Kaj je "graf"?

Vse industrije ustvarjajo podatke. Zahvaljujoč podatkim lahko bolje razumemo internega naročnika, optimiziramo procese in drugače pogledamo na interakcijo zaposlenih. Te procese je mogoče opisati s teorijo grafov.

Graf je abstrakten matematični objekt, ki je sestavljen iz vozlišč (točk) in robov (črt), ki jih povezujejo. Kot primer lahko vzamete internet - veliko spletnih mest je povezanih s povezavami. Osnova Yandexovega poslovanja je hitro brskanje po internetnem grafu, analiziranje vsebine in podajanje ustreznega odgovora uporabniku. Drug primer je Yandex.Taxi: z iskanjem najkrajše razdalje med točkami na zemljevidu storitev potniku pomaga priti do cilja.

Graf podjetja Yandex: pike - zaposleni, črte - interakcija med njimi

Abstraktno predstavitev predmetov v obliki grafov je predlagal matematik Leonhard Euler, ki je v 18. stoletju rešil priljubljeno težavo: kako se sprehoditi čez vse mestne mostove v Königsbergu, ne da bi se čez katerega od njih peljal dvakrat?

Viri podatkov in zahteve

Če želite zgraditi graf, potrebujete podatke. Organizacija lahko kot vire podatkov uporabi naslednje:

službena pošta

koledar sestankov zaposlenih

naloge v sledilniku

notranji PBX klici

Sledilniki so še posebej priljubljeni v IT podjetjih. Omogočajo določanje nalog, določanje odgovornih za njihovo izvedbo in pripenjanje datotek. Sledilci močno poenostavijo sodelovanje znotraj ekip. V Yandexu to orodje uporabljajo ne samo razvijalci, ampak tudi drugi oddelki.

Kadrovske službe uporabljajo sledilnik za:

usklajevanje prostih delovnih mest

zaposlovanje

prilagajanje

usposabljanje

Na podlagi tega orodja je zgrajena kadrovska analitika.

Podatkovne zahteve:

Kakovost. Podatki morajo biti brez napak in izpustov. Kazalnike je treba spraviti v splošno obliko.

Popolnost. V današnjem času je delo v več informacijskih sistemih hkrati postalo norma. Podatki, vzeti samo iz enega sistema, ne bodo popolni.

Analiza interakcij

Pike in črte na grafu predstavljajo zaposlene in njihove interakcije. Večji kot je premer pike, intenzivnejša je interakcija zaposlenega s sodelavci. Debelejša kot je črta, ki povezuje dva zaposlena, bolj intenzivna je interakcija v tem paru.

Interakcije z zaposlenimi v Yandexu

Pomembno je upoštevati in pravilno interpretirati vse podatke. Intenzivnost interakcije zaposlenih je neposredno odvisna od njihovega položaja in dodeljenih nalog.

Kakšne zaključke je mogoče narediti in kaj uporabiti pri organizacijskih spremembah:

Učinkovitost interakcij.Če se skupine razlikujejo po intenzivnosti interakcij in imajo objektiven indikator, kot je KPI, ali je opravljen pregled uspešnosti, potem je mogoče primerjati dejavnike iz grafa (intenzivnost interakcij) in predvideti, katera dejanja vodijo k boljši uspešnosti. Na primer, pretirana količina komunikacije lahko preobremeni vodje in vpliva na njihovo izgorelost.

Stil vodenja menedžerjev. Podatki vam bodo povedali, ali vodja uporablja mikroupravljanje ali popoln nadzor. S pomočjo podatkov iz grafa lahko vodji poveste, ali je njegov stil vodenja primeren za vsakega določeno nalogo in kateri ukrepi lahko izboljšajo uspešnost zaposlenih.

Komunikacije znotraj ekipe. Na primer, člani skupine dobro sodelujejo med seboj, vendar praktično nimajo interakcije z drugimi kolegi. Takšna ekipa lahko naredi projekt, ki je že bil v podjetju, podatki o njem so shranjeni, vendar ekipa za to ne ve. Posledično bodo sredstva podjetja zapravljena zaradi nezadostne komunikacije z drugimi oddelki. Ali pa obratno, ko je notranja komunikacija v ekipi slaba, to vodi v zamik rokov priprave projektov.

Celotna slika interakcije zaposlenih vam omogoča samodejno ustvarjanje seznama sodelavcev za izvedbo 360-stopinjske ankete. V tem primeru bodo podatki, ki jih bo upravitelj prejel na podlagi rezultatov ankete, popolni.

Sodelovanje med ekipami

Metrike

Nekatera merila iz teorije grafov se lahko uspešno uporabljajo v organizacijah:

Gostota/redkost. Graf se imenuje popoln, če so vsa njegova oglišča povezana z robovi. V resničnem svetu bi lahko bil primer popolnega grafa majhen startup: ena majhna prijazna ekipa, v kateri se vsi poznajo in učinkovito sodelujejo. Odhod enega zaposlenega ne povzroči izgube bistvenih informacij, interakcija ni motena.
Ko podjetje raste, se gostota pokvari. Težko si je predstavljati podjetje z več tisoč zaposlenimi, kjer se vsi zaposleni med seboj poznajo. Za takšno podjetje je značilno tveganje izgube pomembnih komunikacij znotraj ekipe, ko en zaposleni odide.

Razdalja. Ta metrika spominja na znano teorijo šestih rokovanj. Manjša ko je razdalja med zaposlenimi, večja je kohezija, bolj se ljudje poznajo.

Središčnost. To metriko dobro ponazarja graf znakov Igre prestolov: po nepričakovani smrti enega od osrednjih likov dela imajo scenaristi težave. zgodba manjši liki.

Most. To lahko ponazorimo s primerom Belgije, države z dvema uradnima jezikoma, kjer majhen most ljudi, ki govorijo dva jezika, povezuje »enojezične« sodržavljane. V podjetju so ljudje na tem mostu nosilci zelo pomembnih povezav. Njihov odhod je za podjetje velik problem.

Aplikacija

V projektnih podjetjih se projekti začenjajo in zaključujejo tedensko, pomembno je spremljanje stroškov. Za ekonomske izračune je potrebno pravilno zbiranje in posredovanje podatkov. Ta proces je mogoče izboljšati z avtomatizacijo. Yandex je naredil naslednje:

Izdelali smo graf podjetja.

Z analizo vedenja zaposlenega v posameznem mesecu kadrovski analitiki vidijo, v katerem projektu je zaposleni trenutno. Ni potrebe po dopisovanju z vodji storitev. To prihrani čas podjetjem in analitikom.

Zaenkrat je to pilotni projekt, ki kaže zanimive rezultate. Mnogi raziskovalni projekti v Yandexu se nato uvedejo v proizvodnjo.

Torej, klasična pot analitike

podatki. Vir, popolnost in kakovost.

Vizualizacija. Kako pogledati te podatke in kako jih uporabiti. Ideje o metrikah, ki jih je v primeru kadrovske analitike mogoče vzeti iz teorije grafov ali izumiti neodvisno.

poročanje, ki prikazuje dogajanje v podjetju na mesečni ravni. Na primer, intenzivnost interakcije med menedžerji.

meritve, ki se uporabljajo za sklepanje.

Prediktivna analitika- zagon avtomatiziranega postopka, ki prihrani čas.

Kaj še morate vedeti o kadrovski analitiki

Kevin Wheeler, predsednik in ustanovitelj Global Learning Resources, Inc., v člankuSlaba stran kadrovske analitike: 8 malo znanih dejstev izpostavlja več pomembni dejavniki ki se nanašajo na kadrovske podatke:

Analitika ni čarobna tableta. Analitika ni čudežno zdravilo. Podatki nam pomagajo razumeti težavo in se morda bolje odločiti. učinkovita metoda svojih odločitev, vendar podatki niso nadomestilo za empatijo in človeško razmišljanje.

Razumevanje, kaj točno želite vedeti. Morate biti zelo jasni glede tega, kaj želite analizirati ali izmeriti. In se prepričajte, da je to sploh mogoče.

Uporabite ustrezno metodo. Metoda zbiranja podatkov je lahko tudi ni lahka naloga. Analitika se lahko uporablja za razjasnitev težave ali iskanje možnih vzrokov.

Pasivni podatki so lahko boljši od zahtevanih podatkov. Pasivne podatke je veliko lažje zbirati sam kot zahtevati zanesljive podatke od drugih. Zbiranje dejanskih informacij na podlagi rezultatov kakršnih koli dejanj in odločitev je relativno preprosto.

Podpora je pomembna. Učinkovita uporaba podatkov zahteva podporo vodstva in kulturo, ki ceni podatke.

Cilj nadzoruje situacijo. Obstaja velika skušnjava meriti vse, še posebej na začetku, ko se analitično orodje šele uvaja v podjetje. Vendar se je bolje osredotočiti na dve ali tri ključna vprašanja, na katera želite dobiti odgovor. Potem boste imeli dovolj časa za natančnejše zbiranje podatkov in popolno analizo.

Podatki so pomanjkljivi. IN Zadnje čase Postalo je običajno, da podatke postavljamo na piedestal in jih dojemamo kot čisto informacijo, brez politike ali mnenj. A na žalost tako kot na vse ostalo na analizo podatkov vplivajo mnenja.

Enostavnejše, bolje je. Vzemite si čas in naredite seznam, kaj bi resnično radi vedeli, da izboljšate svoj postopek zaposlovanja; kateri podatki vam bodo pomagali izboljšati učinkovitost večine virov ali odgovoriti na pereča vprašanja upravljanja.

V zadnjem času se razpravlja tudi o problemih pravilne interpretacije podatkovje rekel Nassim Taleb : »Če znaš delati z Veliki podatki, to je dobro, ampak to je treba znati interpretirati, filtrirati neumnosti in nepotreben hrup, ki vse zameša. Zanimivo, edine, ki znajo delati s podatki, so protiteroristične službe. Lahko se izognejo iskanju lažnih povezav in zožijo vzorec na specifične osumljence, ki jih iščejo.Računalnik lahko preprosto preslepite s podatki; statistična disciplina je zelo pomembna. Veliki podatki nam ne morejo povedati, kaj je prav, ampak le, kaj NI prav.”

Vir slike - HR okolje

Aktualni in zanimivi kadrovski primeri v našem Telegramu. Naročite se na kanal!

Kopiranje in kakršna koli obdelava materialov s spletnega mesta je prepovedana

O kadrovski analitiki veliko več pišejo in govorijo, kot razumejo, kaj v resnici je in katere težave naj bi reševala.

Ta članek govori o tem, katere so glavne težave pri uporabi in kje lahko začnete analizo.

Doslej v javnem prostoru kadrovska analitika pomeni bodisi metriko in delo s številkami, statistiko v kadrovski, ki so indikatorji lokalni procesi ali oddelkov, ali delite primere o tem, kako vključiti IT oddelek v ustvarjanje arhivov kadrovskih podatkov. Pravzaprav kadrovska analitika rešuje probleme strateškega razvoja podjetja in določa glavne napovedne trende.

Torej, kaj je kadrovska analitika?

Kadrovska analitika je proces, v katerem se tehnike podatkovne znanosti in poslovne analitike (BA) uporabljajo za obdelavo kadrovskih podatkov. Včasih se imenuje tudi analiza talentov. Poleg tega se rudarjenje podatkov v tem kontekstu nanaša na prakso rudarjenja podatkovnih baz za ustvarjanje novih informacij.

Zakaj je to zdaj, v luči globalne digitalizacije gospodarstva, poslovanja in ljudi, tako aktualno. Podatki, prijatelji! Veliki podatki so povsod!

In potem se je pojavila nevroznanost, ki nam je pokazala, kako so človeške odločitve subjektivne in polne čustev namesto z racionalnim pristopom.

Kako zdaj živeti s tem?

Seveda pa potrebujemo drugačen način odločanja – da je vse logično, razumno, na podlagi podatkov in z zagotovljen rezultat. Kdo si tega ne želi? Vsi hočejo! Zakaj tega ne storijo?

Pripravljenost kadrovske analitike ostaja velik izziv. Glede na poročilo Deloitte iz leta 2017 je po letih razprav o tem vprašanju samo 8 % anketirancev poročalo, da imajo koristne podatke; samo 9 % jih verjame, da dobro razumejo, katere lastnosti zaposlenih vodijo do uspeha v njihovih organizacijah; in le 15 % vseh jih je namestilo sisteme za kadrovsko učinkovitost in učinkovitost talentov za vodje linij.

»To je že dolgo časa skrivnost. zadnje desetletje"Glede na očiten pomen človeškega kapitala, zakaj organizacije ne vlagajo vanj in od voditeljev ne zahtevajo, da svoje odločitve o ljudeh sprejemajo z uporabo analitike, ki temelji na dokazih?" ("")

Kaj je torej? Zakaj veliko več govorijo in pišejo o prednostih in nujnosti uporabe analitike, kot jo uporabljajo pri realnem delu?

Poglejmo ta pojav z različnih zornih kotov.

V čem je težava?

Najprej je vredno razmisliti o globokih, temeljnih razlogih za takšno "zaviranje" s strani vodij podjetij. To bom opisal v smislu modela, ki sta ga Pete Ramstad in John Boudreau predstavila v Beyond HR (Boudreau in Ramstad, 2007) in sta ga poimenovala model logike, analitike, ukrepov in procesa.

Za poenostavitev tega, kar je opisano v tem modelu, so razlogi, zakaj je uporaba analitike onemogočena, naslednji:

• Logika: ne moremo pojasniti, zakaj visoko zmogljivi delovni sistemi delujejo. Še vedno je črna skrinjica. Razumemo, da obstaja določeno razmerje med niansami, vendar zagotovo ne moremo reči, kaj je neposredno odvisno od česa in kaj je treba storiti z X, da dobimo Y.

• Analitika: v analitičnih modelih tradicionalno primanjkuje globine in strogosti. Vodilni v Googlu in drugih vodilnih podjetjih se obračajo na industrije, kot je raketna industrija, kjer obstajajo modeli, ki upoštevajo ogromno dejavnikov. Preprosto povedano, to metodološko ni zanesljivo.

• Meritve: Najpogosteje se podatkovni nizi nanašajo na trenutni zaposlitveni status, stroške zaposlenih in kadrovske programe. V najboljšem primeru ti podatki predstavljajo operativno ali napredno poročanje in ne strateško ali napovedno analitiko, ki vključuje analitiko, segmentacijo zaposlenih in je tesno povezana s strateškim načrtovanjem.

• Postopek: je predstavitev analitike odločevalcem. Pri tem sta glavna dejavnika uspeha pravočasnost in stopnja vizualne privlačnosti predstavljenih podatkov. To je približno o pridobivanju podatkov v realnem času v dostopni in razumljivi obliki za odločanje ter o uporabi teh orodij umetna inteligenca se šele razvijajo. Na primer, večina menedžerjev nima pojma, kako razlagati stopnjo fluktuacije zaposlenih, ker običajno vedo, da nizka fluktuacija ni vedno koristna, in nasprotno, ne znajo določiti, kaj je najboljše v situaciji, v kateri so soočeni. S tega vidika smo v fazi pregleda kadrovskih orodij.

Menim, da se iz zgoraj opisanega zdita kompleksnost in globina problema malo bolj jasni. Torej obstajajo objektivni razlogi, zakaj se zdi vlaganje v analitiko precej tvegano. Grobo rečeno, nimamo jasnih, zanesljivih in nedvoumnih orodij za sprejemanje analitičnih odločitev. Natančneje, za zelo preprosta lokalna območja obstajajo, vendar niso vredni stroškov. Poraba te ravni je smiselna, če lahko dobimo zanesljive napovedne trende, ki so ključni za poslovni uspeh. Toda sama analitika tega ne more zagotoviti.

Ne želimo le obdelovati podatkov. Želimo imeti zanesljiva orodja za sprejemanje poslovnih odločitev z bolj ali manj zagotovljenimi rezultati. In v tem smislu glavna stvar še vedno ostaja pri osebi:

• sposobnost postavljanja strateško relevantnih vprašanj in njihove predstavitve v logična struktura, ki prikazuje razmerje med naložbami v kadre in kritičnimi organizacijskimi rezultati;

• Poglobljeno poznavanje vašega podjetja;

• razumevanje logike analitičnih modelov v smislu njihove uporabnosti za razlago vitalnih procesov v organizaciji in še mnogo več.

Če sploh s preprostimi besedamiČe povzamemo, je glavna težava analitike kot načina dela s podatki ta, da moramo najprej ugotoviti, kakšne rezultate želimo dobiti. In za to moramo postaviti zelo pravilna vprašanja, ki zahtevajo globoko razumevanje poslovanja, nato ugotoviti, s pomočjo katerega analitičnega modela lahko dobimo te rezultate, v skladu s tem ugotoviti, katere podatke in v kakšnem obsegu potrebujemo , in šele nato pomislite, kako jih lahko dobimo točno v obliki, ki jo potrebujemo?

Kompleksen pristop

Za ponazoritev kompleksnosti pristopa si oglejte sliko, ki prikazuje sestavo kadrovske analitične ekipe:

To še ni vse. Zelo pomembno je vedeti, da je besedna zveza "HR analitika" danes v delih raziskovalcev in avtorjev izjemno redka. To je tako znan izraz v ruskem jeziku. V angleščini se zdaj uporablja koncept People Analytics – analitika ljudi. To ni preprost sinonim. Nasprotno. Z lokalnih področij, ki so povezana izključno s HR - fluktuacija, metrika zaposlovanja, zaposlitveni status itd., je Zahod prešel na globalno »ljudsko analitiko« ali »človeško analitiko«. Pomembni so vsi podatki o ljudeh - njihovo gibanje, zdravstveno stanje, aktivnost na družbenih omrežjih itd. Šele z uporabo celotne količine podatkov lahko govorimo o sprejemljivi stopnji zanesljivosti napovedi in strateških odločitev. Za zbiranje takšnih podatkov morajo podjetja uvesti nova orodja, ki temeljijo na mobilne aplikacije in več ter pritegniti strokovnjake, ki bi lahko delali s tem.

A to še zdaleč ni konec težav, to je šele njihov začetek.

Kontekst. Združevanje velikih in gostih podatkov

Kontekst je kritičen. Kaj to pomeni? To pomeni, da poleg velikih podatkov potrebujemo t.i. gosti podatki: to so vse tiste dragocene informacije ljudi - zgodbe, čustva, sporočila - ki jih ni mogoče kvantificirati, vendar imajo pomen neverjetne globine. Kar jih dela globoke, je izkušnja pravilnega dojemanja tega, kar ljudje govorijo – to je tisto, kar pomaga prepoznati vrzeli in luknje v napovednih modelih. Zgoščeni podatki potopijo poslovna vprašanja v človeška vprašanja – zagotavljajo kontekst. Zato združevanje velikih in gostih podatkov daje globljo sliko. Delate z zbranimi in nezbranimi podatki: to vam daje priložnost, da postavite prava vprašanja "zakaj?" Zakaj se to dogaja?

Za ponazoritev pomembnosti konteksta bom navedel dva primera: negativnega in pozitivnega.

Negativen primer- to je zgodba Nokie, ki je že postala žalosten primer, kako lahko na vrhuncu forme odletiš s trga. Bistvo glavne strateške napake je bilo v tem, da so vodilni v podjetju ignorirali goste podatke, ki jih v nizu ni bilo mogoče primerjati z velikimi podatki, ampak so popolnoma natančno napovedali ogromno zanimanje za pametne telefone tudi med najrevnejšimi sloji prebivalstva.

A pozitiven primer tudi na očeh. To je fantastična rast za Netflix. Tam so, nasprotno, videli luknje v analitičnih modelih in povabili tehnološkega etnografa (takšna specializacija že obstaja) za delo z gostimi podatki. In ugotovil je nekaj, kar ni bilo vidno v velikih podatkih. Etnograf je opazil, da se ljudje radi »zataknejo« pred televizorjem, ob tem se ne počutijo krive, ampak preprosto uživajo. In s kombinacijo velikih podatkov z gostimi podatki so naredili nekaj preprostega, a učinkovitega: namesto da bi prikazovali različne žanre serij, so začeli prikazovati iste, da bi ljudem olajšali zagozdenje. A to še ni vse, v skladu s temi ugotovitvami so spremenili tudi samo prakso oddajanja. Z združevanjem velikih, gostih podatkov niso le izboljšali svojega poslovanja, ampak so spremenili tudi način, kako ljudje uživajo medijske informacije. Njihovi deleži naj bi se v naslednjih nekaj letih podvojili.

Podatki niso nič. Kontekst je vse!

Viri

Postopoma napredujemo pri obravnavi našega problema in če ste še z nami, je zadnji bastion pred nami.

To so sredstva. Kot je razvidno iz vsega zgoraj opisanega, resno delo s podatki zahteva "težko" in drago programsko opremo, visoko usposobljene strokovnjake in veliko časa. Vse to povzroča stroške, ki si jih večina organizacij praktično ne more privoščiti. Če spremljate temo, ste morda opazili, da je večina objavljenih primerov velikih podjetij, ki opisujejo globalne raziskave. V tem primeru se morate spomniti na tako imenovani. napaka preživelega.

Objavljeni primeri so večinoma tisti, v katerih je delovalo. In koliko je takih, pri katerih se ni obneslo z enakimi stroški? Čeprav poceni in relativno preprosta orodja in modelov ni. Toda trg je trg in najverjetneje se bodo čez nekaj časa pojavili kot posledica nabranih izkušenj. Zato se zdaj trudijo velika podjetja, vsi drugi pa čakajo, da se kot rezultat dejavnosti prvih pojavi nekaj bolj dostopnega.

To so pravzaprav glavni razlogi, zakaj je le 8 % vprašanih izjavilo, da imajo koristne podatke; samo 9 % jih verjame, da dobro razumejo, katere lastnosti zaposlenih vodijo do uspeha v njihovih organizacijah; in le 15 % vseh jih je namestilo sisteme za kadrovsko učinkovitost in učinkovitost talentov za vodje linij.

Toda potrebe in prednosti dela s podatki so očitne in o njih ni mogoče razpravljati. Torej, kaj narediti?

Kje lahko podjetja začnejo?

Analitika ljudi je obsežna smer zaradi globalne narave nalog, ki se rešujejo, in je precej nova. Vendar pa med analitičnimi pristopi že obstajajo razdelki, ki so že dolgo dobro razviti. Zagotavljajo zmogljiva, a dostopna orodja in lahko podjetju zagotovijo pomembne vpoglede. Eden takih pristopov je analiza organizacijske mreže(ONA, analiza organizacijskih omrežij). Kaj je to?

Namen ONA je meriti in prikazati odnose in tokove med ljudmi, skupinami ali organizacijami. Zaradi česar je ONA edinstvena, je to, da ni drugega načina, kako videti prave povezave med ljudmi v organizaciji. To je dejansko rentgenski posnetek vaše organizacije ali odnosa vaše organizacije z zunanjim trgom ali vaše delovne sile ali vaše skupine kandidatov. Skratka, tiste odnose, ki jih potrebujete, je mogoče analizirati.

ONA se je pojavila na stičišču sociometrije in mrežne analize in se zdi izjemno uporabno orodje.

Velika prednost tega pristopa je njegova vizualnost.

Na primer: analiza menedžerjev v oddelku za raziskovanje in proizvodnjo velikega naftnega podjetja je pokazala naslednjo razliko med formalno in dejansko organizacijsko strukturo (slika iz Blog Roba Crossa):

Iz desne slike je razvidno, da ima podjetje enega od srednjih menedžerjev, nekega Cola (glej levo sliko), ki je v uradni hierarhiji skoraj neviden, a pravzaprav prek njega potekajo vsi tokovi informacij oz. dejanska razdelitev dela go. On je glavno informacijsko središče in on odloča, kdo bo dobil kakšne informacije. Podpredsednik se nahaja na zelo oddaljenem obrobju in dejansko nima vpliva na operativno vodenje.

Mislim, da ste že začeli ugibati, kakšno vlogo lahko takšna shema igra na primer pri upravljanju sprememb.

Naslednja velika aplikacija za ONA je seveda upravljanje znanja. Če na vhodu postavljate vprašanja kot je: “Kdo je najbolj kul strokovnjak pri delu?”, bo slika na izhodu prikazala glavne nosilce strokovnega znanja v organizaciji.

Kako ne govoriti o nalogi ustvarjanja informacijskega polja v podjetju? Vsak komunikacijski menedžer preprosto mora imeti tovrstno analizo, če ne želi zlepa napredovati. Takšna analiza lahko pokaže tako odnose kot informacijske tokove med oddelki, med podjetjem in drugimi deležniki ter med ljudmi. V našem izobraževalnem tečaju “HR Unvarnished” se te teme dotaknemo podrobneje.

Na primer, kako dejansko poteka interakcija med financami in marketingom v vašem podjetju? Preko koga gredo vse informacije (sl blog Roba Crossa)?

Enako velja za vsako inovacijo, vodenje, razvoj talentov itd.

Pogledali smo možnosti za uporabo ONA znotraj organizacije, vendar je z enakim uspehom to orodje mogoče uporabiti za analizo zunanjih odnosov - s konkurenti, dobavitelji in izvajalci itd.

Glavne aplikacije ONA

ONA je umetnost pridobivanja uporabnih rezultatov: dobite zemljevide in kazalnike, ki vas pripeljejo do zares dobra vprašanja. To pomeni, da ONA, tako kot vsako analitično orodje, ne odgovarja na vprašanje "Zakaj?" Ta odgovor lahko da samo oseba. Toda kartice naredijo dvoje:

• Zagotavljajo indikatorje, kje bi lahko bilo kaj zanimivega za raziskovanje.

• Zagotavljajo zanimive vizualne rezultate za podporo zgodbam o rezultatih.

Seveda v resnici to ni tako preprosto, kot se zdi na prvi pogled. Za vso to navdihujočo lepoto in navidezno preprostostjo se skriva resen matematični aparat in temeljne raziskave, vendar je veliko preprostejši od tistega, kar imamo danes v "veliki analitiki". ONA vam bo takoj dala izjemno uporabne rezultate in prihranila vire.

Viktorija Bužnik in Lilija Grabovskaja, avtorji vira Talent Management.com.ua in tečaja usposabljanja "HR brez olepševanja"

Stroški zapolnitve prostega delovnega mesta

To je številka, ki vključuje stroške objave prostega delovnega mesta na delovnih mestih, stike z zaposlovalci, preverjanje, razgovore – vse, kar se dogaja v procesu iskanja kandidatov, ima svojo ceno v obliki človeških in časovnih virov. Po navedbah Superjob raziskave, stroški zapolnitve enega prostega delovnega mesta v Rusiji leta 2015 so znašali 10.000. V Moskvi je številka nekoliko drugačna - 17% višja kot v državi. zadaj Lansko leto zmanjšal se je strošek zasedbe enega prostega delovnega mesta, močno pa so se znižali tudi kadrovski stroški.

Čas je za zapolnitev prostega delovnega mesta

Čas, porabljen za zapolnitev enega prostega delovnega mesta, je skoraj tako pomemben kot stroški postopka. Na žalost, poiščite nekaj Povprečna vrednost ni nam uspelo. To vemo v ZDA potrebnih približno 25 dni za zapolnitev enega prostega mesta.

Formula je preprosta: # dni je delovno mesto odprto / # število zaposlenih kandidatov

Viri kandidatov

Če poznate vire, ki vam prinesejo največ dobrih kandidatov, je postopek zaposlovanja veliko lažji. Tukaj je vredno razmisliti o vsem, preden sprejmete ponudbo, posebnosti prostega delovnega mesta in vse platforme, ki so na voljo za odziv - razvijalec se je odzval na Facebooku in šel na karierno stran, računovodja pa se je takoj odzval na delovnem mestu. Obstaja razlika. Zahvaljujoč tej vrsti analitike lahko zmanjšate stroške zasedbe prostega delovnega mesta.

Učinkovitost postopka zaposlovanja

Na vsaki stopnji izbire nekoga izločite, nekdo odpade sam - analiza razlogov, zakaj se je to zgodilo na tej določeni stopnji, vam bo omogočila učinkovitejšo izgradnjo postopka zaposlovanja. Postavite tista vprašanja, ki izločijo neprimerne kandidate, govorite o načelih dela podjetja, ki nekomu morda ne ustrezajo, dajte testne naloge prej, tako da tiste kandidate, ki jih ne želijo upoštevati, nemudoma izločijo iz izbirnega postopka.

Formula je: (število kandidatov, ki napredujejo v naslednjo stopnjo / skupno število izbranih kandidatov) X 100

Sprejem ponudbe

Enostavno – kolikšen odstotek kandidatov, ki so šli skozi vse faze selekcije, je na koncu prejelo ponudbo (in jo sprejelo)? Pomembno je upoštevati ne le informacije o tem, zakaj ste izbrali prav te kandidate, ampak tudi, zakaj so drugi zavrnili ali iz nekega razloga niso dosegli končne stopnje izbora.

analitika potrebno za izboljšanje izbirnega postopka: kako izkazujete kulturo podjetja? Kaj ljudi odvrne med intervjuji? Kako se kandidati odzovejo na informacije o plače in lokacijo pisarne?

Fluktuacija osebja

Promet je treba redno spremljati – analiza vsakih nekaj mesecev, vsakih šest mesecev ali vsako leto. To vam bo omogočilo, da jasno razumete, zakaj zaposleni zapuščajo podjetje in kaj je treba storiti, da se to ne zgodi - spet govorimo o varčevanju pri zaposlovanju in tudi o izgradnji korporativne kulture s stabilnimi temelji v obliki dobrih strokovnjakov .

Formula: # število zaposlenih, ki so med letom odšli / skupno # število zaposlenih

Stroški prometa

Podcenjen dejavnik je, da vsak zaposleni, ki zapusti podjetje, tudi stane. Sliši se cinično, a to je dejstvo in dodaten razlog, da pomislite, zakaj je pisarna prazna in kaj delate narobe. Poleg tega, če zaposleni odidejo, to vpliva tudi na splošno razpoloženje v ekipi - drugi mu bodo začeli slediti, ki se preprosto bojijo sprememb ali, nasprotno, nenadoma zbrali pogum, da odidejo. Pa vendar – vedeti morate, koliko vas bo stala izguba zaposlenega.

Formula (lahko obstajajo možnosti): sredstva, izplačana po odhodu zaposlenega + stroški prostega delovnega mesta + stroški zamenjave zaposlenega + plačila za začetno usposabljanje in prilagoditev

Povprečna delovna doba

Analizirajte, kako dolgo v povprečju zaposleni zasedajo določen položaj. Tako lahko razumete, kdaj je zaposleni blizu odhoda in kdaj je bolje narediti kadrovske spremembe.

Učinkovitost kanala

Ali je v vašem primeru pravilna objava prostih delovnih mest na FB? Koliko res dobrih kandidatov je prišlo na položaj z delovišča? Analiza učinkovitosti kanalov vam bo omogočila uporabo le tistih platform, ki redno omogočajo prijavo ustreznih kandidatov.

Odprte pozicije vs. Zaprta prosta delovna mesta

To je analitični članek, ki je pomemben za velika podjetja - primerjati morate število prostih delovnih mest, ki so bila pravkar zapolnjena, in tistih, ki so se pojavila, da ponovno ocenite učinkovitost postopka zaposlovanja. Če ima podjetje malo prostih delovnih mest, to pomeni, da delate vse prav in da je v podjetju vse dokaj harmonično.

Povprečna starost zaposlenih v podjetju

Če veste, koliko morajo biti stari vaši zaposleni, je lahko učinkovitejše zaposlovanje in lažja izgradnja korporativne kulture. Generacijski prepad se še vedno čuti na delovnem mestu - čeprav v Rusiji teorija generacij Y in Z ni tako pomembna, je veliko več pomembne lastnosti, ki jih morate upoštevati in redno analizirati pri svojem delu.

Zavzetost in zadovoljstvo

Dva kazalnika, ki se najpogosteje merita z anketami. Vprašanje njihove učinkovitosti v svetu kadrovskih tehnologij je pereče. Vaša naloga je najti optimalno orodje za analizo zavzetosti in zadovoljstva zaposlenih za vaše podjetje. Ni tako pomembno, ali izvajate anonimne ankete ali se samo pogovarjate s svojo ekipo, pomembno je, da so odgovori blizu resnice.