Как устроена HR-аналитика в Армии США

 Перевод статьи Unlocking the Future of Army HR with Predictive Analytics

Авторы - United States Army Human Resources Command

"Вскрываем" будущее HR Армии США с предиктивной аналитикой

Полковник Грегори С. Джонсон, директор Управления по управлению персоналом Командования людских ресурсов армии США, и подполковник Кристин С. Салинг, заместитель директора по кадровой аналитике, заместитель начальника штаба армии США, G-1

Предприятие, основанное на данных, предсказывающее и ориентированное на будущее, является критически важным компонентом для победы в гонке за талантами. В кадровой среде, которая с каждым днем становится все более конкурентоспособной, армия должна сделать все возможное, чтобы набирать, развивать, нанимать и удерживать наиболее способных людей, а также модернизировать свои системы и процедуры управления персоналом от пассивного участия до предсказуемого, позитивного подхода. 

С ростом сложности данных о талантах и ​​персонале ответы на традиционные вопросы HR о ставках должны уступить место прогнозируемому и целевому моделированию удержания и вовлеченности. Модели, которые извлекают запросы на навыки на рынках талантов и прогнозируют потребность в этих навыках на платформах для найма и обучения, а также всесторонние усилия по сбору данных для сбора важных показателей качества жизни и качества работы, которые способствуют общему опыту сотрудников. позволяют нам стратегически сместиться. Это важно для работы в современной среде, где данные легко доступны. Наши внутренние возможности должны измениться, чтобы соответствовать этим новым требованиям.

Для этого изменения также требуются активные, заинтересованные и квалифицированные кадры, армия, знакомая с данными и аналитикой, и лидеры, которые бросают вызов своим командам анализировать текущие политики, процедуры и правила, чтобы гарантировать, что мы обновляем бизнес-процессы в соответствии с информацией, которую наши данные и аналитика предоставляет нам.

HR-предприятие армии уже является предприятием данных. Он собирает и управляет огромным количеством данных о персонале, отслеживая и прогнозируя численность, прогнозируя потери и давая рекомендации по количеству солдат для доступа, продвижения и распределения в школах, учебных и оперативных местах. Однако существует значительная разница между управлением с помощью описательной аналитики и прогнозной аналитики, а также прогнозированием по атрибутам качества и таланта, а не по количеству.

Специалисты по аналитике делят аналитику на четыре основные категории: описательную, диагностическую, предсказательную и предписывающую (descriptive, diagnostic, predictive,  prescriptive). Эта аналитика продвигается от наименее к наиболее сложной и от наименее к наиболее интенсивной обработке данных.

1. Описательная аналитика обобщает атрибуты ваших данных и сообщает вам, что произошло (например, количество подключений и рекламных акций в марте).
2. Диагностическая аналитика измеряет атрибуты данных и прошлые данные, чтобы ответить, почему что-то произошло (например, просматривая исторические тенденции поступлений и определяя, почему армия будет или не будет выполнять цели набора на год).
3. Предиктивная аналитика использует данные для предсказания будущих тенденций и прогнозов (например, сколько людей, вероятно, покинет армию в определенном классе или по военной специальности).
4. Предписывающая аналитика предписывает действия, которые необходимо предпринять в будущем (например, рекомендуемая корректировка целей набора на основе текущих поступлений и прогнозируемого отсева).

По мере того, как вы переходите от описательных к предписывающим, модели становятся все более сложными и мощными, но требуют экспоненциально больших объемов высококачественных данных и все более квалифицированных аналитиков.

Армия решила проблему с данными за счет консолидации и обработки больших наборов данных с помощью аналитических платформ, таких как Army Vantage и Среда данных о событиях и событиях (PDE), а также создания корпоративных программ, таких как Интегрированная кадровая и платежная система - Армия (IPPS- А).

Но армия должна заблаговременно планировать, как использовать эти озера данных и аналитические программы в сфере управления персоналом, чтобы отвечать на правильные вопросы персонала и своевременно создавать необходимые аналитические инструменты для поддержки важных решений. Эти модели невозможно построить без надлежащего планирования, сбора данных, архитектуры данных и квалифицированных специалистов по работе с данными в HR-предприятии.

Построение прогнозных моделей данных в рамках HR-предприятия позволит армии активно использовать данные для большего, чем привлечение солдат и командиров подразделений на основе транзакций. С помощью этих моделей армия может решить ряд сложных задач.

1. Прогнозируемое и целевое удержание (Predictive and Targeted Retention). Армия разрабатывает прогнозирующие модели удержания, которые прогнозируют отсев на индивидуальном уровне и дают представление о том, где существует наибольший риск. Эти модели в сочетании с пониманием того, как и когда применять меры по удержанию, могут стать основой для целевой стратегии удержания, чтобы максимально использовать ограниченные ресурсы с целевым взаимодействием.

2. Прогноз производительности (Performance Prediction). Модели настойчивости уже помогают командам специальных операций определять кандидатов, которые с наибольшей вероятностью преуспеют в обучении. Применительно к другим элитным дорогостоящим программам обучения эти модели могут помочь армии направить усилия по набору на оптимальных кандидатов.

3. Анализ возникающих навыков (Emerging Skills Analysis). Прогнозные модели, применяемые к производительности, оценке и выбору рынка, могут помочь армии определить новые требования к знаниям, навыкам и поведению (KSB). Модели рекомендаций могут помочь подразделениям найти лучших кандидатов для выполнения этих новых требований. Армейское кадровое предприятие может использовать эти прогностические модели и выявленные навыки для информирования о требованиях в масштабах всего предприятия и предоставления информации учебным организациям, что позволит им адаптировать свой учебный план для развития большего количества этих навыков в соответствии со спросом.

4. Армейское кадровое предприятие может использовать модели, добавлять эти навыки к аналогичным требованиям в силах, а учебное предприятие может использовать их для создания необходимого объема набора навыков для удовлетворения будущих потребностей.

5. Опыт сотрудников (Employee Experience). Армия собирает большое количество информации об опыте военнослужащих с помощью опросов. Используя данные этих опросов и прогнозную аналитику, армия может предвидеть, когда солдаты, выбравшие определенные возможности и имеющие определенный опыт, могут столкнуться с трудностями, которые можно предвидеть и смягчить. Одним из примеров этого является выявление проблем качества жизни с помощью опроса Департамента армии о карьере (DACES).

6. Оптимальное объединение (Optimal Teaming). Поскольку армия продолжает изучать и проводить исследования о том, как создавать и руководить лучшими командами, прогнозная аналитика может сыграть роль в подборе типов товарищей по команде, которые, скорее всего, будут хорошо работать вместе. При найме и выборе людей на должности лидеры должны хорошо понимать, какие KSB им нужны не только в отдельном человеке, но и для совершенствования команды, а прогнозная аналитика может помочь лидерам определить KSB, необходимые для заполнения пробелов.

Определение проблем, которые необходимо решить армии, и вопросов, для ответа на которые нам нужны данные, является неотъемлемой частью динамичной и активной программы модернизации кадров. Наличие больших объемов данных отлично подходит для программы предиктивной аналитики, но создание аналитики, позволяющей задавать правильные вопросы и иметь представление об упреждающем управлении персоналом, начинается уже сейчас, когда есть вовлеченная, высококвалифицированная и аналитически настроенная рабочая сила. Как нам туда добраться?

Наш первый и самый важный шаг в подготовке к современной, динамичной и управляемой данными среде — это посмотреть на наши таланты. Правильное применение таланта, а для этого талантливая высококвалифицированная рабочая сила HR имеет важное значение для достижения этой цели. Руководителям кадровых служб необходимо организовать сбор данных и архитектуру данных, необходимые для поддержки прогнозного моделирования, нанять или повысить квалификацию инженеров по данным и аналитиков, а также повысить квалификацию сотрудников отдела кадров для удовлетворения потребностей армии в управлении талантами сейчас и в будущем. Мы можем и должны это сделать.

Полковник Джонсон — кадровый армейский генерал-адъютант. Он был почетным военным выпускником Университета Сан-Франциско, получив степень бакалавра искусств в области истории Соединенных Штатов. Он также имеет степень магистра Военного колледжа армии США, степень магистра управления политикой Джорджтаунского института государственной политики и степень магистра образования Университета Оклахомы.

Подполковник Кристин Салинг является заместителем директора армейской кадровой аналитики в канцелярии помощника министра вооруженных сил (по вопросам личного состава и резерва). В этом офисе она отвечает за разработку, управление и синхронизацию стратегии, политики, исследований и аналитики армии в кадровом предприятии армии. Подполковник Салинг имеет степень бакалавра наук в области исследования операций Военной академии США, степень магистра наук в области инженерного менеджмента Института науки и технологий штата Миссури и степень магистра наук в области системной инженерии Университета Вирджинии.