De weg van HR-metrics naar HR-analytics

Datum: 21–04–2014

Als HR-junior die net komt kijken is het belangrijk om te weten hoe je jezelf later kan onderscheiden op de arbeidsmarkt. Data-science, HR-metrics en HR-analytics geven mij energie geven. Wanneer ik kijk naar de huidige arbeidsmarkt merk ik dat daar ook steeds meer vraag naar komt.

De komst van data en de groei van data zorgt voor meer complexiteit. Althans zo wordt er vaak naar gekeken door HR. Dit komt met name, omdat HR in Nederland vaak nog niet precies weet hoe zij met die data om moeten gaan. Er wordt nog steeds te weinig geïnvesteerd in data, terwijl data een hele belangrijke bijdrage kan leveren om de HR-strategie te bepalen (Managersonline, 2013). Voor HR is er steeds meer data beschikbaar, maar het is nog steeds een lastige vraag om te weten hoe men slim met data om kan gaan en hoe er zoveel mogelijk voordeel uit valt te halen. Organisatie hebben steeds meer toegang tot grote hoeveelheden data, ook wel big data genoemd. Big data is gewoon veel data uit verschillende bronnen (Dennis Doeland, 2013). Wanneer organisaties effectief gebruik maken van data en analyse kan de productiviteit, winstgevendheid en marktwaarde van organisaties verhogen met 5 a 6 procent (Chui, 2011). In de toekomst zou het zo kunnen zijn dat de strategische inzet van data-analyse zelfs het verschil kan gaan maken tussen winst en verlies zo verwacht men. Als je als organisatie nog niet door deze ontwikkeling bent geraakt kan het zo zijn dat je straks achterloopt in de economische en maatschappelijke ontwikkeling (Dennis Doeland, 2013).

Bijna alles op HR gebied is tegenwoordig te meten. Hiernaast een aantal voorbeelden:

Daarnaast heerst er nog altijd de terugkomende vraag over hoe HR zijn waarde kan toevoegen. Immers, HR kan wel (metrics) data gaan verzamelen (zoals de hoogte van het verzuim), maar deze data wilt niet per direct een waarde toevoegen. Pas na het opzetten van zinvolle correlaties en analyses (analytics)(zoals waarom is het verzuim zo hoog) kan daadwerkelijk de toegevoegde waarde van HR worden gemeten (Dennis Doeland, 2013).

Om als organisatie te ontwikkelen met data van metrics naar analytics kan het Analytics Maturity Model(Bersin, 2012) worden toegepast. Dit model bestaat uit vier niveaus. Voor dat men doorgroeit naar het volgende niveau moet het voorgaande niveau eerst in orde zijn.

Niveau 1 “Reactive — Operational Reporting”

Het doel van niveau 1 is om de fundering te bouwen omtrent een team (of persoon) dat van verzamelde data (metrics) betrouwbare en correcte rapportages maakt:

- Verzamel relevante data op één plek voor rapportages;

- Geef data definities voor de betekenis en de oorsprong;

- Inventariseer welke rapportage-tool geschikt is (intern of extern buiten het huidige HR-Systeem);

- Zorg voor een goede werkrelatie tussen HR en IT.

Niveau 2 “Proactive — Advanced Reporting”

Het doel van niveau 2 is om te verhuizen van reactieve naar proactieve HR-rapportages:

- Bekijk de verzamelde data naar dimensie (publiek of groep) en bekijk deze over bepaalde periodes;

- Beoordeel data met behulp van benchmarks;

- Ontwikkel een dashboard voor overzicht, zodat lijnmanagers snelle beslissingen kunnen nemen;

- Zorg dat de dashboards aansluiten aan de behoeften van de doelgroep;

- Zorg voor een goede werkrelatie met het lijnmanagement om te kunnen begrijpen wat voor beslissingen en problemen zij willen oplossen.

Niveau 3 “Strategic Analytics”

Het doel van niveau 3 is om te verhuizen van proactieve rapportages naar HR-analytics. Bij HR-analytics wordt de verzamelde data geanalyseerd van verschillende bronnen om nieuwe ontdekkingen te identificeren en nieuwe patronen te ontdekken die nog niet eerder zichtbaar waren:

- Voer een highperformance analyse uit om patronen te ontdekken. Analyseer deze patronen om vervolgens te zien welke dimensies hetgene leveren waardoor deze groep zo hoog presteert;

- Ontwikkel ‘People Models’ en ‘Human Capital Models’ die direct een correlatie hebben met de prestatie van de organisatie;

- Werk samen met analytics-teams binnen de organisatie (finance, marketing etc) om kennis en vaardigheden te delen, oftewel zet een ‘geek-team’ op;

- Ontwikkel statistieke vaardigheden en visualisatie vaardigheden (hoe presenteer je het aan de doelgroep);

- Bekijk algemeen bekende problemen en gebruik data en analytics om deze problemen te ontraadselen.

Niveau 4 “Predictive analysis

Het doel van niveau 4 is om te verhuizen van strategisch naar voorspellend oftewel ‘Predictive HR-analytics’:

- Zodra de modellen van niveau 3 werken kan men gaan voorspellen wat er in de toekomst gebeurt;

- Bij het voorspellen van toekomst scenario’s moet er rekening worden gehouden met trends van externe personeelsbestanden, demografische veranderingen, economische voorspellingen en de beroepsbevolking.

Dit model is een middel om te kunnen ontwikkelen met data en analytics. Wanneer ieder niveau is behaald is het slim om als organisatie te blijven investeren in data en analytics. Daarnaast moet er met name ook de ruimte zijn om te kunnen innoveren met data en analytics om de kwaliteit te verhogen (Barre, 2014).

Bibliografie

Barre, D. (2014). Hoe kan afdeling HR de kwaliteit van dienstverlening verhogen met behulp van rapportages? Amsterdam: HVA.

Bersin, J. (2012). Big Data in HR. Oakland: BERSIN & ASSOCIATES (Deloitte).

Chui, M. (2011, Oktober). Insights & Publications. Opgeroepen op Maart 2014, van Mckinsey: (http://www.mckinsey.com/insights/marketing_sales/competing_through_data_three_experts_offer_their_game_plans

Dennis Doeland. (2013, Maart 28). Columns. Opgeroepen op Maart 20, 2014, van Dennis Doeland: http://dennisdoeland.nl

Managersonline. (2013, Augustus 9). Nieuws. Opgeroepen op Maart 20, 2014, van Managersonline: http://www.managersonline.nl/nieuws/13825/hr-branche-onvoldoende-voorbereid-op-toenemende-complexiteit.html