошего и основательного определения.
2. Ознакомьтесь с основопологающими блоками HR- аналитики.
3. Читайте, ищите в сети, и применяйте на практике.

Начните с правильного определения.

Это важно как минимум по одной главной причине.

В зависимости от того, как вы определяете People/HR-аналитику, вы устанавливаете, чему вы уделяете внимание в своем обучении и на чем вы концентрируетесь. Если вы воспользуетесь поиском HR аналитики в Google, то вы найдете огромное количество ссылок на эту тему, и так же большое количество книг, для прочтения которых не хватит всей жизни.

Многие из них будут касаться  HR метрик(измерений) и оценочных карточек. Это важно. Лично для меня, многое из того, чего мы достигли сегодня в HR-аналитике, исходит из этих корней, которые до сих пор являются частью картины. Если вы «видите»  HR-аналитику как «только это», соответственно, ваша подготовка будет основана на этом и возникнет соблазн остановиться.

Проблема с метриками и оценочными карточками заключается в том, что они сами по себе не обязательно гарантируют какие-либо действия или принятия решений. Они могут быть фундаментальными блоками в HR-аналитике, но сами по себе не являются полной картиной.

Более полной картиной является то, что лежит в основе любого аналитического усилия- независимо от контекста данные управляемы. Данные управляемы для определенных целей- принятия решений и действий, там где это необходимо. Это соответствует данным доктора Dr. John Sullivan.

Основной темой является «принятие решений и управление данными в HR».

Необходимость получения ответов на вопросы о бизнесе и их кадровое решение, или кадровые вопросы, влияющие на суть бизнеса, должны базироваться на полученных данных. В этом суть People/HR- аналитики.

Если вы согласитесь с данным определением, ваша подготовка приведет вас к HR метрикам и оценочным картам, однако вам потребуется подготовка так же и в других областях.

Наличие хороших определений важно, потому что это влияет на вашу дальнейшую подготовку. Это ваш выбор. Мое мнение заключается в том, что принятие решений, основанных на данных, является отличной основополагающей базой, учитывая исторические корни HR аналитики, но так же требуя от нас активного движения вперед.

Я согласен с этим, потому что когда какая-либо область является относительно новой, терминология не систематизирована, что приводит к путанице. Много лет назад я прочитал мысль, что: любая дисциплина будет «подниматься» или «падать» в зависимости от надежности и обоснованности ее суждений. Я бы хотел, чтобы HR-аналитика изменила работу HR менеджмента и воплотила на практике идею о том, что все наши решения принимаются на основе полученных данных.

Ознакомьтесь с основопологающими блоками HR- аналитики.

Если вы согласны с вышеуказанным определением, то существует как минимум 5 основных блоков навыков для подготовки в данной области:

1. Знание в области HR, функций HR и бизнес процессов. 
2. Знание информационных технологий в области хранения и извлечения данных (работа с данными).
3. Знание статистического анализа в бизнесе -  в области данных HR, вопросов HR, проблем HR и измерений и метрик.
4. Знание масштабов того, что можно измерять в контексте HR.
5. Знание структуры данных и способы ее применения.

Знание в области HR, функций HR и бизнес процессов.

Как уже упоминалось ранее, сама аналитика, в независимости от контекста, связана с управлением данными- анализом данных с определенной целью. HR-аналитика действительно “это”, но в контексте HR.

Чтобы понимать что такое контекст HR, нужно знать, что такое  HR. Знание HR предполагает знание функций и бизнес процессов. Это означает «понимание» и «видение» процессов и функций таких, какие они есть.

Слишком традиционное видение подразумевает HR как серию бизнес- функций. Каждая основная функция HR это бизнес процесс- включающий в себя вклады, шаги и результаты. Почему это важно?

Для того, чтобы управлять данными в HR, мы собираем данные с целью их измерения. Видение HR как сеть взаимосвязанных бизнес процессов позволяет сосредоточиться на главной категории измерения.

Помимо этого, вы не можете понять управление данными в HR, пока вы не будете жить и дышать пониманием того, что представляет из себя HR.

Знание информационных технологий в области хранения и извлечения данных (работа с данными)

People/HR-аналитика абсолютно зависима от кадровой информации в контексте ее поиска и обработки. Существование HR информации не является проблемой. Проблема заключается в том, что мы "тонем" в полученных данных из-за их большого количества. Таким образом, знание о том, как получать данные и эффективно их использовать, является первостепенным. Важны знания о хранении данных и их получении

Если вам повезет, то в вашей собственной организации вы сможете положиться на других в области IT и быть экспертами. Даже в таком случае, вы должны быть экспертом в HR и уметь общаться в области IT на их языке. Это означает, что для эффективной работы в  HR аналитике вы должны знать как можно больше, чтоб соответствовать вашей роли. Обычно,  первоначальные усилия в организации в HR аналитике являются "проверкой концепций" или "skunkworks", которые являются неформальными, так как на раннем этапе ресурсы для этого не были выделены. В данном случае вам придется быть в этой роли на начальном этапе. Начальный уровень обычно бывает на уровне команд SQL для извлечения информации.

Кроме того, вы должны быть достаточно ознакомлены с "Human Resource Information System" и ее содержанием, чтобы знать, на какие вопросы можно найти ответ в базе данных.

В любом случае, чтобы разбираться в технологических изменениях HR-аналитики, необходимо иметь базовые знания в этой области.

Знание статистического анализа в бизнесе -  в области данных HR, вопросов HR, проблем HR и измерений и метрик.

В основе аналитики лежит анализ, измерение и статистика. Это необходимо. Если вы хотите четкое, надежное и информативное решение, основанное на данных, это неотъемлемая часть картины. (Если вы ненавидите статистический анализ- преодолейте его. Этот навык необходим для анализа данных и аналитики. )

Слишком много аналитики приводит к тому, что организации довольны графикой, особенно интерактивной. То же самое относится к детализации и разделению информации. Это все является частью аналитической картины, однако само по себе является поверхностным.

Чтобы действительно понять, что происходит в ваших данных, вы должны углубиться в статистический анализ. И я, как правило, рекомендую изучить его с помощью бизнес-примеров.

• Вы должны понимать свои данные, HR с точки зрения зависимых и независимых переменных - то, что вы пытаетесь предсказать и с помощью чего.
• Вам необходимо знать свои данные с точки зрения измерения- что такое категориальные, порядковые и непрерывные переменные, и как они влияют на статистические анализы и алгоритмы, которые вы используете.
• Вы должны буквально видеть всю информацию о HR и измерениях, так как видеть HR как бизнес-процессы часть анализа.
• Вам необходимо понять, что различные статистические анализы, алгоритмы и процедуры предназначены для ответа на различные вопросы по управлению персоналом. Вы должны понимать, что у вас есть выбор. У вас должны быть разработаны вопросы, и вам нужно знать, какие типы статистических процедур отвечают на какие типы вопросов.
• Вы должны понимать, что статистический анализ и HR-аналитика не являются только "предсказывающей", но так же "описательной". Слишком большое количество информации может создать видимость того, что аналитика- это предсказание. Потому что это привлекает внимание людей. Да, это здорово и привлекает внимание. Но, если вы ограничиваете свое понимание только этим взглядом- это поверхностно. Статистический анализ и управление данными может быть результатом описательной аналитики, а так же описательной статистики. Статистическое предсказание для категориальных зависимых переменных заключается в прогнозировании наилучшей подходящей категории для новых наблюдений. Предсказание может быть в настоящем и в будущем.
• Интерактивная графика имеет важную роль в общении с другими, что происходит в данных эффективным способом. Но именно статистический анализ помогает выделить главное. Графика сама по себе этого не делает. Чтобы разбираться в статистическом анализе вы должны быть знакомы с статистическими пакетами. Их много. SPSS и SAS- это коммерческие пакеты, которые существуют уже несколько десятилетий. Они хорошие, однако стоят денег. R так же существует в течение десятилетий и он бесплатный- хотя он сложнее. Я предпочитаю R, так как он бесплатный.

Знание масштабов того, что можно измерять в контексте HR.

По причине того, что исторические корни HR-аналитики частично погружаются в метрики и оценочные показатели предполагается, что это относится к аналитике HR и тому, что мы измеряем. Но опять же, если мы ограничим нашу картину именно этим, то снова увидим лишь часть картины.

Если мы отступим, чтобы увидеть больше, то обнаружим, что в HR есть по крайней мере 3 основные области измерения, которые могут являться основой аналитики и управления данных:

• Что происходит с сотрудниками в нашей организации? Некоторые наши решения по управлению персоналом будут основаны на портретах сотрудников.
• Что происходит в наших кадровых операциях? Некоторые наши решения будут основаны на том, насколько эффективно выполняются наши HR процессы.
• Что происходит в наших решениях по управлению персоналом? Как мы принимаем решения? Насколько хороши или плохи наши решения? Нам необходимо основываться на этом при принятии решений, если мы хотим эффективно управлять данными.

Что происходит с сотрудниками в нашей организации?

Лучший способ описать эту категорию являются по большей части традиционные HR метрики. Другой способ думать об HR метриках это то, что оно непосредственно связано с измерениями различных аспектов жизненного цикла сотрудника в организации включая, но не ограничиваясь:

• Счет заявителя
• Подсчет интервью
• Наем
• Подсчет сотрудников
• Тренинги
• Деятельность по рассмотрению жалоб
• Активность/травмы по здоровью и безопасности
• Исследования вовлеченности сотрудников
• Расторжение
• Собеседования

Я поделился этой ссылкой раньше, но это хорошая отправная точка для понимания вещей, которые могут быть частью традиционной Hr метрики в этом обзоре.
Когда перечисленные выше типы метрик рассчитываются (часто с технологиями хранения данных, чтобы сделать его эффективным, так чтобы мы не тратили слишком много времени на подготовку данных), тогда как предсказательная и описательная аналитические методы могут быть применены для этих показателей, чтобы ответить на всевозможные бизнесс-вопросы. Мы хотим управлять данными, поняв, что наши данные что-то нам говорят путем правильного статистического анализа, помочь понять какие решения и поступки мы совершаем.
Это то, что думают организации в первую очередь, когда они думают об HR аналитике. Это хорошая отправная точка. Но только не останавливайтесь на этом.

Что происходит с нашими кадровымиоперациями?

Говоря «на основе данных» должно означать, что мы управляем данными в кадровой деятельности. Все, что мы делаем в человеческой/HR аналитике должны добавить ценности для организации. Насколько мы действенны и эффективны в рамках реализации кадровой деятельности- одна часть этого.
Традиционно, и альтернативно по этому вопросу, это можно рассматривать как улучшение качества/постоянное совершенствование работы с персоналом – голос заказчика. Это совершенно другая область исследования даже для своих. Но мы можем быть «на основе данных» в том, как мы проводим наши бизнес-операции и деятельность. Так что это можно воспринимать как законную часть человеческой/HR аналитики, часть картины.
Основной ингредиент или активатор сбора такого рода информации- это HR системы слежения запросов персонала. Вы должны контролировать каждую сделку от начала и до конца, от колыбели до могилы, которые приходят в HR и вы должны следить за тем, куда он пришел, кто над ним работал, когда он пришел и когда он был завершен.
Подумайте о своем HR- бизнесе, как о части глобального бизнеса по доставке, которые могут отслеживать любой пакет в режиме реального времени, все время доставки, как для нужд компании, так и для нужд клиента. Вы получаете идею. Отслеживание каждого запроса- это поможет вам быть «на основе данных» в целях улучшения вашей HR-службы для Ваших сотрудников, которые являются вашими внутренними клиентами. На самом деле, вы не можете иметь «основу данных» не имея «данных». Это должно быть очевидно. Может ли ваша организация сделать это?

Что происходит с нашими HR решениями и политики себя?

Что дает нам «вливание» человеческой/HR аналитики в фактическое ведение Hr деятельности в режиме реального времени. Нужно управлять данными в режиме реального времени. Предыдущие две категории, как правило, происходят постфактум. И это нормально. Но тут можно использовать аналитику в реальном времени, что еще лучше.
Несколько примеров:

• Принимая особенности и характеристики наших известных нам должностных инструкций и рабочих классификаций для прогнозирования наилучшего нового описания работы для наилучшей классификации, используя человеческую/HR аналитику.
• Принимая существующую кадровую информацию о существующих сотрудниках прекращается, наряду с привлечением данных наших опросов и данных собеседований, чтобы увидеть, есть ли какие-то закономерности в данных по отношению к тому, кто уходит или кто остается, и если это так, то предсказать вероятное будущее, прежде чем оно произойдет. Или еще лучше посредством выявления закономерностей в данных, вносить изменения в кадровую политику, чтобы предотвратить оборот в первую очередь.
• Принимая существующую кадровую информацию о невыходе на работу, и посмотреть, если есть какие-то закономерности в данных. Если да, то скорректировать нашу политику и решения, где это возможно, чтобы более эффективно препятствовать неявкам.

В каждом случае, признавая, что вливающая аналитика в принятии тех или иных решений в реальном времени является еще одной потенциальной частью "Конечного" пейзажа человеческой/HR-аналитики.
Важным уроком здесь является то, что приложение человеческой/HR аналитики во многом ограничены только вашим воображением. Не ограничивайте его, думая, что это только традиционные HR метрики (какими бы важными они ни были).
Я думаю, что последнее сообщение в этом разделе, - это комментарий, почему «основа данных», имеет столь важное значение. При ее отсутствии организации нужно по-прежнему принимать меры. У них всегда есть. Вопрос информированности действий. Иногда по проблеме принимаются меры, когда никаких действий не требуется. В других случаях это не принимаются меры, когда необходимо действовать. Если мы без «основы данных», откуда мы знаем?

Знание науки базы данных, и как его применять.

До сих пор мы ударяли по принципу «основы данных», очень сложно в этой статье блога – по хорошим причинам. Это право переходит к ДНК, о чем аналитика.
Имея это в виду, знания в одной области-это полезная, я имею в виду НА САМОМ ДЕЛЕ полезная. Эта область науки базы данных.
Одна из проблем у человеческой/HR аналитики-это вопрос о том, как структурировать мое мышление и мои усилия/начинания для максимальной вероятности успеха? Я думаю, что ответ на эту часть должна иметь хорошую основу, чтобы помочь руководить процессом.
Данные науки, как процесса, заключаются в том, что полезна структкра, поскольку ее целью является включить данные "управляемых" в структурированном виде.
Есть несколько книг на эту тему. Многие не обязательно пишутся в контексте управления персоналом. Вы должны обратиться к книгам в рамках кадровых проблем.
Некоторые из моих предыдущих статей в блоге (как например про текучесть кадров) иллюстрируют это. Одна книга, которая мне попадалась, что я нашел полезным в отношении R и науки данных: научно-практические данные с R Нины Зумел и Джона Маунта.
Основные шаги в рамках из этого источника:

1. Определить цели.
2. Сбор и обработка данных.
3. Построить модель.
4. Оценивание и критика модели.
5. Представляем результаты и документы.
6. Разворачивание модели.

Далее подробно о том, что было в одной из моих предыдущих статей блога:

1. Определить цели

Как уже упоминалось выше, это означает определение первое, бизнес-задачи по управлению персоналом, которую вы пытаетесь решить. Без проблем/вопросов у нас нет цели.

2. Сбор и обработка данных.

В своей простейшей форме, Вы хотите, чтобы ‘набор’ информации воспринимался, как имеющееся отношение к проблеме. Сбор и обработка данных может быть простой выпиской из корпоративной информационной системы человеческих ресурсов, или выход из сложного хранилища данных для бизнес-аналитики, используемых в HR информации. Для иллюстрации целей данной статьи блога, мы будем использовать простой CSV-файл. Он также включает в себя изучение данных как для проблемы качества данных, и на первоначальный взгляд на то, что данные могут сказать вам.

3. Постройка модели

Этот шаг означает на самом деле, после того, как вы определили проблему HR бизнес или цели, которых вы хотите достичь; вы выбираете подход инструмент интеллектуального анализа данных, которая предназначена для решения такого типа проблемы. Невыход на работу в качестве вопроса час, ты пытаешься предсказать работника со склонностью к высокой невыход из тех, кто не выходит? Ты пытаешься предсказать будущее прогулов? Ты пытаешься определить, что является нормальным абсентеизм от того, что является нетипичным или аномальным? Проблема бизнеса/цели определить соответствующие инструменты интеллектуального анализа данных для рассмотрения. Не является исчерпывающим, поскольку список, но общие подходы интеллектуального анализа данных, используемые в моделировании классификации, регрессии, обнаружение аномалий временных рядов, кластеризации, ассоциации анализов, чтобы назвать несколько. Эти подходы берут информацию/данные в качестве входных данных, запускают их с помощью статистических алгоритмов, и производить продукцию.

4. Оценивание и критика модели.

Каждый интеллектуальный анализ данных могжет иметь множество различных статистических алгоритмов, которые влияют на данные. Оценкой является то, что алгоритмы обеспечивают наиболее последовательные точные прогнозы на новые данные, и у нас есть все необходимые данные или нужно больше типов данных, чтобы увеличить точность прогнозирования модели на новых данных. Это может быть обязательно повторяющиеся и круговая деятельность во времени, чтобы улучшить модель.

5. Представление результатов и документов.

 Когда мы вышли в модели до приемлемого, полезного и интеллектуального уровня, мы документируем свою деятельность и представляем результаты. Определение приемлемо и полезно-это реально по отношению к организации, но во всех случаях будет означать, результаты показывают улучшение по сравнению что было бы иначе. Принцип, лежащий в основе науки о данных-как и любая наука, является то, что с одних и тех же данных, люди должны быть способны воспроизвести наши результаты/ выводы.

6. Разворачивание модели

Представленные рамки проходят долгий путь в структурировании вашего мышления и деятельности, и я лично нашел это очень полезным. В конце дня вы хотите повысить вероятность того, что ваши люди деятельность/HR аналитики предоставляют ценность для Вашей организации. Эти рамки могут помочь.

Чтение, сети и практика

Я сказал в начале этой статьи, что я думаю, что человеческая/HR аналитика как всепроникающее поле находится только в зачаточном состоянии. Если ваше чувство вещей на этом фронте подобное, то я думаю следующее поможет вам подготовиться к этой области:

Чтение.

Читаем так широко на эту тему, как мы можем. Я думаю, что большая часть "мышления" в этой области еще весьма неустойчива, поскольку она является относительно новой областью или дисциплиной в отделе персонала (это только мое личное мнение). Знаете ли вы, какая часть картины, о которых они говорят? Это то, что вы читаете, расширяя свои знания или области?

Сеть.

Сеть с другими, которые имеют такую же или аналогичную страсть к этой области. Это могло произойти по ряду направлений, включая участие в HR аналитических конференциях, связываясь профессионально на LinkedIn и т. д. В сети шпоры дополнительного мышления, идей и обсуждений, которые могут двигать организацию вперед.

Практика.

Это конечно может обеспечить дилемму, если у вас нет доступа к данным персонала

Если вы находитесь в роли фонда, который имеет законный доступ к кадровой информации, и у вас есть разрешение организации - проблема решена. Но если Вы не имеете доступа, то придется разыскать кадровые данные в интернете, которые общедоступны. Не так уж много. И это могут быть поддельные данные, чтобы проиллюстрировать "как". Если Вы не имеете доступ к данным кадровиков, попробуйте на практике соответствующих алгоритмов интеллектуального анализа данных и анализа данных из другого контекста.

Это станет более широким вопросом в ближайшем будущем. Чтобы получить людей, с аналитическими способностями, требуется доступ к значимым данным HR - фейк или нет. Если есть минимальное количество данных, которые становятся доступными, что полностью соответствует законам о частной жизни по всему миру, я думаю, что это будет ограничивать способность поля, чтобы двигаться вперед.

Иметь необходимые средства, не является препятствием в этой области. Если вы решили изучать язык R в качестве статистического инструмента – это бесплатно.

Заключение

Я уже сказал во введении, что я собирался предпослать то, что я написал в подтверждение того, что я всего лишь один голос среди многих в этой области. Другие, вероятно, имеют различный опыт работы или путешествий в этом поле. И это полностью справедливо.

Если обмен информацией из этой статьи, помогает другим в их HR-аналитическом путешествии, то я благодарен.
__________________________________________________________
На этом все, читайте нас в фейсбуке и телеграмме