Пишут и говорят об HR-аналитике намного больше, чем понимают, чем она является на самом деле и какие задачи призвана решать.
Эта статья про то, каковы основные трудности в применении и с чего можно начать анализировать.
Пока в публичном пространстве под HR-аналитикой подразумевают или метрики и работу с цифрами, статистикой в HR, которые являются показателями локальных процессов либо подразделений, или делятся кейсами по поводу того, как подключить IT-департамент к созданию архивов HR-данных. На самом деле HR-аналитика решает задачи стратегического развития компании, определяет главные прогностические тенденции.
Итак, что такое HR-аналитика?
HR-аналитика является процессом, в котором методы обработки данных и бизнес-аналитики (BA) применяются к обработке HR-данных. Ее иногда также называют аналитикой талантов. Кроме того, интеллектуальный анализ данных (data mining) в этом контексте относится к практике изучения баз данных для создания новой информации.
Почему это так актуально сейчас, в свете глобальной диджитализации экономики, бизнеса, человека. Данные, друзья! Большие данные повсюду!
А тут и нейронауки подоспели, демонстрируя нам, насколько человеческие решения субъективны и наполнены эмоциями вместо рационального подхода.
Как теперь с этим жить?
Конечно, нужен другой способ принятия решений – чтобы все логично, разумно, на основании данных и с гарантированным результатом. Кто такое не хочет? Все хотят! А почему не делают?
Готовность к применению HR-аналитики остается серьезной проблемой. По данным отчета Deloitte 2017, после нескольких лет обсуждения этого вопроса только 8% респондентов сообщили, что у них есть полезные данные; только 9% считают, что у них хорошее понимание того, какие характеристики сотрудников приводят к успеху в их организациях; и только 15% в целом развернули системы HR и талант-показателей для линейных менеджеров.
«Это было загадкой на протяжении последнего десятилетия – почему при очевидной важности человеческого капитала организации не инвестируют в это и не требуют, чтобы лидеры принимали свои решения в отношении людей, используя аналитику на основе фактов?».
Так в чем же дело? Почему говорят и пишут о пользе и необходимости использования аналитики гораздо больше, чем применяют в реальной работе?
Давайте посмотрим на это явление с разных сторон.
В чем сложность?
Прежде всего стоит рассмотреть глубинные, фундаментальные причины такого «торможения» со стороны лидеров компаний. Я опишу это в рамках модели, которую Пит Рамстад (Pete Ramstad) и Джон Бодро (John Boudreau) представили в работе «За пределами HR» («Beyond HR», Boudreau and Ramstad, 2007) и которая называется LAMP-моделью (LAMP – logic, analytics, measures and process).
Если упростить описанное в этой модели, то причины, по которым использование аналитики тормозится, следующие:
- Логика: мы не можем объяснить, почему работают высокопроизводительные рабочие системы. Это все еще остается «черным ящиком». Мы понимаем, что есть определенная взаимосвязь между нюансами, но наверняка не можем сказать, что от чего зависит напрямую и что нужно делать с X, чтобы получить Y.
- Аналитика: здесь традиционно ощущался недостаток в глубине и тщательности аналитических моделей. Лидеры Google и других ведущих компаний обращаются к таким отраслям, как, например, ракетостроение, где существуют модели, учитывающие огромное количество факторов. Проще говоря, это не выстроено методологически надежно.
- Метрики: чаще всего массивы данных касаются текущего состояния занятости, расходов на сотрудников и программ управления персоналом. В лучшем случае, эти данные представляют собой оперативную или расширенную отчетность, а не стратегическую или прогностическую аналитику, которая включает анализы, сегментирование сотрудников, и которая тесно интегрирована со стратегическим планированием.
- Процесс: это презентация аналитики лицам, принимающим решения. Здесь основные факторы успеха – это своевременность и степень визуальной привлекательности представленных данных. Речь идет о получении данных в режиме реального времени в доступном и понятном для принятия решений виде, а такие инструменты с применением искусственного интеллекта только разрабатываются. Например, большинство руководителей не имеют представления о том, как интерпретировать коэффициент текучести сотрудников, поскольку они обычно знают, что низкая текучка не всегда выгодна, и наоборот, они не знают, как определить, что лучше в той ситуации, с которой они столкнулись. С этой точки зрения – мы на стадии пересмотра HR-инструментов.
Думаю, из описанного выше комплексность и глубина проблемы представляются чуть более понятно. Итак, существуют объективные причины того, почему инвестирование в аналитику представляется делом довольно рискованным. Грубо говоря, у нас нет четких, надежных, однозначных инструментов для принятия решений на основе аналитики. Точнее говоря, для очень простых локальных областей есть, но они не стоят таких затрат. Затраты такого уровня имеют смысл, если мы сможем получить надежные прогностические тенденции, играющие ключевую роль для успеха бизнеса. А этого аналитика сама по себе гарантировать не может.
Мы же не хотим просто обрабатывать данные. Мы хотим иметь надежные инструменты для принятия бизнес-решений с более или менее гарантированным результатом. А в этом смысле – главное по-прежнему остается за человеком:
- умение задавать стратегически релевантные вопросы и представлять их в логической структуре, показывающей взаимосвязь между инвестициями в сфере управления персоналом и критическими организационными результатами;
- обладание глубокими знаниями своего бизнеса;
- понимание логики аналитических моделей в смысле их применимости для объяснения жизненно важных процессов в организации и многое другое.
Если совсем простыми словами подвести итог, то основная сложность аналитики как способа работы с данными заключается в том, что сначала нужно определить, какие результаты мы хотим получить. А для этого нужно задать очень правильные вопросы, требующие глубокого понимания бизнеса, потом определить, с помощью какой аналитической модели мы можем на эти результаты выйти, в соответствии с этим определить, какие именно данные и в каком объеме нам нужны, и только потом придумать, как нам их получить именно в таком виде, в котором требуется.