logo



Психологические методы подбора и оценки персонала HR-Лаборатория Human Technologies HR-Лаборатория Human Technologies
Ваш провайдер оценки персонала
Москва
Обратная связь
test@ht.ru
+7 (495) 514-31-15
+7 (495) 669-67-19
Главная О компании Контакты Техподдержка HT-Line Наши представительства





Rambler's Top100

Яндекс цитирования

Яндекс.Метрика

КАК АВТОМАТИЗИРОВАТЬ HR-АНАЛИТИКУ

Арам Фомичев, ht.ru, 6 февраля 2017г.



Арам Фомичев - Руководитель направления Аналитика Лаборатории "Гуманитарные Технологии"

На дворе 2017 год – год автоматизации и аналитики. Каждый раз, когда я вижу, что очередная компания-передовик наладила систему внутренней HR-аналитики – сердце радуется. Когда вижу структурированную работу, которая повышает эффективность и помогает построить продуманную систему аналитики – радуюсь еще больше. Эта заметка является ответом на статью о том, как сеть гипермаркетов Hoff строила систему анализа HR данных. Кратко пройдемся по основным вехам, которые выделили авторы в своей статье, и попробуем сформулировать, какими вопросами на каждом этапе стоит задаваться. На создание этой заметки нас натолкнул вот этот материал: "Как построить систему HR-аналитики в компании с сетью филиалов" (rabota.ru).

Определитесь, что следует замерять

По факту, весь процесс автоматизации HR в компании и логичное построение аналитики зиждется на фундаментальных вопросах:
  • Что должно быть финальным продуктом аналитических процедур?
  • Какие данные хотят увидеть эйчары и руководители?
  • Как это поможет бизнесу?
Если правильно ответить на эти вопросы – можно построить систему аналитики, которая будет экономить массу ресурсов для бизнеса. Это могут быть ресурсы любого вида – время, деньги, человекочасы - в зависимости от того, что является ведущей метрикой в компании. В статье правильно подчеркнуто: важно понять, что следует измерять. Перед тем, как приступать к формированию отчетов на драгоценных данных, нужно сформировать рабочие гипотезы – интуитивные предположения о том, что является наиболее критичным индексом успешности конкретного бизнеса. При отсутствии гипотез, исследование становится не столько поясняющим, сколько поисковым – много времени, много данных и опасность уйти не в ту сторону. Безусловно, существуют жизнеспособные подходы формирования поисковых исследований, и этому посвящены отдельные области науки о данных – например, data mining. Суть в том, что мы ищем паттерны связей внутри данных, а потом облекаем их в форму, понятную бизнесу. Но, чаще, эффективность подобного подхода в рамках управленческих решений весьма низка, поскольку подобный анализ данных должен выполняться строго математически и требует немалого количества времени, что является большой проблемой в условиях динамически меняющегося рынка.

Предположим, у нас есть гипотезы: мы знаем, что хотим померить, но пока не пришли к этапу «как». В статье отмечается, что важно правильно выбрать метрику и продумать схему замеров. И это фундаментально правильно. Фактически, от вида наших данных зависит то, какие методы мы можем применить в рамках аналитики. Требования к данным интуитивно понятны – данные должны быть точными, полными, соответствовать определенной структуре. Очевидно, что все это закладывается на этапе проектирования сбора данных – должно быть точное представление, что мы собираем и в каком формате это будет заноситься в базы. Например, мы решили измерить общее число часов переработок сотрудников. Возникает сразу два вопроса:
  1. Как это правильно фиксировать? Можно писать в относительном проценте (29%), можно представлять абсолютный процент выработки часов (129%), можно фиксировать в «сырых» часах (11.6 при сорокачасовой рабочей неделе). В каждом случае, нужно представлять, как эта метрика может тиражироваться – что фиксировать при «недоработке»? Это будет отрицательное число? Что фиксировать в ситуациях, когда у человека ненормированное количество часов? На такие вопросы нужно ответить заранее, представляя, как данные затем будут применяться.
  2. А это вообще можно измерить? Если нет - стоит придумать косвенные метрики.
Отдельным пунктом всегда задается вопрос – а что делать с данными, которые уже были накоплены, но не по той форме, в которой решили их собирать с момента начала исследования. В первоначальной статье отмечено, что данные переформатировались, при этом, достаточно старые данные были отброшены. Чаще всего – это правильный выбор. Накопление качественной базы – процесс длительный. А решения необходимо принимать в настоящем. Поэтому, меньшим злом будет трата временного ресурса на наиболее свежие данные, с целью максимального их приведения к новой структуре и последующий сбор по дизайну аналитики, чем попытка привести данные за все годы жизни компании к нормальному виду.

Последовательно отвечая на все вышеперечисленные вопросы мы можем сформировать представление о том, что и как собирать, как обрабатывать, в какие метрики сводить и как их использовать в корректировке курса бизнеса. Однако, чуть ли не самой важной деталью в данном процессе является форма представления результатов конечному пользователю.

Знакомство с формой отчета

В Hoff использовали хороший путь – формат представления отчета формировался коллективно конечными пользователями. Однако, далеко не всегда этот путь является оптимальным – зачастую, этап согласования итоговой формы визуализации может затягиваться и зависит напрямую от количества людей, принимающих решение. Поэтому, необходимо помнить о том, что форма является критически важной деталью (зачем автоматизировать аналитику, если ее плодами будет невозможно пользоваться?), но формат принятия решений о визуализации данных может быть бесконечно долгим. Если есть временные ограничения – лучше ограничить число людей, формирующих представление о финальной визуализации до ключевых стейкхолдеров процесса.

Таким образом, ключевыми вопросами на данном этапе являются:
  • Кто будет пользоваться отчетом?
  • Насколько подробным и сложным должен быть отчет?
  • Что такое юзер-френдли?
  • Сколько есть времени на принятие решения?
Результаты

И, наконец, у нас есть описанный технологический процесс сбора, анализа данных и формирования отчетности. Для того, чтобы все достижения на этом этапе не остались лишь красивыми построениями на бумаге, а встроились в реальную жизнь Вашей компании, необходимо ответить на следующие вопросы:
  • Кто будет данные собирать?
  • Кто будет данные вносить?
  • Где данные будут храниться?
  • Как часто нам нужны сводные метрики?
  • Нужна ли нам оперативная аналитика?
Каждый ответ формирует то, на каком финальном решении можно остановиться. Если данных мало – их могут собирать ответственные люди и отчет может формироваться реже, если много – лучше собирать данные программно из автоматизированных систем, которые применяются в Вашей компании и формировать отчеты чаще. Существует множество решений, как можно автоматизировать процесс сбора, хранения и обработки данных, что позволит экономить ресурсы и застрахует от появления ошибки в данных. Таким образом, задавая себе последовательно перечисленные в данной заметке вопросы (некоторые даже не один раз), можно дойти до точки понимания, как автоматизировать HR-аналитику. Надеемся, это поможет Вам и Вашему бизнесу. Если у Вас остались вопросы – с радостью ответим на них.



 

Добавить комментарий

Защитный код
Обновить





busyЗагрузка опроса...
Комментарии к статьям