Перевод статьи Ten guidelines for the new HR reporting

Автор Andrew Marritt

Рекомендации по созданию HR-отчетности

Качественные отчеты по управлению персоналом быстро переходят на интерактивные подходы, основанные на информационных панелях, которые позволяют пользователям исследовать важные для них вопросы. Этот переход от традиционной статической отчетности требует нового подхода. Здесь мы объясним 10 рекомендаций, которые необходимы для разработки отличных интерактивных визуализаций рабочей силы.

1. Знайте свою аудиторию

Для кого вы разрабатываете дизайн? Что им нужно? Зачем им это нужно? Что они смогут сделать, если вы предоставите отличную информацию?

Это те вопросы, которые всегда должны предшествовать любой работе по визуализации данных. Понимание проблем, с которыми сталкиваются пользователи, позволит вам предлагать решения, которые будут служить долго.

Информационные панели должны быть персональными. Визуализации, предназначенные для многих пользователей с разными потребностями, обычно не удовлетворяют всем требованиям.

Перевод статьи Using your employee survey data to prioritise Employee Experience projects

Автор Andrew Marritt

Использование данных опроса сотрудников для приоритизации проектов Employee Experience

Учитывая, что опыт сотрудников быстро поднимается в списке приоритетов организаций и HR-команд, может быть сложно понять, с чего начать. Цель этой статьи — предоставить обзор прагматичного подхода, используемого многими нашими клиентами.

В последней статье о смешении количественных и качественных подходов я упомянул, что одним из лучших способов использования качественных данных является исследовательский подход в начале проекта. Этот подход, при котором вы начинаете с непредвзятости и смотрите на данные, чтобы указать вам многообещающее направление, идеально подходит для определения того, на чем следует сосредоточиться с опытом сотрудников.

Что вам нужно

Текстовые комментарии в своих опросах являются богатым хранилищем информации, ценность которой лишь немногие компании максимизировали. Обычно фирмы задают широкие открытые вопросы, такие как «Что хорошего в работе здесь?» и «Что мы можем сделать, чтобы улучшить работу здесь?». Оба вопроса будут содержать богатую информацию об опыте людей. У вас также может быть текст, связанный с жизненным циклом сотрудника, например комментарии к опросам о выходе или наборе персонала.

 Перевод статьи The most important analysis you can do with employee pulse surveys

Пульс-опрос: самый важный анализ, который вы можете сделать с его помощью

Пульс-опросы предлагают несколько преимуществ по сравнению с традиционными, ежегодными или раз в два года. Одним из ключевых преимуществ является то, что, будучи более регулярными, они предлагают лучшие возможности для изучения изменений с течением времени, так называемый «анализ тенденций».

Большинство анализов, которые мы видим, являются агрегированными, то есть они рассматривают изменения на уровне группы, будь то на уровне всего населения или на уровне бизнес-группы, функции или страны.

Гораздо реже изучается, но мы считаем, что гораздо важнее рассматривать изменения на индивидуальном уровне.

Под этим мы подразумеваем не то, что вы изучаете ответы «Джона» или «Сабины», а то, что вы рассматриваете информацию как панельные данные. В маркетинге это часто называют когортным анализом. В любом случае вы смотрите, как со временем меняются ответы отдельных групп, поскольку они делятся общим опытом или восприятием.

Перевод статьи Working from Home: What are we seeing in the data? проекта переводов статей по hr-аналитике. Автор Andrew Marritt - HR-аналитик из Швейцарии, один из самых сильных, что я знаю.

Не забывайте следить за нашими статьями в телеграм канале HR-аналитики

 Перевод выполнила Анна Вохмянина, HRD компании АО "РДТЕХ"
Аккаунт Анны на фейсбуке
см. также переводы Анны

1. Эмоциональный интеллект нуждается в переосмыслении
2. Жизненный цикл сотрудника: 19 советов, чтобы все сделать правильно 
3. Все, что вам нужно знать об отношениях с сотрудниками (Employee Relations)
4. Разрушение инноваций в виртуальной рабочей среде 
5. Что такое время найма? Все, что вам нужно знать

Итак

Работа из дома: что говорят данные?

За последние несколько месяцев мы помогли многим нашим клиентам разобраться в ответах на вопросы об опыте их сотрудников и проблемах, связанных с работой из дома (WFH – working from home, прим. перев.).

В Organization View мы специализируемся на понимании смысла очень больших объемов многоязычных текстовых отзывов сотрудников. Эти данные намного богаче, чем традиционные количественные данные, а также, поскольку сотрудникам предоставляется возможность точно выразить то, что для них наиболее важно, они выявляют темы, которые обычно не раскрываются при структурированных вопросах.

Информация, полученная из текстовых отзывов, часто делится на две части: каков опыт сотрудника и почему это имеет значение для них и/или их работодателя. Первая часть может быть идентифицирована с помощью других источников данных, а вот вторая, как правило, требует качественного исследовательского подхода.

После обработки почти ста тысяч комментариев из разных секторов экономики и географических регионов, в которых обсуждалась работа из дома в последние несколько месяцев, мы видим, как появляются некоторые общие ключевые темы. Они и легли в основу данной статьи.

В дополнение к этим общим тенденциям мы также видим, что в большинстве организаций имеется специфика. Среди сотрудников компаний, которые помогали людям справляться со сложностями во время этого кризиса (здравоохранение, некоторые услуги) набрали популярность темы гордости за компанию и общих ценностей. А где-то были более популярны темы, связанные с политическими мерами - как положительными, так и отрицательными.

Что мы нашли

«WFH не приветствовалась в месте моего проживания. Но теперь, поскольку из-за обстоятельств мы были вынуждены, оставаться дома, то увидели, что такая работа может быть продуктивной, помогать лучше расставлять приоритеты. Ежедневные действия можно осуществлять в более комфортных условиях и жить более приятной семейной жизнью. Это большой шаг вперед.”

WFH как тема всегда присутствовала в отзывах сотрудников, но до COVID она обычно подпадала под более широкое понятие "гибкого рабочего времени".  COVID изменил это, потому что для большинства сотрудников, которые должны были работать из дома, это не было личным выбором.

Производительность

Многие организации исторически сопротивлялись работе на дому, опасаясь снижения производительности труда. То, что показывают наши данные, говорит о том, что в большинстве случаев это не оправдано. Это совпадает с более ранними научными исследованиями.

Анализ данных, где сотрудники упоминают производительность, эффективность или результативность, показывает, что около 80% считают, что они так же или более продуктивны, когда работают дома.

Сначала мы были осторожны, опасаясь, что эти данные получены от сотрудников, которые старались доказать, что их работа необходима, своему начальству. Однако изучение комментариев, описывающих почему они чувствовали себя более продуктивными, выявило несколько ключевых тем и показало, что улучшение производительности, упомянутое сотрудниками, является реальным.

Больше времени на работу

"Часы, которые я сберегаю на поездках на работу, я с радостью использую, чтобы работать дольше и быть более продуктивным." "Я выигрываю пару часов в день, работая дома."

Многих сотрудники оценили поездки на работу и обратно как потерю нескольких часов в день. Работа на дому снимает эту нагрузку.

Работники распределяют освободившееся время между работой и досугом. В результате на работу выделяется больше времени, что приводит к повышению производительности труда.

Из комментариев ясно, что сотрудники используют освободившееся время гибко. Иногда появляется больше времени на задания с ограниченным сроком выполнения (что снижает стресс). В другой ситуации его можно использовать в личных целях, например, для выполнения физических упражнений.

Мы также видим свидетельства того, что сотрудники распределяют свое время в течение дня для более тщательного выполнения работы. В комментариях упоминается, что дома легче работать в разных часовых поясах.

Принуждение работать дольше

"Работа на дому не должна означать больше часов работы, ведущих к выгоранию".

В то время как многие сотрудники, очевидно, приветствуют возможность работать более гибко, обратная сторона заключается в том, что в некоторых случаях это приводит к тому, что работа вторгается в личную жизнь.

Стоит отметить, что такие комментарии встречаются относительно редко. Мы видим больше упоминаний о том, что сотрудники могут работать в несколько заходов в течение дня, используя время между ними, чтобы позаботиться о детях или досуге. Однако организациям необходимо подумать, как научить сотрудников не взваливать на себя непосильную ответственность.

Меньше отвлекающих факторов

"Я был более эффективным, так как работал из дома 4 дня из 5."

Во многих комментариях описывается, почему сотрудники чувствуют себя более продуктивными, работая дома. Одной из основных причин этого является уменьшение отвлекающих факторов. Обсуждаются те виды работы, которые они предпочитают выполнять дома - подготовка отчетов, анализ - задачи, которые требуют концентрации внимания.

Вовлеченность и приверженность

"Я никогда не уйду из КОМПАНИИ, если мы сможем продолжать работать из дома."

Работники высоко ценят то, что они смогли работать из дома. Но, также на приверженность может влиять нестабильность на рынке труда связанная с КОВИД, которую мы наблюдаем. При уникальном предложении работы из дома лояльность к такому работодателю, возможно была бы чрезмерной. Если так делают все, то это менее дифференцирующий фактор.

Мы видим большое количество упоминаний о том, что "я никогда не был так счастлив на работе". Опять же, стоит проводить исследования в течении более длительного времени и, конечно же, посмотреть, останется ли столь высоким показатель вовлеченности.

Карьера

Карьерные возможности - одна из наиболее распространенных тем при анализе отзывов сотрудников. 

Еще одна популярная тема - увеличение количества вакансий, на которых возможна удаленная работа, увеличивает возможности людей, живущих в небольших городах и т.д.

Те, кто не могут выполнять работу удаленно

Конечно, не каждая роль может быть выполнена дистанционно. Некоторые из проанализированных нами ролей относятся к сфере продаж, производства и гостеприимства.

Но даже здесь мы увидели обратную связь о том, что WFH полезна для некоторых задач. Например, в производстве планирование может быть более эффективно выполнено за пределами офиса. 

В сфере продаж мы увидели смешанный набор сообщений. С одной стороны, мы видели, как сотрудники упоминали о том, что их востребованность зашкаливала. С другой стороны, что гораздо труднее навещать клиентов из-за правил дистанцирования. Последнее, очевидно, связано с COVID, а не с удаленной работой - это хороший пример сложности разделения двух тем. 

Я бы настоятельно рекомендовал тем, у кого есть большие полевые команды по продажам, провести эксперимент для определения влияния удаленной работы на продуктивность.

Некоторое недовольство между группами

В некоторых комментариях те, кто не может работать дома, обижаются на тех, кто может.

Некоторые из этих комментариев касаются "ответственности" коллег, работающих из дома. В других, те, кто работает в офисах, жалуются на то, что с течением времени офисы становятся все более загруженными, в том числе теми, кто мог бы работать на дому и риск, связанный с COVID увеличивается.

Цените тех, кто работает на дому

"Снять клеймо с работы на дому".

Похоже, что некоторые сотрудники, работающие дистанционно, могли чувствовать давление.

Организациям, которые расширяют удаленное присутствие или рассматривают возможность предложить работу из дома на постоянной основе, стоит планировать, как они будут убеждать коллег, особенно более "традиционных" менеджеров, в том, что удаленные сотрудники не менее эффективны. Учитывая нашу предыдущую работу с клиентами, рассматривающими управление производительностью, особенно когда менеджер и сотрудник находятся в разных местах, HR-команды должны будут так адаптировать процессы или построить обучение руководителей, чтобы гарантировать, что удаленные сотрудники не будут находиться в невыгодном положении.

Перераспределение расходов

Упоминание о расходах в данных неоднозначно. С одной стороны, многие сотрудники упоминают, как они экономят деньги, не имея необходимости ездить на работу, тратить деньги на обед и т. д. Однако с другой стороны мы видим упоминание о возросших расходах на содержание офисов.

Технологические вызовы

Одним из ключевых факторов, определяющих успех работы из дома, является то, насколько хороша технологическая поддержка.

Здесь есть два фактора. Первый - это скорость доступа сотрудников к домашней сети. Многие сотрудники говорят о том, что их работодатели должны платить за быстрый доступ. На глобальном уровне работодатели также должны учитывать доступность высокоскоростного интернета для сотрудников.

Второй - это специфические для компании технологии. Мы видим упоминания о том, что скорость подключения к сетям компании может быть медленной и ненадежной. Интересно, что многие технологии, которые люди называют полезными, являются новыми технологиями, работающими по системе SaaS, а те, на которые они жалуются – классическими лицензионными.

Очевидно, что WFH должна способствовать продвижению инициатив по цифровизации организаций.

Помощь с организацией окружающей среды

"Я бы хотел чаще работать дома, но не планировал это в своей однокомнатной квартире."

Здесь упоминаются два взаимосвязанных вопроса, связанных с окружающей средой.

Первый - это поиск поддержки (в основном финансовой) от своих фирм с эргономичным рабочим оборудованием и мебелью.

Во-вторых, мы видим упоминания о том, как физическая среда и тот факт, что все члены семьи находятся в одном месте, делают работу из дома сложной.

Что касается детей, то картина неоднозначная и в основном положительная. Мы видим больше упоминаний о гибкости, которую WFH обеспечивает, когда приходится заботиться о детях, чем о детях, мешающих работе, хотя последнее, безусловно, присутствует.

К сожалению, у нас нет достаточно глубоких исходных данных о сотрудниках, чтобы определить, какие группы способны работать дома наиболее эффективно. Это та область, которую фирмы, контролирующие опыт WFH, должны исследовать. (на ум приходят: возраст, местоположение и гендерный анализ).

Общение

“Общение с коллегами по видео - это весело и помогает мне чувствовать себя частью рабочей семьи. Видеть лидерство дома - это потрясающе, увлекательно и захватывающе! Мы все-настоящие люди.”

Мы ожидали увидеть проблемы, связанные с коммуникацией, но упоминания о коммуникации в комментариях, связанных с WFH, были в подавляющем большинстве положительными.

Видеосвязь, безусловно, была здесь посредником, и не только для официальных встреч. Мы видим множество упоминаний о "виртуальном кофе" и других коротких социальных мероприятиях. Встречи с большей вероятностью начинаются вовремя, поскольку коллегам не нужно физически перемещаться по местам, а сотрудники ценят снятие расходов, связанных с этими виртуальными встречами. С другой стороны, существует мнение, что виртуальных встреч слишком много.

В целом складывается впечатление, что за это время фирмы предприняли сознательные усилия по расширению коммуникаций. Однако некоторые из них могут рисковать переусердствовать.

Адаптация к новым способам работы

“Я хотел бы получить советы о том, как организовать рабочий день в домашнем офисе или как поддержать баланс между работой и личной жизнью.”

Как это часто бывает, изменения внутри организаций не сопровождаются соответствующим уровнем поддержки управления изменениями. Мы видим это в полученных данных, хотя, в данном случае у большинства организаций, возможно, не было времени на планирование.

При постоянной работе из дома HR-команды должны тщательно продумать, как обеспечить информационную поддержку сотрудников.  Желание работать удаленно, безусловно, присутствует у многих, но не каждый способен совершить этот переход самостоятельно.

Обучение

Одним из относительно недавних изменений в организациях стало расширение распространения учебных материалов с помощью видео и других электронных средств. Большая часть этого контента точечная и доступна по запросу.

Мы видим упоминания о том, что работники пользуются преимуществом такого обучения, а работодатели продвигают его. Есть некоторые свидетельства того, что сотрудники используют часть своего времени, освободившегося от поездок на работу, для завершения дополнительного образования. Если компания заботится о развитии своих сотрудников, чтобы они могли справиться с изменением требований, в том числе к автоматизации процессов, это очень хорошо.

Баланс работы и жизни

“Без сомнения, работа на дому значительно улучшила качество моей жизни. Я могу работать дольше и без стресса. Я лучше сплю, больше тренируюсь, лучше ем (никаких соблазнов торгового автомата - здоровая еда!)”

Как упоминалось в начале, WFH была дополнительной темой к "балансу между работой и личной жизнью" или "гибкому графику". Обязательная работа из дома, которую принес Covid заставила нас адаптировать эти модели.

Очевидно, что для большинства сотрудников WFH внесла значительный вклад в улучшение баланса между работой и личной жизнью сотрудников. Однако это не подходит для всех, и переход от 0% к 100% домашней работе был трудным для некоторых.

Стресс

“Я менее напряжен и более спокоен. Я даже вижу, что мой пульс в состоянии покоя ниже на моих часах apple Watch.”

На схеме взаимосвязи данных, размещенной ниже, мы видим связь стресса с балансом «работа-личная жизнь» и производительностью (через комментарии "делаем все возможное"). В целом, стресс упоминается в отзывах сотрудников почти исключительно как негативный фактор. Однако в этой группе (одной из самых больших) подавляющее большинство сотрудников позитивно относится к работе из дома и говорит о сокращении стресса.

 

Темы, которые люди упоминают вместе. Каждый сегмент может быть сопоставлен с демографическими данными для описания особенностей отдельных групп. 

WFH пользуется популярностью, но не каждый день

Наконец, мы подошли к самому большому сообщению во всех наборах данных, которые мы видели. Сотрудники очень ценят работу из дома, но не хотят делать это каждый день.

Мы проанализировали количество дней в неделю, упоминаемых сотрудниками. Почти все они предлагали удаленную работу где-то от 1 до 4 дней в неделю, причем наиболее часто упоминалось 2, а затем 3. Почти никто не хотел постоянно работать в офисе, но также сотрудники не хотели все время работать только дома. 

Работники твердо убеждены, что частичная работа из дома значительно улучшила качество их жизни и повысила производительность труда. Это кажется беспроигрышной возможностью для компаний и сотрудников на основании тысяч полученных комментариев. Мы думаем, что компаниям теперь будет трудно полностью удалить WFH, не получив проблем, связанных с рабочей силой.

Рекомендации

Данные "Работа из дома", которые мы видели, дают руководителям наиболее четкое и последовательное представление. Если посмотреть на исходные исторические данные о том, как часто сотрудники могли работать на дому, кажется, что COVID ускорил тенденцию, которая уже некоторое время наблюдалась во многих странах.

Следует отметить, что проведенный здесь анализ был проведен сравнительно быстро после того, как фирмы срочно переключились на работу из дома. Вполне возможно, что некоторые чувства могут быть связаны с "медовым месяцем" или с реакцией на новую ситуацию, когда альтернативы часто не было.

Как уже упоминалось выше, мы видели заметные различия между фирмами и в разных географических регионах. Поэтому этот анализ следует рассматривать как справочную информацию и дополнять собственными данными для анализа.

Исследования показали повышение производительности труда на 10-20% при работе из дома.  Хотя отзывы, которые мы видели, нельзя считать абсолютным показателем, можно предположить, что это возможно. WFH была ключевой темой для многих руководителей в течение последних нескольких месяцев. Мы считаем, что этот фокус должен быть сохранен.

В то время как работа из дома предлагает значительные преимущества для тех фирм, где это возможно, руководители не должны надеяться, что оптимальный результат будет достигнут автоматически. Текстовая обратная связь, которую мы используем, предоставляет множество возможностей для улучшения, выявляет проблемы, и показывает, что наиболее ценно для компании и сотрудников.

Учитывая коммерческие выгоды, мы считаем, что многие фирмы получат пользу от создания целевой группы, которая сможет управлять переходом на работу из дома проактивно, прислушиваясь к сотрудникам, разрабатывая улучшения и контролируя производительность. Фирмы должны будут выделить некоторый бюджет на выполнение этой задачи, но отдача от производительности и снижения затрат, связанных с рабочим местом, должна обеспечить высокую рентабельность инвестиций.

Наконец, мы рекомендуем разрешить сотрудникам самостоятельно выбирать формат работы. Работа из дома не подходит всем и нет идеального разделения между работой дома и в офисе. Предоставление возможности самостоятельно распределять работу, скорее всего, повысит производительность всей фирмы и уравновесит баланс между работой и личной жизнью сотрудников.

Как интерпретировать обратную связь от работников в ответах на открытые вопросы

Перевод статьи How to understand open-question employee feedback в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор - Andrew Marritt
Перевод сделала Арлашкина Ольга (профили в социальных сетях:  LinkedIn, Facebook, Вконтакте), кандидат социологических наук, HR консультант, разработчик и преподаватель курсов высшего и дополнительного образования для специалистов по управлению персоналом. Автор более 20 публикаций (статьи, учебные пособия) по менеджменту, социологии, управлению человеческими ресурсами. В HR-профессии с 2001 года. Это пятый перевод Ольги в нашем блоге. См. также

1. Вовлеченность персонала 3.0: Humu запускает Nudge Engine («инструмент подталкивания»)
2. Джош Берзин переосмысливает лидерство
3. Использование анализа текстов сотрудников для достижения бизнес-результатов
4. Стоит ли внедрять ПО с искусственным интеллектом в системы оплаты труда?

Итак,

Как интерпретировать обратную связь от работников  в ответах на открытые вопросы 

Эндрю Маритт

24 августа 2018 года

В распоряжении крупных организаций находится огромное количество текстовых отзывов работников, с которыми они пока мало что сделали. Часто эта информация является наиболее ценной частью вопросника или опроса, но ее интерпретация в цифрах исторически сложна и затратна по времени.
Процесс интерпретации такой обратной связи известен как «кодирование». В этом случае хороший исследователь-«качественник» пытается определить набор категорий, которые охватывают как можно больше комментариев, но не настолько, чтобы в них стало трудно ориентироваться и понимать их.

Важность вопроса и организационный контекст

Обратная связь не обязательно содержится в красиво составленных предложениях. Понимание любого ответа в значительной степени зависит от задаваемого вопроса. Люди пишут ответы, предполагая, что вы знаете заданный вопрос, и рассматриваете обратную связь через призму контекста данного вопроса.
Учитывая это, имеет смысл проводить разработку набора тем из ответа на конкретный вопрос в контексте задаваемого вопроса. Общие модели сложно сделать точными. Вот почему хорошие модели текстовой аналитики обычно используются в узких областях.
В компаниях вам также необходимо понимать организационный контекст. Организации разрабатывают свой собственный язык. Часто это внутренний жаргон, названия проектов и технологий. Иногда это слова, которые используются для разных целей и в разных значениях. Сотрудники одного из наших клиентов говорят о «заработной плате», в то время как большинство говорит о «численности персонала» (потому что, если у них больше денег на оплату труда, они могут позволить себе взять на работу больше сотрудников). Качественные модели должны изучать этот язык.

Темы, а не тематика

Хороший набор категорий должен быть понятен без необходимости читать лежащие в основе ответы (хотя, конечно, вам, скорее всего, захочется дать пользователям возможность перейти к ним, если они того пожелают). Метки темы должны быть хорошо характеризовать ответы на заданный вопрос.
Если мы посмотрим на типичные категории, которые инструменты опроса предоставляют в текстовой аналитике, то темы простые, состоящие из одного слова, почти всегда заставляют пользователей прочитать комментарии, чтобы понять, о чём именно идет речь. Заголовки тем, содержащие только существительные, хороши для навигации - они помогают пользователю прочесть относящиеся к ним ответы - но плохо обеспечивают понимание.
Для того, чтобы помочь в принятии решений, необходимо контекстуальная интерпретация того, что в рамках этой темы представляет интерес. Поэтому вместо тематики «общение» нам нужно добавить описание: «более регулярное общение», «меньше общения», «более прозрачное общение» и т. д.
В нашей аналитике довольно часто встречаются противоречивые темы, объединенные одной тематикой. Обнаруживается, что некоторые сотрудники хотят «больше часов», некоторые - «меньше часов», а другая группа будет говорить о «более постоянных часах». Если вы просто смотрите на заголовок - «часы» - все относящиеся к этому темы будут сгруппированы вместе. Чтобы что-либо предпринимать, вам необходимо понимать контекст.

Семантическая интерпретация, а не ключевые слова

Ранние системы кодирования текста использовали ключевые слова для определения тематики. Вы можете сделать это даже с помощью простого приложения для работы с электронными таблицами, такого как Excel. Приложения типа Wordcloud  («облако слов», прим. переводчика) обычно используют этот подход.

“Облака слов” обеспечивают весьма ограниченное понимание

Для создания хороших тем важно использовать семантическую интерпретацию ответа (понимание значения слов, прим. переводчика), а не просто искать определенные слова. Так, работник может попросить «заплатить больше» или «повысить заработную плату» или «прибавить жалованье». Для читателя-человека все они попадут в одну тему, хотя слова разные. Наши алгоритмы недавно даже выделили ответ «ха-ха, повышение» как относящийся к теме увеличения заработной платы.

Планка полезности довольно высока

При создании хорошего набора категорий трудно стать полезным до тех пор, пока вы не дойдете до стадии, на которой сможете определить большинство полезных тем и удостоверитесь, что эти темы являются обобщением того текста, в который они включены.

Работая с клиентами, мы обнаружили, что уровень точности кодирования должен быть достаточно высоким, чтобы его считали ценным. В нашем случае, когда мы стараемся заменить количественные закрытые вопросы открытыми, важно иметь хорошие качественные темы, которые точно отражают смысловое и контекстуальное значение ответов.

И хотя предоставление списка тематик может показаться хорошим подходом на первоначальном этапе, реальность такова, что он не заменяет чтение ответов и поэтому не добавляет ценности.

Дедуктивное и индуктивное кодирование

Существует два основных подхода к кодированию - дедуктивный и индуктивный.

Дедуктивное кодирование начинается с предварительно установленного набора кодов. Именно это обычно используют большинство приложений по вовлеченности и даже консультанты. Вы начинаете с модели того, о чём люди, вероятно, будут говорить, а затем распределяете их тематики по категориям.

У дедуктивного кодирования есть несколько преимуществ:

1. Вы знаете, что будете идентифицировать ответы по темам, которые вас интересуют
2. Проще сравнивать результаты разных организаций

Однако есть несколько ключевых проблем:

1. Вы можете пропустить ключевые темы. Исходя из нашего опыта, около 30% тематик типичного вопроса работнику могут не вписываться в общую модель.
2. Модель кодирования имеет погрешности, поскольку темы основаны на модели аналитика, а не на взглядах сотрудников.
3. Вначале требуется больше времени / ресурсов, чтобы решить, какие темы нужно искать.
4. Модель реально хорошо справляется только с одним конкретным вопросом

Альтернативой дедуктивному кодированию является индуктивное кодирование. С помощью индуктивного кодирования вы начинаете с нуля, используя данные в качестве источника тем. С помощью индуктивного кодирования вы можете интерпретировать ответы на любой вопрос.

Типичный процесс создания индуктивного кода вручную:

• вы читаете некоторые из ваших ответов
• вы определяете темы (коды), которые охватывают эту выборку
• вы кодируете все свои ответы на эти темы
• вы идентифицируете комментарии, которые не смогли закодировать, и определяете новые темы
• затем вы снова перекодируете все свои ответы в соответствии новым полным набором кодов
• весь этот процесс повторяется до тех пор, пока не будут выделены все новые полезные темы.

Так, на высоком уровне, мы создаем темы с помощью Workometry, не считая того, что вместо обработки вручную с кодированием помогает набор алгоритмов.

Точность балансировки и покрытие

В любой прогностической модели у аналитика есть выбор между ложными срабатываниями и пропусками события (ошибки первого и второго рода в математической статистике, прим. переводчика). При классификации текста, если вы хотите повысить точность своего кодирования (уменьшить количество ложных срабатываний), вы повышаете риск того, что пропустите некоторые ответы в своих темах (увеличивая количество пропусков события).

Наш опыт кодирования текста заключается в том, что читатели гораздо более чувствительны к неправильной классификации ответа, чем к отсутствию его кодирования. Люди, как правило, гораздо лучше понимают, если кто-то говорит «извините, я не понимаю», отвечая на неправильно поставленный вопрос. Процесс индуктивного кодирования проходит ряд итераций, чтобы попытаться создать необходимый баланс.

Хотя кодирование может показаться легко выполнимой задачей, даже людям трудно это делать. Ряд исследований показал, что когда у вас есть несколько опытных программистов, чтобы сформировать темы для одной и той же части текста, вы получите согласие только в 80% случаев. Непротиворечивость проблематична даже на уровне отдельного программиста, поскольку его мнение будет меняться по мере того, как он будет анализировать всё большее количество отзывов. Решения на основе искусственного интеллекта  будут более согласованными, чем у человека с нужными навыками.

Вместе с объемом вы получаете детализацию

Нас часто спрашивают: «Сколько разных тематик вы можете найти?». Ответ почти всегда такой: «зависит от обстоятельств».

При этом есть два ключевых фактора, от которых это зависит: сам вопрос и сколько ответов на него вы получите.

В том, что касается самого вопроса, один из главных факторов - задаешь ли ты вопрос «что хорошее вы можете отметить» или «что можно улучшить». Как правило, вы обнаружите меньше разнообразия тем в первом случае, чем во втором.

Чтобы определить вероятное количество тем, нужно прежде всего понять, как обычно распределяется объем ответов, соответствующих теме.

Если вы наметите частоту упоминаний для различных тем в вашем вопросе и упорядочите темы от самых объемных до наименее объемных, вы получите экспоненциальное распределение.

Частота упоминания темы примет форму экспоненты при сортировке от наиболее к наименее популярным ответам.

Если вместо графика количества упоминаний для каждой категории вы строите логарифм количества упоминаний, кривая становится очень близкой к прямой линии. Площадь под кривой представляет общее количество упоминаний.

Связь между количеством ответов и количеством идентифицированных тем

Пока количество тем в ответе остается неизменным при увеличении объема ответов, эффект этого в том, что кривая, представляющая взаимосвязь, ведет себя, как показано. Следствием этого является то, что упоминание любой темы увеличивается вместе с количеством идентифицированных тем.

Еще один способ обдумать эту взаимосвязь заключается в том, что по мере того, как вы получаете больше ответов, вы приобретаете способны видеть дальше по «длинному хвосту» тематических групп («длинный хвост» в данном случае - это большое количество уникальных ответов, которое дает соответствующее увеличение тем, прим. переводчика).

Объединение с другими данными

Интерпретация тем в потоке данных важна, но они действительно начинают оживать только тогда, когда вы начинаете отслеживать, где использование определенных тем становится особенно высоким или низким.

Мы создали подход автоматического обнаружения, который просматривает группы, ища необычные случаи использования определенных тем.

Один из таких примеров: понять, какие темы могут использоваться необычным способом в различных странах или отраслях. Часто тема представляется ожидаемой (например, люди, занимающиеся финансами, говорят о финансовой системе), но в других обстоятельствах это может выявить области для дальнейшего изучения. Мы полагаем, что менеджеры должны управлять исключениями.

Другое применение состоит в том, чтобы определить, какие темы тесно связаны друг с другом, иными словами, совместное появление тем. Например, вы хотели бы знать, связана ли температура в магазинах с комментариями по поводу жалоб покупателей.

Если вы задаете открытые вопросы как в рамках опроса с вопросами смешанного типа, возможно, вы захотите создать модель, которая связывает предоставление ваших тем с оценками по различным вопросам. Это может показать, что связано , например, с вовлеченностью.

И, наконец, когда текст структурирован, он может быть включен в любую другую модель прогнозирования. Вам может быть интересно понять темы ответов работников, которые, например, могут свидетельствовать о предстоящем выгорании. Наш опыт показывает, что эти точки данных часто являются одними из самых предиктивных переменных и наиболее простыми в использовании.

Как коды отвечают Workometry 

Наша программа Workometry использует индуктивный подход к кодированию тем обратной связи, и поэтому ее можно применять для анализа ответов на любой вопрос. Мы изучаем темы для конкретного вопроса в конкретной организации и можем понимать многоязычную обратную связь. Постоянные клиенты извлекают выгоду из нашей способности изучать специфический для организации язык и встраивать ранее полученные знания в темы.

Как расширенное интеллектуальное решение Workometry очень хорошо масштабируется, а многие клиенты имеют дело с десятками или даже сотнями тысяч ответов на любой вопрос. Нашим ключевым отличием является способность создавать высокоточные индуктивные модели за очень короткое время.

__________________________________________________________

мы в фейсбуке, телеграмме и вконтакте

Использование анализа текстов сотрудников для достижения бизнес-результатов

Перевод статьи Using employee text analytics to drive business outcomes в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор - David Green (по ссылке - все статьи автора в нашем блоге), Давид Грин берет интервью у Andrew Marritt - одного из самого известного в HR среде аналитика в области анализа текстов, см, напр Как использование методов анализа текста изменяет опросы сотрудников
Перевод сделала Арлашкина Ольга (профили в социальных сетях:  LinkedIn, Facebook, Вконтакте), кандидат социологических наук, HR консультант, разработчик и преподаватель курсов высшего и дополнительного образования для специалистов по управлению персоналом. Автор более 20 публикаций (статьи, учебные пособия) по менеджменту, социологии, управлению человеческими ресурсами. В HR-профессии с 2001 года. Это третий перевод Ольги в нашем блоге. См. также

• Вовлеченность персонала 3.0: Humu запускает Nudge Engine («инструмент подталкивания»)
• Джош Берзин переосмысливает лидерство

Итак,

Использование анализа текстов сотрудников  для достижения бизнес-результатов

Рис. 1. Примеры вопросов по бизнесу, на которые можно было бы ответить, используя анализ текстов (источник: Эндрю Маррит , ORGANIZATION VIEW)

Как указано в статье, опубликованной ранее в этом году Бернардом Марром, 90% мировых данных были получены только за последние два года. Бòльшая часть этих данных представляет собой неструктурированные данные (в основном текстовые, но также изображения, видео и т. д.), которые, в основном, остаются неиспользованными большинством организаций, особенно, когда речь идет о данных по управлению персоналом и человеческими ресурсами.
При возможностях, предоставляемых «текстовой аналитикой» (text analytics, англ.; в качестве перевода данного термина будет также использоваться понятие «анализ текстов», прим. переводчика), неудивительно, что команды аналитиков и HR-лидеры ищут способы использовать эти данные для поддержки своей работы.
Эндрю Марритт (Andrew Marritt), один из ведущих экспертов в области анализа текстов с точки зрения данных о персонале, более десяти лет проработавший в области HR-аналитики, является популярным спикером конференций, а также основателем и генеральным директором Organization View, компании по аналитике данных о персонале, расположенной в Швейцарии. Его продукт Workometry используется постоянно растущим числом компаний для извлечения такой информации из текстов сотрудников, которая оказывает влияние на результаты работы бизнеса и персонала.
Недавно я провел с Эндрю некоторое время, чтобы обсудить возможности, предоставляемые текстовой аналитикой, примеры кейс-стади и рекомендации для HR-практиков и команд по HR-аналитике.

1. Эндрю, добро пожаловать на myhrfuture, во-первых, пожалуйста, не могли бы вы дать определение текстовой аналитики?

Текстовая аналитика - это применение алгоритмов для обработки текстовой информации. Когда люди говорят о взрывном росте данных, рост происходит главным образом в неструктурированных данных - текст, изображения, аудио, видео – это не классические «числа» в базах данных. Для компаний, вероятно, наиболее распространенным типом неструктурированных данных является текст.
С помощью текстовой аналитики мы превращаем эти качественные неструктурированные данные в количественные структурированные данные. Сделав это, мы уже можем применить к ним все виды статистического или машинного анализа.
Есть два основных типа квантификации (квантификация – это сведение качественных характеристик к количественным, прим. переводчика), которые мы делаем:

• кодирование или классификация текста, что дает нам количественные данные 
• скоринг (оценка, ранжирование, прим переводчика) текста  - например, анализ чувств или эмоций - где мы получаем вероятность или оценочные данные.

2. Почему использование текстовой аналитики в компаниях растёт?

Анализ текстов предоставляет для компаний огромные возможности. Во-первых, в большинстве случаев текстовые данные не анализируются. Но это, как правило, действительно богатые данные, и, учитывая, что они не были проанализированы, в них можно найти много потенциально полезного. Во-вторых, мы можем сопоставить их с тем, что можно выявить с помощью традиционных количественных данных. Во многих случаях они уже неоднократно анализировались, и аналитики, как правило, получают снижение предельных доходов. В-третьих, как я уже упоминал ранее, текст представляет собой самый обширный источник данных в большинстве компаний, а также, вероятно, самый богатый.

3. Каковы примеры использования анализа текстов в рамках hr-аналитики?

У HR-ов много текстов. На мой взгляд, стоит подумать о текстовой аналитике на двух уровнях:

1. Какую информацию (англ. insight, прим. переводчика) вы можете получить из структурирования данных?
2. Если у вас есть структурированные данные, что вы можете с ними сделать?

Тип данных, которые мы видим в большинстве случаев, берется из какой-то анкеты. Только примерно 30% вопросов в анкетах являются типичными вопросами о «вовлеченности». Около 50% вопросов сотрудникам задаются о бизнес-задачах – это так называемый «голос работника» (англ. Employee Voice, прим. переводчика), остальное - это темы, которые интересуют HR-департаменты, такие как управление результативностью, управленческая эффективность или разнообразие.
За пределами данных опросов мы видим большой интерес к данным системы управления результативностью (англ. performance management, прим. переводчика). Мы провели анализ данных оценки 360 °, чтобы найти различия в гендерно ориентированных темах, а также анализ целей, чтобы увидеть, как инициативы руководства высшего уровня распределяются по уровням организации. Всё чаще мы находимся в поиске потребностей развития, чтобы определить, могут ли компании понять, что сотрудники хотели бы получить от обучения. Могут ли они оптимизировать доступность учебных курсов, чтобы они предлагались близко к спросу (сокращая расходы на поездки)? Можем ли мы создать механизм прогнозирования, который будет рекомендовать курсы, прежде чем кто-то включит их в организационный перечень?
Наконец, есть много других источников в HR-департаментах, где генерируется текст. Мы проводим анализ запросов в / из службы поддержки HR, определяя шаблоны гораздо более детально, чем когда-либо можно было бы понять с помощью структурированного сбора данных. Мы надеемся, что эта информация послужит основой для ряда изменений, в совершенствовании результативности, улучшающих сервисы и снижающих затраты.

Рис. 2. Обзор тематизации текстов в Workometry (источник: Эндрю Маррит , ORGANIZATION VIEW)

Перевод рис. 2

4. Какие ключевые проблемы hr-отделам  и командам по hr-аналитике необходимо преодолеть отношение к текстовой аналитике?

Самая большая проблема - это расстояние, которое вам нужно преодолеть, прежде чем текстовая аналитика действительно станет полезной.

Мы считаем, что наиболее важным аспектом хорошего анализа является контекст. Это включает в себя требование о том, что текст должен быть проанализирован в контексте задаваемого вопроса. Кроме того, необходимо включить в понимание текста контекст организации, плюс это также контекст того, о чем еще говорят люди.

Распространенным способом анализа текстов является определение тем - например, коммуникация или вознаграждение. Однако наш опыт показывает, что это редко бывает достаточно полезным. Мы считаем, что данные должны быть категоризированы до уровня, когда название самой темы является хорошим ответом на вопрос. Так, коммуникация может быть «более прозрачной коммуникацией» или «более частой коммуникацией с руководством», «большей коммуникацией между подразделениями», «меньшей электронной коммуникацией» или даже «меньшей коммуникацией в выходные дни».

Еще одна большая проблема заключается в том, что каждая организация имеет свой собственный язык. Иногда это проявляется в широком использовании акронимов – мы использовали их во внутренней сети, определяя многие из вещей, когда я работал в Reuters (акроним - аббревиатура, образованная из начальных букв, частей слов или словосочетаний, произносимая как единое слово, прим. переводчика). В других случаях это может быть способ, с помощью которого внутри фирмы употребляются слова. Менеджеры одного компании говорят о желании увеличить фонд заработной платы, кто время как большинство других компаний описывают то же самое, как желание увеличить численность персонала. Наш опыт показывает, что при построении моделей на уровне компании всегда можно добиться значительных улучшений, если изучить терминологию.

Наконец, классные модели хорошо работают в отношении одной проблемы, но они являются обобщающими. Сотрудники редко пишут предложениями, они ожидают, что вы интерпретируете их ответ в контексте задаваемого вопроса. Один и тот же текст может иметь разные значения в зависимости от вопроса. Мы сомневаемся, что такого рода анализ текстов, используемый в некоторых HR-технологиях, можно обобщить.

Конечно, я даже не упомянул «нормальные» проблемы с данными, такие как время, необходимое для очистки и предварительной обработки данных. Это может быть чрезвычайно сложно в отношении анализа текстов. Определение того, в каких частях документа нужно искать соответствующие данные - так называемое зонирование, - это то, на чем мы не фокусируемся, но является важным, если вы, например, хотите прочитать резюме.

5. Не могли бы вы привести некоторые примеры того, как организации использовали текст работника.

Давайте возьмем два конкретных примера, оба из которых имели важное значение.

Один - от розничной компании, которая проводила регулярные пульс-опросы. В одном квартале мы увидели огромный всплеск числа сотрудников, говорящих о музыке, которая играла в магазине. Мы заметили, что эти сотрудники также чаще говорили о жалобах клиентов. Люди, которые делали комментарии, были значительно более вовлечены, чем средний сотрудник, но они также говорили о том, что компания устарела, а руководство не прислушивается.

По некоторым из комментариев стало очевидно, что произошло. В поисках экономии средств было принято решение заменить музыку в магазине музыкой с более низкими лицензионными затратами. Как только руководство увидело комментарии, оно отменило решение.

В следующем месяце мы снова увидели много комментариев о музыке, но на этот раз сотрудники благодарили менеджеров за то, что они сменили музыку и прислушались к их мнению.

Другой пример связан с новым генеральным директором глобальной компании. В своем первом обращении к персоналу он объявил о своем намерении потратить первые несколько месяцев на изучение бизнеса и предложил всем сотрудникам сообщить ему, что, по их мнению, он должен решить. Он получил тысячи сообщений на разных языках.

Мы были приглашены директором по стратегии, чтобы проанализировать эту обратную связь. Одна из вещей, которую мы определили, была тема о плохих контрактах / проектах. Когда мы связали данные с организационной структурой, мы поняли, что большинство этих комментариев исходили от небольшой части ИТ-организации. Оказалось, что был контракт с крупной внешней фирмой - десятки миллионов долларов в годовом исчислении, - о котором собственные специалисты по данным фирмы знали, что там заложены большие ошибки, и поэтому он вряд ли будет работать так, как ожидалось. В этом случае тот факт, что проблема была прозрачной для исполнителей, означал, что они были в состоянии исследовать ситуацию и устранить риск на достаточно ранней стадии.

В обоих случаях было затронуто несколько тем. Менеджеры нашли вопросы, которые они, вероятно, никогда бы не подумали задать, если бы они разрабатывали структурированный «традиционный» опрос

Это связывание данных обратной связи с другими данными предоставило много контекста и переквалифицировало комментарии от случайных к чему-то, что требовало дополнительного изучения. Можете думать об этом, как о нахождении иголки в стоге сена. Сами комментарии дали хорошее представление о том, что было проблемой, и что нужно было сделать, чтобы решить проблему.

6. Каковы три ключевых рекомендации, которые вы предложили бы hr-директору или руководителю отдела hr-аналитики, которые рассматривают возможность  использования анализа текстов работников?

Анализ текста - это одна из тех тем, которую довольно легко начать, но трудно достичь той стадии, на которой она может быть полезна.

1. Многие аналитики данных и ИТ-специалисты скажут, что могут это сделать, но лишь немногие из них будут обладать навыками и знаниями, чтобы определить то, где это может быть полезно. Вам нужно поговорить с несколькими экспертами. Они должны быть в состоянии получить результаты довольно быстро, потому что у них уже есть ключевые средства получения информации, правильно выстроенные и усовершенствованные.
2. Будьте готовы выбрать сначала «легкие» проекты. Я думаю, что все, что требует зонирования - особенно в документах, не имеющих общей структуры – это то, чего вам следует избегать и / или найти профессионала, который специализируется на таком типе документов. Более специфичный текст легче понять на достойном уровне, чем текст общего характера.
3. Спросите себя, что бы вы хотели найти, если бы анализировали данные вручную. Вы действительно хотите оценить каждое предложение по шкале эмоций? Вы хотите, чтобы предложения были сгруппированы в более крупные темы? Что сделало бы эти темы полезными? На многих людей оказывает влияние то, что является возможным, например, оценка чувств или эмоций - а не то, что они на самом деле делали бы, если бы имели квалифицированного качественного исследователя для выполнения этой работы. Например, почти всегда лучше получить оценку чувств из структурированного количественного опроса, чем выводить ее из текста.

Рис. 3. Пример сети «совместного проявления», которая показывает темы, которые чаще всего упоминаются вместе у индивидов, на основе оценки вероятности общего между ними.

7. Где люди могут узнать больше о текстовой аналитике?

Большая часть написанного об анализе текстов из того, что я видел, довольно техническая. Дисциплина меняется так быстро, что нам приходится читать большое количество статей, чтобы не отставать. Поскольку современные методы работы с текстом основаны на моделях глубокого обучения, они требуют довольно серьезного технического и математического понимания.

Я включил еще несколько статей, посвященных бизнесу, в последние выпуски нашего информационного бюллетеня Empirical HR:

1. Подкаст от Microsoft Research по машинному переводу. 
2. История машинного перевода. Хотя статья сосредоточена только на переводе, способ, которым описывается перевод, соответствует многим другим темам анализа текстов. 
3. Обзор новейшей истории обработки естественного языка. Нелегко понять без некоторых знаний, но очень тщательно раскрыто.  

Наконец, если у кого-то есть большой объем текста по определенной теме (например, более 1000 текстовых ответов на конкретный открытый вопрос), с которым они столкнулись. В зависимости от варианта использования мы обычно можем развернуть пилотажное исследование за несколько дней.

Спасибо, Эндрю.

Спасибо, Эндрю, за то, что поделились своим временем, идеями и обширными знаниями. Еженедельный информационный бюллетень Эндрю «Empirical HR» всегда достоин прочтения и охватывает HR-аналитику, опыт сотрудников и многие другие темы, равно как и последние новости текстовой аналитики. Я настоятельно рекомендую вам подписаться на него.

Самая большая ошибка большинства в HR-аналитике?

Перевод статьи The greatest mistake for many in People Analytics? в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор статьи Andrew Marritt, очень его уважаю и рекомендую, как одного из самого профессионального HR-аналитика. Вот некоторые его статьи в нашем блоге

1. Фокус на причинах, а не на симптомах вовлеченности сотрудников
2. Исследования вовлеченности персонала: часть 1, проблемы традиционного подхода
3. Как использование методов анализа текста изменяет опросы сотрудников
4. Неосознанная предвзятость? Использование аналитики текста для понимания гендерных различий в оценке эффективности работы - эта статья была использована в курсе на курсере Томского университета.
5. В опросы следует включать больше открытых вопросов

Перевод этой статьи выполнила Екатерина Соколова, (ссылка на профиль ВКонтакте) - c&b Байкальский банк, ПАО Сбербанк (рекомендую этого специалиста).Это третий перевод Екатерины, см. также:

Wegmans: оценка ценности корпоративных льгот для сотрудников

5 истин об HR-аналитике (IBM Watson Talent)
Итак

Самая большая ошибка большинства в HR-аналитике?

Douglas Hubbard в своей замечательной книге "Как измерить что-либо" привел 3 экономически важные причины измерений (и аналитики):

1. чтобы принять верное решение
2. чтобы влиять на поведение
3. чтобы продать информацию

Фокус на причинах, а не на симптомах вовлеченности сотрудников

Перевод статьи Focussing on the causes not the symptoms of employee engagement в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор статьи - Andrew Marritt, но последнее время подзапустил писать, но вообще у него очень классные статьи. К сожалению, он очень глубок, поэтому не так популярен, как некоторые звездоболы от HR-аналитики, но если Вы хотите серьезной аналитики, читайте его статьи. Некоторые из опубликованных:

• Исследования вовлеченности персонала: часть 1, проблемы традиционного подхода
• Как использование методов анализа текста изменяет опросы сотрудников
• Неосознанная предвзятость? Использование аналитики текста для понимания гендерных различий в оценке эффективности работы - эта статья была использована в курсе на курсере Томского университета.
• В опросы следует включать больше открытых вопросов

Перевод данной статьи сделала Екатерина Рыбакова, профиль Екатерины в фейсбук, профиль в Линкедине. У Екатерины это уже четвертый перевод в нашем проекте, см. также:

• 10 трендов в HR в 2018 году от Давида Грина - одна из самых популярных статей 2018 года;
• Неосознанная предвзятость? Использование аналитики текста для понимания гендерных различий в оценке эффективности работы - очень интересная статья исследований текста от Андрю Марритта;
• Культ продуктивности имеет контрпродуктивный недостаток - статья про то, что акецет аналитики смещается с индивидуального фокуса на командный.

Итак,

Фокус на причинах, а не на симптомах вовлеченности сотрудников

В зависимости от того, на какие данные о вовлеченности сотрудников вы смотрите, они, как правило, или остаются на прежнем уровне или уменьшаются в течение последних 15 лет. Очевидно, что-то не так с тем, каким образом фирмы пытались управлять вовлеченностью в рамках своих организаций. Мы считаем, что основная проблема заключается в том, что вовлеченность страдает от ошибочного анализа, приводящего к неэффективным изменениям.

Развитие эмпирически-ориентированных HR лидеров

Перевод статьи Developing empirically-driven HR leaders в рамках нашего проекта переводы статей по hr-аналитике на английском.
Перевод статьи выполнила Ольга Крутых (по ссылке - профиль в Линкедине). Ольга работала в HR, но несколько лет назад уехала в Испанию и, как я понимаю, в HR возвращается только через переводы. Это уже второй перевод Ольги, смотрите также 11 факторов, влияющих на эффективность обслуживания клиентов.
Автор данной статьи - Andrew Marritt. Статья - маст маст рид! По двум причинам:

1. Она обрисовывает область знаний для тех, кто не разрабатывает непосредственно алгоритмы, т.е. про то, что должен знать и уметь простой HR с аналитикой. И это мне близко, поскольку я похожий курс разработал
2. Автор показывает, что сама по себе точность модели не самое главное в HR аналитике. Бомба есть, но нужно понимать, куда бомбу прикладывать. В аналитике важнее правильно принимать решения на ее основе. Но тем, кто думает, что умеет это делать, не зная основ машинного обучения и аналитики, сильно ошибается. 

Итак,

Развитие эмпирически-ориентированных HR лидеров

Некоторые HR-лидеры пытаются развивать аналитические функции, приглашая для этого небольшую команду data-специалистов или обращаясь к консультантам для осуществления пилотных проектов. С надеждой, что успешно выполненная работа послужит толчком к формированию собственной эмпирически ориентированной HR службы.

Совершенно другой подход применяют в штате Саравак в Малайзии. И я очень надеюсь, что он окажется более эффективным. Вместо создания небольшой команды аналитиков-профессионалов, которая обеспечивает «предложение» People analytics, внимание акцентируется на образовании “спроса”, превращая интерпретацию данных в ключевой HR навык.

Обучение новым HR-навыкам

В начале этого года я беседовал с Доктором Сабариа Путит (Sabariah Putit), Заместителем Госсекретаря, которая отвечает за реформирование госслужбы. Она разработала амбициозный план. По ее мнению, все ведущие HR-специалисты ее команды должны быть обучены People analytics.

Мы осуществляли подобные проекты, помогая HR-руководителям понять, как аналитика может улучшить их работу. Но чем больше мы говорили, тем больше убеждались, что амбиции этих людей намного превосходят то, что мы когда-либо видели и делали.

Аналитика как ключевой HR-навык

В сентябре завершился первый этап обучения в штате Саравак. Около 110 ведущих HR специалистов штата приняли участие во внутреннем двухдневном курсе по HR-аналитике. В числе участников были не только работники из центральных HR служб, но и лучшие HR профессионалы со всего штата.

Признаюсь, что я не верю, что большинство этих участников будут работать с аналитикой, по крайней мере, не на том уровне, на котором построены и функционируют команды HR-аналитиков. Поэтому курс, который мы проводим в течение последних 3 лет, нацелен на то, чтобы HR лидеры смогли понять, как работать с аналитикой.

Как правильно применять Аналитику

Думаю, что именно уверенности больше всего не хватает HR-специалистам в работе с данными (или информацией, как мы их называем) для принятия эмпирически обоснованных решений.

Я бы хотел видеть HR-руководителей, уверенно работающих с информацией или аналитикой и влияющих на процесс принятия решений. Важно не бояться, когда другие более аналитически подготовленные подразделения прибегают к данным для принятия решений или отстаивания своей точки зрения.

Как только требуется найти команду из докторов наук, готовых выполнить эту работу, аналитика обрастает слухами и мифами. Я хочу показать, что многие ключевые техники и подходы по сути своей просты. Когда IT-компания или консалтинговое агентство пытается продать новенький продукт/проект, основанный на «предикативной аналитике», я хочу, чтобы HR-руководители понимали, что это такое, как они могут применить это в своей компании и какие вопросы нужно задать, чтобы оценить, принесет ли этот продукт/проект желаемый результат.

И, наконец, я хочу убедиться, что HR-специалисты или руководители говорят на одном языке с аналитиками (которые в большинстве случаев не смыслят ничего в HR), когда компании требуется добавить аналитику в работу HR-службы. Жизненно необходимо, чтобы эти две группы смогли в сжатые сроки прийти к общему пониманию того, что на самом деле необходимо, и чтобы HR-руководители чувствовали уверенность, возглавляя проекты по анализу данных или подстраивая их под требования клиента.

И самое главное, что наш подход нацелен на то, чтобы дать толчок к построению прочной культуры принятия эмпирически обоснованных HR решений. Большая часть того, что мы узнаем из книг или слышим на конференциях, говорит о построении способности создавать предложение аналитики внутри HR. Мы же пытаемся сформировать спрос.

Технические аспекты аналитики – не самое главное

Курс, который мы проводим в штате Саравак, назван «Аналитика таланта», хотя стоило бы назвать его «Как пользоваться информацией, чтобы принимать эмпирически обоснованные HR-решения». Естественно, последнее название не такое яркое.

Похоже, слишком много аналитиков, особенно тех, кто не имеет большого опыта в HR, наибольшее значение придают предикативной (прогностической) способности своих модулей. Они обсуждают, каким алгоритмом они пользуются и насколько хорошо он считает при разных значениях точности.

Мы думаем по-другому: необходимо фокусироваться на бизнес-целях, а при их достижении требуется не только прогнозировать, но и действовать. Совершенно уверен, что часто для успешного функционирования модели необходимо учесть прежде всего переменные или характеристики, которые в реальности сложно изменить. Как я уже отмечал ранее, немногие аналитики работают с функцией потерь, которая крайне необходима при прогнозе дохода от принятия тех или иных мер.

Очень часто я также вижу желание усложнить ситуацию. Если не оценить потенциальную рентабельность от аналитики (ROI –Return on investment), тема, о которой на курсе мы много объясняли, применяя информативный экономический подход, легко вложить слишком много средств в проведение анализов. Не менее эффективно было бы воспользоваться более простой информацией. Аналитика становится дорогостоящей R&D функцией. Наша цель – не сделать лучше анализ, наша цель – принять лучшие решения. Если в 80% возможностей затрачивать 20% усилий, почти наверняка получиться сделать это с первого раза.

Разработанный нами курс имеет две основные составляющие. Во-первых, это арифметическое мышление или лучше сказать способность принять решение в условиях неопределенности. Во-вторых, это описание и демонстрация, по нашему мнению, самых актуальных и полезных технических методов и подходов. Мы не только обучаем, как осуществить предикативное моделирование или провести анализ социальных сетей (хотя это не так трудно сделать и в Сараваке мы проводили анализ социальных сетей для оценки уровня слаженности командной работы над проектом), но и показать, что данные приемы реально существуют и работают. Все аналитические техники требуют несколько другого понимания работников и HR. Это другое понимание даже может поставить под вопрос существующие представления о принципах работы наших компаний.

HR-аналитика не только для HR

Построение культуры принятия решений на основе данных не может ложиться полностью на плечи HR. Частью моей работы в Малайзии было знакомство и презентация курса 50 самым выдающимся госслужащим Штата. В некотором смысле мне больше нравится разговаривать с бизнесом о нашей работе, чем с HR-представителями. Обратная связь и интерес воодушевляют и обогащают полезной информацией.

Одним из моих личных достижений была беседа с руководителем одного из крупнейших департаментов, инженером, о применении системных динамик для анализа профессионального развития работников. Он был необычайно удивлен, что может в своей работе использовать приемы, так знакомые ему из опыта инженера. Искренне надеюсь, что он сможет использовать свой предыдущий опыт, пусть и для построения ментальной модели.

По-моему мнению, HR-подразделения слишком увлеклись развитием аналитических функций и не обращают особого внимания на культурные изменения, необходимые для внедрения новых способов работы. Хотя подход «сначала сделаем, а потом будем думать» всегда имел место быть. Думаю, нам стоит задуматься над этой проблемой, когда мы знакомим клиентов с новым HR “продуктом”. При этом крайне важно в условиях развития рынка обеспечить устойчивость результатов.

ОБ АВТОРЕ

Эндрю Марритт (Andrew Marritt) – один из основоположников направления People’s Analytics в Европе. Он является основателем компании Organization View, создателем ПО Workometry (компьютерная программа сбора обратной связи от работников на основе открытых вопросов) и соучредителем сообщества People’s Analytics в Швейцарии.

Эндрю возглавлял первую Европейскую конференцию, посвященную People’s Analytics, – HR Tech World’s 2013 “Big Data” event, а также был сопредседателем конференции по теме People’s Analytics в Тукане в 2014, 2015 и 2016 гг. Он преподает HR-аналитику и HR на основе данных (Data-driven HR) в Европе и Азии, член CIPD’s Human Capital Analysists Advisory Group, отвечает за нормы и стратегию информационного наполнения ресурса HR Analytics.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

Будущее опросов персонала и оценки вовлеченности

Перевод статьи Employee feedback & engagement measurement - the future в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор - Эндрю Марритт, стыд Вам, если Вы не знаете еще этого имени.
Еще больший стыд, если Вы не знаете переводчика)
Эта статья - шестой (!!!) перевод Екатерины Малининой. HR business partner в IT-отрасли. Эксперт в оценке, обучении, развитии талантов. Помогает менеджерам строить эффективные и надежные команды, способные переложить в программный код любую задачу бизнеса. Профили Екатерины в фейсбуке и в Линкедине. Переводы Екатерины

• Исследования вовлеченности персонала: часть 1, проблемы традиционного подхода
• Прогнозирование в HR-аналитике не так важно, как вы думаете
• Радикальный эксперимент Unilever с процессом найма персонала: резюме – снаружи, алгоритмы – внутри
• Анализ текучести персонала – Описательные методы
• Анализ текучести персонала – Методы прогнозирования

Итак, очередная статья Андрю Марритта

Будущее опросов персонала и оценки вовлеченности

В прошлой статье я рассказал о становлении современной оценки вовлеченности персонала и сбора обратной связи сотрудников. В этой статье я расскажу об актуальных направлениях рынка. Это мое личное мнение, но это мнение человека, находящегося на «амбразуре» исследовательского рынка.

В английском языке есть такое выражение: «если у тебя в руках молоток, все предметы вокруг кажутся гвоздями». На мой взгляд, причина того, как сейчас происходят опросы персонала, состоит в том, что, по мнению бизнеса, единственный инструмент в его руках – это «молоток» длинных ежегодных опросов вовлеченности. 

В прошлой статье я цитировал 9 недостатков традиционных опросов по Andrew Graham:

1. Недостаточно частые
2. Наличие заранее определенных вариантов ответов искажает действительность
3. Агрегирование результатов уменьшает количество истинных значений
4. Не отражают специфику (контекст редко учитывается)
5. Длинные или плохо спроектированные варианты ответов  
6. Менеджеры заняты и не мотивированы предпринимать какие-либо действия по результатам опроса
7. Требуется большое количество ресурсов и наблюдений
8. Опросы устаревают
9. Не ясна причинно-следственная связь

Помимо этих недостатков, еще ряд моментов влекут изменения или хотя бы желание изменить существующие корпоративные опросники:

• Большинство бизнес-показателей оцениваются чаще, чем раньше, и руководители компаний не понимают, почему с вовлеченностью должно быть иначе.
• Бизнес стал более ориентирован на клиента, появились программы, направленные на то, чтобы выслушать обратную связь от клиента, многие из них плотно интегрированы в бизнес-процесс (именно выслушать, а не провести ежегодное исследование). Таким образом, изменился подход к сбору обратной связи от потребителя.
• Рост устойчивых инвестиций и учета заставляет компании принимать во внимание интересы нескольких вовлеченных в бизнес групп в отличие от фокусирования лишь на одной группе (инвесторов?). Сотрудники становятся ключевым участником бизнеса. 
• Технологии меняют экономику кадровой аналитики. Я уверен, что в наше время эти сервисы могут быть лучше, быстрее, дешевле. Это похоже на движение не по кривой, а на смещение самой кривой, и притом, весьма значительное.
• Предприятия быстрыми темпами выстраивают внутренние подразделения, занимающиеся кадровой аналитикой. Эти подразделения всегда хотят иметь качественные данные, которые могут быть интегрированы с другими данными компании
• • Цифровые сервисы (digital) расширяют линейку услуг консалтинговых фирм. Современные исследовательско-аналитические стартапы используют технологии, чтобы получить выгоду от масштабирования решений, работая на наиболее прибыльных проектах.  

Первая реакция: пульс опросы

Пожалуй, начну с того, что, на мой взгляд, идеальный вариант – проводить ежегодные опросники в сочетании с запланированным сбором оперативной обратной связи и/ или приуроченной к каким-либо событиям. Однако в реальности бизнесу требуется направлять краткосрочные ресурсы туда, где они принесут наибольшую выгоду. Я думаю, со временем ежегодные опросники будут проводиться всё реже.

Главный тренд, который мы наблюдаем последние 5 лет, – появление пульс опросы. Эти регулярные короткие опросы обычно используют технологии и автоматизацию и решают многие проблемы традиционных опросников, озвученные выше.

Все пульс опросы решают несколько проблем, в частности, проблему частоты (и связанную с ней проблему устаревания данных). Отчет по результатам формируется автоматически, а ряд инструментов позволяет также автоматизировать аналитику, которая покажет взаимосвязь между различными переменными и вовлеченностью.

Однако у этого метода есть ограничения. Каждая необходимость проходить опрос обременяет сотрудника, и единственный способ обеспечить достаточную «явку» в частых опросах – сделать их короткими, что скажется на полноте собранных данных. Как я упоминал в прошлой статье, это не критично, если давать разным респондентам разные вопросы в случайном порядке и использовать техники заполнения пропущенных данных, однако не так много провайдеров владеют этими методами (да и многие HR департаменты остаются непреклонны).

Также не совсем понятно, как часто можно просить сотрудников заполнить пульс опрос. Здесь нет правильного или неправильного ответа, но есть несколько моментов, которые нужно учитывать.

Наблюдения говорят о том, что вовлеченность на уровне индивида обладает удивительной стабильностью. Большинство людей отвечают одинаково из месяца в месяц, изменения носят минимальный характер, если вообще присутствуют (и мы можем предположить, что это погрешность измерения). Если вы получаете большую погрешность, необходимо проводить замеры часто. В этом случае необходимо сгладить «шумы» перед тем, как демонстрировать результаты опросов.

Помимо этого, сотрудников может раздражать то, что им приходится отвечать на одни и те же вопросы регулярно, особенно, если они не видят никаких положительных изменений, которые сложно осуществить, т.к. опросы проводятся слишком часто. Я думаю, этого можно избежать, используя 1-2 «трендовых» вопроса, но после исследования необходимо предпринять соответствующие изменения, чтобы время на заполнение опроса не казалось сотрудникам потраченным зря.

По нашему опыту, самый оптимальный вариант – собирать обратную связь сотрудников на предмет вовлеченности раз в квартал. Самые продвинутые компании используют месяцы, в которых не проводится исследование, для проектирования опросников на темы, по которым мнение сотрудников крайне ценно, а также собирают обратную связь по результатам ключевых событий.

Улучшенный пользовательский интерфейс не является устойчивым конкурентным преимуществом

Провайдеры пульс опросов хватаются за современные веб-технологии, чтобы приблизить опросники персонала к клиентскому сервису. Это выражается, с одной стороны, в совершенствовании внешнего вида опросника для пользователя, где хороший интерфейс, работающий в том числе на мобильных устройствах, становится всё больше гигиеническим фактором, и с другой – в упрощении отчетов по результатам исследования.

Изначально к созданию Workometry нас подвигло то, что существовавшие тогда инструменты не решали проблему подготовки и очистки данных для анализа. Преобразование данных в вид, пригодный для изучения, и автоматизация скучного процесса подготовки данных дает скорость, качество и экономию.

Что касается отчетов, сейчас довольно просто создавать наглядные, понятные графические панели с результатами опросов для менеджеров и сотрудников. 

Многие новички рынка аналитики предлагают только это. Их решения сокращают общую стоимость операций, сделанных вручную. Однако на мой взгляд, решающим фактором конкуренции в конечном счете будет цена. Прекрасно, если вы маленький или средний клиент, т.к. исторически сложилось, что консалтинг был слишком дорогим без масштабирования. Скорее всего, игроки этого рынка будут объединяться.

Размышления о данных

Здесь начинается самое интересное. Как я уже говорил, развитие более сложных способов обработки кадровых данных создает запрос на более качественную, интегрированную информацию. В то же время остается потребность обеспечивать конфиденциальность ответов, особенно это касается маленьких групп.

Эту проблему могут решить технологии. Программные интерфейсы (API) могут предоставлять выводы на основе данных, при этом оставляя их конфиденциальными. Современные формы хранения данных, например, слабоструктурированные, на которых основана работа нашего Workometry, дают большую гибкость. Мы добрались до этапа развития опросов, когда размер данных не является проблемой. Если нам нужно сравнить людей, которые отвечали на определенный вопрос в этом месяце, с тем, как они отвечали на другой вопрос в прошлом квартале, это возможно. Если нам нужно зафиксировать и проанализировать многие миллионы объемов данных в год, наличие технологии, как это сделать, или ее стоимость перестают быть препятствием.

Второе, что приходит на ум, размышляя о данных, - где взять лучшие данные. Нет смысла спрашивать сотрудников в опросе о том, что мы можем выяснить из других источников. В частности, я говорю о вопросах, касающихся соблюдения политик и процедур. Не правда ли, эти данные мы должны получать из систем? Спрашивайте только то, что нужно.

Ключевая вещь в опросе сотрудников – он должен быть регулярным и построен в форме диалога. Вряд ли вы знаете наперед, о чем будете спрашивать в будущем или какие данные вам необходимо будет включать в опрос. Выбирая новые технологии, предприятия должны учитывать этот момент. Как данные могут быть встроены в модели? Как это может быть реализовано для моделей в режиме реального времени?

Размышляйте об анализе и начинайте действовать

Рассказывать о полученных данных не сложно, но это не рождает каких-либо интересных открытий. Какой бы анализ мы не проводили, начинать стоит с результата – что вы будете делать, если обнаружите что-то новое в данных. Понимание того, что вы можете или хотите изменить, должно лечь в основу того, какие данные вы собираете.

Работать с собранными результатами сложно, особенно, когда речь идет о смешанном опросе, где есть поведенческие и демографические данные, даже учитывая то, что самые популярные – порядковые данные – обрабатываются определенным набором методов (не обязательно самыми распространенными, которые легко делать в Excel). Как я писал ранее, мы большие поклонники графических моделей, и огромный объем наших исследований основан на взаимосвязях – взаимосвязях и отношениях между переменными.

С ростом объема и сложности данных машинное обучение становится всё популярнее для выявления интересных закономерностей. Там, где раньше мы разделяли данные по демографической функции, сейчас всё чаще ищем нелинейные связи, выявляем малые и микросегменты, а также пытаемся связать демографические и поведенческие данные с ощущениями.

Текст

Ранее я уже писал об этом. Как нам представляется, фиксирование и понимание неструктурированных ответов сотрудников будет основным достижением в деле сбора обратной связи ближайших нескольких лет. То же самое мы уже наблюдаем в опросах потребителей.

Чаще всего в исследовательской работе приходится сталкиваться с бинарным разделением – качество или количество. Однако реальность где-то между ними. Всегда существовала техническая возможность проводить качественные опросы с использованием шкалы, однако этому препятствовали временные затраты и стоимость.

То, что мы наблюдаем в современной текстовой аналитике, можно назвать смещением кривой предложения. Сейчас становится возможным задавать открытые вопросы сотням тысяч респондентов. Это открывает невероятные возможности в вопросах полноты данных, привлекательности предоставления данных с точки зрения пользователя и гибкости, динамичности дизайна.

Судя по нашему опыту (а мы занимаем лидирующие позиции в этой области), текстовая аналитика специфична для каждой конкретной области. Наивно полагать, что одним инструментом можно будет анализировать любой текст или использовать один и тот же инструмент для обработки текста из разных специфичных областей.

Боты

В прошлой статье я уже упоминал о них и получил ряд вопросов.  На мой взгляд, мы движемся к тому, что технически оснащенное исследование персонала будет строиться в виде диалога. Сотрудникам будет задаваться открытый вопрос на определенную тему, и, в зависимости от ответа, система будет предлагать соответствующие последующие вопросы.

В ближайшее время эти технологии будут текстовыми, но, скорее всего, они быстро переместятся в область голосового общения. В моем представлении, в будущем система сможет распознавать, с кем ей необходимо поговорить, будет самостоятельно обзванивать респондентов и задавать им серию вопросов с целью найти и уточнить детали по ключевым факторам. И всё это с применением шкалы.

В некоторой степени, проблема состоит не в самом анализе, а в умении сделать его необременительным для пользователя, чтобы респондент был мотивирован поучаствовать. Это самое интересное в исследовании. Результат анализ во многом зависит от изменений на стороне дизайна. Улучшенные интерфейсы = лучше данные = лучше анализ = прорывные идеи. 

Будущее

К чему всё это нас приведет?

Я наблюдаю два направления на рынке приложений для исследований вовлеченности. Первый вариант – это работодатели, которые хотят понимать вовлеченность своих сотрудников, но с небольшими расходами. Такие компании тяготеют к массе приложений, предлагающих исследования вовлеченности в режиме реального времени. Потребители этих продуктов должны понимать пользу, которую они предоставляют: сообщают основные метрики быстро и недорого. Такие провайдеры будут наиболее успешны в той части рынка, где традиционные аналитические компании неэффективны с точки зрения затрат, т.е. для малого и среднего бизнеса. Те, кто будут усложняться и масштабироваться для корпоративных клиентов, прогорят.

Второй вариант – это провайдеры и продукты вроде нашего, который использует технологию машинного обучения для автоматизации более сложных частей исследования. В первую очередь компании типа нашей используют машинное обучение для автоматизации высококвалифицированной работы привлеченных консультантов.

Я думаю, в конечном итоге это уничтожит индустрию традиционного управленческого консалтинга. Инструменты, которые могут задавать открытые вопросы и понимать практически любые ответы, ставят под сомнение традиционные консультационные услуги, связанные со сбором и анализом информации.

Разумеется, они не отменяют потребность в прекрасных консультантах, но новые возможности будут возникать в области углубления экспертизы или создания новых элементов процесса анализа. Консультанты сосредоточатся на разработке стратегий и управлении изменениями. Вероятно, меньше из них будет работать в исследовательских компаниях, но, я думаю, это изменение увеличит спрос на услуги лучших из них.

Об авторе

Andrew – один из пионеров кадровой аналитики в Европе. Он основатель OrganizationView, создатель инструмента для получения обратной связи от сотрудников с помощью открытых вопросов Workometry и сооснователь сообщества Кадровой аналитики Швейцарии

Andrew возглавлял первую конференцию в области европейской кадровой аналитики – HR Tech World’s 2013 ‘Big Data’ и был сопредседателем конференции Tucana’s ‘People Analytics’ в 2014, 2015 и 2016 гг. Он преподает HR-аналитику и «управляемый данными HR» в Европе и Азии и является членом консультативной группы по аналитике в области человеческого капитала CIPD, провозглашая стандарты и стратегию в HR-аналитике.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме