Предиктивная аналитика в HR: учебное пособие и 7 кейсов

Еще один перевод статьи Predictive Analytics in Human Resources: Tutorial and 7 case studies с сайта analyticsinhr.com. Перевод выполнен студентками Высшей Школы Экономики Имамходжаева Василахон и Карцевой Анастасией в рамках нашего проекта переводы статей по hr-аналитике на английском.
Девчата, я заменил ваш перевод Predictive Analytics  на "Предиктивная аналитика" - это уже устоявшийся термин в HR, а книга Ласло Бока вышла на русском языке и вышла под названием "Работа рулит!". Я попрошу передать вам эту книгу почитать:)

Предиктивная аналитика в HR: учебное пособие и 7 кейсов

Предиктивная аналитика – это стремительно развивающееся направление в области HR<. Хотя многие люди говорят об предиктивной аналитике
, немногие организации применяют их для своих работников. В этом блоге я собираюсь объяснить, что такое предиктивная аналитика и как она может способствовать преобразованию HR отделов.Я также буду обсуждать 7 реальных примеров использования предиктивной HR аналитики, два из которых являются подробными кейсовыми исследованиями.

Логика, стоящая за предиктивной HR аналитикой

Знаете ли Вы, что общего имеют Ваш личный кредитный счет, менеджер бейсбольной команды Билли Беан из фильма “Moneyball”, а также Ваш персональный профиль на сайте Match.com? Они все сочетают big data и предиктивную аналитику для того, чтобы предсказать будущее. Интеллектуальный анализ данных есть повсюду. Это технология, которая учится на имеющихся данных, и она использует их для прогнозирования поведения индивидов.  Это означает, что прогнозы очень специфичны. В фильме “Moneyball” предиктивная аналитика была использована для предсказывания потенциального индивидуального успеха каждого бейсбольного игрока. Подобным образом, ваш персональный кредитный счет использует историю данных миллионов людей для предсказывания, сможете ли Вы погасить кредит, который хотите взять для покупки нового автомобиля. Предиктивная аналитика предполагает использование множества статистических методов, на основе которых можно предсказывать весьма изменчивые результаты.  

Пример с детьми

Рядом с Вашим домом есть детская площадка. Последние две недели Вы записывали, играют ли там дети или нет. Вы также записывали, было ли солнечно, дождливо или облачно, какой была температура и влажность. На основе данных, которые Вы собрали, Вы могли бы предсказать, будут ли дети играть на детской площадке в определенный день?

Это сложный вопрос. Очевидно, что погодные условия влияют на то, будут ли дети играть на улице или нет.   Если прогноз погоды покажет дождь, то вполне вероятно, что погода будет дождливая и дети будут реже играть на улице.  Если погода будет жаркой, то вероятнее всего дети выйдут играть. Но содержит ли достаточно данных, таблица с информацией о погодных условиях за 14 дней, для того, чтобы сделать точный прогноз о том, будут ли дети играть на улице? Эти данные могут показаться весьма незначительным в сравнении с большим количеством данных HR данных Вашей компании.

Дерево решений

 Распространенный и довольно простой метод создания модели прогнозов называется деревом решения.  Дерево решений представляет собой древовидную модель, состоящую из принятия решений и их возможных последствий. В дереве принятия решений, каждый узел представляет собой тест на конкретное свойство, а каждая ветвь представляет возможные результаты этого теста. Я построил дерево решений на основе собранных погодных данных, с использованием для его расчета определенного алгоритма, называемого С4.5. Данная модель дерева решений хорошо описывает данные: она способна предсказать, будут ли дети играть на детской площадке с 71% точностью. Это гораздо лучше, чем гадать, который имеет 50% точности. Дерево решений является практически самоочевидным, если вы внимательно посмотрите на него. Это намного точнее, чем гадать. Дерево решений является практически не требующим объяснений, если Вы внимательно посмотрите на него.

В дереве решений есть два сильных предиктора. Осадки– это первый предиктор. Дети будут играть на детской площадке четыре из пяти раз, когда прогноз погоды - солнечно. Когда погода дождливая, дети не будут играть на улице. В случае прогноза - облачно, влажность является вторым предиктором. Дети  скорее не будут играть на улице при высокой влажности (как это обычно и бывает, когда идет дождь). Однако, когда влажность нормальная дети скорее будут играть на улице. Другими словами: погода и влажность могут быть использованы, чтобы довольно точно предсказать, будут ли дети играть на детской площадке. Аналогичным образом, предиктивная аналитика дает возможность организациям учиться на прошлом опыте, то есть на имеющихся данных. 

    Даже этот простой пример оказывается весьма логичным. Он наглядно показывает, как работает предиктивная аналитика. Алгоритмы, которые обучаются на основе уже существующих данных, используются, чтобы делать конкретные прогнозы о ближайшем будущем. Эрик Сигел (2013) сравнивает это с продавцом. Положительные и отрицательные взаимодействия с покупателем учат продавца, какие методы работают, а какие нет.

Как предиктивная аналитика в HR применяется на практике

Как предиктивная аналитика применяется в HR? Как я писал в предыдущем блоге, HR обладает огромным количеством данных о людях. Применяя предиктивную аналитику к этому массиву данных, HR может стать областью, которая основывается на апробированных и управляемых данными моделях прогнозов, не полагаясь на чутье и гуманитарные науки. Предиктивная аналитика позволяют HR прогнозировать влияние человеческих стратегий на благополучие, счастье и итоговую производительность сотрудников.  Однако, лишь немногие организации способны строить модели HR прогнозов. Согласно отчету Deloitte’s Global Human Capital Trends (2016), только 8% организаций в мире имели такую возможность в 2015. По сравнению с прошлым годом этот процент удвоился. 

Этот быстрый рост может быть замечен только в компаниях, которые считают, что HR аналитика - это важное нововведение. Рисунок №1, взят из отчета 2015 года  Deloitte Global Trends. Он показывает, осознание в мире значимости такой аналитики.

Многие организации все еще предстоит пройти долгий путь, прежде чем они смогут производить предиктивную HR аналитику. Несмотря на это, первые последователи уже показывают некоторые интересные результаты. Давайте внимательнее посмотрим на некоторые из них.

Реальные примеры аналитики HR прогнозов 

1. Google

         В его книге Работа рулит! (2015) Laszlo Bock – вице президент HR в Google – написал, что самый важный метод отдела HR в Google – это статистика. Интервью во время приема на  работу в Google проходит на компьютере абсолютно автоматизировано для того, чтобы найти лучшего кандидата. Более того, Google оценивает, что человек покинет компанию с использованием предиктивной HR аналитики. Одним из тех результатов, которые получил Google, является  факт, что продавцы, которые не получают продвижение по службе в течение четырех лет, имеют гораздо больше шансов покинуть компанию.

2. Facebook pages

Ваши рекрутеры проверяют страницы Facebook претендентов на должность? Возможно они это делают. Исследование 2012 года показало, что по профилю в Facebook возможно прогнозировать производительность на будущей работы (Kluemper, Rosen & Mossholder, 2012). Было показано, что стандартный тест оценки личности имеет более высокую прогностическую ценность по сравнению с профилем человека в Facebook. Однако исследования снова и снова показывают, что для построения лучших моделей прогнозов необходимо объединить различные предикторы, такие как тесты IQ, структурированное интервью, тесты оценки личности, а также оценка профиля Facebook.  Таким образом, страничка в социальной сети может стать дополнительным инструментом для отбора кандидатов.

3. US Special Forces

Во время высоко избирательного обучения специальные силы США предсказывают, какие кандидаты, скорее всего, преуспеют. Двумя основными предикторами являются «выдержка» и способность выполнять более 80 отжиманий. Выдержка является на самом деле более точным предсказателем успеха в обучении, чем IQ. Для большей информации посмотрите Angela Lee Duckworth’s Ted Talk. 

4. Wikipedia

Редакторы Википедии создают и редактируют статьи, чтобы поддерживать самую последнюю энциклопедию в мире. Каждый день создается более 800 новых страниц, а 3 000 редактирований сделаны только в английской Википедии. Википедия может предсказать, кто из 750 000 редакторов, скорее всего, перестанет вносить свой вклад. Я не уверен, как Википедия воздействует на эту информацию, но я мысленно говорю «спасибо вам за ваши вклады до сих пор» - электронная почта могла творить чудеса, оценивая и повторно привлекая этих редакторов Википедии. 

5. Best Buy

Best Buy (лидер в предиктивной HR аналитики) может точно предсказать, как взаимодействие сотрудников влияет на производительность их магазинов. Увеличение на 0,1% доли участия приводит к увеличению более чем на 100 000 долларов в годовом доходе магазина. Огромное влияние взаимодействия побудило Best Buy проводить ежеквартальные исследования вовлеченности, а не ежегодно. Измерить влияния взаимодействия сотрудников на производительность сложно сделать, но, безусловно, возможно, как показывает этот пример. 

Удержание сотрудников в Hewlett-Packard

Hewlett-Packard (HP) - это компания с более чем 300 000 сотрудников и всегда была лидером в области предиктивной аналитики HR (У нас есть в блоге также описание этого кейса - Забудьте про резюме: Большие Данные определяют решение рекрутера). Руководство HP столкнулось с высоким уровнем текучести кадров. Действительно, показатели текучести кадров в 20% не были чем-то необычным в некоторых отделах продаж. Это означает, что сотрудники уйдут в среднем в течение 5 лет после присоединения к компании!

Высокая текучесть кадров в целом приводит к высоким затратам на набор персонала. Кроме того, сотрудники уходят с полученными знаниями и социальными связями, а иногда и с клиентами. По оценкам, стоимость замены сотрудников среднего звена составляет более 150% от их годового оклада. Это может стоить компании миллионы долларов.

В 2011 году два ученых из НР объединили данные за предыдущие два года и попытались предсказать, кто покинет организацию. Используя прогностические модели, они генерировали так называемый балл «Flight Risk» (риск ухода). Эта оценка предсказала вероятность ухода каждого из 300 000 сотрудников HP.

Их результаты были новаторскими. На основании данных они могли видеть, почему сотрудники покидают HP. Более высокая заработная плата, продвижение по службе и повышение рейтинга производительности, например, негативное отношение к риску ухода. Однако между этими выводами оказались сложные взаимоотношения. Например, когда кто-то продвинулся по службе, но не получил существенного подъема, этот человек гораздо более вероятно ушел бы. Как вы можете себе представить, существует ряд практических проблем и проблем, связанных с приватизацией, с оценкой Flight Risk. Худшая вещь, которую менеджер мог бы сказать сотруднику во время своего ежегодного обзора эффективности: «Я вижу, что вы, вероятно, уйдете. Почему?"

Вот почему доступ к этим данным предоставляется только избранной группе менеджеров высокого уровня. Эти менеджеры могли видеть данные только сотрудников ниже своего карьерного статуса. Эти менеджеры также прошли обучение по интерпретации оценок «Flight Risk», чтобы они могли понимать потенциальные последствия и проблемы конфиденциальности, связанные с этими данными.

Кроме того, система информирует этих менеджеров о ключевых факторах риска потери сотрудников. Таким образом, система оказывает давление на менеджеров для разработки стратегий по сохранению их персонала. Это помогает снизить затраты и обеспечить непрерывность бизнеса.

В конце концов, оценка «риска ухода» помогает менеджерам принимать более обоснованные решения. Результаты оценивания выступают в качестве сигнала раннего предупреждения и приглашают менеджеров вмешаться, пока не стало слишком поздно. Или, когда потеря сотрудника неизбежна, реагировать соответствующим образом. По словам Зигеля (2013), HP смогла сэкономить около 300 миллионов долларов США, применив предиктивную аналитику HR для расчета риска ухода сотрудников.

Никогда не нанимайте «токсичных» людей

Последний пример аналитики данных интеллектуального анализа данных, с которыми я столкнулся, - это тематическое исследование, опубликованное Cornerstone (2015). Cornerstone изучил воздействие «токсичных» работников на рабочее место. Токсичными сотрудниками являются работники, которые, скорее всего, будут вести себя неправильно. Примерами такого поведения являются мошенничество, наркотики или злоупотребление алкоголем и сексуальные домогательства.

Эти люди не только наносят ущерб компании; Они очень токсичны для общей рабочей среды. Предыдущие исследования показали, что один «токсичный» сотрудник в команде приведет к снижению производительности на 30-40%. Кроме того, хорошие сотрудники с большей вероятностью уйдут, когда им придется работать вместе с такими коллегами.

Cornerstone использовал набор данных из 63 000 сотрудников. В этом наборе данных они отметили, что сотрудники были невольно участниками насилия на рабочем месте, фальсификации документов, наркотиков и злоупотребления алкоголем и других нарушений политики. Исходя из этих критериев, около 4% всех сотрудников могут быть классифицированы как «токсичные».

После анализа набора данных Cornerstone определил ряд ключевых характеристик токсичных людей.

Токсичные люди:

1. провозглашают свои правила;
2. имеют низкую оценку посещаемости и надежности;
3. и имеют низкую сервисную ориентацию.

Примечательно, что исследование не обнаружило ранее сообщавшихся высоких уровней потери производительности в краткосрочной перспективе. Однако исследование показало, что токсическое поведение может повлиять на других сотрудников. Люди, которые работают вместе с токсичными коллегами, также с большей вероятностью уходят. Кроме того, исследование показало, что токсичные коллеги способствуют долгосрочному стрессу и выгоранию среди других сотрудников.

В конце концов, Cornerstone доказал, что найм токсичного сотрудника будет стоить работодателю 12 800 долларов в среднем, в среднем за 4000 долларов за нетоксичного сотрудника. Это исключает долгосрочную (и дорогостоящую) потерю производительности за счет выгорания и других негативных последствий. Благодаря тонкой настройке процесса найма компании могут препятствовать найму кандидатов, которые могут стать токсичными и создать более здоровую рабочую среду. 

Как показывают эти предыдущие примеры, результаты применения интеллектуальных аналитиков могут быть удивительными. Кадровые отделы потенциально могут сэкономить (или заработать) их компанию миллионам долларов. Кроме того, HR может помочь своим менеджерам и руководителям принимать более эффективные решения, применяя интеллектуальную аналитику с использованием интеллектуальных показателей HR.

Потенциал прогностической аналитики HR, продемонстрированный этими бизнес ситуациями, дает понять, что предсказательная аналитика HR здесь важна. HR аналитики позволяют не только оценивать работу сотрудников, но и прогнозировать, оптимизировать влияние политики людей на сотрудников и на бизнес.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме