Analýza personálního zatížení
Porovnání skutečného stavu s plánovaným & vyhodnocení trendů
Autorky: Helena Linhartová & Ada Šatochinová
Mentoři: Tomáš Mátl, Zdeněk Kuchař
Czechitas — Digitální akademie: Data — Praha, jaro 2022
Výběr tématu nejvíc ovlivnila naše snaha pracovat na projektu, kde v praxi ověříme znalosti z akademie a který bude mít potenciál i pro jiné organizace.
Analýza personálního zatížení splnila obojí. Práci s reálnými daty, i jistotu, že mentorský tým, který si nás vybral, bude i v budoucnu s naším datovým modelem a následným výstupem pracovat.
Cíl datové analýzy:
REALITA vs. plánovaná SYSTEMIZACE
PERSONÁLNÍ VYTÍŽENÍ dle oddělení
STAV ZAMĚSTNANCŮ dle odborností
PŘEHLED TRENDŮ v rámci úvazků
Naším úkolem bylo vytvořit model pro rychlé a přehledné vyhodnocování personálního zatížení organizace. V našem případě se jednalo o nestátní zdravotnické zařízení (v rozsahu lůžkové, ambulantní a komplementární zdravotní péče).
Výstup datového projektu:
SQL kód pro provázání vstupních dat organizace
Finální vizualizace v Tableau, pro snadné vyhodnocení zadaných cílů
(ukázky — v textu níže)
V rámci projektu proběhla anonymizace dat a výběr vhodných pojmů pro jeho veřejnou prezentaci. Tak vzniklo oddělení radosti nebo pohody, kde pracují lazebnice, dietáři či kadeřníci.
Data sety
První “cesta za daty” vedla k našemu zadavateli, do nemocnice se sídlem ve Středočeském kraji. Během čtyř hodin jsme musely pojmout základ organizační struktury nemocnice, celou škálu doposud neznámého názvosloví a také vazeb mezi jednotlivými odděleními, profesemi a pracovními úvazky.
Na této schůzce vzniklo základní zadání: Vytvořit vizualizaci dat, která porovná reálný stav perosnálních kapacit s navrženou systemizací.
Hackathon
Základní strukturu dat a většinu tabulek jsme měly k dispozici už před hackathonem. Během devíti hodin jsme se pokusily s mentory najít správné klíče pro spojení dat, upravit jejich formát a vybrat nejvhodnější nástroje pro zpracování i vizualizaci.
Jako první přišla na řadu tvorba datového modelu, který při hledání informací v datech práci výrazně zjednodušil a zrychlil.
A jak vznikl náš první graf nakreslený na papír? V této fázi byla opravdu nesmírně důležitá role našeho mentora Tomáše, který nás neustále vracel na začátek — k zadání. Nedovolil unášet naší fantazii bez stanovení alespoň jednoho základního cíle. Za to mu patří velký dík.
Využité nástroje
Výchozí nástroj pro nás byla v počátku Keboola, protože nám vyhovovala možnost transformace a vyčištění dat do nástroje Snowflake, kde jsme již mohly pracovat s dotazovacím jazykem SQL. Keboola zároveň poskytla dostatečnou ochranu dat poskytnutých zadavatelskou organizací. Pro interpretaci dat jsme zvolily Tableau, které náš zadavatel již k vizualizacím využívá.
Zadání by bylo možné zpracovat i za pomoci jiných nástrojů, jako PowerBI nebo vytvořením programu na provázání a vyčištění dat v Pythonu a následnou vizualizaci v GoogleDataStudio.
Zpracování dat
Hlavním vstupem pro analýzu byla data personálního oddělení, zejména výkazy práce, rozsah pracovního poměru zaměstnanců a parametry plánované systemizace pracovních míst.
První fázi nám komplikovaly různé způsoby kódování a formátování. Mentorský tým nás naučil jednoduchý fígl, jak upravit formát na UTF-8. Tím byl vyřešen poslední problém před faktickým spojením dat.
Druhá fáze probíhala s nástrojem Snowflake, který byl v průběhu akademie opravdu velkou výzvou. S jazykem SQL, zejména joiny a whery, jsme pracovaly mnohokráte a opakovaně. Díky reálným datům jsme v maximální míře využily vědomosti získané z lekcí SQL.
Zadání vyžadovalo opravdu dobrou znalost práce s SQL, pochopení logických souvislostí a alespoň základní představu o výsledné vizualizaci, pro kterou nám jako výstup postačily jen pouhé dvě tabulky. Ty vytvořily základ vizualizace personální analýzy.
Třetí fáze vyžadovala pochopení vysokého počtu vnitřních systémů, ze kterých nám byla poskytnuta data. Zaměstnanci nemocnice mají totiž různé typy pracovních úvazků nebo jejich kombinaci. Zároveň jsou děleni i v rámci jedné odbornosti.
Díky tomu vznikaly i vtipné chyby, kdy byla porodní asistentka zaměstnána spolu s kuchařem na patologii. Zde byla nezbytná opakovaná konzultace s mentory o propojení dat.
Další úskalí byly informace, která naše data obsahovala a které zkreslovaly výstupy. Například oddělení, ke kterým zadavatel doposud nevytvořil systemizaci. To se týkalo především technicko-hospodářských profesí. Tyto “chybné výstupy” nám pomohly dohledat i chyby v evidovaných výkazech.
Vizualizace
Práce s Tableau byla dalším krokem a podařilo se nám vytvořit desítky zajímavých sheetů a “akčních” dashboardů. Díky Tableau jsme objevily další chyby a nepřesnosti v datech a snadno tak mohly ukázat zadavatelům problematická místa a najít pro ně řešení.
Opakovanými aktivitami jsme se naučily více než v rámci výuky. Současně je ale nutné připomenout, že se hodila pomoc nejen našich mentorů, ale i těch ostatních, kteří se k nám zatoulali v online světě při druhém hackathonu. Všichni nám velmi ochotně ukazovali fígle, které bychom samy jen těžko hledaly a které zrychlovaly pochopení nástrojů.
Bojovaly jsme s přepočtem odpracovaných hodin na úvazky a naopak. Problém vznikal i při automatickém zaokrouhlení vstupních dat při filtraci z vnitřních databází. I to se nakonec “zlomilo” a díky správným přepočtům vznikl prostor i pro analýzu přesčasů, nemocenské a dovolených.
Ukázka závěrů pro zadavatele
1 . Dlouhodobě chybějící kategorie zaměstnanců jsou uklidňovač, obveselovač, optimizátor a preventista.
2. Nejvýraznější odchylku od systemizace vykazuje kategorie zaměstnanců — lazebnice, na některých odděleních chybí a někde naopak přebývají.
3. Celkové vykázané přesčasy nejsou výrazně odchýlené od evidované dovolené, nemocenské i odpracované doby.
Přínos projektu:
Zjednodušení ŘÍZENÍ LIDSKÝCH ZDROJŮ
MOŽNOST SLEDOVAT ZATÍŽENÍ jednotlivých oddělení na úroveň zaměstnance
Snažší dodržení LEGISLATIVNÍCH PARAMETRŮ
etc.
Personální data jsou pro každou organizaci pokladem. Ale zdaleka ne každá v nich umí hledat a nalézt potenciál a využít ho ve svůj prospěch. My jsme měly to štěstí, že jsme na takto osvícenou organizaci narazily. A co víc, svěřila nám svá data a nebála se to s námi zkusit.
Jak analýzu a data dále využít?
Napojení mzdových nákladů — následná optimalizace
Efektivnější nábor nových či sezónních zaměstnanců
Úprava výkazů práce — získání dalších dat
etc.
Rozložení práce
Základním předpokladem dobrého výsledku projektu bylo správné pochopení dat z oblasti zdravotnictví, personalistiky, ale i oblasti pracovního práva. Celkem jsme během realizace projektu využily 8 online konzultací s mentory a spolu vzájemně prožily desítky hodiny na telefonu nebo v online připojení.
Společně jsme navrhly základní spojení dat a první tranformace. Na hackatonu jsme se naučily sdílet data i v rámci Kebooly, což práci hodně zrychlilo. Keboola nám “sežvejkala” přes 70 pokusů.
Pak už začalo “joinování”. V naší dvojici je jednoznačně programátorské eso Helena, která uměla nejen rozklíčovat tabulky, ale zvládla přijít na kloub i složitostem a záludnostem jednotlivých úvazků. Před finální transformací se vrhla do Snowflake.
Psala příkazy, spojovala tabulky, hledala chyby a čistila. Největší výzvou byla extrakce dat pro nově vznikající tabulky a jejich srozumitelné pojmenování.
Kdykoli narazila na nesrovnalost, konzultovaly jsme společně nebo s mentory, jestli daná čísla chápeme správně. Došlo i na Excel, kde jsme kontrolovaly data a vznikly tabulky pro kalkulace v Tableau. Spojené tabulky nám konečně pomohly vrhnout se na vizualizaci.
Ada si vzala na starost vzhled výstupu z jednotlivých grafů a jejich kombinaci. I tady jsme musely konzultovat s mentory. Zároveň pracovala na blogu a snažila se držet náš výstup srozumitelný a konzistentní. Když nebylo možné pracovat najednou v jedné verzi vizualizací v Tableau, pracovaly jsme s daty samostatně a pak průběžně porovnávaly, která varianta bude mít pro zadavatele větší smysl.
Závěr
Obě jsme do Digitální akademie vstupovaly s jasnou představou, jaký bude náš projekt. A až seznámení s mentory ukázalo, že vlastní představa o tom, co chceme dělat nemá zdaleka takový potenciál, jako možnost pracovat na projektu, který bude mít svůj další život i po skončení naší poutě s Czechitas.
Hodně štěstí všem, co se pustí na cestu, která každému ukáže možnosti, pokusí se rozvinout jeho talent a dodá velké množství nových znalostí i zkušeností.
Poděkování
Děkujeme našim trpělivým mentorům za důvěru, podporu, návody, nápady a hlavně a především ČAS.
