۵ کلید طلایی برای تحلیل منابع انسانی

تا حالا فکر کردید که تجزیه و تحلیل منابع انسانی (HR analytics) چه تأثیری بر سازمان دارد؟ همانطور که می‌دانید داده های منابع انسانی در هر زمینه‌ای نقش مهمی در کمک به سازمان برای تصمیم گیری دارند. خواه این تصمیمات جزئی باشد مثل تصمیم گیری در مورد تعداد روزهای تعطیلات. خواه مهم باشد مثل پیش بینی اطلاعات سود و زیان برای سه ماه آینده در یک سال مالی.

پس داده های منابع انسانی دارای اهمیت زیادی هستند. به قول دیوید هرنتون:

اگر نتوانیم اندازه گیری کنیم، نمی‌توانیم کنترل کنیم. اگر نتوانیم کنترل کنیم، نمی‌توانیم مدیریت کنیم. اگر نتوانیم مدیریت کنیم، نمی‌توانیم بهبود مستمر ایجاد کنیم. دیوید هرنتون

 با توجه به این جمله می‌توان گفت که اولین گام در اندازه گیری برای رسیدن به بهبود و تعالی، جمع آوری داده‌ها و تحلیل درست آن‌هاست.

ابزار سنجش داده
اولین گام در اندازه گیری، جمع آوری داده و تحلیل درست آن است.

 

داده های منابع انسانی که به تجزیه و تحلیل منابع انسانی کمک می‌کند نقش مهمی در اطمینان از موارد زیر دارد:

  •  وجود افراد مناسب
  • در مکان مناسب
  • در زمان مناسب
  • و انجام کار مناسب

پس در منابع انسانی نیز مثل سایر کسب و کارهای داده محور همه چیز به درستی تحلیل این داده‌ها، بستگی دارد.

علی رغم اینکه در یک سازمان همه چیز از طریق داده های منابع انسانی هدایت می‌شود؛ دسترسی به داده های منابع انسانی مناسب در دنیای امروز بیشتر شبیه یک توهم است تا واقعیت. در این مقاله سعی داریم ویژگی‌های داده‌های مناسب را بررسی کنیم. چون تحلیل منابع انسانی یک مفهوم حیاتی برای تداوم فعالیت‌های سازمان است که اثربخشی و کارآیی آن در گرو داده‌های قدرتمند است و بسیار مهم است که بدانیم داده غنی برای HR analytics چه ویژگی‌هایی دارد.

1. یکنواخت بودن مجموعه داده ها در تحلیل منابع انسانی

وقتی به یکنواختی داده‌ها فکر می‌کنیم این سؤال در ذهن ما ایجاد می‌شود که «آیا می‌توانیم داده‌های دقیق و یکنواخت داشته باشیم؟» «آیا تفکر داشتن داده‌های یکنواخت یک فکر ایده‌آلیستی نیست؟». خب باید بگوییم که رسیدن به داده‌های دقیق و یکنواخت برای تحلیل منابع انسانی آنقدرها هم که فکر می‌کنید سخت نیست. بلکه ممکن است.

اگرچه برخی از داده‌ها ممکن است مختص خود کارکنان باشد اما لازمه این کار این است که سازمان پایگاه داده منابع انسانی خودش را داشته باشد (مانند مشاغل، پست‌ها، بخش‌ها، واحدهای تجاری) و آن را به طور متمرکز نگهداری کند.

ویژگی داده ها در تحلیل منابع انسانی: یکنواختی داده ها
اکثر داده‌های مورد نیاز برای HR analytics می‌تواند یکنواخت باشد.

 

این دو شرط باعث می‌شود که تجزیه و تحلیل منابع انسانی حتی برای گروه‌های شرکتی که در مناطق مختلف فعالیت می‌کنند، آسان شود.

مثلاً اگر یک واحد تجاری خاص در هند خوب عمل می‌کند اما در کشوری دیگر خیر؛ می‌توان عواملی مانند الگوهای کار، سطوح کارایی، عوامل محیطی و موارد دیگر را برای یافتن مشکل مقایسه کرد. وجود پایگاه داده اصلی که به صورت متمرکز نگهداری می‌شود این تحلیل منابع انسانی را ممکن می‌سازد.

2. مقدار مناسب داده در تحلیل منابع انسانی

اکثر ارائه دهندگان خدمات منابع انسانی و حقوق و دستمزد امکاناتی دارند که کسب اطلاعات شخصی و حرفه‌ای کارکنان یا داده های منابع انسانی را آسان می‌کند. با این حال چقدر از این داده‌ها برای سازمان در دوران خدمت کارکنان مفید خواهد بود؟ یا چقدر از آن‌ها مشارکت، انگیزه و کارآمدی کارکنان را در تضمین خواهد کرد؟

آنچه اهمیت دارد، داشتن داده‌های مهم (حتی حداقل) است که می‌تواند قابلیت تحلیل‌های زمان محور و منابع محور را به حداکثر برساند. درواقع زیاد بودن داده‌ها کمکی به درستی تحلیل منابع انسانی نخواهد کرد؛ بلکه مناسب بودن مقدار داده هاست که می‌تواند HR analytics را بهینه سازد.

به عنوان مثال یک CHRO (مدیر ارشد منابع انسانی) تمایل دارد میزان تأخیر کارکنان خود در گروه‌های سنی مختلف را در یک زمان خاص از سال بداند. قطعاً او خواستار داده برای تک تک کارمندان نیست. چون این خواسته (داده‌های زیاد) کمکی به او در تصمیم گیری استراتژیک نخواهد کرد. در این مورد تجزیه و تحلیل منابع انسانی بر اساس ارزش خلاصه‌شده و نه ارزش فردی انجام می‌شود.

ویژگی تحلیل منابع انسانی: مقدار مناسب داده
داده های زیاد، به تصمیم گیری استراتژیک کمکی نخواهد کرد.

 

3. تعریف مدل های داده مقیاس پذیر در تحلیل منابع انسانی

سازمان‌ها امروزه بر داده های تراکنشی تمرکز می‌کنند. اما آیا آن‌ها به عقب برمی گردند و صفحات اکسل را بررسی می‌کنند تا به معیارهای منابع انسانی مبتنی بر زمان برسند؟ قطعاً نه.

این موضوع باعث طرح این سؤال مهم می‌شود: آیا سازمان‌ها به دلیل مدل‌های داده‌ای که مدت‌ها پیش ساخته شده اما مقیاس‌پذیر نیستند دچار اشتباه می‌شوند؟

اکثر سازمان‌ها دارای داده های پراکنده در بخش‌های مختلف هستند که معمولاً مانع ایجاد تجزیه و تحلیل منابع انسانی مبتنی بر زمان و داده می‌شود. بنابراین مهم است که داده‌های قدیمی خود را عاقلانه مدل‌سازی کنند. داشتن نمای غیر عادی یا نمای تراکنشی عادی به عنوان مدل های داده به تنهایی نمی‌تواند روش اثربخشی برای مدل‌ سازی داده ها باشد.

مهم است که مدل‌ های داده را متناسب با کاربرد آن‌ها استفاده کنیم. به‌عنوان‌مثال داده های اصلی منابع انسانی می‌توانند در نمای عادی باشند، اما داده های کارکنان معمولاً در نمای غیر عادی ترجیح داده می‌شوند.

4. تبدیل داده ها در تحلیل منابع انسانی

همه داده های موردنیاز برای تحلیل منابع انسانی در دسترس هستند. اما به دلیل اندازه مجموعه داده، عملکرد گزارش تحلیلی ضعیف است. چگونه می‌توان این موضوع را به طور مؤثر مدیریت کرد؟

تبدیل داده‌ها نقش مهمی در HR analytics برای سازمان ایفا می‌کند. بنابراین ضروری است که تبدیل داده‌ها تا حد زیادی عملکرد گزارش تحلیلی را هدایت کند. تبدیل داده می‌تواند ساده باشد یا پیچیده.

استخراج (Extract)، تبدیل (Transform)، بارگذاری (Load) (ETL) قلب هر سیستم گزارشگری تحلیلی موفق است.

منطق تبدیل داده‌ها و معیارها باید به درستی تعریف شوند. زیرا تغییر منطق تبدیل داده‌ها پس از سال‌ها استفاده از گزارش‌های تحلیلی می‌تواند تأثیر زیادی بر مجموعه داده اصلی داشته باشد.

5. تجسم سازی ها در تحلیل منابع انسانی

آیا می‌توان از هرگونه تجسم جذاب برای تحلیل منابع انسانی استفاده کرد؟

در حالی که چهار مورد قبل بر محتوا تمرکز می‌کنند این مورد بر ارائه تمرکز می‌کند. تجسم، آخرین لایه ارائه داده‌ها به کاربران نهایی است. بنابراین انتخاب تجسم مناسب برای تحلیل منابع انسانی مهم است.

ویژگی تحلیل منابع انسانی: استفاده از نمودار یا نقشه
تجسم آخرین لایه ارائه داده ها به کاربران نهایی است.

 

مثلاً انتخاب نمودار میله‌ای برای نشان دادن تنوع نیروی کار در مقایسه با ترسیم آن بر روی نقشه می‌تواند ایده بدی باشد. یا نمایش افزایش ارز پایه در مناطق مختلف بر روی نقشه در مقایسه با یک نمودار خطی و خوشه‌ای می‌تواند فاجعه بار باشد.

 

منبع: www.ramco.com

برای امتیاز به این نوشته کلیک کنید!
[کل: 0 میانگین: 0]
لطفاً به اشتراک بگذارید

دیدگاهتان را بنویسید

This site uses User Verification plugin to reduce spam. See how your comment data is processed.