Объединение
профессионалов по управлению и развитию
человеческого капитала России


twit f 

Как автоматизировать HR-аналитику?

24.02.2017

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.

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.

По материалам: ht.ru

	 

		


Еvent-лист HR-событий

Все новости раздела...