Što je "graf"?

Sve industrije generiraju podatke. Zahvaljujući podacima možemo bolje razumjeti internog klijenta, optimizirati procese i drugačije sagledati interakciju zaposlenika. Ovi se procesi mogu opisati pomoću teorije grafova.

Graf je apstraktni matematički objekt koji se sastoji od vrhova (točaka) i bridova (prava) koji ih povezuju. Uzmimo Internet kao primjer – mnoge su stranice povezane poveznicama. Temelj Yandexovog poslovanja je brzo zaobići internetski grafikon, analizirati sadržaj i dati relevantan odgovor korisniku. Drugi primjer je Yandex.Taxi: pronalaženjem najkraće udaljenosti između točaka na karti, usluga pomaže putniku da stigne do odredišta.

Grafikon tvrtke Yandex: točke - zaposlenici, linije - interakcija između njih

Apstraktni prikaz objekata u obliku grafova predložio je matematičar Leonard Euler, koji je riješio problem popularan u 18. stoljeću: kako proći kroz sve gradske mostove Königsberga, a da ni jedan od njih ne prođeš dvaput?

Zahtjevi za izvore i podatke

Da biste napravili grafikon, potrebni su vam podaci. Organizacija može koristiti kao izvore podataka:

korporativna pošta

kalendar sastanaka zaposlenika

zadataka u trackeru

interne PBX pozive

Trackeri su posebno popularni u IT tvrtkama. Omogućuju vam postavljanje zadataka, dodjeljivanje odgovornih za njihovo izvršenje, prilaganje datoteka. Trackeri uvelike pojednostavljuju interakciju u timovima. U Yandexu ovaj alat ne koriste samo programeri, već i drugi odjeli.

HR odjeli koriste tracker za:

slobodna radna mjesta

zapošljavanje

prilagodba

učenje

Na temelju ovog alata izgrađena je HR analitika.

Zahtjevi za podatke:

Kvaliteta. Podaci moraju biti bez pogrešaka i propusta. Pokazatelji se moraju dovesti u opći oblik.

Potpunost. Sada je postalo uobičajeno raditi u nekoliko informacijskih sustava istovremeno. Podaci uzeti samo iz jednog sustava neće biti potpuni.

Analiza interakcije

Točke i linije na grafikonu predstavljaju zaposlenike i njihove interakcije. Što je veći promjer točke, to je interakcija između zaposlenika i kolega intenzivnija. Što je deblja linija koja povezuje dvoje zaposlenika, to se u ovom paru događa intenzivnija interakcija.

Interakcije zaposlenika Yandexa

Važno je uzeti u obzir i ispravno interpretirati sve podatke. Intenzitet interakcije zaposlenika izravno ovisi o njihovoj poziciji i zadacima.

Koji se zaključci mogu izvući i što se može primijeniti u organizacijskim promjenama:

Učinkovitost interakcija. Ako se grupe razlikuju po intenzitetu interakcija i imaju objektivan pokazatelj poput KPI-a ili se provodi pregled uspješnosti, tada možete usporediti čimbenike iz grafikona (intenzitet interakcija) i predvidjeti koje radnje dovode do bolje izvedbe. Na primjer, pretjerana količina komunikacije može preopteretiti menadžere i utjecati na njihovo izgaranje.

Stil upravljanja vođama. Podaci će reći koristi li vođa mikroupravljanje ili potpunu kontrolu. Koristeći podatke iz grafikona, možete reći menadžeru je li njegov stil upravljanja prikladan za svaku od njih specifičan zadatak te koje radnje mogu poboljšati učinkovitost zaposlenika.

Komunikacija unutar tima. Na primjer, članovi tima dobro komuniciraju jedni s drugima, ali jedva komuniciraju s drugim kolegama. Takav tim može napraviti projekt koji je već bio u tvrtki, podaci o njemu se pohranjuju, ali tim za to ne zna. Kao rezultat toga, resursi tvrtke će biti izgubljeni zbog nedovoljne interakcije s drugim odjelima. Ili obrnuto, kada interna komunikacija u timu slabi, to dovodi do kašnjenja u pripremi projekta.

Cijela slika interakcije zaposlenika omogućuje vam da automatski kreirate popis kolega za provođenje ankete od 360 stupnjeva. U tom slučaju podaci koje će upravitelj dobiti na temelju rezultata ankete bit će potpuni.

Interakcija između timova

Metrika

Neke metrike iz teorije grafova mogu se uspješno koristiti u organizacijama:

Gustoća / rijetkost. Graf se naziva potpunim kada su svi njegovi vrhovi povezani bridovima. U stvarnom svijetu, mali startup može biti primjer cjelovitog grafikona: jedan mali prijateljski tim u kojem se svi međusobno poznaju i učinkovito komuniciraju. Odlazak jednog zaposlenika ne dovodi do gubitka bitnih informacija, interakcija se ne remeti.
Kako tvrtka raste, gustoća se raspada. Teško je zamisliti tvrtku s tisućama zaposlenih u kojoj se svi zaposlenici međusobno poznaju. Takvu tvrtku karakterizira rizik gubitka značajne komunikacije unutar tima kada ode jedan zaposlenik.

Udaljenost. Ova metrika podsjeća na dobro poznatu teoriju o šest rukovanja. Što je razmak između zaposlenika manji, to je kohezija veća, ljudi se više poznaju.

Centralnost. Ovu metriku dobro ilustrira grafikon likova iz Igre prijestolja: nakon neočekivane smrti jednog od središnjih likova djela, scenaristi imaju poteškoća s priča sporednih likova.

Most. To se može ilustrirati na primjeru Belgije - zemlje s dva službena jezika, gdje mali most dvojezičnih ljudi povezuje "jednojezične" sugrađane. U tvrtki su ljudi na ovom mostu nositelji vrlo važnih veza. Njihov odlazak predstavlja veliki problem za tvrtku.

Primjena

U tvrtkama s projektnom strukturom projekti se pokreću i zatvaraju na tjednoj bazi, važno je pratiti troškove. Potrebno je ispravno prikupiti i prenijeti podatke za ekonomske izračune. Ovaj se proces može poboljšati automatizacijom. Yandex je učinio sljedeće:

Izradio graf tvrtke.

Analizirajući ponašanje zaposlenika u svakom pojedinom mjesecu, HR analitičari vide u kojem se projektu trenutno nalazi. Nema potrebe za korespondencijom s voditeljima usluga. To štedi poslovno vrijeme i vrijeme analitičara.

Iako je ovo pilot projekt, koji pokazuje zanimljive rezultate. Puno istraživački projekti u Yandexu su naknadno pušteni u proizvodnju.

Dakle, klasični način analitike

Podaci. Izvor, kompletnost i kvaliteta.

Vizualizacija. Kako gledati na te podatke, kako ih koristiti. Ideje o metrikama, koje se u slučaju HR analitike mogu preuzeti iz teorije grafova ili smisliti vlastite.

izvještavanje, koji mjesečno prikazuje što se događa u poduzeću. Na primjer, intenzitet interakcije između menadžera.

metrika, koji se koriste za zaključke.

Prediktivna analitika- pokretanje automatiziranog procesa koji štedi vrijeme.

Što još trebate znati o HR analitici

Kevin Wheeler, predsjednik i osnivač Global Learning Resources, Inc., u članku"Druga strana HR analitike: 8 malo poznatih činjenica" ističe nekoliko važni čimbenici vezano uz HR podatke:

Analitika nije čarobna pilula. Analitika nije čudotvorni lijek. Podaci pomažu razumjeti problem i možda odabrati više učinkovita metoda njezine odluke, ali podaci nisu zamjena za empatiju i ljudsko razmišljanje.

Razumijevanje točno onoga što želite znati. Morate biti vrlo jasni o tome što želite analizirati ili mjeriti. I uvjerite se da je to uopće moguće.

Koristeći odgovarajuću metodu. Metoda prikupljanja podataka također može biti zastrašujući zadatak. Jedan slučaj upotrebe za analitiku je razjašnjavanje problema ili traženje mogućih uzroka.

Pasivni podaci mogu biti bolji od traženih podataka. Mnogo je lakše sami prikupiti pasivne podatke nego tražiti valjane podatke od drugih. Prikupljanje činjeničnih informacija iz akcija i odluka relativno je jednostavno.

Podrška je važna. Učinkovito korištenje podataka zahtijeva podršku vodstva i odgovarajuću korporativnu kulturu koja cijeni podatke.

Gol kontrolira situaciju. Veliko je iskušenje mjeriti sve, pogotovo u početku, kada se analitički alat tek uvodi u tvrtku. Ali bolje je da se usredotočite na dva ili tri ključna pitanja na koja želite dobiti odgovor. Tada imate dovoljno vremena za točnije prikupljanje podataka i potpunu analizu.

Podaci nisu savršeni. NA novije vrijeme postalo je uobičajeno podatke stavljati na pijedestal i doživljavati ih kao čistu informaciju, u kojoj nema politike ni mišljenja. Ali, nažalost, mišljenja utječu na analizu podataka na isti način kao i sve ostalo.

Što jednostavnije to bolje. Uzmite si vremena da napravite popis onoga što biste stvarno željeli znati kako biste poboljšali svoj proces zapošljavanja; koji će vam podaci pomoći poboljšati performanse većine izvora ili odgovoriti na goruća pitanja upravljanja.

O problemima ispravne interpretacije podataka u posljednje vrijeme takođerProgovorio je Nassim Taleb : Ako znaš raditi s veliki podaci, ovo je dobro, ali morate to znati protumačiti, filtrirati gluposti i nepotrebnu buku koja sve zbunjuje. Zanimljivo, jedini koji znaju raditi s podacima su antiterorističke službe. Oni su u stanju ne pronaći lažne korelacije i suziti uzorak na određene osumnjičene, traže veze.Računalo se jednostavno može prevariti podacima, statistička disciplina je vrlo važna. Veliki podaci nam ne mogu reći što je ispravno, samo ono što NIJE."

Izvor slike - HR okruženje

Relevantni i zanimljivi HR slučajevi u našem Telegramu. Pretplatite se na kanal!

Zabranjeno je kopiranje i svaka obrada materijala sa stranice

O HR analitici pišu i pričaju puno više nego što razumiju što je ona zapravo i koje je zadatke namijenjena rješavanju.

Ovaj članak govori o tome koje su glavne poteškoće u prijavi i gdje možete početi analizirati.

Dok je u javnom prostoru, HR analitika podrazumijeva ili metriku i rad s brojkama, statistike u HR-u, koje su pokazatelji lokalni procesi ili odjele, ili podijeliti slučajeve o tome kako uključiti IT odjel u kreiranje arhiva HR podataka. Zapravo, HR analitika rješava probleme strateškog razvoja tvrtke, određuje glavne prediktivne trendove.

Dakle, što je HR analitika?

HR analitika je proces u kojem se na obradu HR podataka primjenjuju tehnike podatkovne znanosti i poslovne inteligencije (BA). Ponekad se naziva i analitikom talenta. Također, data mining u ovom kontekstu odnosi se na praksu ispitivanja baza podataka radi stvaranja novih informacija.

Zašto je to sada toliko aktualno, u svjetlu globalne digitalizacije gospodarstva, poslovanja i ljudi. Podaci prijatelji! Veliki podaci su posvuda!

A onda je na vrijeme stigla neuroznanost koja nam pokazuje kako su ljudske odluke subjektivne i ispunjene emocijama umjesto racionalnim pristupom.

Kako sada živjeti s tim?

Naravno, potreban nam je drugačiji način donošenja odluka – da sve bude logično, razumno, na temelju podataka i sa zajamčeni rezultat. Tko to ne želi? Svi žele! Zašto ne rade?

Spremnost za HR analitiku ostaje veliki izazov. Prema izvješću Deloittea iz 2017., nakon nekoliko godina rasprave o ovom pitanju, samo je 8% ispitanika izjavilo da ima korisne podatke; samo 9% vjeruje da dobro razumije koje karakteristike zaposlenika vode do uspjeha u njihovim organizacijama; a samo 15% ukupno ima implementirane sustave za mjerenje ljudskih resursa i talenta za linijske menadžere.

„To je bila misterija za posljednje desetljeće"Zašto, s obzirom na očitu važnost ljudskog kapitala, organizacije ne ulažu u njega i zahtijevaju od vođa da donose odluke o ljudima koristeći analitiku utemeljenu na dokazima?" (" ).

U čemu je stvar? Zašto mnogo više govore i pišu o prednostima i nužnosti korištenja analitike nego što koriste u stvarnom radu?

Pogledajmo ovaj fenomen iz različitih kutova.

U čemu je poteškoća?

Prije svega, vrijedno je razmotriti duboke, temeljne razloge takvog "kočenja" od strane čelnika tvrtki. Opisat ću to u smislu modela koji su Pete Ramstad i John Boudreau predstavili u Beyond HR (Boudreau i Ramstad, 2007.) pod nazivom LAMP model (LAMP – logika, analitika, mjere i proces).

Ako pojednostavimo ono što je opisano u ovom modelu, onda su razlozi zbog kojih je upotreba analitike onemogućena sljedeći:

• logika: ne možemo objasniti zašto sustavi rada visokih performansi rade. To je još uvijek "crna kutija". Razumijemo da postoji određeni odnos između nijansi, ali ne možemo sa sigurnošću reći što izravno ovisi o tome što i što treba učiniti s X da bi se dobio Y.

• Analitika: ovdje je tradicionalno nedostajala dubina i temeljitost analitičkih modela. Čelnici Googlea i drugih vodećih tvrtki okreću se industrijama poput raketne znanosti, gdje postoje modeli koji uzimaju u obzir ogroman broj čimbenika. Jednostavno rečeno, nije metodološki ispravno.

• Metrika: najčešći skupovi podataka su o trenutnom statusu zaposlenosti, potrošnji zaposlenika i programima ljudskih resursa. U najboljem slučaju, ti su podaci operativno ili napredno izvješćivanje, a ne strateška ili prediktivna analitika, koja uključuje analize, segmentaciju zaposlenika i koja je usko integrirana sa strateškim planiranjem.

• Postupak: to je predstavljanje analitike donositeljima odluka. Ovdje su glavni čimbenici uspjeha pravovremenost i stupanj vizualne privlačnosti prezentiranih podataka. Riječ je o o dobivanju podataka u stvarnom vremenu u pristupačnom i razumljivom obliku za donošenje odluka i korištenju takvih alata umjetna inteligencija tek se razvijaju. Primjerice, većina menadžera nema pojma kako protumačiti stopu fluktuacije zaposlenika, jer obično znaju da niska fluktuacija nije uvijek korisna, i obrnuto, ne znaju kako odrediti što je najbolje u situaciji s kojom su suočeni. S ove točke gledišta, u fazi smo revizije HR alata.

Mislim da je iz navedenog malo jasnija složenost i dubina problema. Dakle, postoje objektivni razlozi zašto se ulaganje u analitiku čini prilično rizičnim. grubo govoreći, nemamo jasne, pouzdane, nedvosmislene alate za donošenje odluka na temelju analitike. Točnije, za vrlo jednostavna lokalna područja postoje, ali nisu vrijedni troška. Ova razina potrošnje ima smisla ako možemo dobiti pouzdane prediktivne trendove koji su ključni za poslovni uspjeh. A ova analitika sama po sebi ne može jamčiti.

Ne želimo samo obrađivati ​​podatke. Želimo imati pouzdane alate za donošenje poslovnih odluka s više ili manje zajamčenim rezultatima. I u tom smislu, glavna stvar i dalje ostaje s osobom:

• sposobnost postavljanja strateški relevantnih pitanja i prezentiranja logička struktura, pokazujući odnos između ulaganja u područje upravljanja osobljem i kritičnih organizacijskih rezultata;

• duboko poznavanje vašeg poslovanja;

• razumijevanje logike analitičkih modela u smislu njihove primjenjivosti za objašnjenje vitalnih procesa u organizaciji i još mnogo toga.

Ako uopće jednostavnim riječima Ukratko, glavna poteškoća analitike kao načina rada s podacima je da prvo trebamo odrediti koje rezultate želimo dobiti. A za to trebate postaviti vrlo točna pitanja koja zahtijevaju duboko razumijevanje poslovanja, zatim odrediti pomoću kojeg analitičkog modela možemo postići ove rezultate, u skladu s tim odrediti kakve podatke i u kojoj mjeri trebamo , pa tek onda smisliti, kako ih dobiti točno u obliku u kojem su nam potrebni.

Složen pristup

Kako biste ilustrirali složenost pristupa, pogledajte sliku koja prikazuje sastav tima za HR analitiku:

To nije sve. Vrlo je važno zapamtiti da je općenito izraz “HR analitika” danas iznimno rijedak u radovima istraživača i autora. Ovo je tako poznat izraz na ruskom jeziku. Na engleskom se sada koristi koncept People Analytics – analitika ljudi. Ovo nije jednostavan sinonim. Obratno. S lokalnih područja vezanih isključivo za HR – fluktuacija, metrika zapošljavanja, status zaposlenja i sl., na Zapadu su prešli na globalnu “people analytics” ili “human analytics”. Bitni su svi podaci o ljudima – njihovo kretanje, zdravstveno stanje, aktivnost na društvenim mrežama itd. Samo korištenjem pune količine podataka može se govoriti o prihvatljivom stupnju pouzdanosti prognoza i strateških odluka. Za prikupljanje takvih podataka, tvrtke moraju uvesti nove alate na temelju mobilne aplikacije i ne samo, i privući stručnjake koji bi mogli raditi s tim.

Ali ovo je daleko od kraja problemima, ovo je tek početak.

Kontekst. Kombiniranje velikih i gustih podataka

Kontekst je odlučujući. Što to znači? To znači da su nam osim velikih podataka potrebni i tzv. gusti podaci: to su sve one vrijedne informacije od ljudi - priče, emocije, komunikacija - koje se ne mogu kvantificirati, ali imaju vrijednost nevjerojatne dubine. Ono što ih čini dubokima jest iskustvo ispravnog percipiranja onoga što ljudi govore, što pomaže prepoznati praznine i rupe u prediktivnim modelima. Gusti podaci uranjaju poslovna pitanja u ljudske probleme – pojašnjavaju kontekst. Stoga kombinacija velikih i gustih podataka daje dublju sliku. Radite i s prikupljenim i s neprikupljenim podacima: to vam daje priliku da postavite prava pitanja „zašto?“. Zašto se ovo događa?

Kako bih ilustrirao važnost konteksta, navest ću dva primjera: jedan negativan i jedan pozitivan.

negativan primjer priča je o Nokiji, koja je već postala tužan primjer kako možete izletjeti s tržišta na vrhuncu svoje forme. Bit glavne strateške pogreške bila je u tome što su čelnici tvrtke zanemarili guste podatke, koji se nisu mogli usporediti s nizom velikih podataka, ali su prilično točno predvidjeli ogroman interes za pametne telefone čak i među segmentima stanovništva s najnižim primanjima.

ALI pozitivan primjer također pred svima. Ovo je fantastičan rast za Netflix. Tamo su, naprotiv, uvidjeli praznine u analitičkim modelima i pozvali tehnološkog etnografa (već postoji takva specijalizacija) da radi s gustim podacima. I shvatio je nešto što se nije vidjelo u velikim podacima. Etnograf je primijetio da se ljudi vole "zalijepiti" za televizor, ne osjećaju se krivim zbog toga, već samo uživaju. Kombinirajući velike podatke s gustim podacima, napravili su nešto jednostavno, ali učinkovito: umjesto prikazivanja različitih žanrova serija, počeli su puštati iste one kako bi se ljudima olakšalo “držanje”. No, to nije bilo sve, promijenili su i samu praksu emitiranja u skladu s tim saznanjima. Objedinjavajući velike i guste podatke, ne samo da su poboljšali svoje poslovanje, već su i promijenili način na koji ljudi konzumiraju medijske informacije. Očekuje se da će se njihovi udjeli udvostručiti u sljedećih nekoliko godina.

Podaci nisu ništa. Kontekst je sve!

Resursi

Postupno idemo naprijed u razmatranju našeg problema, a ako ste još s nama, pred vama je posljednji bastion.

To su resursi. Kao što je vidljivo iz svega navedenog, ozbiljan rad s podacima zahtijeva „težak“ i skup softver, visoko kvalificirane stručnjake i puno vremena. Sve to dovodi do troškova koji su gotovo nepodnošljivi za većinu organizacija. Ako pratite temu, možda ste primijetili da su većina objavljenih slučajeva slučajevi velikih tvrtki, koji opisuju globalna istraživanja. Pritom se mora prisjetiti i tzv. greška preživjelog.

Objavljeni slučajevi su uglavnom oni u kojima se pokazalo. A koliko ih je propalo uz istu cijenu? Dok je jeftin i relativno jednostavni alati i bez modela. Ali tržište je tržište, i najvjerojatnije će se nakon nekog vremena pojaviti kao rezultat nagomilanog iskustva. Stoga se velike tvrtke sada trude, a svi ostali čekaju da se pojavi nešto povoljnije kao rezultat aktivnosti prvih.

Evo, zapravo, glavnih razloga zašto je samo 8% ispitanika izjavilo da ima korisne podatke; samo 9% vjeruje da dobro razumije koje karakteristike zaposlenika vode do uspjeha u njihovim organizacijama; a samo 15% ukupno ima implementirane sustave za mjerenje ljudskih resursa i talenta za linijske menadžere.

Ali nužnost i prednosti rada s podacima očite su i ne podliježu raspravi. Dakle, što učiniti?

Gdje tvrtke mogu početi?

Ljudska analitika je smjer velikih razmjera zbog globalne prirode zadataka koji se rješavaju i prilično je nov. Međutim, među analitičkim pristupima već postoje dijelovi koji su dugi i dobro razvijeni. Oni pružaju moćan, ali pristupačan alat i mogu tvrtki dati značajne uvide. Jedan od tih pristupa je analiza organizacijske mreže(ONA, Analiza organizacijske mreže). Što je?

Svrha ONA je mjerenje i mapiranje odnosa i tokova između ljudi, grupa ili organizacija. Jedinstvenost ONA-e leži u činjenici da ni na koji drugi način nije moguće vidjeti stvarne veze među ljudima u organizaciji. Zapravo, to je rendgenski snimak vaše organizacije, ili odnosa vaše organizacije s vanjskim tržištem, ili vašeg osoblja, ili grupe kandidata. Ukratko, oni odnosi koji su vam potrebni mogu se analizirati.

ONA se pojavila na sjecištu sociometrije i mrežne analize i čini se iznimno korisnim alatom.

Velika prednost ovog pristupa je njegova vizualnost.

Na primjer: analiza rukovoditelja u odjelu za istraživanje i proizvodnju velike naftne kompanije dala je sljedeću razliku između formalne i stvarne organizacijske strukture (sl. iz Rob Cross blog):

Iz desne figure se vidi da tvrtka ima jednog od srednjih menadžera, izvjesnog Colea (Cole, vidi lijevu figuru), koji je gotovo nevidljiv u službenoj hijerarhiji, ali zapravo se kroz njega odvijaju svi tokovi informacije i stvarna raspodjela posla idu. On je glavni informacijski čvor i on odlučuje kome će koju informaciju prenijeti. Potpredsjednik je na vrlo udaljenoj periferiji i, zapravo, nema utjecaja na operativni menadžment.

Mislim da ste već počeli pogađati kakvu ulogu takva shema može imati, na primjer, u upravljanju promjenama.

Sljedeća velika primjena ONA-e je, naravno, upravljanje znanjem. Ako na ulazu postavite pitanja poput "Tko je najbolji stručnjak na poslu?", tada će izlazna slika prikazati glavne nositelje stručnosti u organizaciji.

Kako ovdje ne govoriti o zadatku stvaranja informacijskog polja u tvrtki? Svaki komunikacijski menadžer trebao bi imati takvu analizu ako se ne želi kretati naslijepo. Takva analiza može pokazati i odnose i tokove informacija između odjela, između tvrtke i drugih dionika te između ljudi. U našem tečaju "HR bez uljepšavanja" detaljnije se dotičemo ove teme.

Kako, primjerice, zapravo funkcionira odnos između financija i marketinga u vašoj tvrtki? Preko koga idu sve informacije (sl. iz Rob Cross blog)?

Isto vrijedi i za svaku inovaciju, vodstvo, razvoj talenata itd.

Pogledali smo izglede za korištenje ONA-e unutar organizacije, ali ovaj alat se s istim uspjehom može primijeniti i na analizu vanjskih odnosa - s konkurentima, dobavljačima i izvođačima itd.

Glavne primjene ONA

ONA je umjetnost dobivanja korisnih rezultata: dobivate karte i mjerne podatke koji vas stvarno vode dobra pitanja. Odnosno, ONA, kao i svaki analitički alat, ne daje odgovor na pitanje "Zašto?", Ovaj odgovor može dati samo osoba. Ali kartice rade dvije stvari:

• Oni pružaju pokazatelje gdje bi moglo biti nešto zanimljivo za istraživanje.

• Pružaju zanimljive vizualne rezultate kao podršku pričama o rezultatima.

Naravno, u stvarnosti to nije tako jednostavno kao što se čini na prvi pogled. Iza sve te inspirativne ljepote i prividne jednostavnosti stoji ozbiljan matematički aparat i temeljno istraživanje, ali je puno jednostavnije od onoga što je danas u "velikoj analitici". ONA će vam odmah dati iznimno korisne rezultate i uštedjeti resurse.

Viktorija Buznik i Lilia Grabovskaya, autori resursa Talent Management.com.ua i tečaja "HR bez uljepšavanja"

Trošak zatvaranja posla

Ovo je brojka koja uključuje troškove objavljivanja slobodnih radnih mjesta na stranicama za zapošljavanje, kontaktiranja s regruterima, probira, intervjuiranja – sve što se događa u procesu traženja kandidata ima svoju cijenu u vidu ljudskih i vremenskih resursa. Prema istraživanje superposla, trošak zatvaranja jednog slobodnog radnog mjesta u Rusiji 2015. iznosio je 10.000. U Moskvi je brojka nešto drugačija - 17% veća nego u zemlji. Iza Prošle godine smanjen je trošak zatvaranja jednog slobodnog radnog mjesta, a značajno je smanjen i trošak HR-a.

Vrijeme je za zatvaranje posla

Vrijeme potrebno za zatvaranje jednog posla gotovo je jednako važno kao i cijena procesa. Nažalost, pronaći neke Prosječna vrijednost nismo uspjeli. Znamo to u SAD-u potrebno oko 25 dana popuniti jedno upražnjeno mjesto.

Formula je jednostavna: # dan otvorene pozicije / # broj primljenih kandidata

Izvori kandidata

Poznavanje izvora koji vam donose najviše dobrih kandidata znatno olakšava proces zapošljavanja. Ovdje vrijedi razmotriti sve do trenutka prihvaćanja ponude, značajke slobodnog radnog mjesta i sve platforme koje su dostupne za odgovor - developer je odgovorio na Facebook i otišao na stranicu za karijeru, a računovođa je odmah odgovorila na posao mjesto. Postoji razlika. Ovom vrstom analitike možete smanjiti troškove zatvaranja posla.

Učinkovitost procesa zapošljavanja

U svakoj fazi selekcije nekoga izbacite, netko nestane sam - analiza razloga zbog kojih se to dogodilo u ovoj fazi omogućit će vam da učinkovitije izgradite proces zapošljavanja. Postavljajte ona pitanja koja uklanjaju nepodobne kandidate, razgovarajte o principima rada tvrtke koja nekome možda ne odgovaraju, dajte testnih zadataka ranije, tako da se oni kandidati koji ih ne žele ispuniti odmah uklanjaju iz selekcijskog postupka.

Formula je: (broj kandidata koji su prošli u sljedeću fazu / ukupan broj kandidata koji su prošli selekciju) X 100

Prihvaćanje ponude

Lako je – koliki je postotak kandidata koji su prošli sve faze selekcije, na kraju dobio ponudu (i prihvatio je)? Važno je uzeti u obzir ne samo informacije o tome zašto ste odabrali baš te kandidate, već i zašto su drugi odbili ili iz nekog razloga nisu došli do završne faze odabira.

Analitika potreba poboljšati proces odabira: kako demonstrirati korporativnu kulturu? Što zbunjuje ljude tijekom intervjua? Kako kandidati odgovaraju na informacije o plaće i mjesto ureda?

Fluktuacija osoblja

Promet treba redovito pratiti – analizirati svakih nekoliko mjeseci, svakih šest mjeseci ili svake godine. To će vam omogućiti da jasno shvatite zašto zaposlenici napuštaju tvrtku i što je potrebno učiniti da se to ne dogodi - opet govorimo o uštedi na zapošljavanju, ali io izgradnji korporativne kulture sa stabilnim temeljima u obliku dobrih stručnjaka .

Formula: # broj zaposlenika koji su napustili godinu / ukupno # broj zaposlenika

Trošak prometa

Podcijenjeni faktor je da svaki zaposlenik koji napusti tvrtku također košta. Zvuči cinično, ali to je činjenica i razlog više da razmislite zašto je ured prazan i što radite krivo. Osim toga, ako zaposlenici odu, to također utječe na opće raspoloženje u timu - drugi koji se jednostavno boje promjena ili su, naprotiv, iznenada skupili hrabrost da odu, počet će ih sustizati. Pa ipak – morate znati koliko će vas koštati gubitak zaposlenika.

Formula (mogu biti opcije): sredstva isplaćena nakon odlaska zaposlenika + trošak slobodnog radnog mjesta + trošak zamjene zaposlenika + plaćanja za početnu obuku i prilagodbu

Prosječan staž

Analizirajte koliko dugo, u prosjeku, zaposlenici zauzimaju određenu poziciju. Tako možete razumjeti kada je zaposlenik blizu otpuštanja i u kojem trenutku je bolje uključiti se u kadrovske promjene.

Učinkovitost kanala

Je li u Vašem slučaju ispravno objavljivati ​​slobodna radna mjesta na FB-u? Koliko je stvarno dobrih kandidata došlo na poziciju s radnog mjesta? Analiza učinkovitosti kanala omogućit će vam korištenje samo onih stranica koje redovito omogućuju prijavu odgovarajućih kandidata.

Otvorene pozicije vs. Zatvorena slobodna radna mjesta

Ovo je analitički članak relevantan za velike tvrtke - trebate usporediti broj slobodnih radnih mjesta koja su se upravo zatvorila i onih koji su se pojavili kako biste ponovno procijenili učinkovitost procesa zapošljavanja. Ako se u nekoj tvrtki otvori mali broj slobodnih radnih mjesta, to znači da sve radite kako treba i da je u tvrtki sve prilično skladno.

Prosječna dob zaposlenika tvrtke

Saznajte koja je dob vašim zaposlenicima potrebna da bi zapošljavanje bilo učinkovitije i lakše izgradnja kulture. Generacijska razlika se još uvijek osjeća na radnom mjestu - iako u Rusiji teorija generacije Y i Z nije toliko relevantna, ali postoji mnogo više važne značajke koje biste trebali zabilježiti i redovito analizirati u svom radu.

Angažman i zadovoljstvo

Dvije metrike koje se najčešće mjere anketama. Pitanje njihove učinkovitosti u svijetu hr-tehnologija je akutno. Vaš zadatak je pronaći najbolji alat za analizu angažmana i zadovoljstva zaposlenika za svoju tvrtku. Hoćete li istovremeno provoditi anonimne ankete ili samo razgovarati sa svojim timom nije toliko važno, najvažnije je da odgovori budu bliski istini.