Перевод статьи Is the sky about to fall on People Analytics?

Авторы: Макс Блумбер и Алекс Левенсон - главные провокаторы на рынке людской аналитики

Небо вот-вот упадет на People Analytics?

В последние годы, когда глобальная экономика развивалась, процентные ставки были низкими, а компаниям было относительно легко зарабатывать деньги, размер и охват групп #PeopleAnalytics (PA), казалось, постоянно увеличивались. В результате, даже несмотря на экономические потрясения, вызванные пандемией Covid-19, рабочих мест в Пенсильвании было предостаточно, и оказалось, что у Пенсильвании есть широкие возможности продемонстрировать ценность для бизнеса. Это было особенно верно, когда приходилось бороться с гибридной работой и измерять температуру рабочей силы во время глобальных потрясений и беспорядков.

Перевод статьи Progressing HR with Max Blumberg нашего проекта переводы статей по hr-аналитике на английском (отслеживайте материалы блога через телеграм канал HR-аналитики). Автор Neelie Verlinden

Перевод выполнила Ирина Самойленко -- Сhief HR производстенной компании г. Днепр, Украина (профиль на LinkedIn) . Это третий перевод Ирины в нашем блоге, смотрите также 

1. 50 показателей адаптации персонала для улучшения Опыта сотрудника (Employee Experience)
2. Talent acquisition. Привлечение талантов: полное руководство
3. Руководство для начинающих по машинному обучению для HR-практиков
4. Нужна ли Вам Data Strategy (Стратегия данных)?
5. Как Карьерный Путь (Career Pathing) может помочь Вам завоёвывать таланты и повышать вовлеченность 
6. Чтобы найти лучшие стимулы для сотрудников, начните с простого A/B-теста 

Итак,

Progressing HR с Максом Блумбергом

О серии:

«Progressing HR» (развитие  HR) - это еженедельная серия в нашем блоге, в которой представлены мнения экспертов по диджитализации HR в отношении предвзятости и найма.

Об авторе:

Доктор Макс Блумберг - основатель консалтинговой компании Blumberg Partnership, специализирующейся на HR аналитике, которая занимается трансформацией рабочей силы с помощью аналитики на основе данных. Он является научным сотрудником Лондонского университета Goldsmiths и приглашенным профессором бизнес-школы Университета Лидса.

<

"БАРОМЕТР МНЕНИЯ"

На сколько важной Вы считаете диджитализацию при отборе персонала?
□ Очень важно	■ Важно	□ Не столь важно	□ Не важно
На сколько важным Вы считаете сокращение предвзятости при отборе персонала?
■ Очень важно	□ Важно	□ Не столь важно	□ Не важно
Сейчас появляются в доступе алгоритмы, решающие HR'овские задачи. Находите ли вы их преимущественно позитивными?
□ Да	□ Преимущест-  венно да	■ Преимущест- верно нет	□ Нет
В приведенных ниже примерах Вы бы предпочли, чтоб решение принимал алгоритмы или человек? Или их комбинация?     Алгоритм Комбинация Человек Сокращение предвзятости □ ■ □ Избежание неверных решений □ ■ □ Прозрачность в принятии решений □ ■ □ Нахождение лучших кандидатов □ ■ □ Быстрое реагирование □ ■ □

Видите ли вы потенциал использования алгоритмов при подборе персонала? В чем есть риски?

Если ручная работа сократится в результате автоматизации, большая часть будущего найма будет сосредоточена на двух общих типах работы, которые нелегко автоматизировать: это должности, относящиеся к интеллектуальной работе и к «эмоциональному труду» (например, руководящие и управленческие роли).

1. Эмоциональная работа: предсказание эмоций является Святым Граалем для разработчиков алгоритмов с тех пор, как Фрейд впервые предложил квазинаучную модель для прогнозирования эмоционального поведения человека; к сожалению, ни одному алгоритму пока не удалось предсказать эмоциональное поведение (по крайней мере, значимым образом).

Смогут ли алгоритмы когда-либо предсказывать эмоциональное поведение? Можно предположить, что до разработки алгоритмов, способных предсказать, обладают ли кандидаты «эмоциональной» способностью управлять другими, осталось примерно лет 25. Это связано с тем, что современные алгоритмы искусственного интеллекта работают на когнитивном уровне примерно 5-летнего ребенка, поэтому, вероятно, потребуется еще 20–30 лет, прежде чем они "повзрослеют".

2. Интеллектуальная работа: алгоритмы намного лучше подходят для отбора кандидатов с соответствующим уровнем знаний, чем для отбора кандидатов, способных управлять эмоциями других.

Например, алгоритмы уже способны выбирать эффективных кандидатов в области STEM (аббревиатура от S-science (наука), T-technology (технологии), E-engineering (инженерия), M-mathematics (математика); и мы можем ожидать, что это быстро распространится на отбор кандидатов на другие должности, такие как медицина. (Обратите внимание, однако, что алгоритмы отбора по знаниям не смогут предсказать поведение этих медицинских работников у постели больного, потому что поведение у постели больного предполагает предсказание эмоций - см. Пункт 1 выше).

Так что да, потенциал в помощи при отборе для интеллектуальной работы есть. Но риски здесь следующие:

1. Развертывание выбора на основе алгоритма для должностей, для которых алгоритм не предназначен (например, попытка отбора по эмоциональным  компетенциям)

2. Алгоритмы, которые смещены в сторону одних групп больше, чем других из-за неадекватной калибровки «GRRACCES» (GRRACCES - аббревиатура = G-пол, R-раса, R-религия, A- (не)способности, C-класс, C-культура, E-этническая принадлежность, S-сексуальная привлекательность). Это может привести к тому, что психологи и юристы называют неблагоприятным воздействием, и неуспешные кандидаты могут подать в суд на работодателей за дискриминацию. Подробнее о неблагоприятном воздействии ниже.

3. Последний риск заключается в разработке неточных алгоритмов, поскольку они не соответствуют научному процессу, такому, как описан ниже.

Как вы думаете, в какой степени предвзятость играет роль в отборе персонала?

Хотя мы можем уменьшить неблагоприятное воздействие, предвзятость не может быть полностью устранена из алгоритмов или поведения человека. Например, допустим, мы с вами набираем продавцов. При наборе продавцов следует учитывать как минимум два интересных аспекта:

Во-первых, продажи включают в себя значительную часть эмоционального труда (например, управление эмоциями потенциальных клиентов); значит - согласно обсуждению в разделе 1 выше - мы не можем использовать алгоритм для выбора кандидатов. Таким образом, нам с вами придется проводить большую часть процесса отбора лично.

Во-вторых, существует не единственный тип «успешных» продавцов; успешные продавцы имеют самый разный вид, стиль, познавательные отношения, знания, навыки и способности; единого шаблона нет. (На самом деле это верно для большинства должностей).

Вернемся к вам и мне, когда мы отбираем кандидатов на роль продавца:

По своему опыту работы менеджером по продажам вы, возможно, пришли к выводу, что кандидаты типа A (какими бы они ни были) являются лучшими продавцами; напротив, мой опыт работы менеджером по продажам, возможно, научил меня, что кандидаты типа B - лучшие продавцы.

Реальность в этой ситуации такова, что мы оба правы, исходя из нашего прошлого опыта, а опыт часто является другим словом для обозначения «предвзятости».

Поэтому, когда приходят кандидаты типа А, я говорю, что они замечательные, а вы говорите, что нет. И когда приходят кандидаты типа B, наши взгляды меняются на противоположные. Таким образом, мы оба делаем выбор на основе наших личных предубеждений - и в данном случае это нормально, потому что мы оба можем быть правы.

Но предвзятость недопустима, когда мы несправедливо дискриминируем людей на основании «GRRACCES» (см. расшифровку выше). Итак, итоги: да, предвзятость играет значительную роль при подборе персонала, иногда хорошую, иногда плохую.

Как вы думаете, какой процесс поиска подходящего сотрудника является идеальным?

Научный метод, разработанный за последние 400 лет и используемый в академических кругах по всему миру, вероятно, лучший из известных нам способов создания достоверных и надежных прогнозов. Он применим к отбору, так же, как и к прогнозированию безопасности нового медицинского препарата.

Вот этот научный метод, применяемый для отбора сотрудников на определенную должность в конкретной организации:

1. Определите показатель эффективности результатов

Сначала определите метрику для измерения результативности на данной должности. В худшем случае эта метрика может быть просто рейтингом, полученным на основе оценок производительности сотрудников, но мы часто можем добиться большего, используя дополнительные метрики производительности, собранные от команд компании-работодателя.

2. Ранжируйте сотрудников по выбранной метрике производительности

Теперь ранжируйте сотрудников по возрастанию результативности, согласно шкале, полученной выше. Если мы набираем сотрудников на будущие должности (например, на 3 года вперёд), то нам необходимо ранжировать наших нынешних сотрудников на основе того, как, по нашему мнению, их результаты будут выглядеть через 3 года.

Конечно, чем на дольше в будущем мы прогнозируем наши рейтинги, тем менее точным становится процесс отбора. По нашему опыту, обычно лучше всего выполнять этот процесс на основе результатов работы сотрудников в текущем году, а затем повторять этот процесс ежегодно.

3. Определите характеристики, по которым можно отличить высокие и низкие показатели

Итак, теперь у нас есть список сотрудников для должности, на которую мы набираем, ранжированных от высокого до низкого уровня по некоторой согласованной компанией метрике производительности. Затем мы просим менеджеров и опытных сотрудников на данной должности выдвинуть гипотезы о характеристиках, которые могут различать исполнителей с высокими и низкими показателями на данной должности.

Затем мы измеряем эти предполагаемые характеристики у наших нынешних сотрудников и строим статистическую модель, чтобы определить, какая из предполагаемых характеристик лучше всего предсказывает нашу метрику производительности (при этом помня, что корреляция является не обязательно обусловленной).

Результатом этого шага является набор «победивших» характеристик, которые предсказывают производительность на данной должности с требуемым уровнем точности. (Может быть несколько кластеров характеристик, которые предсказывают высокую производительность, как обсуждалось в примере отбора продавцов, обсужденном ранее).

4. Используйте победившие характеристики для построения алгоритма отбора

Теперь, когда мы знаем, какие победившие характеристики предсказывают производительность, мы можем встроить их в алгоритм найма, который оценивает потенциальных кандидатов по этим характеристикам, а затем использует статистическую модель, разработанную на шаге 3, чтобы определить, насколько кандидаты похожи на наших существующих высокоэффективных сотрудников.

Вот и все: таков научный процесс поиска подходящего сотрудника.

Могут ли алгоритмы помочь снизить предвзятость при подборе персонала?

Предвзятость при подборе персонала часто сводится к неадекватной выборке при создании алгоритма. Например, если я брал только сотрудников из Великобритании при разработке научного алгоритма отбора, описанного выше, есть разумная вероятность того, что алгоритм может быть неточным при отборе кандидатов из других стран.

Алгоритмы могут помочь уменьшить предвзятость при подборе персонала, если есть гарантия, что при разработке алгоритма используются репрезентативные выборки сотрудников.

Перевод статьи Why #PeopleAnalytics should NOT be using regression to predict team outcomes нашего проекта переводы статей по hr-аналитике на английском. Автор уже давно знакомый нам Max Blumberg - открою секрет, Max Blumberg на Западе более популярен, что Josh Bersin. 

Юлия Бабаева, руководитель департамента People Partners (HR) в компании Ciklum (информационные технологии). Профиль на LinkedIn

Причины, по которым аналитика по персоналу (#PeopleAnalytics) не должна использовать Регрессионный анализ для прогнозирования

(дата публикации: 14 мая, 2020 г.)
Известно ли вам, что регрессионный анализ (или любая Обобщенная линейная модель модель GLM) предполагает, что наблюдения за значением Y (результатом или зависимой переменной) независимы? Если же они не являются независимыми, то ваши коеффициенты могут быть завышенными, а прогнозы - не точными.
Предположим, вы пытаетесь определить, что является определяющим фактором для  эффективности, вовлеченности или удерживает сотрудников в вашей команде; другими словами, ваша зависимая переменная – это эффективность, вовлеченность или удержание персонала.
Теперь задайте себе вопрос: показатели вовлеченности ваших сотрудников внутри одной команды независимы друг от друга? Конечно же, нет: люди внутри одной команды влияют друг на друга. Например, если сотрудник по имени Лао недоволен каким-либо аспектом своей работы и является невовлеченным, есть большой шанс, что другие члены команды будут чувствовать себя так же, и как следствие, их показатели вовлеченности не ялвяются независимыми, как того требует обобщенная линейная модель GML.
Или рассмотрим другой пример: если поведение руководителя команды влияет на эффективность одного члена команды, есть шанс, что его поведение влияет и на эффективность всей команды в целом. Поэтому, показатели эффективности членов команды не есть независимые величины, и вы нарушаете ключевое допущение регрессионого анализа, результатом чего будут являться неточность прогноза и неверные рекомендации для компании.
Я обнаружил этот важный факт при исследовании факторов, влияющих на удовлетворенность романтическими отношениями пары («команды» из двух человек) и быстро понял, что если один партнер недоволен отношениями, есть большой шанс, что и второй партнер тоже будт недоволен. Таким образом, показатели удовлетворенности не есть независимыми величинами. И регрессионный анализ даст неточный прогноз. Как же это исправить?
Решением является использование  метода под названием Многоуровневая регрессионная модель  (Multilevel Modeling, MLM), который не предполагает, что зависимые переменные не зависят друг от друга. Это однозначно лучший метод получить точный результат и подать верные рекомендации при работе с данными по персоналу. По факту, я бы не делал никаких проектов, связанных с аналитикой по персоналу (#PeopleAnalytics) без этого метода.
Многоуровневая регрессионная модель (MLM) как метод часто упоминалась в новостных ресурсах несколько лет назад, так как политаналитики успешно использовали ее для прогнозирования победы Трампа на выборах президента и Брексита. До этого, использовался метод регрессионного анализа, и прогнозы были неверными.
Если вы хотите избежать ошибок, допущенных политаналитиками, и хотите составлять точные прогнозы и давать действенные рекомендации о факторах эффектвиности команд в вашей организации, сделайте выбор в пользу Многоуровневой регрессионной модели (MLM) вместо Обобщенной линейной модели (GLM).

Применение научной HR-аналитики для совершенствования HR-процессов

Перевод статьи How to use Scientific People Analytics to improve people processes в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор - Max Blumberg, это уже третья статья серии о научной HR-аналитике, см. первые две статьи

1. HR-аналитика и научный метод
2. Научная HR-аналитика: обзор метода профилирования значений

Перевод сделала Екатерина Малинина, 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. Это уже десятый перевод Екатерины :

1. 8 главных HR-трендов 2018 года
2. Истинно стратегическое планирование трудовых ресурсов
3. Тренды в оценке настроений сотрудников и исследовании вовлеченности
4. Исследования вовлеченности персонала: часть 1, проблемы традиционного подхода
5. Прогнозирование в HR-аналитике не так важно, как вы думаете
6. Радикальный эксперимент Unilever с процессом найма персонала: резюме – снаружи, алгоритмы – внутри
7. Анализ текучести персонала – Описательные методы
8. Анализ текучести персонала – Методы прогнозирования
9. Научная HR-аналитика: обзор метода профилирования значений

Итак,

Применение научной HR-аналитики для совершенствования HR-процессов

В третьей статье серии доктор Max Blumberg исследует, как применять научную HR-аналитику (Scientific People Analytics, SPA) в принятии решений, касающихся управления человеческим капиталом организации. 

В предыдущей статье я показывал, как применять профилирование значений. Статья ниже предлагает пошаговую инструкцию о том, как применять HR-аналитику для совершенствования некачественных процессов.

Для чего нужны методы научной HR-аналитики?

Вообще, нельзя гарантировать, что изменение процессов принесет желаемый бизнес-результат. 

Для многих видов бизнеса плохо сконструированные HR-процессы оборачиваются потерей миллионов или даже десятков миллионов фунтов в год. Например, представьте издержки от внедрения слабых процессов подбора персонала, которые препятствуют найму высокопотенциальных кандидатов, или от процессов обучения и развития, которые не справляются с формированием необходимых для компании компетенций.

Методы научной HR-аналитики позволяют заранее протестировать эффективность предлагаемых изменений – приведут ли они к желаемому бизнес-результату или нет. И если ответ отрицательный, придется искать другие варианты.

Что представляют собой методы HR-аналитики?

Научная HR-аналитика основана на научном методе, изложенном в первой статье. Данный метод является универсальным стандартом и используется для проверки широкого ряда утверждений в различных областях, включая исследование новых лекарств, оборудования и, с недавних пор, бизнес-процессов (например, финансовых, маркетинговых).

Применять научный метод можно по-разному – в зависимости от проблемы, которую нужно решить, и доступных ресурсов. Я выбрал описываемую в статье методику (см. рис. 1), потому что она непосредственно оценивает воздействие изменений в процессах на результат организации.

Рис. 1: Научная HR-аналитика может оценить влияние обновленных HR-процессов на улучшение бизнес-показателей.

Вкратце, научная аналитика собирает данные о текущем состоянии рабочей силы, ключевых факторах производительности и желаемом бизнес-результате до изменения HR-процессов. Дальше процессы меняются, и, спустя некоторое время, данные о рабочей силе, факторах производительности и результатах вновь собираются.
Если разница между данными до и после процессных изменений достаточно велика, то это доказывает, что изменение процессов достигло своей цели, и их можно внедрять.
Чтобы лучше разобраться, как применять методологию научного анализа, изучите инструкцию ниже.

1. Сбор данных до изменений (базовый уровень) 

Первым делом соберем базовые данные, предшествующие изменению проблемных HR-процессов. Для этого берем данные обо всех уровнях профилирования значений, описанных в предыдущей статье:

Данные об HR-процессах

Выбор конкретных данных для сбора зависит от того, какие именно процессы предстоит изменять, а также от природы изменений. Например, изменение процессов взаимодействия между сотрудниками будет затрагивать данные о различных уровнях коммуникации; изменение процесса планирования преемственности потребует данных о размере бюджета на поддержание списка преемников, количестве позиций, требующих преемников и т.д.

Данные о характеристиках рабочей силы, ключевых факторах производительности и бизнес-показателях

Ранее я показывал, что невозможно точно предсказать, какие характеристики рабочей силы, показатели производительности и бизнес-результат будут затронуты изменениями конкретных HR-процессов. Причина этого в том, что каждый HR-процесс потенциально может влиять на множество показателей. Скажем, изменение процесса подбора, скорее всего, затронет:

• Такие характеристики рабочей силы, как вовлеченность и производительность новичков
• Такие ключевые факторы производительности, как продуктивность, качество, инновационность и рост клиентов
• Такие бизнес-показатели, как выручка и прибыль

Это означает, что в идеале мы должны измерить все характеристики рабочей силы, факторы производительности и бизнес-результаты перед обновлением HR-процессов.
Если ограниченные ресурсы не позволяют произвести подсчет всех показателей, следует, как минимум, измерить те факторы, которые (гипотетически) изменятся в результате обновления процесса.

2. Изменение HR-процессов

Следующим шагом применим изменения к некачественному HR-процессу с целью сокращения его негативного влияния на желаемый результат.
Но что именно нужно сделать с процессом, чтобы с наибольшей вероятностью получить желаемый результат? Источники ниже пригодятся для формирования вариантов:

Сотрудники

Идеи об изменении процессов от сотрудников обычно предпочтительнее, чем рекомендации внешних консультантов, как минимум, по двум причинам: во-первых, у сотрудников понимание специфики требований к процессам компании лучше, чем у внешних экспертов, знания которых носят более общий характер. Во-вторых, и, возможно, это более важно, если сотрудники не вовлечены в разработку процессов, которые влияют на достижение ими их результатов, вероятнее всего, они будут выполнять их ради галочки.

Проекты, осуществляемые в похожих бизнес-условиях

Вполне вероятно, что в это же самое время кто-то еще – внутри вашей организации или за ее пределами – попытается решить аналогичные проблемы. Так что обычно очень полезно бывает:

• Расспросить коллег об их аналогичном опыте
• Изучить публикации тематических исследований (Google Scholar – очень полезный ресурс для этого)

Не забудьте перед применением чужого опыта убедиться, что условия реализации тех проектов в значительной мере соответствуют вашим собственным. Если это не так, результат может не соответствовать ожиданиям в вашей бизнес-среде.

3. Сбор данных после изменения процессов

После реализации изменений в HR-процессах и наблюдения за ними в течение некоторого времени приступаем к сбору данных, чтобы определить, привели ли изменения к желаемым улучшениям бизнес-показателей.
Данные, собранные на этом шаге, должны быть из тех же уровней профилирования значений, что и базовые данные, собранные в шаге 1.

4. Анализ разницы данных до и после изменений

Анализ данных до и после изменений может быть простым или сложным. Простой анализ исследует разницу между данными до и после изменений по всем уровням профилирования значений (HR-процессы, характеристики персонала, факторы производительности и бизнес-показатели), как показано на рисунке 1.
Если разница в данных значительна, изменения в процессах можно внедрять.
Проблема простого анализа состоит в том, что определение значимой разницы очень субъективно.
Более сложный статистический анализ не только решает эту проблему, но также помогает определить, какие именно изменения в процессах повлияли на улучшение бизнес-показателей. Например, сложный анализ может высчитать, какие комбинации компетенций сотрудников и соответствующего уровня компенсации принесет наибольший рост производительности.

Изолирование эффектов HR-процессов

Проверяя воздействие измененных HR-процессов на результат, важно выявить истинную причину наблюдаемых улучшений – были это изменения процессов или какие-то другие факторы (например, улучшилась общая экономическая ситуация или обновилась управленческая команда). Называется это контроль, или изолирование, эффектов HR-процессов.
«Золотым стандартом» изолирования эффекта считается произвольный выбор группы сотрудников, работающих по старым, не обновленным процессам, и такой же произвольный выбор другой группы, работающей по обновленным процессам. Этот подход известен как А/В, или контрольная группа.
Использование А/В-теста подходит для оценки изменений, например, в процессе обучения или развития, однако по этическим соображениям он не используется для оценки процесса компенсации. В этом случае следует использовать альтернативные техники изолирования.
В реальности, контрольные группы чаще используются для академических исследований, чем в реальных организационных условиях. Следовательно, компании вынуждены находить альтернативные подходы к исследованию изменений в процессах. Однако их надежность ниже, чем у контрольных групп, и их целесообразно использовать лишь как индикаторы – произошло улучшение или нет.
В частности, один из полезных подходов – проверить, что любые улучшения, произошедшие вследствие изменения процессов, представлены на всех уровнях профилирования значений, а не только на уровне бизнес-результата. То есть изменения процессов должны улучшить характеристики рабочей силы, показатели эффективности и бизнес-результаты.
Другими словами, если улучшение бизнес-результатов не сопряжено с улучшением показателей рабочей силы и эффективности, значит, оно произошло благодаря другим факторам.

Во всех ли случаях следует применять методы научной HR-аналитики?

Применение научной аналитики требует времени и ресурсов, поэтому, в первую очередь, применять ее нужно в тех случаях, когда альтернативная стоимость реализации неоптимального процесса достаточно велика, чтобы оправдать ее использование. Например:

• Если невыполнение клиентской службой своих показателей оборачивается потенциальными потерями 80 млн фунтов ежегодно, то использование научной аналитики для определения компетенций, которыми должны обладать представители клиентской службы, будет вполне оправданным вложением
• Если потенциальные потери от найма низкоэффективного административного персонала выражается в нескольких тысячах фунтах, т.к. его легко заменить, вкладывать 20 тысяч фунтов в улучшение программы подбора не имеет смысла

Таким образом, возможные затраты на использование несовершенных процессов необходимо сравнивать со стоимостью использования методологии научной HR-аналитики.

В следующей статье…

В заключительной статье я буду сравнивать преимущества и недостатки научной HR-аналитики и других модных подходов. Не пропустите!

Научная HR-аналитика: обзор метода профилирования значений

Перевод статьи Scientific People Analytics: a look at Value Profiling в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор - Max Blumberg, это уже второй перевод автора в нашем блоге, прежде был перевод первой статьи серии HR-аналитика и научный метод.
Перевод сделала Екатерина Малинина, 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. Это уже девятый перевод Екатерины:

1. 8 главных HR-трендов 2018 года
2. Истинно стратегическое планирование трудовых ресурсов
3. Тренды в оценке настроений сотрудников и исследовании вовлеченности
4. Исследования вовлеченности персонала: часть 1, проблемы традиционного подхода
5. Прогнозирование в HR-аналитике не так важно, как вы думаете
6. Радикальный эксперимент Unilever с процессом найма персонала: резюме – снаружи, алгоритмы – внутри
7. Анализ текучести персонала – Описательные методы
8. Анализ текучести персонала – Методы прогнозирования

Итак, 

Научная HR-аналитика: обзор метода профилирования значений

Представляем вам вторую из 4 статей (читайте перевод первой части HR-аналитика и научный метод), рассказывающих об использовании научной HR-аналитики (Scientific People Analytics, SPA) в принятии решений, касающихся человеческого капитала организации.

Чтобы понять, как научная HR-аналитика может помогать в принятии управленческих решений, полезно будет взглянуть, почему и как менеджеры принимают решения в области человеческого капитала. Об этом и пойдет речь в настоящей статье.

Организации существуют для того, чтобы достигать бизнес-целей. Например, коммерческие организации должны приносить доход акционерам, а организации государственного сектора должны обслуживать нужды граждан. Главная роль менеджеров состоит в том, чтобы помогать организациям достигать желаемых результатов за счет принятия двух видов решений:

1. Выделение средств 

Руководители высшего уровня решают, как распределить имеющиеся фонды между активами и ресурсами, требующимися для достижения бизнес-целей (См. рис. 1). Например, из доступных £100 млн управленцы могут направить на инвестиции в человеческий капитал £40 млн.

2. Распределение средств

Операционные менеджеры – с помощью таких поддерживающих функций, как HR, маркетинг, финансы – должны решить, как применить эти вложения для достижения поставленных бизнес-целей. Скажем, если речь идет об инвестициях в человеческий капитал, менеджеры должны принять решение о распределении этих средств по направлениям карьерного развития, управления производительностью, планирования преемственности, рекрутмента и т.д.

Количество против качества

Раньше большинство решений о выделении и распределении средств было основано на интуиции и чутье менеджеров. Хотя эти факторы важны, зачастую неосознанная предвзятость может привести к некачественным решениям.

Сегодня количественные методы – в целом, именуемые бизнес-аналитикой – доступны менеджерам как дополнение (но не замена) субъективных решений с целью повышения их качества.

В данной статье мы остановимся на природе менеджерских решений в области человеческого капитала и их влиянии на бизнес-результаты.

Рис. 1: Желаемый бизнес-результат – это итог успешного распределения инвестиций и использования ресурсов компании

Влияние решений в области человеческого капитала на бизнес-результаты

С точки зрения человеческого капитала, правильные HR- решения активируют Ключевые факторы производительности (Key Performance Drivers, KPDs), которые, в свою очередь, помогают организации достигать желаемых бизнес-показателей (См. рис. 2). 

И наоборот, когда менеджеры принимают неэффективные HR-решения, у организации отсутствуют нужные средства и ресурсы, которые могут помочь ей достичь желаемого бизнес-результата.

Основной фокус тут в том, что конечный бизнес-показатель жестко привязан к качеству принимаемых менеджерами решений в области человеческих ресурсов.

Рис. 2: Преобразование  HR-решений в бизнес-результат

Но какие конкретно HR-решения должны принимать менеджеры? Вот несколько примеров:

Примеры решений в области подбора персонала

• Какие знания, навыки и умения мы должны искать в кандидатах?
• Какие каналы нужно использовать для привлечения соискателей?
• Как мы интегрируем новичков в организацию?

Качество решений в подборе персонала влияет на многие характеристики рабочей силы (См. рис. 3), такие как вовлеченность и удержание, производительность, управление талантами, адаптивность – и это только некоторые из них. Если решения успешны, тогда эти факторы активируют KPD,и бизнес-цели достигаются. Если неэффективны, то компанию ожидает провал.

Примеры решений в планировании рабочей силы

• Каковы наши ближайшие и долгосрочные требования по численности и навыкам рабочей силы для реализации стратегии?
• В каких регионах самые труднозаполняемые позиции?
• Какие роли было бы эффективнее автоматизировать?

И вновь, качество этих решений будет влиять на факторы рабочей силы, производительность и бизнес-результат, как показано на рис. 3

Рис. 3: Процесс профилирования значений в области человеческого капитала (Accenture, 2006)

Как поможет профилирование значений?

Если успешные HR-решения настолько важны для достижения бизнес-результатов, как менеджерам узнать, над какими процессами следует работать в первую очередь? Или как менеджерам определить приоритеты среди тех HR-процессов, которые ограничивают развитие компании?

Ответ лежит в методе HR-аналитики, который называется «профилирование значений».

Профилирование значений выявляет те HR-процессы, которые в наибольшей степени влияют на достижение бизнес-целей организации и которые при этом работают хуже всего.

Обычно эта информация презентуется в форме матрицы стратегии, как показано на рис. 4. В данном конкретном примере процесс подбора персонала представляется самым важным для достижения результата; однако в то же время этот процесс хуже всего имплементирован.

Рис. 4: Использование матрицы стратегии для выбора HR-процесса, требующего развития.

Следовательно, самый важный шаг, который может сделать компания, чтобы увеличить влияние человеческого капитала на бизнес-результат, - повысить эффективность процесса подбора персонала. 

Следующий важный шаг, судя по рисунку 4, - это повысить эффективность управления компетенциями и управления обучением.

Такая матрица стратегии формируется с помощью структурированного опросника, предлагаемого высшему менеджменту, отдельным сотрудникам HR, а также близким операционным и функциональным подразделениям с целью оценить 1) важность и 2) эффективность каждого HR-процесса. Затем эти результаты обобщаются и сопоставляются в подобную матрицу стратегии.

Ключевые моменты

Из всего сказанного выше хочется выделить два ключевых момента.

1.  Цель аналитики – работать с факторами, влияющими на бизнес-результат, а не с характеристиками рабочей силы

Это важное замечание, потому что конечная цель огромного количества проектов в HR-аналитике сегодня – это работа с удержанием персонала или лидерством.

Хотя эти проблемы могут казаться важными, этого недостаточно для оправдания вложений в проекты по HR-аналитике. HR-аналитика нужна не для того, чтобы решать проблемы рабочей силы, а для того, чтобы компания могла достигать своих бизнес-целей с помощью KPD.

Главная мысль состоит в том, что проекты по HR-аналитике должны решать проблемы бизнес-показателей или KPD. Использование метода профилирования значений гарантирует это.

2. Все решения в области человеческого капитала – это решения исключительно в области HR-процессов.

Хотя менеджеры принимают решения об HR-процессах, они не могут напрямую решать проблемы рабочей силы, KPD или бизнес-результата.

Например, нельзя сказать, что «удержание» или лидерство завтра станет эффективнее на 30%; но завтра можно улучшить соответствующие процессы, такие как карьерное развитие или компенсации. Если повезет, эти изменения приведут к росту удержания персонала и любому бизнес-результату, который планировался.

Но неужели единственное, на что могут надеяться организации при оптимизации HR-процессов, - это удача?

Нет… хорошая новость в том, что есть еще кое-что, помимо удачи. Организации могут научиться использовать другой метод научной HR-аналитики, описанный в следующей части настоящей серии статей.

__________________________________________________________

На этом все, читайте нас в фейсбуке, телеграмме и вконтакте

HR-аналитика и научный метод

Перевод статьи People Analytics and the Scientific Method в рамках нашего  проекта переводы статей по hr-аналитике на английском. Автор статьи Max Blumberg, мы впервые переводим его статью, но на самом деле он один из самых цитируемых HR визионеров в области HR аналитики.
Перевод выполнила Татьяна Фролова (ссылка на профиль в фейсбуке), Руководитель группы мотивации 2GIS, г. Новосибирск. Татьяна, насколько мне известно, самостоятельно осваивает программу R. Прошу любить и жаловать. Это первый и, надеюсь, не последний перевод Татьяны

Итак

HR-аналитика и научный метод
Часть I: Введение
Обзор

Эта статья является первой в серии из трех частей, где я буду объяснять как научный подход может быть использован для повышения эффективности работы и рентабельности человеческих ресурсов в компаниях. Часть I предлагает обоснование использования научного подхода. В части II показывается как научный подход можно использовать при принятии решений в области человеческих ресурсов, а в части III объясняется применение научного метода в контексте эффективной аналитики.

Принятие научных решений в организациях

Из-за значительных социальных и медицинских рисков, связанных с выводом на рынок нового медицинского препарата, фармацевтические компании по закону обязаны провести клинические испытания, для демонстрации того, что предлагаемый препарат пригоден для использования и не приводит к нежелательным побочным эффектам. Клинические испытания, в свою очередь, основываются на научном методе установления причинно-следственных связей (рис. 1). Многие современные аналитические методы, которые используются в бизнесе фактически взяты из этого научного подхода.

 Рисунок 1: Доказательство того, что использование препарата А приводит к желаемому результату

Тем не менее, научные методы не ограничивается только производственными и научно-исследовательским потребностями бизнеса: исследованиями рынка, продаж, закупок, финансовых показателей и всем тем, чем мы привыкли пользоваться по крайней мере последние 20 лет. Например, ещё до инвестирования в кампанию, маркетологи-аналитики используют А/B метод, основанный на научном подходе для того, чтобы продемонстрировать, какая маркетинговая кампания обеспечит наибольшую рентабельность инвестиций (рисунок 2).