Viimeisen vuosikymmenen aikana olemme nähneet HR-ammattilaisten ympäri maailmaa alkavan ymmärtää sen merkityksen ihmisten analytiikka (People Analytics) inhimillisten voimavarojen tulevaisuuden kannalta.
Pilvipalvelujen laajamittaisen käyttöönoton johdosta yritykset ovat alkaneet investoida paljon ohjelmiin, alustat ja työkalut, jotka hyödyntävät tietoja kaikilla työvoiman suunnittelun, kykyjen hallinnan ja parantamisen osa-alueilla toimintakykyinen.
Mainokset
Tästä artikkelista löydät:
Mikä on People Analytics?
People Analytics, joka tunnetaan myös nimellä Workforce Analytics, on a systemaattinen ja tieteellinen lähestymistapa, jossa käytettävissä oleva ihmisdata (sekä laadullisia että määrällisiä) käsitellään ratkaisemaan / ymmärtämään erilaisia henkilöstöresursseihin liittyviä yrityskyselyjä kokonaisuutena.
Mainokset
Tarvitaan älykkäitä tilastotekniikoita ja koneoppimisalgoritmeja, jotta vastataan vaikeimpiin liiketoimintakysymyksiin mahdollisimman tehokkaasti ja vaivattomasti. Tämä lähestymistapa poimia erilaisia ideoita ja tarinoita, joita voidaan käyttää päätöksenteossa, muotoilla organisaatioille strategioita ja tulevaisuuden tavoitteita.
People Analytics -lähestymistapa on elementtisesti "nippu" tai "pakkaus", joka koostuu useista iteratiivisista vaiheista, joihin sisältyy tarkoin määriteltyjä metodikoita liiketoimintakyvyn luomiseksi.
Mainokset
Merkitys
Jatkuvasti muuttava ja epävakaa liiketoimintaympäristö on luonut kiireellisen tarpeen parempien ihmisten päätöksille kaikkialla. Ollaksesi todella menestyvä, sinun on voitava kysyä tietojasi selvittääksesi perussyyn soveltamaan asianmukaisia toimia ja ennakoimaan tulevaa näyttöön perustuvaa kehitystä kiinteä.
Tämä prosessi on tehokkaiden ihmisten analyysistrategioiden ydin. Ihmisten analytiikan voima päivittäisessä päätöksenteossa on kiistaton: DDI: n mukaan Ihmisanalytiikassa erinomaiset organisaatiot menestyvät 3,1 kertaa todennäköisemmin heidän ikäisensä.
Mainokset
Monet yleiset HR-mittarit ne eivät lisää strategista arvoa yritykselle. He eivät usein auta HR: tä. ilmaista, mitä tarvitaan liiketoiminnan tavoitteen tai tarpeen saavuttamiseksi. He eivät paljasta, kuinka henkilöstön puute vaikuttaa tulojen tavoitteisiin tai promoottoreiden nettopisteisiin.
Ihmisanalytiikan avulla voit kiinnittää toimitusjohtajan huomion kaivamalla strategisia HR-mittareita, kuten:
Mainokset
- Tulot työntekijää kohti.
- Rekrytoinnin laadun parantaminen.
- Suorituskyvyn vaihtelu avaintyössä.
- Menetetyt tulot vapaiden päivien takia.
- HR-tehokkuus.
- Uusien työntekijöiden epäonnistumisaste.
- Moninaisuuden palkkaaminen asiakasvaikutustilanteisiin
Keskity
Tämä on tyypillinen People Analytics -lähestymistavan ekosysteemi
1 ulottuvuus
Yritysongelman / -tutkimuksen ja sen nykyisten vaikutusten ymmärtäminen on alustava askel. Yleensä kaikki näkökohdat määritellään / niistä keskustellaan / keskustellaan yhdessä halutun todennäköisyystuloksen kanssa. Se tapahtuu tyypillisesti toimeenpanotasolla sidosryhmien ja aihe-asiantuntijoiden välillä.
2.- Suunnittelu
Jatkossa riviä... tavoitteet on määritelty hyvin hyvin tässä kuvauksen yhteydessä soveltamisala, logistiikka, jota vaaditaan resurssien, menetelmien, työkalujen, palvelutasosopimuksen, jne. Tarkoitus on määritelty selkeästi yhdessä arvioitujen toimitusaikojen kanssa.
3.- Tietoarkkitehtuurimalli
Tiedot ovat tämän tutkimuksen luuranko. Olemassa olevan skeeman ymmärtäminen on avainasemassa yhdessä halutun dataarkkitehtuurimallin esimerkin kanssa.
Toistuvia datatarkastuksia tehdään käytettävyyden, laadun, terveyden, saavutettavuuden, tarkkuuden ja herkkyyden mittaamiseksi. Tarvittavat strukturoidut lisätiedot tulisi kerätä tietotarkastuksen tuloksista ennen jatkamista erimielisyyksien ja poikkeavuuksien välttämiseksi.
4. - prosessin vuokaavio (PFD)
Tällöin solmujen yhteys tehdään dataarkkitehtuurimallin mukaisesti. Tämä havainnollistaa tutkimuksen etenemissuunnitelmaa ja luonnehtii kaikkia mahdollisia arvosteluita matkan varrella. Yleensä PFD: stä on keskusteltava sidosryhmien kanssa ennen seuraavaan vaiheeseen siirtymistä. Täällä voit muuttaa projektin laajuutta uudelleen ja arvioida aikataulut uudelleen tarvittaessa.
5.- Analyysi ja tietojenkäsittely
Tämä on mielenkiintoinen ja hauska osa tutkimusta, jossa todelliset tiedot analysoidaan ja käsitellään PFD: ssä määritellyn etenemissuunnitelman mukaisesti. Tilastollisia tekniikoita ja koneoppimisalgoritmeja käytetään iteratiivisesti haluttujen tulosten saamiseksi, jotka vastaavat tutkimuksen määriteltyä laajuutta.
6.- Tiedon poiminta
Tämä on projektin intuitiivinen osa, jossa tuloksia tutkitaan tiedon hankkimiseksi. Tämän osan esittelemiseen on oltava erinomainen kaupallinen ja tekninen tietämys. Tulos on lähinnä tekninen kieli ja kokemus sen muuttamiseksi liiketoiminnan tuloksiksi tarinoiden muodossa.
7. - Vaikutusten analyysi ja suositukset
Tämä on viimeinen virallinen vaihe lähestymistavassa, jossa vaikutuksia analysoidaan erilaisilla hypoteesitutkimuksilla ja annetaan suosituksia sidosryhmien kanssa. Tutkimuksen positiiviset ja negatiiviset puolet on määriteltävä seurausten välttämiseksi. Suositukset tehdään yleensä kerättyjen todisteiden ja ideoiden perusteella, joita ohjataan raportin, visualisoinnin muodossa.
