Ano ang isang "graph"?

Ang lahat ng mga industriya ay bumubuo ng data. Salamat sa data, mas mauunawaan namin ang panloob na kliyente, i-optimize ang mga proseso, at tingnan ang ibang paraan sa pakikipag-ugnayan ng mga empleyado. Ang mga prosesong ito ay maaaring ilarawan gamit ang teorya ng graph.

Ang graph ay isang abstract mathematical object na binubuo ng vertices (points) at edges (lines) na nag-uugnay sa kanila. Kunin ang Internet bilang isang halimbawa - maraming mga site ang konektado sa pamamagitan ng mga link. Ang batayan ng negosyo ng Yandex ay upang mabilis na i-bypass ang Internet graph, pag-aralan ang nilalaman at magbigay ng may-katuturang tugon sa gumagamit. Ang isa pang halimbawa ay Yandex.Taxi: sa pamamagitan ng paghahanap ng pinakamaikling distansya sa pagitan ng mga punto sa mapa, tinutulungan ng serbisyo ang pasahero na makarating sa kanilang patutunguhan.

Grap ng kumpanya ng Yandex: mga tuldok - mga empleyado, mga linya - pakikipag-ugnayan sa pagitan nila

Ang isang abstract na representasyon ng mga bagay sa anyo ng mga graph ay iminungkahi ng mathematician na si Leonard Euler, na nalutas ang isang problema na sikat noong ika-18 siglo: kung paano dumaan sa lahat ng mga tulay ng lungsod ng Königsberg nang hindi dumaan sa alinman sa mga ito nang dalawang beses?

Mga mapagkukunan at kinakailangan ng data

Upang makabuo ng isang graph, kailangan mo ng data. Maaaring gamitin ng isang organisasyon bilang mga mapagkukunan ng data:

corporate mail

kalendaryo ng pagpupulong ng empleyado

mga gawain sa tracker

panloob na mga tawag sa PBX

Lalo na sikat ang mga tagasubaybay sa mga kumpanya ng IT. Pinapayagan ka nilang magtakda ng mga gawain, magtalaga ng mga responsable para sa kanilang pagpapatupad, mag-attach ng mga file. Lubos na pinasimple ng mga tagasubaybay ang pakikipag-ugnayan sa mga koponan. Sa Yandex, ang tool na ito ay ginagamit hindi lamang ng mga developer, kundi pati na rin ng iba pang mga dibisyon.

Ginagamit ng mga departamento ng HR ang tracker upang:

mga bakante

pagkuha

pagbagay

pag-aaral

Batay sa tool na ito, binuo ang HR analytics.

Mga kinakailangan sa data:

Kalidad. Ang data ay dapat na walang mga error at pagkukulang. Ang mga tagapagpahiwatig ay dapat dalhin sa isang pangkalahatang anyo.

pagkakumpleto. Ngayon ay naging pamantayan na ang magtrabaho sa ilang mga sistema ng impormasyon nang sabay-sabay. Hindi makukumpleto ang data na kinuha mula sa isang system.

Pagsusuri ng pakikipag-ugnayan

Ang mga tuldok at linya sa graph ay kumakatawan sa mga empleyado at kanilang mga pakikipag-ugnayan. Kung mas malaki ang diameter ng tuldok, mas matindi ang pakikipag-ugnayan sa pagitan ng empleyado at mga kasamahan. Kung mas makapal ang linya na nagkokonekta sa dalawang empleyado, mas masinsinang pakikipag-ugnayan ang nangyayari sa pares na ito.

Pakikipag-ugnayan ng mga empleyado ng Yandex

Mahalagang isaalang-alang at wastong bigyang-kahulugan ang lahat ng data. Ang intensity ng mga pakikipag-ugnayan ng empleyado ay direktang nakasalalay sa kanilang posisyon at mga gawain.

Anong mga konklusyon ang maaaring makuha at kung ano ang maaaring ilapat sa mga pagbabago sa organisasyon:

Ang pagiging epektibo ng mga pakikipag-ugnayan. Kung ang mga pangkat ay naiiba sa intensity ng mga pakikipag-ugnayan at mayroon silang layunin na tagapagpahiwatig tulad ng KPI o isang pagsusuri sa pagganap na isinasagawa, pagkatapos ay maaari mong ihambing ang mga salik mula sa graph (intensity ng mga pakikipag-ugnayan) at mahulaan kung aling mga pagkilos ang humahantong sa mas mahusay na pagganap. Halimbawa, ang sobrang dami ng komunikasyon ay maaaring mag-overload sa mga manager at makakaapekto sa kanilang pagka-burnout.

Estilo ng pamamahala ng mga pinuno. Ang data ay magsasabi kung ang pinuno ay gumagamit ng micromanagement o kabuuang kontrol. Gamit ang data mula sa graph, maaari mong sabihin sa manager kung ang kanyang istilo ng pamamahala ay angkop para sa bawat isa tiyak na gawain at kung anong mga aksyon ang maaaring mapabuti ang kahusayan ng mga empleyado.

Komunikasyon sa loob ng pangkat. Halimbawa, ang mga miyembro ng koponan ay mahusay na nakikipag-ugnayan sa isa't isa, ngunit halos hindi nakikipag-ugnayan sa ibang mga kasamahan. Ang nasabing koponan ay maaaring gumawa ng isang proyekto na nasa kumpanya na, ang data tungkol dito ay nakaimbak, ngunit hindi alam ng koponan ang tungkol dito. Bilang resulta, masasayang ang mga mapagkukunan ng kumpanya dahil sa hindi sapat na pakikipag-ugnayan sa ibang mga departamento. O vice versa, kapag ang mga panloob na komunikasyon sa isang koponan ay pilay, ito ay humahantong sa pagkaantala sa paghahanda ng proyekto.

Buong larawan pakikipag-ugnayan ng empleyado nagbibigay-daan sa iyong awtomatikong lumikha ng listahan ng mga kasamahan para sa pagsasagawa ng 360-degree na survey. Sa kasong ito, ang data na matatanggap ng manager batay sa mga resulta ng survey ay kumpleto.

Pakikipag-ugnayan sa pagitan ng mga koponan

Mga sukatan

Ang ilang sukatan mula sa teorya ng graph ay maaaring matagumpay na magamit sa mga organisasyon:

Density / Sparsity. Ang isang graph ay tinatawag na kumpleto kapag ang lahat ng mga vertices nito ay konektado sa pamamagitan ng mga gilid. Sa totoong mundo, ang isang maliit na startup ay maaaring maging isang halimbawa ng isang kumpletong graph: isang maliit na mapagkaibigang koponan kung saan ang lahat ay kilala ang isa't isa at epektibong nakikipag-ugnayan. Ang pag-alis ng isang empleyado ay hindi humantong sa pagkawala ng mahahalagang impormasyon, ang pakikipag-ugnayan ay hindi naaabala.
Habang lumalaki ang kumpanya, bumababa ang density. Mahirap isipin ang isang kumpanya na may libu-libong empleyado kung saan magkakakilala ang lahat ng empleyado. Ang ganitong kumpanya ay nailalarawan sa pamamagitan ng panganib na mawalan ng makabuluhang komunikasyon sa loob ng koponan kapag umalis ang isang empleyado.

Distansya. Ang panukat na ito ay nakapagpapaalaala sa kilalang teorya ng anim na pagkakamay. Kung mas maliit ang distansya sa pagitan ng mga empleyado, mas malaki ang pagkakaisa, mas maraming mga tao ang nakakakilala sa isa't isa.

Sentralidad. Ang sukatan na ito ay mahusay na inilalarawan ng Game of Thrones na character graph: pagkatapos ng hindi inaasahang pagkamatay ng isa sa mga pangunahing karakter ng trabaho, ang mga scriptwriter ay nahihirapan sa storyline pangalawang karakter.

tulay. Maaari itong mailarawan sa halimbawa ng Belgium - isang bansang may dalawang opisyal na wika, kung saan ang isang maliit na tulay ng mga taong bilingual ay nag-uugnay sa mga "monolingual" na kapwa mamamayan. Sa kumpanya, ang mga tao sa tulay na ito ang nagdadala ng napakahalagang koneksyon. Malaking problema ng kumpanya ang kanilang pag-alis.

Aplikasyon

Sa mga kumpanyang may istraktura ng proyekto, ang mga proyekto ay inilunsad at isinasara sa lingguhang batayan, mahalagang subaybayan ang mga gastos. Ito ay kinakailangan upang mangolekta ng tama at magpadala ng data para sa mga kalkulasyon ng ekonomiya. Ang prosesong ito ay maaaring mapabuti sa automation. Ginawa ng Yandex ang sumusunod:

Gumawa ng graph ng kumpanya.

Sinusuri ang pag-uugali ng isang empleyado sa bawat partikular na buwan, nakikita ng mga HR analyst kung anong proyekto siya sa kasalukuyan. Hindi na kailangan ng sulat sa mga tagapamahala ng serbisyo. Makakatipid ito ng oras ng negosyo at analyst.

Habang ito ay isang pilot project, na nagpapakita ng mga kawili-wiling resulta. marami proyekto sa pananaliksik sa Yandex ay kasunod na inilunsad sa produksyon.

Kaya, ang klasikal na paraan ng analytics

Data. Pinagmulan, pagkakumpleto at kalidad.

Visualization. Paano tingnan ang data na ito, kung paano ito gamitin. Ang mga ideya tungkol sa mga sukatan, na sa kaso ng HR analytics, ay maaaring kunin mula sa teorya ng graph o makabuo ng iyong sarili.

pag-uulat, na buwanang nagpapakita kung ano ang nangyayari sa kumpanya. Halimbawa, ang tindi ng pakikipag-ugnayan sa pagitan ng mga tagapamahala.

sukatan, na ginagamit para sa mga konklusyon.

Predictive analytics- paglulunsad ng isang awtomatikong proseso na nakakatipid ng oras.

Ano pa ang kailangan mong malaman tungkol sa HR analytics

Kevin Wheeler, Pangulo at Tagapagtatag ng Global Learning Resources, Inc., sa isang artikulo"Ang Iba Pang Gilid ng HR Analytics: 8 Hindi Alam na Katotohanan" nagha-highlight ng ilan mahahalagang salik nauugnay sa data ng HR:

Ang Analytics ay hindi isang magic pill. Ang Analytics ay hindi isang himalang lunas. Nakakatulong ang data na maunawaan ang problema at posibleng pumili pa mabisang paraan kanyang mga desisyon, ngunit ang data ay hindi kapalit ng empatiya at pangangatwiran ng tao.

Pag-unawa nang eksakto kung ano ang gusto mong malaman. Kailangan mong maging lubos na malinaw tungkol sa kung ano ang gusto mong suriin o sukatin. At siguraduhing posible ito.

Gamit ang angkop na paraan. Ang paraan ng pagkolekta ng data ay maaari ding nakakatakot na gawain. Ang isang kaso ng paggamit para sa analytics ay upang linawin ang isang problema o maghanap ng mga posibleng dahilan.

Maaaring mas mahusay ang passive data kaysa sa hiniling na data. Mas madaling mangolekta ng passive data sa iyong sarili kaysa humiling ng wastong data mula sa iba. Ang pangangalap ng makatotohanang impormasyon mula sa mga aksyon at desisyon ay medyo madali.

Mahalaga ang suporta. Ang epektibong paggamit ng data ay nangangailangan ng suporta sa pamumuno at isang naaangkop na kultura ng korporasyon na nagpapahalaga sa data.

Kinokontrol ng layunin ang sitwasyon. Mayroong isang mahusay na tukso upang sukatin ang lahat, lalo na sa una, kapag ang isang tool ng analytics ay ipinakilala pa lamang sa isang kumpanya. Ngunit mas mainam na tumuon sa dalawa o tatlong pangunahing tanong na gusto mong masagot. Pagkatapos ay mayroon kang sapat na oras para sa mas tumpak na pagkolekta ng data at isang kumpletong pagsusuri.

Ang data ay hindi perpekto. AT kamakailang mga panahon ito ay naging kaugalian na maglagay ng data sa isang pedestal at malasahan ito bilang purong impormasyon, kung saan walang patakaran o opinyon. Ngunit, sa kasamaang-palad, ang mga opinyon ay nakakaimpluwensya sa pagsusuri ng data sa parehong paraan tulad ng lahat ng iba pa.

Ang mas simple ay mas mabuti. Maglaan ng oras upang gumawa ng isang listahan ng kung ano ang talagang gusto mong malaman upang mapabuti ang iyong proseso ng recruiting; anong data ang tutulong sa iyo na pahusayin ang pagganap ng karamihan sa mga source o sagutin ang nasusunog na mga tanong sa pamamahala.

Sa mga problema ng tamang interpretasyon ng data kamakailan dinNagsalita si Nassim Taleb : Kung marunong kang makipagtulungan malaking data, ito ay mabuti, ngunit kailangan mong ma-interpret ito, i-filter ang mga bagay na walang kapararakan at hindi kinakailangang ingay na nakakalito sa lahat. Kapansin-pansin, ang tanging nakakaalam kung paano gumawa ng data ay ang mga serbisyong anti-terorista. Nagagawa nilang hindi makahanap ng mga maling ugnayan at paliitin ang sample sa mga partikular na suspek, naghahanap sila ng mga koneksyon.Ang isang computer ay maaaring malinlang ng data, ang disiplina sa istatistika ay napakahalaga. Hindi masasabi sa amin ng malaking data kung ano ang tama, kung ano lamang ang HINDI tama."

Pinagmulan ng Imahe - HR Environment

May kaugnayan at kawili-wiling mga kaso ng HR sa aming Telegram. Mag-subscribe sa channel!

Ang pagkopya at anumang pagproseso ng mga materyales mula sa site site ay ipinagbabawal

Sumulat at nag-uusap sila tungkol sa HR analytics nang higit pa kaysa sa naiintindihan nila kung ano talaga ito at kung anong mga gawain ang idinisenyo upang malutas.

Ang artikulong ito ay tungkol sa kung ano ang mga pangunahing kahirapan sa pag-aaplay at kung saan maaari kang magsimulang mag-analisa.

Habang nasa pampublikong espasyo, ang HR analytics ay nangangahulugang alinman sa mga sukatan at gumagana sa mga numero, mga istatistika sa HR, na mga tagapagpahiwatig mga lokal na proseso o mga departamento, o magbahagi ng mga kaso kung paano isali ang departamento ng IT sa paglikha ng mga archive ng data ng HR. Sa katunayan, ang HR analytics ay malulutas ang mga problema ng madiskarteng pag-unlad ng kumpanya, tinutukoy ang mga pangunahing predictive trend.

Kaya ano ang HR analytics?

Ang HR analytics ay isang proseso kung saan inilalapat ang mga diskarte sa data science at business intelligence (BA) sa pagproseso ng data ng HR. Minsan din itong tinutukoy bilang talent analytics. Gayundin, ang data mining sa kontekstong ito ay tumutukoy sa pagsasanay ng pagsusuri sa mga database upang lumikha ng bagong impormasyon.

Bakit ito napakahalaga ngayon, sa liwanag ng pandaigdigang digitalization ng ekonomiya, negosyo, at mga tao. Data kaibigan! Ang malaking data ay nasa lahat ng dako!

At pagkatapos ay dumating ang mga neuroscience sa oras, na nagpapakita sa amin kung paano ang mga desisyon ng tao ay subjective at puno ng mga emosyon sa halip na isang makatwirang diskarte.

Paano ito mabubuhay ngayon?

Siyempre, kailangan natin ng ibang paraan ng paggawa ng mga desisyon - upang ang lahat ay lohikal, makatwiran, batay sa data at may garantisadong resulta. Sino ba naman ang ayaw niyan? Lahat ay may gusto! Bakit ayaw nila?

Ang pagiging handa ng HR analytics ay nananatiling isang malaking hamon. Ayon sa ulat ng Deloitte noong 2017, pagkatapos ng ilang taon ng talakayan sa isyung ito, 8% lang ng mga respondent ang nag-ulat na mayroon silang kapaki-pakinabang na data; 9% lamang ang naniniwala na mayroon silang mahusay na pag-unawa sa kung ano ang mga katangian ng empleyado na humahantong sa tagumpay sa kanilang mga organisasyon; at 15% lang sa pangkalahatan ang nag-deploy ng HR at mga sistema ng sukatan ng talento para sa mga line manager.

"Ito ay naging isang misteryo para sa Nung nakaraang dekada"Bakit, dahil sa malinaw na kahalagahan ng human capital, hindi ba namumuhunan ang mga organisasyon dito at hinihiling ang mga lider na gumawa ng kanilang mga desisyon tungkol sa mga taong gumagamit ng analytics na nakabatay sa ebidensya?" (" ).

Kaya ano ang deal? Bakit sila nagsasalita at nagsusulat tungkol sa mga benepisyo at pangangailangan ng paggamit ng analytics nang higit pa kaysa ginagamit nila sa totoong trabaho?

Tingnan natin ang hindi pangkaraniwang bagay na ito mula sa iba't ibang mga anggulo.

Ano ang hirap?

Una sa lahat, ito ay nagkakahalaga ng pagsasaalang-alang sa malalim, pangunahing mga dahilan para sa naturang "pagpepreno" sa bahagi ng mga pinuno ng kumpanya. Ilalarawan ko ito sa mga tuntunin ng isang modelo na ipinakita nina Pete Ramstad at John Boudreau sa Beyond HR (Boudreau at Ramstad, 2007) na tinatawag na LAMP Model (LAMP - logic, analytics, measures and process).

Kung pasimplehin natin ang inilalarawan sa modelong ito, ang mga dahilan kung bakit pinipigilan ang paggamit ng analytics ay ang mga sumusunod:

• Logics: hindi namin maipaliwanag kung bakit gumagana ang mga high performance work system. Isa pa rin itong "black box". Naiintindihan namin na mayroong isang tiyak na kaugnayan sa pagitan ng mga nuances, ngunit hindi namin masasabi kung ano ang direktang nakasalalay sa kung ano at kung ano ang kailangang gawin sa X upang makuha ang Y.

• Analytics: dito, ayon sa kaugalian, nagkaroon ng kakulangan ng lalim at pagiging ganap ng mga analytical na modelo. Ang mga pinuno ng Google at iba pang nangungunang kumpanya ay bumaling sa mga industriya tulad ng rocket science, kung saan mayroong mga modelo na isinasaalang-alang ang isang malaking bilang ng mga kadahilanan. Sa madaling salita, hindi ito tama sa pamamaraan.

• Mga sukatan: ang pinakakaraniwang mga dataset ay tungkol sa kasalukuyang status ng trabaho, paggasta ng empleyado, at mga programa sa HR. Sa pinakamaganda, ang data na ito ay operational o advanced na pag-uulat, sa halip na madiskarte o predictive analytics, na kinabibilangan ng mga pagsusuri, pagse-segment ng empleyado, at mahigpit na isinama sa estratehikong pagpaplano.

• Proseso: ito ay ang pagtatanghal ng analytics sa mga gumagawa ng desisyon. Dito, ang pangunahing salik ng tagumpay ay ang pagiging maagap at ang antas ng visual appeal ng data na ipinakita. Ito ay tungkol sa pagkuha ng real-time na data sa isang naa-access at nauunawaan na anyo para sa paggawa ng desisyon, at paggamit ng mga naturang tool artipisyal na katalinuhan pinapaunlad pa lang. Halimbawa, karamihan sa mga tagapamahala ay walang ideya kung paano i-interpret ang rate ng turnover ng empleyado, dahil karaniwang alam nila na ang mababang turnover ay hindi palaging kapaki-pakinabang, at kabaliktaran, hindi nila alam kung paano matukoy kung ano ang pinakamahusay sa sitwasyong kinakaharap nila. Mula sa puntong ito, tayo ay nasa yugto ng pagrerebisa ng mga tool sa HR.

Sa tingin ko, mula sa itaas, ang pagiging kumplikado at lalim ng problema ay medyo mas malinaw. Kaya, may mga layunin na dahilan kung bakit ang pamumuhunan sa analytics ay tila medyo delikado. Sa madaling salita, wala kaming malinaw, maaasahan, hindi malabo na mga tool para sa paggawa ng mga desisyon batay sa analytics. Mas tiyak, para sa napakasimpleng mga lokal na lugar ay mayroon, ngunit hindi sila katumbas ng halaga. Makatuwiran ang antas ng paggastos na ito kung makakakuha tayo ng maaasahang predictive trend na susi sa tagumpay ng negosyo. At ang analytics na ito mismo ay hindi magagarantiya.

Hindi namin nais na iproseso lamang ang data. Gusto naming magkaroon ng maaasahang mga tool para sa paggawa ng mga desisyon sa negosyo na may higit o hindi gaanong garantisadong mga resulta. At sa ganitong diwa, ang pangunahing bagay ay nananatili pa rin sa tao:

• ang kakayahang magtanong ng mga tanong na may kaugnayan sa estratehikong paraan at ipakita ang mga ito lohikal na istraktura, na nagpapakita ng kaugnayan sa pagitan ng mga pamumuhunan sa larangan ng pamamahala ng tauhan at mga kritikal na resulta ng organisasyon;

• malalim na kaalaman sa iyong negosyo;

• pag-unawa sa lohika ng mga analytical na modelo sa kahulugan ng kanilang pagiging angkop para sa pagpapaliwanag ng mahahalagang proseso sa isang organisasyon, at marami pang iba.

Kung sabagay sa simpleng salita Sa kabuuan, ang pangunahing kahirapan ng analytics bilang isang paraan ng pagtatrabaho sa data ay kailangan muna nating tukuyin kung anong mga resulta ang gusto nating makuha. At para dito kailangan mong magtanong ng mga tamang tanong na nangangailangan ng malalim na pag-unawa sa negosyo, pagkatapos ay matukoy sa tulong ng kung aling analytical na modelo ang makakamit natin ang mga resultang ito, alinsunod dito, matukoy kung anong uri ng data at hanggang saan ang kailangan natin , at pagkatapos lamang ay makabuo ng, kung paano natin makukuha ang mga ito nang eksakto sa anyo kung saan kailangan natin ang mga ito.

Isang kumplikadong diskarte

Upang ilarawan ang pagiging kumplikado ng diskarte, tingnan ang larawan na nagpapakita ng komposisyon ng HR analytics team:

Hindi lamang yan. Napakahalagang tandaan na sa pangkalahatan ang pariralang "HR analytics" ay napakabihirang ngayon sa mga gawa ng mga mananaliksik at may-akda. Ito ay isang pamilyar na termino sa wikang Ruso. Sa English, ang konsepto ng People Analytics ay ginagamit na ngayon - people analytics. Ito ay hindi isang simpleng kasingkahulugan. Vice versa. Mula sa mga lokal na lugar na eksklusibong nauugnay sa HR - turnover, recruiting metrics, employment status, atbp., sa Kanluran lumipat sila sa pandaigdigang "people analytics" o "human analytics". Ang lahat ng data tungkol sa mga tao ay mahalaga - ang kanilang mga paggalaw, katayuan sa kalusugan, aktibidad sa mga social network, atbp. Gamit lamang ang buong dami ng data, masasabi ng isa ang tungkol sa isang katanggap-tanggap na antas ng pagiging maaasahan ng mga pagtataya at mga madiskarteng desisyon. Upang mangolekta ng naturang data, dapat ipakilala ng mga kumpanya ang mga bagong tool batay sa mga mobile application at hindi lamang, at upang maakit ang mga espesyalista na maaaring gumana dito.

Ngunit ito ay malayo sa katapusan ng mga problema, ito ay simula pa lamang.

Konteksto. Pinagsasama-sama ang malaki at siksik na data

Ang konteksto ay mapagpasyahan. Ano ang ibig sabihin nito? Nangangahulugan ito na bilang karagdagan sa malaking data, kailangan natin ang tinatawag na. siksik na data: ito ang lahat ng mahalagang impormasyon mula sa mga tao - mga kuwento, emosyon, komunikasyon - na hindi masusukat, ngunit nagdadala ito ng isang halaga ng hindi kapani-paniwalang lalim. Ang nagpapalalim sa kanila ay ang karanasan ng wastong pag-unawa sa sinasabi ng mga tao, na tumutulong na makilala ang mga puwang at butas sa mga predictive na modelo. Ang siksik na data ay naglulubog sa mga isyu sa negosyo sa mga problema ng tao - nililinaw nito ang konteksto. Samakatuwid, ang kumbinasyon ng malaki at siksik na data ay nagbibigay ng mas malalim na larawan. Nagtatrabaho ka sa parehong nakolekta at hindi nakolektang data: nagbibigay ito sa iyo ng pagkakataong magtanong ng mga tamang tanong na “bakit?”. Bakit ito nangyayari?

Upang ilarawan ang kahalagahan ng konteksto, magbibigay ako ng dalawang halimbawa: isang negatibo at isang positibo.

negatibong halimbawa ay ang kuwento ng Nokia, na naging isang malungkot na halimbawa kung paano ka makakaalis sa merkado sa tuktok ng iyong anyo. Ang kakanyahan ng pangunahing estratehikong maling pagkalkula ay ang hindi pinansin ng mga pinuno ng kumpanya ang siksik na data, na hindi maihahambing sa hanay ng malaking data, ngunit medyo tumpak na hinulaang malaking interes sa mga smartphone kahit na sa mga pinaka-mababang kita na mga segment ng populasyon.

PERO positibong halimbawa sa harap din ng lahat. Ito ay kamangha-manghang paglago para sa Netflix. Doon, sa kabaligtaran, nakita nila ang mga puwang sa mga analytical na modelo at inanyayahan ang isang teknolohikal na etnograpo (mayroon nang isang espesyalisasyon) upang gumana sa siksik na data. At naisip niya ang isang bagay na hindi nakikita sa malaking data. Napansin ng ethnographer na ang mga tao ay gustong "dumikit" sa TV, hindi sila nakaramdam ng pagkakasala tungkol dito, ngunit i-enjoy lang ito. At sa pamamagitan ng pagsasama-sama ng malaking data sa siksik na data, gumawa sila ng isang bagay na simple ngunit epektibo: sa halip na magpakita ng iba't ibang mga genre ng serye, nagsimula silang maglaro ng pareho upang gawing mas madali para sa mga tao na "dumikit". Ngunit hindi lang iyon, binago nila ang mismong kasanayan ng pagsasahimpapawid alinsunod sa mga natuklasang ito. Sa pamamagitan ng pagsasama-sama ng malaki at siksik na data, hindi lang nila napabuti ang kanilang negosyo, ngunit binago din nila ang paraan ng paggamit ng mga tao sa impormasyon ng media. Ang kanilang mga bahagi ay inaasahang doble sa susunod na ilang taon.

Ang data ay wala. Ang konteksto ay ang lahat!

Mga mapagkukunan

Kami ay unti-unting sumusulong sa pagsasaalang-alang sa aming problema, at kung ikaw ay kasama pa namin, sa unahan ay ang huling balwarte.

Ito ay mga mapagkukunan. Tulad ng makikita mula sa lahat ng nasa itaas, ang seryosong trabaho sa data ay nangangailangan ng "mabigat" at mamahaling software, mataas na kwalipikadong mga espesyalista at maraming oras. Ang lahat ng ito ay nagdaragdag sa mga gastos na halos hindi mabata para sa karamihan ng mga organisasyon. Kung susundin mo ang paksa, maaaring napansin mo na karamihan sa mga nai-publish na kaso ay mga kaso ng malalaking kumpanya, na naglalarawan ng pandaigdigang pananaliksik. Kasabay nito, dapat tandaan ng isa ang tungkol sa tinatawag na. pagkakamali ng survivor.

Karamihan sa mga nai-publish na kaso ay ang mga kung saan ito lumabas. At ilan sa mga iyon ang nabigo sa parehong halaga? Habang mura at medyo mga simpleng kasangkapan at walang mga modelo. Ngunit ang merkado ay ang merkado, at malamang, pagkatapos ng ilang oras ay lilitaw sila bilang isang resulta ng naipon na karanasan. Samakatuwid, sinusubukan na ngayon ng malalaking kumpanya, at ang iba ay naghihintay para sa isang bagay na mas abot-kaya na lumitaw bilang isang resulta ng mga aktibidad ng una.

Narito, sa katunayan, ang mga pangunahing dahilan kung bakit 8% lamang ng mga respondent ang nag-ulat na mayroon silang kapaki-pakinabang na data; 9% lamang ang naniniwala na mayroon silang mahusay na pag-unawa sa kung ano ang mga katangian ng empleyado na humahantong sa tagumpay sa kanilang mga organisasyon; at 15% lang sa pangkalahatan ang nag-deploy ng HR at mga sistema ng sukatan ng talento para sa mga line manager.

Ngunit ang pangangailangan at benepisyo ng pagtatrabaho sa data ay halata at hindi napapailalim sa talakayan. Ano ang gagawin?

Saan maaaring magsimula ang mga kumpanya?

Ang People-analytics ay isang malawakang direksyon dahil sa pandaigdigang kalikasan ng mga gawaing nilulutas at medyo bago. Gayunpaman, kabilang sa mga analytical approach ay mayroon nang mga seksyon na mahaba at mahusay na binuo. Nagbibigay ang mga ito ng makapangyarihan ngunit naa-access na toolkit at maaaring magbigay ng makabuluhang insight sa kumpanya. Isa sa mga approach na ito ay pagsusuri ng network ng organisasyon(ONA, Organizational Network Analysis). Ano ito?

Ang layunin ng ONA ay sukatin at imapa ang mga ugnayan at daloy sa pagitan ng mga tao, grupo o organisasyon. Ang pagiging natatangi ng ONA ay nakasalalay sa katotohanan na sa walang ibang paraan ay posible na makita ang mga tunay na koneksyon sa pagitan ng mga tao sa organisasyon. Sa katunayan, ito ay isang x-ray ng iyong organisasyon, o ang kaugnayan ng iyong organisasyon sa panlabas na merkado, o ang iyong mga tauhan, o ang grupo ng mga kandidato. Sa madaling salita, ang mga relasyong iyon na kailangan mo ay masusuri.

Lumitaw ang ONA sa intersection ng sociometry at pagsusuri sa network at lumilitaw na isang lubhang kapaki-pakinabang na tool.

Ang isang malaking bentahe ng diskarteng ito ay ang visuality nito.

Halimbawa: ang pagsusuri ng mga executive sa exploration at production division ng isang malaking kumpanya ng langis ay nagbigay ng sumusunod na pagkakaiba sa pagitan ng pormal at aktwal na istraktura ng organisasyon (fig. mula sa Rob Cross blog):

Mula sa tamang pigura makikita na ang kumpanya ay may isa sa mga gitnang tagapamahala, isang tiyak na Cole (Cole, tingnan ang kaliwang pigura), na halos hindi nakikita sa opisyal na hierarchy, ngunit sa katunayan ito ay sa pamamagitan niya na ang lahat ng mga daloy ng impormasyon at ang aktwal na pamamahagi ng trabaho pumunta. Siya ang pangunahing information node at siya ang nagpapasya kung kanino kung anong impormasyon ang ililipat. Ang bise presidente ay nasa isang napakalayong paligid at, sa katunayan, ay walang impluwensya sa pamamahala ng pagpapatakbo.

Sa palagay ko nasimulan mo nang hulaan kung anong papel ang maaaring gampanan ng gayong pamamaraan, halimbawa, sa pamamahala ng pagbabago.

Ang susunod na malaking aplikasyon ng ONA ay, siyempre, pamamahala ng kaalaman. Kung sa input ay magtatanong ka tulad ng: "Sino ang pinakaastig na eksperto sa trabaho?", Pagkatapos ay ipapakita ng output na larawan ang mga pangunahing tagapagdala ng kadalubhasaan sa organisasyon.

Paano hindi pag-usapan dito ang gawain ng paglikha ng isang larangan ng impormasyon sa kumpanya? Ang sinumang tagapamahala ng komunikasyon ay dapat magkaroon ng ganitong uri ng pagsusuri kung ayaw niyang lumipat nang walang taros. Ang ganitong pagsusuri ay maaaring magpakita ng parehong mga relasyon at daloy ng impormasyon sa pagitan ng mga departamento, sa pagitan ng isang kumpanya at iba pang mga stakeholder, at sa pagitan ng mga tao. Sa aming kurso sa pagsasanay na "HR na walang embellishment" hinawakan namin ang paksang ito nang mas detalyado.

Paano, halimbawa, gumagana ang relasyon sa pagitan ng pananalapi at marketing sa iyong kumpanya? Kanino napupunta ang lahat ng impormasyon (fig. mula sa Rob Cross blog)?

Ang parehong napupunta para sa anumang pagbabago, pamumuno, pagbuo ng talento, atbp.

Tiningnan namin ang mga prospect para sa paggamit ng ONA sa loob ng isang organisasyon, ngunit ang tool na ito ay maaaring ilapat nang may parehong tagumpay sa pagsusuri ng mga panlabas na relasyon - sa mga kakumpitensya, supplier at kontratista, atbp.

Pangunahing Aplikasyon ng ONA

Ang ONA ay ang sining ng pagkuha ng mga kapaki-pakinabang na resulta: nakakakuha ka ng mga mapa at sukatan na talagang hahantong sa iyo magandang tanong. Iyon ay, ang ONA, tulad ng anumang analytical tool, ay hindi nagbibigay ng sagot sa tanong na "Bakit?", Ang sagot na ito ay maaari lamang ibigay ng isang tao. Ngunit ang mga card ay gumagawa ng dalawang bagay:

• Nagbibigay ang mga ito ng mga tagapagpahiwatig kung saan maaaring may isang bagay na interesadong tuklasin.

• Nagbibigay sila ng mga kawili-wiling visual na resulta upang suportahan ang mga kwento ng resulta.

Siyempre, sa katotohanan ito ay hindi kasing simple ng tila sa unang tingin. Sa likod ng lahat ng kagila-gilalas na ito at maliwanag na pagiging simple ay isang seryosong kasangkapang pangmatematika at pangunahing pananaliksik, ngunit ito ay mas simple kaysa sa kung ano ang nasa "malaking analytics" ngayon. Bibigyan ka kaagad ng ONA ng lubhang kapaki-pakinabang na mga resulta at makakatipid ng mga mapagkukunan.

Victoria Buznik at Lilia Grabovskaya, mga may-akda ng mapagkukunang Talent Management.com.ua at ang kursong pagsasanay na "HR na walang pagpapaganda"

Gastos sa pagsasara ng trabaho

Ito ay isang figure na kasama ang halaga ng pag-post ng mga bakante sa mga site ng trabaho, pakikipag-ugnayan sa mga recruiter, screening, pakikipanayam - lahat ng nangyayari sa proseso ng paghahanap ng mga kandidato ay may sariling gastos sa anyo ng mga mapagkukunan ng tao at oras. Ayon kay Superjob na pananaliksik, ang halaga ng pagsasara ng isang bakante sa Russia noong 2015 ay 10,000. Sa Moscow, ang figure ay medyo naiiba - 17% na mas mataas kaysa sa bansa. Per Noong nakaraang taon ang halaga ng pagsasara ng isang bakante ay nabawasan, at ang halaga ng HR ay nabawasan din nang malaki.

Oras na para magsara ng trabaho

Ang oras na kinakailangan upang isara ang isang trabaho ay halos kasinghalaga ng halaga ng proseso. Sa kasamaang palad, upang makahanap ng ilan average na halaga nabigo kami. Alam natin yan sa USA humigit-kumulang 25 araw ang kinakailangan upang punan ang isang bakante.

Ang formula ay simple: # araw ang posisyon ay bukas / # bilang ng mga kandidatong natanggap

Mga Pinagmumulan ng Kandidato

Ang pag-alam sa mga pinagmumulan na nagdadala sa iyo ng pinakamahuhusay na kandidato ay nagpapadali sa proseso ng pagre-recruit. Narito ito ay nagkakahalaga ng pagsasaalang-alang ng lahat hanggang sa sandali ng pagtanggap ng alok, ang mga tampok ng bakante at lahat ng mga platform na magagamit para sa pagtugon - tumugon ang developer sa Facebook at pumunta sa site ng karera, at agad na tumugon ang accountant sa trabaho lugar. May pagkakaiba. Sa ganitong uri ng analytics, maaari mong bawasan ang gastos sa pagsasara ng trabaho.

Ang kahusayan ng proseso ng pagre-recruit

Sa bawat yugto ng pagpili, inalis mo ang isang tao, isang tao ang nawawala sa iyong sarili - isang pagsusuri sa mga dahilan kung bakit nangyari ito sa yugtong ito ay magbibigay-daan sa iyo upang mabuo ang proseso ng recruiting nang mas epektibo. Tanungin ang mga tanong na nag-aalis ng mga hindi angkop na kandidato, pag-usapan ang mga prinsipyo ng trabaho ng kumpanya na maaaring hindi angkop sa isang tao, bigyan mga gawain sa pagsubok kanina, para agad na maalis sa proseso ng pagpili ang mga kandidatong ayaw tumupad.

Ang formula ay: (# ng mga kandidatong sumulong sa susunod na yugto / kabuuang bilang ng mga kandidatong nakapasa sa pagpili) X 100

Pagtanggap ng alok

Madali lang - ilang porsyento ng mga kandidato na nakapasa sa lahat ng mga yugto ng pagpili, sa huli ay nakatanggap ng isang alok (at tinanggap ito)? Mahalagang isaalang-alang hindi lamang ang impormasyon tungkol sa kung bakit mo pinili ang mga partikular na kandidatong ito, kundi pati na rin kung bakit tumanggi ang iba o, sa ilang kadahilanan, ay hindi umabot sa huling yugto ng pagpili.

Analytics kailangan upang mapabuti ang proseso ng pagpili: paano mo ipinapakita ang kultura ng korporasyon? Ano ang nakakalito sa mga tao sa panahon ng mga panayam? Paano tumugon ang mga kandidato sa impormasyon tungkol sa sahod at lokasyon ng opisina?

Paglipat ng tauhan

Ang turnover ay dapat na regular na subaybayan - upang pag-aralan ang bawat ilang buwan, bawat anim na buwan o bawat taon. Papayagan ka nitong malinaw na maunawaan kung bakit umalis ang mga empleyado sa kumpanya at kung ano ang kailangang gawin upang maiwasang mangyari ito - muli, pinag-uusapan natin ang tungkol sa pagtitipid sa pagkuha, ngunit tungkol din sa pagbuo ng kultura ng korporasyon na may matatag na pundasyon sa anyo ng mga mahuhusay na espesyalista .

Formula: # bilang ng mga empleyadong umalis sa taon / kabuuang # bilang ng mga empleyado

Gastos ng turnover

Ang isang underestimated na kadahilanan ay ang bawat empleyado na umalis sa kumpanya ay nagkakahalaga din ng pera. Ito ay parang mapang-uyam, ngunit ito ay isang katotohanan at isa pang dahilan upang isipin kung bakit walang laman ang opisina at kung ano ang iyong ginagawang mali. Bilang karagdagan, kung umalis ang mga empleyado, nakakaapekto rin ito sa pangkalahatang kalagayan sa koponan - ang iba na natatakot lamang sa pagbabago o, sa kabaligtaran, ay biglang nag-ipon ng lakas ng loob na umalis, ay magsisimulang maabutan sila. At gayon pa man - kailangan mong malaman kung magkano ang halaga ng pagkawala ng isang empleyado.

Formula (maaaring mga opsyon): mga pondo na binayaran pagkatapos umalis ang empleyado + ang halaga ng bakante + ang halaga ng pagpapalit ng empleyado + mga pagbabayad para sa paunang pagsasanay at pagbagay

Average na panunungkulan

Pag-aralan kung gaano katagal, sa karaniwan, ang mga empleyado ay sumasakop sa isang partikular na posisyon. Kaya maaari mong maunawaan kapag ang isang empleyado ay malapit nang matanggal sa trabaho at sa anong punto ito ay mas mahusay na makisali sa mga pagbabago ng tauhan.

Kahusayan ng Channel

Tama bang mag-publish ng mga bakante sa FB sa iyong kaso? Gaano karaming mga mahuhusay na kandidato ang dumating sa posisyon mula sa lugar ng trabaho? Ang pagsusuri sa pagiging epektibo ng mga channel ay magbibigay-daan sa iyong gamitin lamang ang mga site na regular na nagpapahintulot sa mga angkop na kandidato na mag-apply.

Mga bukas na posisyon vs. Mga saradong bakante

Ito ay isang analytics na artikulo na may kaugnayan para sa malalaking kumpanya - kailangan mong ihambing ang bilang ng mga bakanteng kakasara at ang mga lumitaw upang muling suriin ang pagiging epektibo ng proseso ng pagre-recruit. Kung ang isang maliit na bilang ng mga bakante ay bubukas sa isang kumpanya, nangangahulugan ito na ginagawa mo ang lahat ng tama at ang lahat ay medyo maayos sa kumpanya.

Average na edad ng mga empleyado ng kumpanya

Alamin kung anong edad ang kailangan ng iyong mga empleyado upang gawing mas mahusay ang pagre-recruit at mas madali ang pagbuo ng kultura. Ang pagkakaiba-iba ng henerasyon ay nararamdaman pa rin sa lugar ng trabaho - kahit na sa Russia ang teorya ng henerasyon Y at Z ay hindi gaanong nauugnay, ngunit marami pa mahahalagang katangian na dapat mong tandaan at regular na suriin sa iyong trabaho.

Pakikipag-ugnayan at kasiyahan

Ang dalawang sukatan na pinakakaraniwang sinusukat ng mga survey. Ang tanong ng kanilang pagiging epektibo sa mundo ng hr-technologies ay talamak. Ang iyong gawain ay upang mahanap ang pinakamahusay na tool sa pagtatasa ng pakikipag-ugnayan ng empleyado at kasiyahan para sa iyong kumpanya. Kung magsasagawa ka man ng mga anonymous na survey sa parehong oras o makipag-usap lamang sa iyong koponan ay hindi napakahalaga, ang pangunahing bagay ay ang mga sagot ay malapit sa katotohanan.