Рост Talent Intelligence: HR-аналитика набирает скорость

Перевод статьи The Rise of Talent Intelligence: People Analytics Accelerates в рамках нашего проекта переводы статей по hr-аналитике на английском. Автор - Josh Bersin, это самый переводимый автор нашего блога. Приведу только одну статью
Джош Берсин. Переворот рынка HR технологий: 10 топ трендов 2018
Перевод сделала Екатерина Заседателева, Старший специалист по C&B в международной компании. Про Екатерину достаточно сказать одно:в четверг и пятницу она была на моем семинаре Аналитика для HR, а в воскресенье уже выдала перевод. Профиль Екатерины в Линкедине. И это первый перевод Екатерины в нашем блоге.
Итак,

Рост Talent Intelligence: HR-аналитика набирает скорость

HR-аналитика – это чрезвычайно важно. В нашем последнем исследовании (Deloitte Human Capital Trends 2018) мы обнаружили, что 71% компаний считает, что HR-аналитика – важнейший приоритет, особенно в этом году, когда рынок труда становится жёстче, и CEO требуют всё больше информации, чем когда-либо. Каким образом мы можем способствовать высокой производительности сотрудников в компании? Как нам привлекать лучших кандидатов?  Что мы можем сделать для увеличения продаж, качества и скорости обслуживания? Список вопросов можно продолжать бесконечно.

Давайте посмотрим правде в глаза, HR боролись изо всех сил. В то время, как модель зрелости Bersin by Deloitte демострирует прогресс в аналитике, новые данные из LinkedIn говорят о том, что только у 22% компаний есть функция анализа данных и только 11% выделяют под это должность. С чем связано отставание и как нам перейти на новый уровень?

Рад сообщить, что эра talent intelligence уже здесь.  По определению LinkedIn, talent intelligence – это управление данными с целью переосмысления и улучшения каждого этапа найма сотрудников. На мой взгляд, данное понятие гораздо шире: организации хотят использовать данные для улучшения всех аспектов, как влияющих на развитие сотрудников, их вовлеченность, производительность, так и на бизнес-результаты. И искусственный интеллект (ИИ)  способен им в этом помочь, как никогда.

Требуется ли для этого команда кандидатов наук в области статистики?  Больше нет. Такие инструменты, как LinkedInʼs new Talent Insights, ADPʼs Workforce Executive and Management Insights, Visierʼs  Analytics Platform и Workdayʼs augmented analytics способны предоставить информацию бизнесу и HR-менеджерам без необходимости проведения масштабного проекта по аналитике.

Рис.1: LinkedIn Talent Insights

Готовы ли HR и бизнес-лидеры к этому? Во многих случаях, да. Недавно я провел день с руководителями HR одной из самых крупнейших страховых компаний в мире и спросил их: “У кого из вас есть опыт в статистике?”. Почти каждый поднял руку. И это превосходно, что аналитика быстро проникает в профессию HR. 

Недавно LinkedIn проанализировал данную тенденцию и пришел к выводу, что за последние пять лет в Северной Америке произошло троекратное увеличение HR-профессионалов, которые включили в свои профили аналитические навыки (В России у HR-директоров компетенция "аналитическое мышление" с пятого места поднялась на третье в рейтинге, см. Как изменились компетенции HR-директора с 2012 по 2018 - прим. Бабушкина Эдуарда). HR наконец-то заинтересован в аналитике (читайте мою статью “People Analytics Arrives with a Vengeance”), и эта профессия становится скорее наукой. 

С чем связан рост? 

Этому есть множество причин, но основная – это требование CEO/генеральных директоров. В условиях перегретой экономике, бизнес-лидеры не желают получать на их вопросы расплывчатые ответы. Когда они спрашивают: “Каков наш уровень оплаты?” или «С чем связаны сложности с оборотом?»; они ожидают получить обоснованный ответ. И CEO будут продолжать копать и спрашивать: «Почему?”. 

Вторая причина заключается в том, что к текущему моменту мы обладаем точной информацией для анализа. За последние пять лет почти 40% организаций внедрило облачные HCM-платформы и инструменты от таких поставщиков, как LinkedIn, Visier, OneModel и т.д., которые позволяют собирать и использовать данные легче, чем когда-либо ранее. Исследование Sierra-Cedarʼs говорит о том, что 45% крупных компаний увеличивают расходы на HR-технологии, как и моё - показывает взрывной рост использования ИИ и инструментов по управлению данными. 

Благодаря росту ИИ, рынок становится более здоровым. Такие продукты, как LinkedIn Talent Insights и ADP's Management Insights используют расширенную аналитику, как её называют специалисты IT, которая позволяет находить необходимые вам данные. В прежние времена мы должны были формировать отчеты, строить графики и постоянно варьировать данными, чтобы понимать, что происходит. Сейчас же инструменты, представленные на рынке, способны анализировать информацию для вас, выявлять тренды и выбросы, проводить сравнительный анализ относительно выбранной группы и отмечать области для вашего внимания. Безусловно, вы должны обладать аналитическим мышлением, чтобы верно использовать предоставляемые данные для принятия решения, но вам больше не нужно тратить часы на статистику. 

Рис.2: LinkedIn Talent Insights – Анализ навыков

Недавно я посещал компанию, которая анализировала производительность, выручку и взаимодействие между сотрудниками, используя анализ организационной сети (organizational network analysis), что в свою очередь оборачивается меньшей вовлеченностью и способностью делиться информацией. В чем же была причина их отстранённости? Это был вопрос к руководству, и, как только, HR указал на проблему с управлением, действия последовали незамедлительно. Эти организационные изменения жизненно важны для компании и сейчас, благодаря данным, мы можем это понять. 

В опубликованном в этом году исследовании Bersin by Deloitte практически 69% крупнейших компаний разрабатывают у себя интегрированные базы данных по сотрудникам. Это важная  задача, и на данный момент рынок к этому готов. 

Как сформировать команду по HR-аналитике?

Я изучаю рынок практически 20 лет, и он действительно вырос за это время. Десять лет назад вы могли нанять человека со степенью доктора в статистике или поведенческой психологии, и это была ваша команда по аналитике. В наши данные команды представляют собой мультифункциональный состав из разных специалистов, которых поддерживают IT, финансы и блок бизнес-операций. 

Типичная высоко функциональная команда по аналитике состоит из: 

• Бизнес-аналитик(и). Кто-то должен решать, какой именно проводить анализ и это задача бизнес-аналитика. В одной компании существуют «партнеры по бизнес-аналитике» (“analytics business partners”), которые взаимодействуют с бизнес-подразделениями и помогают им выявлять конкретные потребности. Является ли производительность продаж, оборот, воровство, несчастные случаи, текучка персонала и т.д. проблемой для компании?  Ведь вы должны понимать, на каких проблемах именно сфокусироваться.
• Ученый-эксперт(ы) по данным (Data scientist(s)). В том случае, когда система, как Talent Insights, не предоставляет вам всех данных, которые необходимы, вам может понадобиться тот (возможно из IT), кто соберет, объединит, очистит и упорядочит данные. Ни одна компания не обходится только 1ой HR-системой (в среднем их семь), поэтому нужен специалист, который создать словарь данных, объединить информацию и выберет правильную технологию. В данный момент для хранения данных крупными компаниями используются такие базы данных, как Hadoop или Graph, но вы можете использовать уже имеющуюся у вас платформу HCM. 
• Статистик(и) и аналитик(и) данных (Statisticians and data analyst(s)). Безусловно, вам нужен тот, кто знает статистику, научные методы и инструменты анализа. Этот человек оградит вас от глупых ошибок.
• HR-эксперт (ы). Вам нужны специалисты, которые понимают и разбираются в таких направлениях HR, как подбор, обучение, развитие персонала, компенсации и т.д., ведь они имеют решающее значение в понимании необходимости и назначения данных. 
• Эксперты по визуализации, отчетности и презентации данных (Visualization, reporting, and presentation experts). Аналитика не имеет смысла, если вы, в конечном счете, не сможете использовать результаты. У крупных компаний в  штате обязательно есть специалисты, способные визуализировать и правильно представить данные, разработать дашборды и сформировать отчеты, которые будут понятны остальным. Я обнаружил, что зачастую это упускают. 

А что насчет HR бизнес-партнеров, специалистов по найму и менеджеров по персоналу (HR Business Partners, Recruiters, and Generalists)?

Создание команды по аналитике – это только часть решения. Даже если у вас крепкая и эффективная команда, вам нужны люди, которые смогут потреблять и применять полученную информацию. Для примера, представьте,  вы обнаружили, что самыми эффективными источниками талантов являются определенные учебные заведения и компании-конкуренты.  Увидят ли HR бизнес-партнеры в этом тенденцию и смогут использовать её? Будут ли специалисты по найму применять данный подход? Или же вы просто скажете им, что делать?

Последнее исследование Bersin by Deloitte показывает, что компании с бизнес ориентированным подходом  значительно превосходят те, кто создает лишь аналитические группы, действующие  как маленькие исследовательские центры. 

Помните, что в конце концов HR бизнес-партнеры и линейные руководители должны знать, как смотреть на данные, воспринимать и применять их. Команда по аналитике не может решить каждую проблему, она  лишь предоставляет возможности для действий. Вот почему повышение квалификации и обучение менеджеров по персоналу, специалистов по найму и бизнес-менеджеров так важно, и почему инструменты, используемые пользователями, так критичны. 

Куда движется рынок?

Мы вступаем в эру, где данные могут предложить решение почти по любому вопросу относительно сотрудника и персонала. Много лет назад я назвал это “The Datafication of HR”. Сегодня у таких компаний, как IBM, даже существуют системы, которые точно говорят менеджерам, сколько платить сотруднику, исходя из текущей эффективности, спроса на роль, востребованности в IBM, стажа и опыта.

Это значит, что ваша стратегия аналитики должна учитывать множество форм данных, и вам необходимы знания, чтобы понять всё это.  

Также я считаю, что мы выходим далеко за пределы простой HR-аналитики. Все больше и больше компаний используют информацию по людям, чтобы ответить на вопросы о производительности продаж, обслуживании клиентов и даже их удержании. Я рискну сказать, что каждый вызов от бизнеса, в конечном счете, касается людей, и, следовательно, чем больше аналитики у вас есть, тем лучше вы сможете ответить. 

Рассмотрим следующую статистику. По состоянию на 2007 год почти 87% оценки фондового рынка США основано на том, что экономисты называют “нематериальными активами”. Нематериальные активы – это интеллектуальная собственность, программное обеспечение, бренд, удержание клиентов или другие “неизмеримые” активы. Это не деньги, драгоценные металлы или нефть в земле. Как вы увеличиваете ценность этих нематериальных активов? Ведь всё перечисленное зависит от сотрудников. Ваша способность нанимать лучших, обучать людей и поддерживать их вовлеченность – это самое важное, что вы можете сделать. Я бы сказал, что сейчас каждая компания находится в people business и люди - ваш главный продукт. 

Рассмотрим несколько примеров. 

• Microsoft использует talent intelligence для определения рынка, где нанимать и создавать новую команду по кибербезопасности. Сегодня мы живем в мире, где рынок кандидатов – един: ваша способность нанимать правильных людей в правильном месте может быть важнее того, сколько вы платите. Atlassian использует аналогичный анализ для найма лучших инженеров, которые смогут поднять свою производительность на самый высокий уровень. 
• Технологичная компания в Силиконовой долине проанализировала свою текучесть персонала и выяснила, что самым главным фактором в увольнение сотрудников было время в пути. Как только они осознали это, то начали организацию удаленных офисов, изменили часы работы и построили больше парковок для сокращения времени, которое сотрудники тратят на дорогу на работу/с работы. 
• Одна из крупнейших компаний потребительских товаров анализирует бренд работодателя (использую данные LinkedIn) по всему миру. Они обнаружили, что их бренд силен там, где они нанимают лучших кандидатов и развивают лучшие продукты и услуги. В результате этого анализа компания обновила программы по подбору персонала с целью учета  местных особенностей при найме талантов, адаптировала рекламу и в целом подбор персонала под местность. Таким образом, их региональные офисы учитывают местную специфику и особенности культуры.   
• Одна крупная финансовая компания  выявляла модели мошенничества. Несмотря на детализированный анализ разнообразных бизнес-факторов, в итоге они установили, что это была организационная проблема: филиалы, физически расположенные дальше от штаб-квартиры, имели больше случаев воровства, так как их не посещало местное руководство. Причина, которую легко исправить, но которую они никогда не осознавали. 
• Hersheyʼs наряду с несколькими другими компаниями создала статистическую модель, которая помогает предсказывать вовлеченность и удержание персонала. Используя обзоры вовлеченности и другие элементы данных, компания разработала дашборд “talent dashboard”. Он помогает менеджерам и руководителям в HR выявлять тренды, которые могут способствовать увеличению текучести персонала, и показывает слабые места. 

Возможности – бесконечны. 

Подобно тому, как маркетологи используют данные для принятия решению практически по каждому вложению денег, инструменты talent intelligence позволяют нам исследовать почти каждое решение, связанное с людьми. 

Должны ли мы открыть новый офис? Если так, то кто должен управлять им и где он должен находиться? Как много людей нам требуется, какие навыки и опыт нам необходимы? Один из наших клиентов обнаружил, что открытие офиса в Германии ограничено не рынком, а наличием требуемых навыков. В результате, им пришлось кардинально изменить бизнес-план по найму, развитию и перемещению сотрудников.

Задумайтесь о стратегии вашей компании относительно благополучия сотрудников, разнообразия, единения, управления. Вы точно знаете слабые места и их причины? Вы в курсе, какие команды в компании впереди и что они делают для этого, благодаря чему достигают прогресса? Все ответы доступны в таких инструментах, как Talent Insights, Visier и других.

Пришло время инвестировать в talent intelligence. Рынок готов и решения предоставлены. 

__________________________________________________________

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

Пришло ли время пересмотреть масштаб и широту HR аналитики?

Перевод статьи Is It Time To Revisit The Scope and Breadth of People / HR Analytics?  нашего  проекта переводы статей по hr-аналитике на английском. Автор Lyndon Sundmark - один из немногих авторов, кто сам работает руками в R. ОН автор книги по hr-аналитике, где содержится код для анализа данных.
Перевод выполнила Ольга Смирнова (по ссылке профиль на Линкедине - рекомендую френдиться с профи), у Ольги свое, очень интересно дело, она создатель сайтов и он-лайн школ, рекомендую http://smirnovaolga.tilda.ws/ ! Это уже одиннадцатый (!!!) перевод Ольги. Читайте также

1. Познавательно о процентах
2. 10 метрик HR, которые вы можете, но, вероятно, еще не используете
3. Следующий вызов для Искусственного Интеллекта: понимание нюансов языка
4. Лидеры в HR аналитике: непрерывное стремление Capital One к улучшению исследований в области HR
5. Лидеры в HR аналитике: управление практическими исследованиями в Merck & Co
6. Искусственный интеллект в HR: прорывное приложение
7. Лидеры в HR аналитике: совместный подход к исследованиям в Microsoft
8. Как удостовериться, что гибкие команды могут работать вместе
9. Moneyball для бизнеса: как Искусственный Интеллект меняет управление талантами
10. HR в рабочем процессе: появилась новая парадигма

Итак,

Lyndon Sundmark, MBA 

People (HR) Analytics Consultant / Data Scientist

Пришло ли время пересмотреть масштаб и широту HR аналитики?

В процессе моего продолжительного внимательного изучения большинства публикаций в интернете «всего, что касается HR аналитики», я вижу, что огромная их часть ориентирована на разговоры о традиционных показателях HR и их взаимосвязи с другими бизнес-метриками. Я думаю, что это «хорошая» и «естественная» отправная точка, как со стороны понимания, так и со стороны внедрения HR аналитики в организациях. И действительно, многие организации стремятся к этому, как к первому доказательству «видимости» того, что они в этом участвуют. При этом они часто впервые представляют картину для организации в виде HR в их организации.

Для некоторых, перспектива может заключаться в том, что это предел функционала HR-аналитики и ее возможностей. Их перспектива ограничена тем, как они определили ее для себя. По этой причине, определения в HR аналитике имеют решающее значение. Они устанавливают для нас границы в любой конкретный момент времени в отношении того, какие виды деятельности подразумеваются по HR аналитикой, а какие нет.

Те из вас, кто прочитал мою книгу и мой сборник статей блога Linkedin об HR аналитике, расположенных в моем профиле в LinkedIn, знают, что я рассматриваю эту область в качестве такого определения понятия - управление персоналом и принятие решений на основе данных.

Если вы согласны с этим определением, некоторые вещи могут показаться само собой разумеющиеся в вашем мышлении:

• Вероятно, вы, решите, что HR аналитика не ограничивается только традиционными HR метриками. Это важная часть, но только часть, общей картины.
• Вы можете и, вероятно, должны думать о масштабах «управления на основе данных» как потенциально обо «ВСЕМ» HR, т.к. не обязательно ограничивать его потенциальную применимость.
• Вы должны признать, что это будет означать, НЕ «обычный бизнес» HR. Хотя цели почти всего того, что мы делаем в HR, не меняются, и на самом деле основываются на функциях, обязанностях и ожиданиях, которые ставит перед нами организация и бизнес, то, как мы думаем о работе HR, вероятно, придется скорректировать на «управление на основе данных» - новые методологии, новые инструменты и так далее.
• Вероятно, вы должны сделать вывод о том, что применение анализа и обработки данных для HR, скорее всего, будет причиной большей части изменений в том, «как мы работаем в HR».

Все это говорит о том, что содержание «ВСЕГО» HR все еще может быть несколько туманным и нечетким – потенциально верным, но все же трудным для понимания.

В моей книге я предлагаю три основные сферы применимости этой области «ВСЕГО» HR:

• Традиционные метрики HR - описывающие наших сотрудников в течение времени и то, что с ним происходит. (И понимание их взаимосвязи с другими более общими показателями бизнеса и организации). Как уже упоминалось выше, это часть HR аналитики и это важная часть.
• Наши HR операции - мониторинг, понимание и постоянное совершенствование услуг HR для своих клиентов.
• Внедрение фундаментальных принципов анализа и обработки данных и моделей машинного обучения в части принятия решений по управлению персоналом и непосредственной разработке политик и процессов HR. Это категория в наибольшей степени влияет на то, как мы изменим работу в HR, чтобы «управлять на основе данных».

Большинство из вас могут быть знакомы с основными традиционными HR метриками. Если нет, вы можете просмотреть глоссарий и стандарты по следующей ссылке в качестве примера.

Меньшинство из вас может быть знакомо со сферой применимости операционной деятельности по управлению персоналом. Для некоторых из вас это может выглядеть в виде инициативы «непрерывного совершенствования» в области HR-идентификации того, кто является вашими клиентами, какие продукты и услуги, а также процессы вы им предоставляете.

Третья сфера, вероятно, является «самой туманной» для большинства людей. Как мы это понимаем - в работе, вовлеченности, понимании «полной картины» того, что это может затронуть? Я думаю, что определение «полной картины» еще находится на стадии становления. Возможно, причина этого заключается в том, что все ограничивается только множеством задач HR и воображением HR  профессионалов.

Действительно, профессиональному сообществу HR может быть полезно документировать фактическое применение анализа и обработки HR данных, - чтобы другие могли учиться у него – и в корне меняли (со временем) принципы работы HR.

Но даже в этом случае, как мы узнаем, есть ли у какой-либо из областей применения потенциал, чтобы его можно было рассматривать в качестве кандидата на применение анализа и обработки HR данных?

Я думаю, что ответ на этот вопрос можно найти в:

• Сначала поймите, на какие вопросы должны отвечать анализ и обработка данных и модели машинного обучения.
• Затем подумайте, какие из этих типов вопросов будут эквивалентны находящимся в рамках известных функций HR.

Недавно я наткнулся на статью, написанную коллегой из Microsoft - Brandon Rohrer. 

Это отличный ответ на первый пункт выше и его очень стоит прочитать.

Резюме:

на какой тип вопросов может дать ответ анализ и обработка данных?

• Является ли это A или B? Двухклассовая классификация
• Является ли это A или B или C или D? Многоклассовая классификация
• Это странно или необычно? Обнаружение аномалий
• Как много / сколько? Регрессия
• Какова вероятность того, что что-то есть A или B или C или D? Многоклассовая классификация в виде регрессии
• Какова вероятность того, что что-то есть A или B? Двухклассовая классификация в виде регрессии
• Как организованы эти данные? Снижение кластеризации или размерности
• Что мне теперь делать? Стимулирование обучения

Это очень сокращенный пересказ статьи, но он очень быстро обостряет внимание и структурирует мышление в отношении применения анализа и обработки данных в HR. Сфера применения огромна, как в отношении принятия решений в области HR для целей кадровой политики, так и для непосредственного внедрения моделей машинного обучения в наши практики и процессы в области управления персоналом.

Каковы эти вопросы в контексте HR?

Давайте проведем быстрый «пример мозгового штурма» в HR-функциях и HR-метриках:

Подбор персонала

• Будет ли этот прием успешным или неудачным в нашей организации? (Двухклассовая классификация)
• Пройдут ли эти кандидаты испытательный срок, если мы примем их? (Двухклассовая классификация)
• Какова вероятность того, что этот кандидат окажется успешным, если мы его примем? (Двухклассовая классификация в виде регрессии)
• Какова вероятность того, что этот кандидат пройдет стажировку? (Двухклассовая классификация в виде регрессии)
• В каких сотрудниках мы будем нуждаться в следующем году, основываясь на увольнениях в прошлом? (Регрессия)

Прогулы

• Являются ли прогулы этого человека чрезмерными по сравнению с другими работниками? (Обнаружение аномалий)
• Каковы прогнозируемые расходы на прогулы в следующем году? (Регрессия)
• Компенсации и управление расходами на оплату труда
• Какова наиболее подходящая группа должностей для позиции, которую я классифицирую? (Многоклассовая классификация).
• Мы пытаемся объединить наши многочисленные классы должностей в меньшее количество категорий. Сколько групп должностей должно быть у нас на самом деле? (Кластеризация)
• Какова правильная зарплатная сетка для этой новой позиции? (Многоклассовая классификация).
• Является ли эта должность профессиональной или управленческой позицией? (Двухклассовая классификация)
• На каком уровне управления эта позиция (Многоклассовая классификация)

Увольнения

• Является ли наш показатель текучести аномально высоким в этом году? (Обнаружение аномалий)
• Каков прогноз текучести в следующем квартале? (Регрессия).
• Кто именно уволится по нашим прогнозам в следующем году? (Двухклассовая классификация)
• Какова вероятность того, что этот конкретный человек уйдет в следующем году? (Двухклассовая классификация в виде регрессии)

 Здоровье и безопасность

• Какова будет наша прогнозируемая частота несчастных случаев / травм в следующем году? (Регрессия)
• Является ли появление этого типа аварии необычным? (Обнаружение аномалий)
• Является ли этот тип работы высокорисковым? (Двухклассовая классификация)
• Трудовые отношения
• У нас довольно высокий уровень жалоб в этой области или в этом году. Это необычно? (Обнаружение аномалий)

 Вышеизложенное является просто «небольшим» примером HR-вопросов, которые часто задаются. И каждый из них представляет собой специфический «HR контекст»,  в противном случае это было бы разновидностью вопроса по аналитике данных. Возможно, было бы полезно собирать другие вопросы на каких-либо веб-ресурсах, которые исходят от HR на регулярной основе, с целью определения того, является ли вопрос об управлении персоналом так же и завуалированным вопросом по анализу и обработке данных.

Вся суть вышеприведенных примеров - показать более широкую область применения HR аналитики. «Основанное на данных» действительно означает переосмысление того, как мы делаем «ВСЕ» в HR. Это не добавочная область HR. Это касается самой структуры управления персоналом и принятия HR-решений. Это означает, что мы ищем возможности для совершенствования и улучшения, а также то, что суждение и определение того, что является «усовершенствованным и улучшенным», основано на «фактических данных», а не просто на субъективном суждении.

Действительно ли мы верим, что HR аналитика это «основанное на данных управления HR и принятием решений» или нет? Если это так, то мы должны видеть масштаб и широту ее применения настолько, насколько это подразумевается выше. Иными словами, непреднамеренно не ограничивать вклад, который может сделать HR аналитика для наших организаций.

Я надеюсь, что вышеупомянутые идеи помогут вам, как специалистам в HR аналитике, «дальновидно» понимать HR аналитику, и более четко видеть, каков объем аналитики, которой вы занимаетесь, и сколько еще предстоит сделать.

__________________________________________________________

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

Статьи по hr-аналитике на английском 24

24-й выпуск статей по hr-аналитике на английском.
Предыдущий, 23 выпуск, статей на английском по HR-аналитике вы найдете по ссылке Статьи по hr-аналитике на английском 23 (по ссылкам можно перейти до самой первой статьи). Я снова вернулся к формату представления статей. Если раньше все вновь появляющиеся интересные статьи мы успевали переводить в рамках проекта Переводы статей по hr-аналитике на английском, то теперь количество статей стало больше, чем волонтеров на перевод, поэтому я оставляю статьи в блоге. И поэтому я надеюсь, что прочитав этот пост, волонтеры появятся

Итак,

1. Your employees might be leaving because of their terrible commutes - небольшая, но интересная статья, про один из возможных факторов текучести персонала. Вот из нахождения таких факторов работа аналитика во многом и состоит. Переведена, см Ваши сотрудники могут уволиться из-за того, что им трудно добираться на работу в «часы пик»
2. What smoking did for people analytics - чувак на примере курения и продолжительности жизни показывает, как этот алгоритм анализа дожития можно использовать в HR-аналитике. См. перевод Что курение сделало для HR-аналитики
3. Employee Engagement 3.0: Humu Launches Nudge Engine - снова Josh Bersin. После покупки Linkedin-ом сервиса измерения вовлеченности Glint, Джош Берзин добрался до эволюции измерения вовлеченности и дает свое понимание пути этого самого измерения. Как всегда - провокативно и интересно. См. перевод 
4. It’s Not a Digital Transformation Without a Digital Culture - эта статья вызовет большой интерес у HR: про то, что диджитал трансформация невозможна без развития диджитал культуры, и как эту самую диджитал культуру развивать (взята в перевод). Вовлеченность персонала 3.0: Humu запускает Nudge Engine («инструмент подталкивания»)
5. Learning from Practice: Utility Analysis for Training - статья с сайта analyticsinhr. Автор René Klep работал HR в компании Belden - производителя кабелей и другого электрооборудования. Аналитические инструменты на уровне третьего курса психфака, но в этом и кайф - получаются классные результаты. Перевод Анализ полезности обучения
6. What Emails Reveal About Your Performance At Work - Josh Bersin взялся за самую модную тему - исследование корпоративной почты. Обычно это делается с помощью ONA. Интересно: "His findings were astounding: a 74% statistical correlation between communication patterns and the highest levels of individual performance (using a 9-box performance process). " Перевод - Что корпоративная переписка может сказать о вашей эффективности на работе?
7. Amazon scraps secret AI recruiting tool that showed bias against women - очень крутая статья про то, как Амазон изменил свои алгоритмы из-за дискриминации. см перевод Amazon отказались от секретного инструмента рекрутинга c ИИ из-за предвзятости против женщин

__________________________________________________________

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

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

Главные вопросы HR-аналитики в 2018 году

Этот пост про вопросы, а не про ответы.
18-19 октября я провел семинар Аналитика для HR

И семинар породил у меня рефлексию о состоянии дел в HR аналитике (есть такое свойство у семинаров, когда ты общаешься "вживую" с коллегами и берешь на себя ответственность за тот контент, что пытаешься донести). Под HR-аналитикой я понимаю

1. корпоративную HR-аналитику - функционал внутренних hr-аналитиков;
2. предиктивную аналитику.

И я бы хотел этим постом запустить дискуссию в сообществе HR / HR-аналитиков. Если вы хотели бы высказать свое мнение пишите мне через социальные сети, в группе в телеграме, на почту edvb()yandex.ru. Я готов буду дать вам доступ в блог, чтобы вы написали свой пост с ответами на поставленные вопросы.
Признаюсь, что у меня самого нет ясного понимания, какими должны быть ответы на вопросы.
Почему я считаю важной эту дискуссию?

• выросло количество семинаров по hr-аналитике;
• появилась первая магистерская программа по hr-аналитике;
• в программах подготовки hr появляются курсы на знания и умения работы в R.

Т.е. все провайдеры в обучении анализу данных в HR осознанно или нет имеют представления о сфере знаний и навыков коллег. Это первый момент. Второй момент. Ландшафт hr-аналитики в 2018 году отличается от предыдущих лет. Этот ланшафт характеризуется появлением большого количества решений в области:

1. HR-автоматизации, предлагающих сбор, агрегацию и визуализацию HR-данных;
2. оптимизации HR-процессов - чат-боты, роботы рекрутеры и т.п..;
3. искусственного интеллекта, предиктивной аналитики, предлагающих решения в части прогноза оттока персонала, управления эффективностью, рабочим временем, планирования персонала и т.п..

Кроме того, изменилось само понимание предиктивной аналитики: сложно ожидать простых решений, а сложные решения требуют более глубоких знаний от специалистов.

Вопросы

В связи с этим возникают несколько вопросов о роли HR-аналитика в компании и про требования к знаниям, навыкам hr-аналитиков и "простых" hr и HR-директоров:

1. придет ли роль HR-аналитика со временем к простому обслуживанию внутренних систем HR-аналитики: систем построения HR-дашбордов, систем предиктивной аналитики и т.п...
2. Будет ли в этой системе hr-аналитик "слесарем-ремонтником", будет ли в его работе доля творчества в части формулировки задач, гипотез и проверки HR-гипотез, т.е. останется ли у hr-аналитика роль исследователя, и, в более глубоком смысле, насколько он должен быть экспертом в HR (поскольку решения в области предиктивной аналитики и искусственного интеллекта предполагают экспертизу в HR-бизнес процессах);
3. Какова в этой системе будут требования к знаниям и навыкам hr-аналитика: должен ли он владеть искусством построения моделей машинного обучения, статистических выводов, и какими и насколько глубоко должен владеть языками и программами анализа данных R, Python, SAS, SPSS и т.п..
4. Какими знаниями и навыками в этой системе должны владеть "простые" HR? Какова будет роль excel в этой системе? Умрет ли excel или будет по прежнему востребован? Должны ли будут HR уметь работать в языках R / Python с тем, чтобы самостоятельно провести неглубокий анализ и создать, как минимум, отчет по описательным / дескриптивным статистикам, а максимум проверить гипотезы типа A/B test? 
5. Каковы должны быть знания и навыки HR-директора в этой системе. Насколько глубоко HR-директор должен владеть знаниями в области машинного обучения и предиктивной аналитики. Должен ли HR-директор понимать, что "под капотом" предиктивных моделей или достаточно принимать решения на основе рекомендаций провайдеров (также, как, например, решения о покупке соответствующего программного обеспечения принимается на основе рекомендаций коллег, а не собственных знаний и целей компании).

Резюме:

• Какова будет в новой системе hr-аналитики доля внешних решений провайдеров и собственных решений HR-аналитики в компании;
• Насколько глубоки должны быть знания и навыки в области анализа данных у HR-аналитиков, "просто" HR, HR-директоров. 

__________________________________________________________

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

В 2018 году "серая" зарплата не воспринимается как негатив

Все началось с поста Серая зарплата и бренд компании. Я сегодня обновил данные. В нашем исследовании (нужно пройти по ссылке и добавить свой голос) есть два вопроса, связь которых я посмотрел:

1. Какая форма оплаты была (есть) в компании ("белая" или "серая");
2. Готовы ли Вы рекомендовать эту компанию в качестве работодателя своим знакомым, коллегам?

Гипотеза простая: те, кто получают "серую" зарплату, значимо реже готовы рекомендовать свою компанию в качестве работодателя.

По общим данным выявлена связь между цветом зарплаты и брендом работодателя. Но я обратил внимание на одну вещь: до обновления сегодня данных % респондентов, которые были неготовы рекомендовать компанию из-за серой зарплаты был выше. В обсуждениях появилась гипотеза: это связано с тем, что в России государство фактически отменило пенсию, и респонденты перестали воспринимать серую зарплату как негатив. А наличие белой зарплаты уже не является гарантом социальных выплат типа пенсии и не воспринимается как бонус. И вот решил проверить эту гипотезу.

Идея 

очень простая:
взять две выборки - за 2017 год и за 2018 год. Если наша гипотеза верна, связь между цветом зарплаты и брендом компании будет ниже в 2018 году. И важно: я в качестве респондентов взял только российских HR - понятно, почему российских, а HR, чтобы была однородная профессиональная выборка во избежание исключения влияния других факторов.

Данные 2017 года

Это нормированная гистограмма, где - каждый столбец составляет по 100 % тех, кто получает белую и серую зарплату. Напоминаю, это данные по респондентам, которые заполняли анкеты в 2017 году. Таких было более 800 человек.
Среди тех, кто получал / получает белую зарплату, 66 % указали, что готовы рекомендовать свою компанию в качестве работодателя, и только 16 % указали, что нет. Среди тех, кто получал / получает "серую" зарплату, 45 % готовы рекомендовать компанию как работодателя. И 30 % - не готовы.
Хи квадрат значим p-value = 0.000142, коэффициент Крамера 0.2015929.
Все логично, верно?

Данные 2018 года

А это данные 2018 года. Таких респондентов почти 500.
Заметили изменение? % готовых рекомендовать компанию среди серозарплатников стал практически таким же, как при белой зарплате.
И главное:
Хи квадрат p-value = 0.2108 - не значим!!!
Т.е. в 2018 году корреляции между цветом зарплаты и брендом компании уже нет! И у нас есть основания считать верной гипотезу: в России государство фактически отменило пенсию, и респонденты перестали воспринимать серую зарплату как негатив. А наличие белой зарплаты уже не является гарантом социальных выплат типа пенсии и не воспринимается как бонус.




__________________________________________________________

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

Мониторинг отношения сотрудников к руководителям

Недавно получил такой запрос на корпоративный опрос: "Цель - отследить изменения отношения сотрудников к непосредственным руководителям."
Покажу один из вариантов, как это можно сделать. Я беру данные из опроса Ключевые факторы эффективности и текучести персонала (рекомендую поучаствовать в этом опросе). В опросе нет вопросов напрямую об отношении сотрудника к руководителю, но есть такие вопросы:

1. Критиковал (критикует) ли Вас руководитель в присутствии других?
2. Благодарил ли Вас Ваш руководитель за достижения?
3. Как часто Ваш руководитель давал (дает) Вам обратную связь
4. Проявлял (проявляет) ли Ваш руководитель заботу о Вашем развитии?
5. Выходили (выходите) ли Вы со своими инициативами на руководителя

Обратная связь

Вы для своих отчетов можете взять другую цветовую гамму и сам тип визуализации.
На диаграмме Распределение ответов на вопрос "Как часто Ваш руководитель давал (дает) Вам обратную связь". В строках варианты ответов, в колонках годы, в ячейках - % от суммы по году. Т.е., например, в 2015 году 20 % HR указали, что руководитель давал им ежедневно обратную связь, 25 % указали, что обратная связь давалась не реже одного раза в неделю и т.п...
Я взял в качестве данных только российских HR за четыре последних года.  Заметны такие тенденции:

• снижение уровня ежедневной обратной связи с 20 % в 2015 году до 12 % в 2018;
• снижение уровня отсутствия обратной связи с 22 % в 2015 году до 17 % в 2018;
• чуть больше стали давать обратной связи "не реже одного раза в неделю".

Но хи квадрат (p-value: 0.07689958622155728) говорит, что в целом изменения не дотягивают до значимых. Т.е. мы не можем утверждать, что обратной связи стали давать больше или меньше.
Я оставляю за кадром, почему мы мониторим именно частоту обратной связи, замечу лишь, что в идеале стоило бы провести вот такие исследования в компании Почему подчиненные уходят от руководителей с тем, чтобы показать связь между обратной связью и, например, текучестью персонала.

Критика

На диаграмме показано распределение ответов на вопрос Критиковал (критикует) ли Вас руководитель в присутствии других.
Здесь тренды чуть более очевидные, а Хи квадрат (p-value: 0.0474629) говорит о наличии изменений. Правда, я бы не принимал p-value: 0.0474629 как значимые. Тем не менее, направление движение выбрано правильное.

Благодарности

На диаграмме показано распределение ответов на вопрос Благодарил ли Вас Ваш руководитель за достижения? Четыре варианта ответа:

1. 'Да, практически все достижения были отмечены моим руководителем;';
2. 'Если не все, то многие';
3. 'Получал лишь изредка';
4. 'Нет'

Хи квадрат (p-value: 0.00043832) говорит о том, что произошли значимые изменения. Заметьте, изменилось соотношение между теми, кто отмечал все достижения подчиненного и теми, кто отмечал многие из. Они с 2015 по 2018 как будто поменялись местами. А те, кто не отмечал заслуги, отмечал редко, остались при своих.



-----------------------------------------------------------------------------

1. Если вы проводите в компании пульс опросы, вы можете смотреть частоту изменений в разрезе месяцев, а не только лет.
2. В сравнении с вовлеченностью персонала, рост которой в российских компаниях, если верить выступлениям на конференциях, достигает космических скоростей, в данном случае не столь очевидно. 
3. Результаты получились не везде логичными, но в этом и есть отличие реальных данных от...

__________________________________________________________

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

Почему я не верю в переворот рынка HR-аналитики

На большом душевном подъеме прошли осенние конференции по HR-аналитике, и мне знакомые (и не знакомые) коллеги стали писать, что вот посмотри-ка – рынок то зашевелился. Особенно часто это стало происходить прям в последние дни после презентации одного канала.
«А рынок то зашевелился!», «А движуха то пошла!».
А я, простите, не понял, что что-то произошло. Да, рынок стартапов растет, растут роботы веры, чат боты и все такое. Но на нас-то как это отражается? Мы при этом растем как спецы? Я хочу обозначить свое видение HR-аналитики метафорой: В армии могут появляться новые виду вооружения, могут появляться технологические прорывы, но для меня в первую очередь важно, чтобы в моем взводе чистили оружие. Стартапы и прорывы в инновациях это круто, но я ориентируюсь на общий уровень коллег.
И в этой сфере я вижу другое. При этом, возможно, мой взгляд не видит всей картины, признаюсь.

• Стало больше кейсов по предиктивной аналитике на конференциях? Да. Но говорят спикеры при этом на уровне цифр в этих кейсах? НЕТ! У меня лично вызывает сомнение ценность этих докладов. Я могу по пальцам перечислить кейсы про предиктивную аналитику, которым можно доверять на уровне цифр. Остальные либо откровенные понты, либо желаемое за действительное
• Консалтеры типа экопси стали чаще использовать терминологию предиктивной аналитики. Да. Но опять же: а где там про цифры собственных исследований? Вот этот вот «новый» тренд про нелинейную корреляцию ребята высосали из пальца с единственной целью: лохов разводить с использованием наукообразной лексики. Не более того. Попроси их показать собственные цифры – рассосутся незаметно. 
• Стало больше HR проходить курсы по HR-аналитике, просто по аналитике? Да, опросы показывают, что вы чаще стали записываться на он-лайн курсы. НО. Я прошу вас поделиться обратной связью по пройденным курсам. Где эта обратная связь??? В последнем опросе более 40 (!) человек указали, что прошли хотя бы один он лайн курс. Где хоть один отзыв о курсе? 
• У меня в блоге есть проект лайфхаки hr-аналитики  , который появился после того, как совершенно посторонний человек предложил опубликовать свой пост на тему расчета текучести персонала. После этого я обратился к вам с просьбой откликнуться тем, кто хотел бы поделиться лайфхаками с коллегами. Сколько было откликов? 
• Я просто обращался к вам с просьбой- становитесь авторами блога, делитесь своими результатами исследований. Сколько человек откликнулось? И не говорите мне, что причина в том, что данные конфиденциальны. 
• Я решил сделать банк данных HR-аналитиков. Знаете, сколько человек откликнулось?
• Да, вы заняты, да, у вас куча своих проблем и все такое. Но у меня перед глазами пример западной тусовки HR-аналитики, когда коллеги обсуждают вопросы активно и открыто. 
• Западный эксперт Литтал Шемер написала потрясающую статью Will “People Analytics” Be “Open-Source”?. Смысл ее в том, что успешным в аналитике можно быть только открытой среде. Только делясь, давая и получая обратную связь.
• Я обращался к коллегам с призывом «О революции и новом формате коммуникаций в HR»  меня по традиции не услышали. У нас главная проблема в общении HR-аналитиков – боязнь задать вопрос, чтобы глупым не показаться. Мы боимся быть дураками. И если я чего-то стою на этом рынке, то только потому, что много раз выставлял себя дураком. 

Резюме: я вполне допускаю, что рынок HR-аналитики в России пришел в движение, что есть кейсы, есть изменение сознания HR, но я пока не замечаю этого. Для меня главный критерий изменений – оупен сорсная культура общения.

Статьи по hr-аналитике на английском 23

23-й выпуск статей по hr-аналитике на английском.
Предыдущий, 22 выпуск, статей на английском по HR-аналитике вы найдете по ссылке Статьи по hr-аналитике на английском 22. Последний выпуск был 22 мая 2017 года. Такой разрыв связан с тем, что ровно в то время начался проект Переводы статей по HR-аналитике на английском, и статьи разбирали просто с ходу. Задача у данного поста в том числе в том, чтобы найти волонтеров на перевод. Практически любую статью из нижеперечисленных можно брать в перевод. Пишите, если статья приглянулась
Итак,

• The happy tracked employee - статья Ben Waber о целях и этике использования данных. Какие данные можно использовать? Каковы ограничения в принятии решений? 
• The Rise of Talent Intelligence: People Analytics Accelerates - автор Josh Bersin, этим все сказано. Если вкратце, статья про организацию HR-аналитики (People Analytics) в компании: команды спецов и т.п... 
• Employee listening technology landscape 2018 - статья небольшая. Есть такое новое явление в HR - employee listening. Статья отвечает на вопрос, что это такое, и какие основные в "слушаньи работников" существуют. Автор Michael Silverman.
• The Rise of Analytics in HR: EMEA version - осторожней, по ссылке откровется PDF файл. Это отчет о состоянии дел в HR аналитике по региону EMEA (Европа, Ближний Восток, Африка). У них бывают порой интересные инсайты. 
• LinkedIn To Acquire Glint: Major Move in Employee Engagement Market - автор снова Josh Bersin, статья, как понятно из название, про приобретение Glint, и чем это грозит рынку.  Если вы читали прекрасную статью Tom Haak Тренды в оценке настроений сотрудников и исследовании вовлеченности, могли заметить Glint среди систем измерения вовлеченности персонала. Спецам по исследованию вовлеченности - MUSTREAD.
• LinkedIn Announces... A Lot! - и снова Берзин, и снова о LinkedIn, но показывает более широкий круг проектов социальной сети в области искусственного интеллекта и больших данных.
• What Emails Reveal About Your Performance At Work - Josh Bersin взялся за самую модную тему - исследование корпоративной почты. Обычно это делается с помощью ONA. Интересно: "His findings were astounding: a 74% statistical correlation between communication patterns and the highest levels of individual performance (using a 9-box performance process). " 
• R and Python: how to integrate the best of both into your data science workflow - исключительно для аналитиков, прекрасный туториал по интеграции двух языков. 

__________________________________________________________

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