Apakah "graf"?

Semua industri menjana data. Terima kasih kepada data, kami boleh memahami pelanggan dalaman dengan lebih baik, mengoptimumkan proses dan melihat secara berbeza pada interaksi pekerja. Proses-proses ini boleh dihuraikan menggunakan teori graf.

Graf ialah objek matematik abstrak yang terdiri daripada bucu (titik) dan tepi (garis) yang menghubungkannya. Sebagai contoh, anda boleh menggunakan Internet - banyak tapak disambungkan melalui pautan. Asas perniagaan Yandex adalah dengan cepat merangkak graf Internet, menganalisis kandungan dan memberikan jawapan yang relevan kepada pengguna. Contoh lain ialah Yandex.Taxi: dengan mencari jarak terpendek antara titik pada peta, perkhidmatan itu membantu penumpang sampai ke destinasi mereka.

Graf syarikat Yandex: titik - pekerja, garisan - interaksi antara mereka

Perwakilan abstrak objek dalam bentuk graf telah dicadangkan oleh ahli matematik Leonhard Euler, yang menyelesaikan masalah popular pada abad ke-18: bagaimana untuk berjalan melintasi semua jambatan bandar Königsberg tanpa melepasi mana-mana daripada mereka dua kali?

Sumber dan keperluan data

Untuk membina graf, anda memerlukan data. Organisasi boleh menggunakan yang berikut sebagai sumber data:

mel korporat

kalendar mesyuarat pekerja

tugasan dalam penjejak

panggilan PBX dalaman

Penjejak amat popular di syarikat IT. Mereka membenarkan anda menetapkan tugasan, menugaskan mereka yang bertanggungjawab untuk pelaksanaannya dan melampirkan fail. Penjejak sangat memudahkan kerjasama dalam pasukan. Di Yandex, alat ini digunakan bukan sahaja oleh pemaju, tetapi juga oleh jabatan lain.

Jabatan HR menggunakan penjejak untuk:

penyelarasan jawatan kosong

pengambilan pekerja

adaptasi

latihan

Analisis HR dibina berdasarkan alat ini.

Keperluan data:

Kualiti. Data mestilah bebas daripada ralat dan ketinggalan. Penunjuk mesti dibawa ke bentuk umum.

kesempurnaan. Kini, bekerja dalam beberapa sistem maklumat secara serentak telah menjadi kebiasaan. Data yang diambil dari satu sistem sahaja tidak akan lengkap.

Analisis Interaksi

Titik dan garis pada graf mewakili pekerja dan interaksi mereka. Semakin besar diameter titik, semakin sengit interaksi pekerja dengan rakan sekerja. Semakin tebal garis yang menghubungkan dua pekerja, semakin sengit interaksi yang berlaku dalam pasangan ini.

Interaksi pekerja Yandex

Adalah penting untuk mengambil kira dan mentafsir semua data dengan betul. Keamatan interaksi pekerja secara langsung bergantung pada kedudukan mereka dan tugas yang diberikan.

Apakah kesimpulan yang boleh dibuat dan apa yang boleh digunakan dalam perubahan organisasi:

Keberkesanan interaksi. Jika kumpulan berbeza dalam keamatan interaksi dan mereka mempunyai penunjuk objektif seperti KPI atau semakan prestasi dijalankan, maka adalah mungkin untuk membandingkan faktor daripada graf (intensiti interaksi) dan meramalkan tindakan yang membawa kepada prestasi yang lebih baik. Contohnya, jumlah komunikasi yang berlebihan boleh membebankan pengurus dan menjejaskan keletihan mereka.

Gaya pengurusan pengurus. Data akan memberitahu anda sama ada pemimpin menggunakan pengurusan mikro atau kawalan penuh. Menggunakan data daripada graf, anda boleh memberitahu pengurus sama ada gaya pengurusannya sesuai untuk setiap satu tugas tertentu dan apakah tindakan yang boleh meningkatkan prestasi pekerja.

Komunikasi dalam pasukan. Sebagai contoh, ahli pasukan berinteraksi dengan baik antara satu sama lain, tetapi hampir tidak mempunyai interaksi dengan rakan sekerja lain. Pasukan sedemikian boleh membuat projek yang sudah ada dalam syarikat, data mengenainya disimpan, tetapi pasukan itu tidak mengetahuinya. Akibatnya, sumber syarikat akan dibazirkan kerana komunikasi yang tidak mencukupi dengan jabatan lain. Atau sebaliknya, apabila komunikasi dalaman dalam pasukan lemah, ini membawa kepada kelewatan dalam tarikh akhir penyediaan projek.

Gambar penuh interaksi pekerja membolehkan anda membuat senarai rakan sekerja secara automatik untuk menjalankan tinjauan 360 darjah. Dalam kes ini, data yang pengurus akan terima berdasarkan hasil tinjauan akan lengkap.

Kerjasama antara pasukan

Metrik

Beberapa metrik daripada teori graf boleh berjaya digunakan dalam organisasi:

Ketumpatan / Jarang. Graf dipanggil lengkap apabila semua bucunya disambungkan dengan tepi. Dalam dunia nyata, contoh graf lengkap boleh menjadi permulaan kecil: satu pasukan kecil yang mesra di mana semua orang mengenali satu sama lain dan berinteraksi dengan berkesan. Pemergian seorang pekerja tidak membawa kepada kehilangan maklumat penting, dan interaksi tidak terganggu.
Apabila syarikat berkembang, ketumpatan rosak. Sukar untuk membayangkan sebuah syarikat yang mempunyai ribuan pekerja di mana semua pekerja mengenali satu sama lain. Syarikat sedemikian dicirikan oleh risiko kehilangan komunikasi penting dalam pasukan apabila seorang pekerja keluar.

Jarak. Metrik ini mengingatkan kepada teori enam jabat tangan yang terkenal. Semakin kecil jarak antara pekerja, semakin besar perpaduan, semakin ramai orang mengenali antara satu sama lain.

Kepusatan. Metrik ini digambarkan dengan baik oleh graf watak Game of Thrones: selepas kematian salah satu watak utama karya itu, penulis skrip mengalami kesukaran jalan cerita watak-watak kecil.

Jambatan. Ini boleh digambarkan dengan contoh Belgium, sebuah negara dengan dua bahasa rasmi, di mana jambatan kecil orang yang bercakap dua bahasa menghubungkan "eka bahasa" sesama warganegara. Dalam sebuah syarikat, orang di jambatan ini adalah pembawa sambungan yang sangat penting. Pemergian mereka adalah masalah besar bagi syarikat.

Permohonan

Dalam syarikat berasaskan projek, projek dimulakan dan ditutup setiap minggu, adalah penting untuk menjejaki perbelanjaan. Ia adalah perlu untuk mengumpul dan menghantar data dengan betul untuk pengiraan ekonomi. Proses ini boleh diperbaiki melalui automasi. Yandex melakukan perkara berikut:

Kami membina graf syarikat.

Dengan menganalisis gelagat pekerja pada setiap bulan tertentu, penganalisis HR melihat projek yang sedang dijalankan oleh pekerja itu. Tidak perlu berhubung dengan pengurus perkhidmatan. Ini menjimatkan masa perniagaan dan penganalisis.

Setakat ini ini adalah projek perintis yang menunjukkan hasil yang menarik. banyak projek penyelidikan dalam Yandex mereka kemudiannya dilancarkan ke dalam pengeluaran.

Jadi, laluan klasik analisis

Data. Sumber, kesempurnaan dan kualiti.

Visualisasi. Bagaimana untuk melihat data ini dan cara menggunakannya. Idea tentang metrik, yang dalam kes analisis HR boleh diambil daripada teori graf atau dicipta secara bebas.

melaporkan, yang menunjukkan setiap bulan apa yang berlaku dalam syarikat. Contohnya, intensiti interaksi antara pengurus.

metrik, yang digunakan untuk inferens.

Analitis Ramalan- melancarkan proses automatik yang menjimatkan masa.

Apa lagi yang anda perlu tahu tentang analisis HR

Kevin Wheeler, Presiden dan Pengasas Global Learning Resources, Inc., dalam satu artikel"Kelemahan Analitis HR: 8 Fakta Yang Kurang Diketahui" menyerlahkan beberapa faktor penting yang berkaitan dengan data HR:

Analitis bukan pil ajaib. Analitis bukanlah penawar ajaib. Data membantu kami memahami masalah dan mungkin membuat pilihan yang lebih baik. kaedah yang berkesan keputusannya, tetapi data bukan pengganti untuk empati dan penaakulan manusia.

Memahami perkara yang anda ingin ketahui. Anda perlu sangat jelas tentang perkara yang ingin anda analisis atau ukur. Dan pastikan ia mungkin.

Gunakan kaedah yang sesuai. Kaedah pengumpulan data juga mungkin bukan satu tugas yang mudah. Satu penggunaan analitik adalah untuk menjelaskan masalah atau mencari kemungkinan punca.

Data pasif mungkin lebih baik daripada data yang diminta. Adalah lebih mudah untuk mengumpul data pasif sendiri daripada meminta data keras daripada orang lain. Mengumpul maklumat fakta berdasarkan keputusan sebarang tindakan dan keputusan adalah agak mudah.

Sokongan adalah penting. Penggunaan data yang berkesan memerlukan sokongan kepimpinan dan budaya yang menghargai data.

Matlamat mengawal keadaan. Terdapat godaan yang hebat untuk mengukur segala-galanya, terutamanya pada mulanya, apabila alat analitik baru dilaksanakan dalam syarikat. Tetapi lebih baik fokus pada dua atau tiga soalan utama yang anda mahu dijawab. Kemudian anda akan mempunyai masa yang cukup untuk pengumpulan data yang lebih tepat dan analisis penuh.

Data adalah cacat. DALAM Kebelakangan ini Sudah menjadi perkara biasa untuk meletakkan data pada alas dan menganggapnya sebagai maklumat tulen, tanpa politik atau pendapat. Tetapi malangnya, analisis data dipengaruhi oleh pendapat sama seperti segala-galanya.

Lebih mudah lagi bagus. Luangkan masa untuk membuat senarai perkara yang anda benar-benar ingin tahu untuk meningkatkan proses pengambilan anda; apakah data yang akan membantu anda meningkatkan keberkesanan kebanyakan sumber atau menjawab soalan pengurusan yang mendesak.

Masalah tafsiran data yang betul juga baru-baru ini dibincangkanNassim Taleb berkata : “Jika anda tahu bagaimana untuk bekerja dengan Data besar, ini bagus, tetapi anda perlu dapat mentafsirnya, menapis bunyi karut dan bunyi yang tidak perlu yang mengelirukan segala-galanya. Menariknya, satu-satunya yang tahu cara bekerja dengan data ialah perkhidmatan anti-pengganas. Mereka dapat mengelak daripada mencari korelasi palsu dan mengecilkan sampel kepada suspek tertentu; mereka sedang mencari sambungan.Anda hanya boleh menipu komputer dengan disiplin statistik adalah sangat penting. Data besar tidak boleh memberitahu kami apa yang betul, hanya apa yang TIDAK betul.”

Sumber Imej - Persekitaran HR

Kes HR semasa dan menarik dalam Telegram kami. Langgan saluran!

Menyalin dan sebarang pemprosesan bahan dari tapak adalah dilarang

Mereka menulis dan bercakap tentang analisis HR lebih daripada mereka memahami apa sebenarnya dan masalah yang direka untuk diselesaikan.

Artikel ini adalah mengenai apakah kesukaran utama dalam aplikasi dan di mana anda boleh mula menganalisis.

Setakat ini, dalam ruang awam, analisis HR bermaksud sama ada metrik dan bekerja dengan nombor, statistik dalam HR, yang merupakan penunjuk proses tempatan atau jabatan, atau berkongsi kes tentang cara melibatkan jabatan IT dalam penciptaan arkib data HR. Malah, analisis HR menyelesaikan masalah pembangunan strategik syarikat dan menentukan arah aliran ramalan utama.

Jadi, apakah analisis HR?

Analitis HR ialah proses di mana teknik sains data dan analisis perniagaan (BA) digunakan untuk pemprosesan data HR. Ia kadangkala juga dipanggil analisis bakat. Selain itu, perlombongan data dalam konteks ini merujuk kepada amalan pangkalan data perlombongan untuk mencipta maklumat baharu.

Mengapa ini sangat relevan sekarang, berdasarkan pendigitalan global ekonomi, perniagaan dan orang ramai. Data, kawan-kawan! Data besar ada di mana-mana!

Dan kemudian neurosains tiba, menunjukkan kepada kita bagaimana keputusan manusia adalah subjektif dan dipenuhi dengan emosi dan bukannya pendekatan yang rasional.

Bagaimana untuk hidup dengan ini sekarang?

Sudah tentu, kita memerlukan cara yang berbeza untuk membuat keputusan - supaya semuanya logik, munasabah, berdasarkan data dan dengan hasil terjamin. Siapa yang tidak mahu itu? Semua orang mahu! Mengapa mereka tidak melakukannya?

Kesediaan analitik HR kekal sebagai cabaran utama. Menurut laporan Deloitte 2017, selepas bertahun-tahun membincangkan isu itu, hanya 8% daripada responden melaporkan bahawa mereka mempunyai data yang berguna; hanya 9% percaya mereka mempunyai pemahaman yang baik tentang ciri-ciri pekerja yang membawa kepada kejayaan dalam organisasi mereka; dan hanya 15% secara keseluruhan telah menggunakan sistem prestasi HR dan bakat untuk pengurus baris.

“Ia menjadi misteri sejak sekian lama. dekad lepas"Memandangkan kepentingan modal insan yang jelas, mengapa organisasi tidak melabur di dalamnya dan memerlukan pemimpin membuat keputusan mereka tentang orang yang menggunakan analisis berasaskan bukti?" ("")

Jadi apa urusannya? Mengapa mereka bercakap dan menulis tentang faedah dan keperluan menggunakan analisis lebih daripada yang mereka gunakan dalam kerja sebenar?

Mari kita lihat fenomena ini dari sudut yang berbeza.

Apa kesukarannya?

Pertama sekali, adalah wajar mempertimbangkan sebab-sebab yang mendalam dan asas untuk "perencatan" sedemikian di pihak pemimpin syarikat. Saya akan menerangkan ini dari segi model yang dikemukakan oleh Pete Ramstad dan John Boudreau dalam Beyond HR (Boudreau dan Ramstad, 2007) yang dipanggil model LAMP, analisis, langkah dan proses.

Untuk memudahkan perkara yang diterangkan dalam model ini, sebab mengapa penggunaan analitik dihalang adalah seperti berikut:

• Logik: kami tidak dapat menjelaskan mengapa sistem kerja berprestasi tinggi berfungsi. Ia masih kotak hitam. Kami memahami bahawa terdapat hubungan tertentu antara nuansa, tetapi kami pastinya tidak boleh mengatakan apa yang secara langsung bergantung pada apa dan apa yang perlu dilakukan dengan X untuk mendapatkan Y.

• Analitis: secara tradisinya terdapat kekurangan kedalaman dan ketelitian dalam model analisis. Pemimpin di Google dan syarikat terkemuka lain beralih kepada industri seperti roket, di mana terdapat model yang mengambil kira sejumlah besar faktor. Ringkasnya, ini tidak betul dari segi metodologi.

• Metrik: Selalunya, set data berkaitan dengan status pekerjaan semasa, kos pekerja dan program HR. Paling baik, data ini mewakili pelaporan operasi atau lanjutan dan bukannya analisis strategik atau ramalan, yang merangkumi analitik, pembahagian pekerja dan yang disepadukan rapat dengan perancangan strategik.

• Proses: ia adalah pembentangan analitik kepada pembuat keputusan. Di sini, faktor kejayaan utama ialah ketepatan masa dan tahap daya tarikan visual data yang dibentangkan. Ia mengenai tentang mendapatkan data dalam masa nyata dalam bentuk yang boleh diakses dan difahami untuk membuat keputusan, dan penggunaan alatan tersebut kecerdasan buatan baru dibangunkan. Sebagai contoh, kebanyakan pengurus tidak tahu bagaimana untuk mentafsirkan kadar pusing ganti pekerja kerana mereka biasanya tahu bahawa pusing ganti yang rendah tidak selalunya menguntungkan, dan sebaliknya, mereka tidak tahu bagaimana untuk menentukan apa yang terbaik dalam situasi yang mereka hadapi. Dari sudut pandangan ini, kami berada di peringkat menyemak alat HR.

Saya fikir dari apa yang telah diterangkan di atas kerumitan dan kedalaman masalah kelihatan lebih jelas sedikit. Jadi, terdapat sebab objektif mengapa pelaburan dalam analitik nampaknya agak berisiko. Secara kasarnya, kami tidak mempunyai alat yang jelas, boleh dipercayai dan tidak jelas untuk membuat keputusan berasaskan analitik. Lebih tepat lagi, untuk kawasan tempatan yang sangat mudah terdapat, tetapi ia tidak berbaloi dengan kosnya. Perbelanjaan tahap ini masuk akal jika kita boleh mendapatkan arah aliran ramalan yang boleh dipercayai yang merupakan kunci kejayaan perniagaan. Tetapi analitik sahaja tidak dapat menjamin ini.

Kami tidak mahu hanya memproses data. Kami mahu mempunyai alat yang boleh dipercayai untuk membuat keputusan perniagaan dengan lebih kurang hasil yang dijamin. Dan dalam pengertian ini, perkara utama masih kekal dengan orang itu:

• keupayaan untuk bertanya soalan yang relevan secara strategik dan mengemukakannya struktur logik, menunjukkan hubungan antara pelaburan HR dan hasil organisasi yang kritikal;

• Mempunyai pengetahuan yang mendalam tentang perniagaan anda;

• memahami logik model analisis dalam erti kata kebolehgunaannya untuk menerangkan proses penting dalam organisasi dan banyak lagi.

Jika sama sekali dalam kata mudah Untuk meringkaskan, kesukaran utama analitik sebagai cara bekerja dengan data ialah kita perlu terlebih dahulu menentukan hasil yang ingin kita perolehi. Dan untuk melakukan ini, kita perlu bertanya soalan yang sangat betul yang memerlukan pemahaman yang mendalam tentang perniagaan, kemudian tentukan dengan bantuan model analitik mana kita boleh mendapatkan hasil ini, selaras dengan ini, tentukan data dan jumlah yang kita perlukan. , dan hanya kemudian datang dengan, Bagaimanakah kita boleh mendapatkannya dalam bentuk yang kita perlukan?

Pendekatan yang kompleks

Untuk menggambarkan kerumitan pendekatan, lihat gambar yang menunjukkan komposisi pasukan analisis HR:

Bukan itu sahaja. Adalah sangat penting untuk diingat bahawa secara umum frasa "analisis HR" sangat jarang berlaku hari ini dalam karya penyelidik dan pengarang. Ini adalah istilah bahasa Rusia yang biasa. Dalam bahasa Inggeris, konsep People Analytics kini digunakan - people analytics. Ini bukan sinonim yang mudah. Begitu juga sebaliknya. Daripada kawasan tempatan yang berkaitan secara eksklusif dengan HR - pusing ganti, metrik pengambilan, status pekerjaan, dsb., Barat telah beralih kepada "analitik manusia" atau "analitik manusia" global. Semua data tentang orang penting - pergerakan mereka, status kesihatan, aktiviti di rangkaian sosial, dsb. Hanya dengan menggunakan jumlah data penuh kita boleh bercakap tentang tahap kebolehpercayaan ramalan dan keputusan strategik yang boleh diterima. Untuk mengumpul data sedemikian, syarikat mesti melaksanakan alat baharu berdasarkan aplikasi mudah alih dan banyak lagi, dan menarik pakar yang boleh bekerja dengannya.

Tetapi ini jauh dari penghujung masalah, ini hanya permulaan mereka.

Konteks. Menggabungkan data yang besar dan padat

Konteks adalah kritikal. Apakah maksudnya? Ini bermakna sebagai tambahan kepada data besar, kita memerlukan apa yang dipanggil. data padat: ini adalah semua maklumat berharga daripada orang - cerita, emosi, komunikasi - yang tidak boleh diukur, tetapi membawa maksud kedalaman yang luar biasa. Apa yang menjadikan mereka mendalam ialah pengalaman memahami dengan betul apa yang orang katakan - inilah yang membantu untuk mengenali jurang dan lubang dalam model ramalan. Data padat memasukkan isu perniagaan ke dalam isu manusia – menyediakan konteks. Oleh itu, menggabungkan data yang besar dan padat memberikan gambaran yang lebih mendalam. Anda bekerja dengan kedua-dua data yang dikumpul dan tidak dikumpul: ini memberi anda peluang untuk bertanya soalan yang betul "mengapa?" Kenapa ini terjadi?

Untuk menggambarkan kepentingan konteks, saya akan memberikan dua contoh: negatif dan positif.

Contoh negatif- ini adalah kisah Nokia, yang telah menjadi contoh yang menyedihkan tentang bagaimana anda boleh terbang keluar dari pasaran pada kemuncak bentuknya. Intipati salah pengiraan strategik utama ialah pemimpin syarikat mengabaikan data padat, yang tidak dapat dibandingkan dalam tatasusunan dengan data besar, tetapi dengan tepat meramalkan minat besar dalam telefon pintar walaupun di kalangan segmen penduduk yang paling miskin.

A contoh positif juga di depan mata. Ini adalah pertumbuhan yang hebat untuk Netflix. Di sana, sebaliknya, mereka melihat lubang dalam model analisis dan menjemput ahli etnografi teknologi (sudah ada pengkhususan sedemikian) untuk bekerja dengan data padat. Dan dia mengetahui sesuatu yang tidak kelihatan dalam data besar. Ahli etnografi menyedari bahawa orang suka "terperangkap" di hadapan TV mereka tidak berasa bersalah mengenainya, tetapi hanya menikmatinya. Dan dengan menggabungkan data besar dengan data padat, mereka melakukan sesuatu yang mudah tetapi berkesan: daripada menunjukkan siri genre yang berbeza, mereka mula menunjukkan siri yang sama untuk memudahkan orang ramai terjebak. Tetapi bukan itu sahaja, mereka mengubah amalan penyiaran mengikut penemuan ini. Dengan mengumpulkan data yang besar dan padat, mereka bukan sahaja meningkatkan perniagaan mereka, tetapi juga mengubah cara orang menggunakan maklumat media. Saham mereka dijangka meningkat dua kali ganda dalam beberapa tahun akan datang.

Data bukan apa-apa. Konteks adalah segala-galanya!

Sumber

Kami secara beransur-ansur bergerak ke hadapan dalam mempertimbangkan masalah kami, dan jika anda masih bersama kami, benteng terakhir di hadapan.

Ini adalah sumber. Seperti yang dapat dilihat dari semua yang diterangkan di atas, kerja serius dengan data memerlukan perisian "berat" dan mahal, pakar yang berkelayakan tinggi dan banyak masa. Semua ini menambah kos yang hampir tidak mampu dimiliki oleh kebanyakan organisasi. Jika anda mengikuti topik tersebut, anda mungkin perasan bahawa kebanyakan kes yang diterbitkan adalah kes syarikat besar yang menerangkan penyelidikan global. Dalam kes ini, anda perlu ingat tentang apa yang dipanggil. kesilapan yang terselamat.

Kes-kes yang diterbitkan kebanyakannya adalah kes di mana ia berfungsi. Dan berapa ramai yang tidak berjaya pada kos yang sama? Manakala kos rendah dan agak alatan mudah dan tidak ada model. Tetapi pasaran adalah pasaran dan kemungkinan besar, selepas beberapa waktu ia akan muncul sebagai hasil daripada pengalaman terkumpul. Oleh itu, syarikat besar kini mencuba, dan semua orang sedang menunggu sesuatu yang lebih mudah untuk muncul hasil daripada aktiviti yang pertama.

Ini, sebenarnya, sebab utama mengapa hanya 8% responden melaporkan bahawa mereka mempunyai data yang berguna; hanya 9% percaya mereka mempunyai pemahaman yang baik tentang ciri-ciri pekerja yang membawa kepada kejayaan dalam organisasi mereka; dan hanya 15% secara keseluruhan telah menggunakan sistem prestasi HR dan bakat untuk pengurus baris.

Tetapi keperluan dan faedah bekerja dengan data adalah jelas dan tidak boleh dibincangkan. Jadi apa yang perlu dilakukan?

Di manakah syarikat boleh bermula?

Analitis orang ialah hala tuju berskala besar kerana sifat global tugas yang sedang diselesaikan dan agak baharu. Walau bagaimanapun, antara pendekatan analisis sudah ada bahagian yang telah dibangunkan dengan baik sejak sekian lama. Mereka menyediakan alat yang berkuasa lagi boleh diakses dan boleh memberikan cerapan penting kepada syarikat. Salah satu pendekatan tersebut ialah analisis rangkaian organisasi(ONA, Analisis Rangkaian Organisasi). Apa ini?

Tujuan ONA adalah untuk mengukur dan memaparkan perhubungan dan aliran antara orang, kumpulan atau organisasi. Apa yang menjadikan ONA unik ialah tiada cara lain untuk melihat hubungan sebenar antara orang dalam sesebuah organisasi. Ia secara berkesan adalah sinar-X organisasi anda, atau hubungan organisasi anda dengan pasaran luar, atau tenaga kerja anda, atau kumpulan calon anda. Pendek kata, perhubungan yang anda perlukan boleh dianalisis.

ONA muncul di persimpangan sosiometri dan analisis rangkaian dan nampaknya merupakan alat yang sangat berguna.

Kelebihan besar pendekatan ini ialah visualitinya.

Sebagai contoh: analisis pengurus dalam bahagian cari gali dan pengeluaran sebuah syarikat minyak besar mendedahkan perbezaan berikut antara struktur organisasi formal dan sebenar (Rajah dari Blog Rob Cross):

Dari gambar kanan dapat dilihat bahawa syarikat itu mempunyai salah seorang pengurus pertengahan, Cole tertentu (lihat gambar kiri), yang hampir tidak dapat dilihat dalam hierarki rasmi, tetapi sebenarnya melaluinya semua aliran maklumat dan pengagihan kerja sebenar pergi. Dia adalah hab maklumat utama dan dia memutuskan siapa yang mendapat maklumat apa. Naib presiden terletak di pinggir yang sangat jauh dan, sebenarnya, tidak mempunyai pengaruh ke atas pengurusan operasi.

Saya rasa anda sudah mula meneka apakah peranan yang boleh dimainkan oleh skim tersebut, contohnya, dalam pengurusan perubahan.

Aplikasi besar seterusnya untuk ONA, sudah tentu, pengurusan pengetahuan. Jika pada input anda bertanya soalan seperti: "Siapa pakar paling hebat di tempat kerja?", maka gambar pada output akan menunjukkan pembawa kepakaran utama dalam organisasi.

Bagaimana kita tidak boleh bercakap tentang tugas mewujudkan medan maklumat dalam syarikat? Mana-mana pengurus komunikasi mesti mempunyai analisis seperti ini jika dia tidak mahu bergerak ke hadapan secara membuta tuli. Analisis sedemikian boleh menunjukkan kedua-dua perhubungan dan aliran maklumat antara jabatan, antara syarikat dan pihak berkepentingan lain, dan antara orang. Dalam kursus latihan kami "HR Unvarnished" kami menyentuh topik ini dengan lebih terperinci.

Sebagai contoh, bagaimanakah interaksi antara kewangan dan pemasaran sebenarnya berlaku dalam syarikat anda? Melalui siapa semua maklumat pergi? (Gamb blog Rob Cross)?

Begitu juga dengan sebarang inovasi, kepimpinan, pembangunan bakat, dsb.

Kami melihat prospek untuk menggunakan ONA dalam organisasi, tetapi dengan kejayaan yang sama, alat ini boleh digunakan untuk menganalisis hubungan luar - dengan pesaing, pembekal dan kontraktor, dsb.

Aplikasi utama ONA

ONA ialah seni mendapatkan hasil yang berguna: anda mendapat peta dan penunjuk yang membawa anda ke arah yang sebenar soalan yang bagus. Iaitu, ONA, seperti mana-mana alat analisis, tidak menjawab soalan "Mengapa?" Jawapan ini hanya boleh diberikan oleh seseorang. Tetapi kad melakukan dua perkara:

• Mereka menyediakan penunjuk tempat yang mungkin ada sesuatu yang menarik untuk diterokai.

• Mereka menyediakan hasil visual yang menarik untuk menyokong cerita hasil.

Sudah tentu, pada hakikatnya ini tidak semudah yang kelihatan pada pandangan pertama. Di sebalik semua keindahan yang memberi inspirasi dan kesederhanaan yang jelas ini terdapat alat matematik yang serius dan penyelidikan asas, tetapi ia jauh lebih mudah daripada apa yang kita ada dalam "analitis besar" hari ini. ONA akan memberikan anda hasil yang sangat berguna serta-merta dan menjimatkan sumber.

Victoria Buznik Dan Liliya Grabovskaya, pengarang sumber Talent Management.com.ua dan kursus latihan "HR tanpa hiasan"

Kos mengisi kekosongan

Ini adalah angka yang termasuk kos pengeposan kekosongan di tapak kerja, hubungan dengan perekrut, saringan, temu duga - semua yang berlaku dalam proses mencari calon mempunyai kosnya dalam bentuk sumber manusia dan masa. mengikut penyelidikan superjob, kos untuk mengisi satu kekosongan di Rusia pada tahun 2015 ialah 10,000. Di Moscow, angka itu sedikit berbeza - 17% lebih tinggi daripada di negara ini. belakang Tahun lepas kos untuk mengisi satu kekosongan telah berkurangan, dan kos HR juga telah menurun dengan ketara.

Masa untuk mengisi kekosongan

Masa yang dihabiskan untuk mengisi satu kekosongan adalah hampir sama pentingnya dengan kos proses. Malangnya, cari beberapa nilai purata kami gagal. Kita tahu itu di Amerika Syarikat kira-kira 25 hari diperlukan untuk mengisi satu kekosongan.

Formulanya mudah: # hari jawatan dibuka / # bilangan calon yang diambil bekerja

Sumber Calon

Mengetahui sumber yang membawa anda calon yang paling baik menjadikan proses pengambilan lebih mudah. Di sini adalah bernilai mempertimbangkan segala-galanya sebelum menerima tawaran, spesifikasi kekosongan dan semua platform yang tersedia untuk respons - pemaju menjawab di Facebook dan pergi ke tapak kerjaya, dan akauntan segera membalas di tapak kerja. Terdapat perbezaan. Terima kasih kepada jenis analitik ini, anda boleh mengurangkan kos mengisi kekosongan.

Kecekapan proses pengambilan pekerja

Pada setiap peringkat pemilihan, anda menyingkirkan seseorang, seseorang tercicir sendiri - analisis tentang sebab-sebab mengapa ini berlaku pada peringkat tertentu ini akan membolehkan anda membina proses perekrutan dengan lebih berkesan. Tanya soalan-soalan yang menyingkirkan calon yang tidak sesuai, bercakap tentang prinsip kerja syarikat yang mungkin tidak sesuai dengan seseorang, berikan tugasan ujian lebih awal, supaya calon-calon yang tidak mahu mematuhinya segera dikeluarkan daripada proses pemilihan.

Formulanya ialah: (# calon yang mara ke peringkat seterusnya / jumlah calon terpilih) X 100

Penerimaan tawaran

Mudah sahaja - berapa peratuskah calon yang melalui semua peringkat pemilihan akhirnya menerima tawaran (dan menerimanya)? Adalah penting untuk mempertimbangkan bukan sahaja maklumat tentang sebab anda memilih calon tertentu ini, tetapi juga mengapa orang lain menolak atau atas sebab tertentu tidak mencapai peringkat akhir pemilihan.

Analitis diperlukan untuk menambah baik proses pemilihan: bagaimana anda menunjukkan budaya syarikat? Apa yang membuatkan orang ramai terpinga-pinga semasa temuduga? Bagaimanakah calon bertindak balas terhadap maklumat tentang upah dan lokasi pejabat?

Pusing ganti kakitangan

Perolehan perlu dipantau secara berkala - analisis setiap beberapa bulan, setiap enam bulan atau setiap tahun. Ini akan membolehkan anda memahami dengan jelas mengapa pekerja meninggalkan syarikat dan apa yang perlu dilakukan untuk mengelakkan perkara ini berlaku - kami sekali lagi bercakap tentang penjimatan dalam pengambilan pekerja, dan juga tentang membina budaya korporat dengan asas yang stabil dalam bentuk pakar yang baik .

Formula: # bilangan pekerja yang keluar sepanjang tahun / jumlah # bilangan pekerja

Kos pusing ganti

Faktor yang dipandang remeh ialah setiap pekerja yang meninggalkan syarikat juga memerlukan wang. Kedengarannya sinis, tetapi ini adalah fakta dan satu lagi sebab untuk memikirkan mengapa pejabat kosong dan apa yang anda lakukan salah. Di samping itu, jika pekerja berhenti, ini juga menjejaskan mood umum dalam pasukan - orang lain akan mula mengikutinya, yang hanya takut perubahan atau, sebaliknya, tiba-tiba mengeluarkan keberanian untuk pergi. Namun - anda perlu tahu berapa banyak kerugian pekerja yang akan anda tanggung.

Formula (mungkin ada pilihan): dana yang dibayar selepas pekerja pergi + kos kekosongan + kos menggantikan pekerja + bayaran untuk latihan awal dan penyesuaian

Purata tempoh perkhidmatan

Analisis berapa lama, secara purata, pekerja menduduki jawatan tertentu. Dengan cara ini, anda boleh memahami apabila pekerja hampir meninggalkan dan pada masa yang lebih baik untuk membuat perubahan kakitangan.

Kecekapan saluran

Adakah betul untuk menerbitkan jawatan kosong di FB dalam kes anda? Berapa ramai calon yang benar-benar baik datang ke jawatan itu dari tapak kerja? Menganalisis keberkesanan saluran akan membolehkan anda menggunakan hanya platform yang kerap membenarkan calon yang sesuai untuk memohon.

Jawatan terbuka lwn. Kekosongan jawatan tertutup

Ini adalah artikel analitik yang relevan untuk syarikat besar - anda perlu membandingkan bilangan kekosongan yang baru diisi dan yang telah muncul untuk menilai semula keberkesanan proses pengambilan. Sekiranya syarikat mempunyai bilangan kekosongan yang kecil, ini bermakna anda melakukan segala-galanya dengan betul dan semuanya cukup harmoni dalam syarikat.

Purata umur pekerja syarikat

Mengetahui umur pekerja anda boleh menjadikan pengambilan lebih berkesan dan membina budaya korporat lebih mudah. Jurang generasi masih terasa di tempat kerja - walaupun di Rusia teori generasi Y dan Z tidak begitu relevan, terdapat banyak lagi ciri penting, yang perlu anda perhatikan dan kerap menganalisis dalam kerja anda.

Penglibatan dan kepuasan

Dua penunjuk yang paling kerap diukur menggunakan tinjauan. Persoalan keberkesanan mereka dalam dunia teknologi HR adalah akut. Tugas anda adalah untuk mencari penglibatan pekerja yang optimum dan alat analisis kepuasan untuk syarikat anda. Sama ada anda menjalankan tinjauan tanpa nama atau hanya bercakap dengan pasukan anda tidaklah begitu penting, perkara utama ialah jawapannya hampir dengan kebenaran.