Таня Касьян
Тарас Полищук, директор программы IBS, партнер TalentEquityVentures, ведущий международный эксперт в области HR-технологий и инновационных решений в HR, партнер консалтинговой компании HRTechTank, в рамках HR Wisdom Summit рассказал о том, какую роль играют цифры и данные сегодня в управлении человеческими ресурсами.
Технологии HR сделали новый эволюционный шаг, который расширил процессы рекрутинга, управления талантами, обучения и развития. Появились точечные решения, которые делают HR более эффективным. Появилась интеграция и стык технологий цифрового управления и HR. Есть колоссальное количество систем и примеров для внедрения процессов. И только когда реализована интеграция, тогда можно говорить об People Analytics, цифре в HR единой и актуальной системы координат для всех процессов. Внутри должна быть стандартизация. Есть разные системы для хранения данных, и они интегрированы в одно цифровое хранилище, с которого можно вытаскивать информацию. А если вы это опускаете, то теряете обратную связь, технологии и данные.
В идеале это должно выглядеть так: у вас есть разные системы для различных процессов — HR-система, рекрутинговая система, система для тестирования, для обучения, и они интегрированы с единым хранилищем данных, то есть у вас есть код сотрудника и, соответственно, доступ ко всем данным, которые имеют к нему отношение. Только когда у вас есть эта база, только тогда можно задумываться об аналитике в HR. Поэтому первое, вам необходимо создать цифровое хранилище, чтобы необходимые данные можно было легко достать. Второе — должна быть настроена бесперебойная интеграция, желательно в режиме реального времени. И третье — единая система координат для HR-процессов и стандартизация того, что вы понимаете под определенными типами данных.
А дальше можно уже будет перейти к превентивной аналитике.
Проект №1. «Предсказание увольнений»
В принципе уже многие компании реализовали этот проект или находятся в стадии его реализации. Зачем? Для того, чтобы а) понять, почему уходят люди; и б) определить, кто из сотрудников уйдет в ближайшее время.
Подход:
Для этого собирается максимально широкий «цифровой след» о сотруднике, и дальше ищут взаимосвязи между факторами увольнения человека в прошлом и делают на основе этих данных прогноз. Далее данные регулярно подгружаются и мы отслеживаем динамику, кто же начинает демонстрировать такое поведение.
Мы провели такое исследование для одной крупной компании и выявили 20 признаков (в порядке убывания) того, когда человек может написать заявление об увольнении:
- Размер бизнес-юнита (чем больше был бизнес-юнит, тем чаще из него уходили люди)
- Стаж сотрудника в компании
- Количество фактически отработанного времени за последние 6 месяцев
- Ежемесячный доход (нормированный)
- Продолжительность отпуска за последние 12 месяцев
- Количество просмотренных страниц на внутреннем портале
- Возраст
- Стаж руководителя в управленческой должности
- Количество сотрудников у руководителя (помимо сотрудника)
- Количество дней тренинга за последние 12 месяцев
- % увеличения зарплаты за последние 12 месяцев
- Наличие других увольнений в бизнес-юните
- Количество поставленных на внутреннем портале лайков
- Количество других сотрудников, покинувших бизнес-юнит
- Количество отпусков за последние 12 месяцев
- Продолжительность командировок за последние 12 месяцев
- Количество проектов, в которых принял участие сотрудник
- Наличие изменений в ежемесячном доходе
- Наличие детей
Кейс
Первой в мире такой проект сделала компания Hewlett Packard на массиве 330 тысяч сотрудников, благодаря которому они сэкономили $300 млн в год на найме и замещении. В результате исследования они узнали, что одним из факторов, влияющих на увольнения, были люди, которых слишком часто продвигали. Сотрудники, которые слишком мало были на одной должности, терялись и чаще уходили из компании, чем те, кто был какое-то здоровое количество лет на одной позиции.
Проект №2. Профиль «успеха»
В рамках этого проекта проекта используются данные о сотруднике, чтобы предсказать его потенциальную успешность.
Подход:
Это можно сделать на результатах тестирования, когда мы смотрим, как кандидаты проходят тесты, а затем ищем корреляции, когда сотрудники уже проявляют себя в организации. Второе — анализ предыдущего опыта сотрудников. И третье — социальные данные.
Кейс
Например, одна страховая компания, сделав такую аналитику для своих сотрудников колл-центра, выявила, что у них лучше всего работают люди, которые соответствуют трем очень простым факторам. Первый и главный фактор, влияющий на дальнейшую эффективность сотрудника в компании, это отсутствие орфографических ошибок в резюме. Также оказалось, что люди из топовых университетов работают хуже, чем те, кто закончил учебные заведения среднего уровня.
А вот если говорить о третьем подходе — социальных данных — то здесь стоит упомянуть кейс компании Riot Games. Они искали корреляцию между тем, как сотрудники ведут себя в играх, и тем, как они потом перформят в реальности компании. И они выяснили, что люди, которые демонстрируют «токсичное поведение» в игре, ведут себя в реальной жизни так же ненамного лучше. [traqli_related]
Проект №3. Факторы, влияющие на карьерный рост
Такое исследование мы провели для одного крупного финансового института. Каждые полгода в этом институте проходил кадровый комитет, оценивающий сотрудников. Одним из критерием оценивания был потенциал. В результате нашего исследования мы обнаружили, что сотрудники, которым поставили высокий балл в категории «потенциал», росли в среднем медленнее, чем тем, кому был поставлен низкий балл. Продолжив проект, мы определили другой важный фактор, влияющий на рост человека, и это оказался IQ его менеджера. Не его IQ, а именно уровень интеллекта руководителя, с которым он непосредственно работает.
Но нужно понимать, что у каждой компании будет свой собственный специфический перечень факторов. Нельзя брать кейс какой-то компании и под копирку реализовывать его у себя, потому что у вас все может быть диаметрально наоборот.
Фото: Татьяна Довгань