Забудьте про Майерс-Бригс, или как математический расчет точнее предскажет слаженность команды

Перевод статьи Forget Myers-Briggs, algorithms can better predict team chemistry. Перевод выполнен Анной Отчик. Анна специалист в сфере обучения и развития персонала, тренер, разработчик бизнес-игр, методолог. Рекомендую обращаться к ней, если вашей организации необходимо создать и развивать систему обучения персонала, а также разработать и провести обучающие программы, деловые игры по темам "коммуникации, сервис, подбор и адаптация, обучение молодых руководителей".

Перевод выполнен в рамках нашего проекта переводы статей по hr-аналитике на английском. Если Вы хотите присоединиться, напоминаю: я вам даю интересную статью, с Вас перевод. Пишите

Возвращаясь к статье, сообщаю, что статья - ответ всем специалистам по оценке персонала про то, как правильно использовать любой инструмент оценки персонала. 

Забудьте про Майерс-Бригс, или как математический расчет точнее предскажет слаженность команды

Возвращаясь с работы в общественном транспорте, можно услышать разговоры людей о работе.  Как правило, говорят не о коллективных успехах, а скорее о каких-либо трудностях в межличностных отношениях и о связанных с этим волнениях и эмоциях. В несработавшихся командах люди несчастны, демотивированы, их труд непроизводителен, по этой причине люди чаще всего меняют работу.

Алистер Шепард, основатель лондонского стартапа по новым подходам к управлению персоналом с применением Big Data, считает такое положение вещей  проблемой, которую легко и недорого можно решить с помощью методики, надо просто произвести расчеты.

“Более 80% стартапов убыточны и не возвращают вложения своим инвесторам, а в 2\3 из них нет слаженной командной работы, - говорит он, цитируя своего преподавателя в Harvard Business School, профессора Ноама Вассермана, автора труда “Дилемма Основателей”, - мне интересно знать, что будет дальше.”

В прошлом Шепард занимался аэрокосмическим проектированием (он получил степень доктора наук в Великобритании), а также он изучал предпринимательство в Гарвардском университете и в Школе менеджмента Слоан МТИ. Сегодня он по-прежнему инженер-исследователь и предприниматель в Университете Саутгемптона. Saberr, свой третий стартап, Шепард основал в 2013 году, в нем создана хорошая  проектная команда, во многом благодаря обаянию основателя.

“Большая часть деятельности HR заключается в понимании и управлении людьми, работающими в командах. Это отражается на производительности команд”, - говорит Шепард.

“Исторически сложилось, что психология и психометрическое профилирование, например Майерс-Бригс, исследуют вас, но не могут предсказать, что может заставить людей хорошо работать вместе, - говорит он, добавляя, что “если бы можно было уйти от этого шаблона исследований, то многие бизнесы и сообщества, да и весь мир, достигли бы большего. Инновационные циклы ускорились бы, а научные открытия происходили бы чаще. Ключ лежит глубоко в интеллектуальной обработке данных.  “Это не про то, как подобрать в команду людей с определенными психологическими типами, это гораздо тоньше”, - поясняет Шепард. 

Компании используют сложное аналитическое ПО от Saberr, чтобы принимать более качественные решения по найму и решать проблемы с неэффективными командами, уже работающими как в продажах, так и в сфере IT-разработки.

Проведенные исследования подтверждают, что если сотрудники разделяют основные ценности компании, то и работают они лучше. Технология, предложенная компанией Saberr, сделала шаг вперед, показав, что общие ценности важны для команды в целом. Благодаря этой технологии можно понять и просчитать в команде:

• мотивацию каждого сотрудника, 
• реакцию каждого сотрудника на скрытые потребности коллег. Например, если одному нужна свобода для выполнения работы, а другому - тесные рамки и контроль. 

Методика Saberr для формирования команд создавалась с использованием некоторых методов сайтов знакомств. Известно, что пользователи этих сайтов отвечают на вопросы анкеты, на основе которых делается вывод, будет ли успешным тот или иной союз, -  в технологии Saberr такие вопросы решают судьбу команды.

Впервые Шепард включил эти вопросы в тест  для конкурса бизнес-планов в Университете Бристоля. Задолго до конкурса, который проходит в течение недели, Шепард попросил всех участников соревнующихся команд заполнить анкеты. Он не встречался ни с кем из конкурсантов, в анкетах не было вопросов об их бизнес-планах, навыках, опыте или демографических данных. Получив анкеты, Шепард произвел расчеты, спрогнозировал рейтинг 8 команд и предоставил информацию в запечатанном конверте для организаторов конкурса. По итогам конкурсной недели прогноз Шепарда подтвердился с точностью до 100%. “Мы точно просчитали все 8 позиций”, - говорит Шепард. Шанс предсказания такого исхода конкурса был 1 из более чем 40 000 возможных. Это уже был результат для новой технологии!

Метод прогнозирования  Saberr доступен для любых компаний как облачное решение. Его можно использовать чтобы:

• уменьшить риск нарушения слаженной работы команды вновь нанятыми сотрудниками,
• избежать разочарования обеих сторон, если новые сотрудники не вольются в корпоративную культуру.

Компания Saberr была принята в Seedcamp, крупный инвест-центр для стартапов, в конце 2013 и получила в 3 этапа финансирование 1,8 млн фунтов стерлингов.

Сейчас в стартапе работает 10 сотрудников, а база клиентов включает такие игроков, как Microsoft, Coca-Cola, Deloitte, Capco, Virgin и Bank of Ireland, а также несколько развивающихся  стартапов. Все клиенты Saberr  стремятся создавать и развивать высокопроизводительные команды.

Поскольку компания еще в начале пути, лучше всего продемонстрировать ее потенциал может прогноз эффективности либо неэффективности команды задним числом, без доступа к информации об их производительности в настоящем. 

Однако компаниям, которые уже наняли персонал и оказались лицом к лицу с проблемами в работе с неэффективными командами, Saberr также предлагает свои услуги.

В апреле этого года компания Saberr получила 1 млн. фунтов стерлингов с помощью фонда Ангелов софинансирования, эти средства будут направлены на новую фазу разработки технологии. “У нас есть блестящий инструмент для найма и создания лучших команд. Следующая задача - сделать так, чтобы заработали неэффективные команды без необходимости замены людей”, - говорит Шепард. Для решения этой задачи Saberr будет выступать в качестве “командного диджитал-коуча”.

Почему именно коучинг? Пример: одно из качеств, которое измеряется методикой Saberr с помощью анкеты, это толерантность к набору альтернативных ценностей своих коллег.

Коучинговое решение помогает формировать и развивать навык толерантности, вызывая изменения в осознанности, мышлении и поведении. “Люди легко обучаются, если им помогать в этом,” - поясняет Шепард. “Наша задача с помощью технологии скомпоновать все необходимое  для формирования и развития этого навыка и передать людям”. Что мы предлагаем? Например:

“Известно, что частое взаимодействие или контакт между людьми укрепляет отношения. Мы предлагаем использовать любую самую простую ситуацию, например, пить кофе с человеком, с которым придется работать через 2 недели”.

Инструмент оптимизации команды, предлагаемый Saberr, демократизирует, делает доступными, такие навыки, которые компания покупает, нанимая дорогого командного коуча, с целью восстановить гармонию в несработавшихся командах, объясняет он.

“Теперь компании понимают, что формирование толерантности, например, - уже не роскошь и не прерогатива только  высшего руководства. Ведь стоимость услуг нанимаемых для высшего менеджмента executive coach в день составляет 3 000 фунтов стерлингов.

Мы предлагаем компаниям получить на порядок дешевле такие же идеи на том уровне управления, который сейчас лишен внимания и работающих решений”.

Предполагается, что расширение направлений возможного применения  новой методики увеличивает рынок для предложения продукта компании Saberr. 

Эндрю Мэрит, основатель OrganizationView, международной компании по применению BigData в HR-аналитике, высказывается о технологии Saberr: “Saberr использует современный подход к BigData в сфере, в которой у всех организаций всегда проблемы, имея ввиду проведение подбора для командной работы и получаемые ими результаты. Saberr - пионеры подхода нового вида”. 

Мэрит убежден, что если добавить к имеющейся технологии  методику развития созданных команд, это будет мудро, несмотря на то, что рекрутмент стал горячей темой, занимая до 50% HR-деятельности в стартапе.

“ Модель, созданная Saberr, сейчас детально изучается, они делают хорошее дело”, - говорит Мэрит. “Мой совет компании - сосредоточиться на одной области применения, преодолевая соблазн охватить все области”.

Он добавил, что для молодого бизнеса исключительно важно избегать слишком большой диверсификации и уметь фокусироваться на том, в чем у него лучшие результаты. “В случае Saberr, это создание и преобразование команд”, - добавил Мэрит.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

5 примеров того, как HR аналитика может помочь улучшить прибыльность

Перевод статьи 5 Examples of How HR Analytics can Help to Improve Bottom Line Performance. Автор Стивен МакМи(ше)н, честно признаюсь, не знаю его кроме как по данной статье. Но из описания видно, что он не HR. Перевод выполнен студентом Высшей Школы Экономики Захарьевой Анной. Читайте все статьи нашего проекта переводы статей по hr-аналитике на английском.
Итак,

5 примеров того, как HR аналитика может помочь улучшить прибыльность

HR аналитика широко используется компаниями по всему миру. Использование и интеграция HR-аналитики в бизнес-структуры дает серьезные преимущества, все больше и больше компаний видят большую отдачу от своих инвестиций. Так как HR аналитика помогает в улучшении вашей прибыльности? В этой статье вы найдете 5 примеров.

Как прибыльность может быть улучшена с помощью HR аналитики
1. Улучшение решений о найме всей компании

Многие работодатели считают процесс найма своеобразным челленджем. У HR аналитики есть потенциал для улучшения этого процесса с помощью использования данных, полученных от предыдущих процессов найма.

Рассмотрим следующий пример. Допустим, после интервьюирования 15 кандидатов на позицию в вашей компании, вы видите, что 7 из них имеют похожие черты, не совместимые с ведением бизнеса в вашей компании или корпоративной культурой. Используя эту информацию, вы можете настроить профиль компании для автоматического исключения кандидатов, обладающих этими качествами, с будущих вакансий и таким образом повысить эффективность процесс подбора персонала.

Это позволяет ускорить процесс за счет сокращения времени на оценку неподходящих предложений и позволяет тратить больше времени на отбор кандидатов, подходящих для культуры, этоса и среды компании.

2. Мониторинг данных обучения работника

В большинстве компаний постоянное профессиональное развитие имеет важное значение для привлечения и удержания высококвалифицированного персонала. Недостаточное количество возможностей для профессионального развития может привести к истощению и выгоранию сотрудника. Внедрение HR аналитики может помочь в удержании сотрудников и повышении производительности труда.

Кроме того, реализация программы профессионального развития сотрудников показывает, что вы искренне заинтересованы в оказании помощи сотрудникам в достижении их максимального потенциала и поощряете их в развитии новых навыков и квалификаций в выбранной ими сфере. По сути, это признак дальновидности и инновационности компании, которая ценит своих сотрудников и их вклад в бизнес.
HR аналитика может помочь в определении наиболее подходящих курсов повышения квалификации для сотрудников и в отслеживании их прогресса. HR аналитика предоставляет информацию об эффективности обучения и о стоимости обучения на курсе за одного участника.

Поняв процент сотрудников, использующих тренинговые решения, и расходы, то вы можете также понять, является ли это экономически эффективным для вашего бизнеса.

3. Определение уровня удержания сотрудников

Высокая текучесть кадров может быть предупреждающим признаком, на который необходимо обратить внимание. Хотя спектр причин текучести кадров может быть широким и разнообразным, важно провести беспристрастный анализ корпоративной культуры, структуры, системы вознаграждения и бизнес-модели для того, чтобы узнать причины ухода персонала и реализовать стратегию для прекращения текучести. HR аналитика может помочь в этом процессе путем предоставления данных о том, почему персонал лоялен или почему он хочет уйти.
Причин для этого может быть много: они могут включать отсутствие навыков, неуспешность, вопросы компенсации, а также другие обстоятельства.

С помощью выездных и внутренних интервью, оценки удовлетворенности вы можете узнать о потенциальных проблемах в вашей компании, которые могут влиять на моральное состояние сотрудников и их чувство принадлежности к компании.

Если не делать вид, что ничего не происходит, а активно заниматься решением этих вопросов, то можно улучшить общую прибыльность и избежать расходов, связанных с наймом и обучением новых сотрудников.

4. Раскрытие потенциала

Также как и высокая текучесть кадров должна быть решена и найм неэффективного персонала – прекращен, так и выявление, найм и поощрение правильных членов команды является основным направлением работы HR. HR аналитика помогает выявить те черты, которые являются предикторами успеха внутри организации или команды, и таким образом мы можем сфокусироваться на поиске талантов и избежать совершения ошибок, которые могут быть потенциально сложными и дорогими для исправления.

Довольно часто правильное сочетание личности и навыков может быть идеальным рецептом для увеличения эффективности или для выхода из группы. Вместо того, чтобы работать методом проб и ошибок, аналитики могут усовершенствовать процесс таким образом, что эффективные команды могут быть собраны или распущены быстрее. Этот процесс не столько про избегание ошибок, сколько про то, чтобы научить людей использовать свои навыки как можно лучше, на благо вашей компании и ваших клиентов.

5. Диск с данными 

Для того, чтобы приступить к выявлению полезных черт, а также тех, что вызывают проблемы и не соответствуют вашей корпоративной культуре, нам в первую очередь необходимо собрать данные – и в большом количестве. В мире сложных систем, крупных организаций с командной динамикой и нестабильными ситуациями, данные – ваш друг.

Есть причина, из-за которой некоторые из крупнейших организаций вкладывают огромные суммы в приобретение и сбор данных – сведения о своих работниках, конкурентах и клиентах. Эти организации признают ценность данных в прогнозировании поведения – хорошего и плохого – заинтересованных сторон и общества. Чтобы дать себе лучший шанс на успех, они вооружаются максимальным количеством данных и сводят их к драгоценной мудрости, которая направляет их организационную миссию и строит их будущее. 

Заключение

HR-аналитики в бизнесе могут быть выгодными для прибыльности компании по многим причинам. Получив ценные данные, собранные HR-аналитиками, мы приобретаете потенциал для реального улучшения расходов вашей компании, производительности и операций. А как выиграет ваш бизнес от HR аналитики?

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

Как подготовиться к HR аналитике

Перевод статьи How to prepare yourself for HR analytics. Автор статьи - Lyndon Sundmark - очень интересный чувак, пишет не просто классные статьи, но еще выкладывает код в R, чем особенно интересен для практиков. Но эта статья про то. как надо входить в аналитику специалисту. Статья немаленькая))) Перевод выполнен студентами Высшей Школы Экономики Вудвард Дианой и Диулгаровой Анитой.
Читайте все статьи нашего проекта переводы статей по hr-аналитике на английском.
Итак,

Как подготовиться к HR аналитике

За последнее время я написал несколько статей, которые вызвали большой интерес. (Для меня это большая честь).

Такой интерес привел к просьбам о неформальном наставничестве, а так же вопросам «Как мне начать?» в области People/HR(кадровой)-аналитики. Эта статья ответит на все ваши вопросы.

Несомненно, область HR-аналитики очень большая. Однако, я считаю, что есть несколько пунктов, которые могут помочь в подготовке к данной области. Они перечислены в сводке ниже и более подробно описаны в остальной части этой статьи:

1. Начните с хорошего и основательного определения.
2. Ознакомьтесь с основопологающими блоками HR- аналитики.
3. Читайте, ищите в сети, и применяйте на практике.

Начните с правильного определения.

Это важно как минимум по одной главной причине.

В зависимости от того, как вы определяете People/HR-аналитику, вы устанавливаете, чему вы уделяете внимание в своем обучении и на чем вы концентрируетесь. Если вы воспользуетесь поиском HR аналитики в Google, то вы найдете огромное количество ссылок на эту тему, и так же большое количество книг, для прочтения которых не хватит всей жизни.

Многие из них будут касаться  HR метрик(измерений) и оценочных карточек. Это важно. Лично для меня, многое из того, чего мы достигли сегодня в HR-аналитике, исходит из этих корней, которые до сих пор являются частью картины. Если вы «видите»  HR-аналитику как «только это», соответственно, ваша подготовка будет основана на этом и возникнет соблазн остановиться.

Проблема с метриками и оценочными карточками заключается в том, что они сами по себе не обязательно гарантируют какие-либо действия или принятия решений. Они могут быть фундаментальными блоками в HR-аналитике, но сами по себе не являются полной картиной.

Более полной картиной является то, что лежит в основе любого аналитического усилия- независимо от контекста данные управляемы. Данные управляемы для определенных целей- принятия решений и действий, там где это необходимо. Это соответствует данным доктора Dr. John Sullivan.

Основной темой является «принятие решений и управление данными в HR».

Необходимость получения ответов на вопросы о бизнесе и их кадровое решение, или кадровые вопросы, влияющие на суть бизнеса, должны базироваться на полученных данных. В этом суть People/HR- аналитики.

Если вы согласитесь с данным определением, ваша подготовка приведет вас к HR метрикам и оценочным картам, однако вам потребуется подготовка так же и в других областях.

Наличие хороших определений важно, потому что это влияет на вашу дальнейшую подготовку. Это ваш выбор. Мое мнение заключается в том, что принятие решений, основанных на данных, является отличной основополагающей базой, учитывая исторические корни HR аналитики, но так же требуя от нас активного движения вперед.

Я согласен с этим, потому что когда какая-либо область является относительно новой, терминология не систематизирована, что приводит к путанице. Много лет назад я прочитал мысль, что: любая дисциплина будет «подниматься» или «падать» в зависимости от надежности и обоснованности ее суждений. Я бы хотел, чтобы HR-аналитика изменила работу HR менеджмента и воплотила на практике идею о том, что все наши решения принимаются на основе полученных данных.

Ознакомьтесь с основопологающими блоками HR- аналитики.

Если вы согласны с вышеуказанным определением, то существует как минимум 5 основных блоков навыков для подготовки в данной области:

13 идей для начала работы с аналитикой больших данных в сфере работы с персоналом

Елена Дунаевская (по ссылке - профиль в Линкедин, и я к своему стыду обнаружил, что не был френдом Елены до сегодня) перевела статью 13 People Analytics Ideas to Get you Started одного из самых популярных авторов по теме HR-аналитике на Западе Трейси Смит. (здесь также профиль на Линкедин) И вообще, женщина в HR-аналитике - редкое явление:) Тем ценнее эта статья.
Напоминаю, что эта статья в рамках нашего проекта переводы статей по hr-аналитике на английском. И я совершенно покорен активностью и готовностью коллег заниматься переводами.
Итак,

13 идей для начала работы с аналитикой больших данных в сфере работы с персоналом 

Трэйси Смит
Ведущий эксперт аналитики больших данных, спикер, автор

Дисклеймер/разъяснение

Данная информация поможет вам начать работу с большими данными в сфере работы с персоналом. Однако важно помнить, что успех в аналитике зависит прежде всего от бизнес-целей и задач вашей компании или организации. Автор не считает бесцельный подход в аналитике надежным.

Почему тринадцать?

Это простое число. Нужно ли еще что-то добавить для тех, кто интересуется математикой?

Так что давайте начнем!

1. Определите, какие вопросы в вашем опросе об удовлетворенности сотрудников  помогут выявить индикатор текучести персонала.
В чем ценность: Акцент на аспекты, требующие большего внимания, и возможность сократить количество неважных, несущественных вопросов
2.  Определите каналы для подбора персонала, которые работают.
В чем ценность: Перераспределение бюджета, выделенного на рекрутмент, путем сокращения неэффективных каналов и фокуса на том, что действительно работает
3.  Определите, из каких ВУЗов вы наняли своих самых успешных сотрудников.
В чем ценность: Уменьшение количества неэффективных мероприятий в ВУЗах за счёт замены их на эффективные. Фокус на то, что действительно работает.
4.  Определите, влияет ли повышение уровня вовлеченности персонала на повышение культуры безопасности в организации.
В чем ценность: Штрафы в сфере охраны труда и безопасности могут исчисляться миллионами долларов.
5.  Оцените, насколько разнообразен ваш персонал (по половому, этническому, культурному и т.п. признаку) и куда это может привести, анализируя прошлый опыт и ваши стратегические планы в этой области.
В чем ценность: Разработайте план действий по улучшению разнообразия персонала.
6.  Оцените текучесть персонала - когда она выше нормы? И хорошо это или плохо?
В чем ценность: Знайте, когда нужно начинать волноваться и разработайте план по удержанию персонала, либо закатите вечеринку по поводу увольнения неэффективных сотрудников!
7. Спрогнозируйте, кто из сотрудников может уйти на пенсию раньше. Этот пункт отличается от предыдущего примера, тк предпринятые вами действия будут другими.
В чем ценность: Разработка плана действий для передачи экспертных знаний до того, как сотрудник выйдет на пенсию.
8. Предскажите будущие потребности в персонале .
В чем ценность: Понимание того, что вам нужно и сколько это будет вам стоить. Повлияет ли это на размер прибыли?
9. Оцените, сколько вам могут стоить незапланированные неявки на работу (прогулы, больничные и т.п.).
В чем ценность: Знание стоимости незапланированных неявок на работу позволит вам создать план действий по их уменьшению. Неявка на работу = деньги.
10. Оцените эффект тренинговых программ.
В чем ценность: Понимание того, нужно ли продолжать тратить бюджет на существующие тренинговые программы, и способность оценить новые программы.
11. Проводите непрерывную оценку рисков в процессе планирования персонала - анализируйте комбинацию данных о прогнозе текучести и планирования преемственности должностей - преимущественно для руководящих и ключевых должностей.
В чем ценность: Фокус на меньшем, но наиболее критичном для бизнеса количестве должностей.
12. Определите характеристики высокопродуктивных сотрудников
В чем ценность: Поможет сократить текучесть на ключевых должностях. Текучесть = деньги. [Замечание автора: это характеристики с большой долей вероятности помогут выявить высокопродуктивных сотрудников, но их наличие не обязательно означает, что сотрудник высокопродуктивен, как и их отсутствие не означает, что сотрудник не может стать высокопродуктивным. В любом случае, проконсультируйтесь сперва со своим юридическим отделом :) ]
13. Организуйте совместную встречу с вашими финансистами и проанализируйте прибыль от ваших клиентов и/или продукции по принципу Парето (принцип 20/80). Какая часть вашего персонала имеет непосредственное отношение к 80% результата? А какая часть только к 20? А в отношении отрицательной рентабельности? Это мой персональный фаворит, и все это чистая математика!
В чем ценность: Определить связь между вашим персоналом и формированием прибыли.
До новых встреч,
Трэйси

Трэйси признана одной из 50 влиятельнейших HR аналитиков глобально. Специализируясь в аналитике и вне сферы HR, Трэйси помогла многим известным компаниям в США, Канаде, Великобритании и Европе составить и осуществить планы их стратегического развития.
Карьера Трэйси развивалась в сферах инженерного дела, системы снабжения и HR в различных отраслях промышленности. До того, как открыть свою собственную консалтинговую практику в 2013, Трэйси возглавляла стратегические проекты для головного офиса FedEx Express. Трэси является автором нескольких книг и часто выступает на конференциях, отраслевых и корпоративных мероприятиях.
__________________________________________________________
На этом все, читайте нас в фейсбуке и телеграмме

Как мы создавали проект по аналитике талантов (Talent Analytics) в Линкедин

Перевод статьи How we built Talent Analytics at LinkedIn. Перевод выполнила Наталья Христофорова, заместитель директора по персоналу , торговая сеть Diplomat, СПб (по ссылке - профиль в фейсбуке - это для потенциальных работодателей.Думаю, стоит оценить специалистов за их а) готовность развиваться, б) знание языка, в) вовлеченность, г) готовность отдавать другим).
Статья в рамках нашего проекта переводы статей по hr-аналитике на английском. Статья очень интересная тем, что писали ее практики - про то, как они внедряли свою систему.

Как мы создавали проект по аналитике талантов (Talent Analytics) в Линкедин

Недавно на ежегодной конференции Линкедин Объединяя Таланты (Talent Connect) у меня была возможность поделиться нашим опытом создания команды по аналитике талантов (a Talent Analytics team). Цель команды - помочь нашим лидерам принимать решения на основе имеющихся о талантах данных, которые позволят Линкедин достигать видение и миссию.
Учитывая то, что миссия Линкедин - объединять мир профессионалов для того что бы сделать его более продуктивным и успешным, становится очень важным сделать это для наших собственных сотрудников.

Мы начали проект по аналитике Талантов (the Talent Analytics team) 24 месяца назад, я присоединился к группе, в качестве руководителя шестью месяцами позже. Как известно всем, кто работает в сфере HR , начинать в аналитике талантов непросто. Сначала мы перевели несколько специалистов по аналитике из подбора (talent acquisition operations ), для того чтобы сформировать центр инноваций (a center of excellence ) в нашем подразделении бизнес операций и аналитики (business operations &analytics department). Два наших аналитика были абсолютно обескуражены запросами на отчеты. У нас не было возможности делать автоматизированные сводные отчёты (automated dashboards ) или продвинутую аналитику.

Мы пришли к выводу , что многие компании сталкиваются с аналогичными проблемами.
Наши данные показывют что на Линкедин зарегистрированы более чем 5000 компаний , в которых есть отдельные сотрудники занимающиеся аналитикой талантов. Более чем в 70% этих компаний - это всего лишь 1-2 человека.

Перепрыгивая по кривой зрелости (leapfrogging the maturity curve) 

HR данные - беспорядочны. Когда мы начали, запросов от бизнеса на операционные данные было больше, чем мы могли обработать. Каждый отчёт занимал больше времени чем ожидалось из- за очистки данных. Мы пришли к выводу, что неважно как много ресурсов мы вложим, с нашей текущей операционной моделью, мы никогда не продвинемся по кривой зрелости (the maturity curve). В итоге мы пришли к подходу, который внутри называем перепрыгивающий подход(leapfrog approach). Подход заключается в том, что мы не ждали завершения более чем 2 -х летнего путешествия по централизации наших данных перед тем как сфокусироваться на влиянии на бизнес.

Вместо этого мы предприняли ряд действий:

1. Управление запросами: минимизировали количество  специализированной (ad-hoc) и операционной отчетности 
2. Построение инфраструктуры постепенно увеличивающей возможности автоматизации сводных отчетов
3. Фокусировка на влияние: каждый аналитик посвящает 40% своего времени ответам на аналитические вопросы,  которые обращены к  определённым бизнес проблемам.

Наше распределение ресурсов выглядит следующим образом:

На протяжении нашего первого года, управление запросами на операционную отчетность было самой большой проблемой. Так или иначе, благодаря тому, что на нам удалось сделать некоторые открытия для бизнеса на основе фактических данных, спрос со стороны руководства на аналитическую работу вырос. Наш фокус на проблемы бизнеса позволил построить  доверительные отношения с бизнес лидерами. Переход от отчетности к аналитике требовал поддержки вышестоящего руководства,  начиная с Директора по персоналу (Chief Human Resources Officer) Pat Wadors, Вице президента по направлению привлечения талантов (VP of Talent Acquisition) Brendan Browne и остальной команды  HR - лидеров. Их участие позволило нам приоритизировать нашу работу и вкладываться в командные ресурсы.

В результате перепрыгивающей стратегии мы развиваемся  не линейно, а комбинируя ручные отчёты, автоматизированные сводные отчеты и прогнозирование.

Как мы работаем

Согласно нашим наблюдениям,  компании, как правило, распределяют отчётность, сводные отчеты и аналитику между разными командами. Уникальность нашей команды заключается в том, что каждый специалист  работает по всем трём направлениям.  Неважно кто вы, бизнес консультант в области управления, штатный психолог, или помешанный на данных, все в нашей команде учатся делать регрессионный анализ, создавать сводные отчеты, с помощью  онлайн-визуализаторов (Tableau  dashboard) и находить точки соприкосновения с бизнесом.

Несмотря на то, что такой подход иногда выводит людей из их зоны комфорта, он имеет ряд преимуществ, так как наши HR партнёры не всегда различают отчётность, сводные отчеты и аналитические запросы. Наличие единого контактного центра  позволяет нам определить, что необходимо сделать, что бы решить проблему бизнеса. Наш широкопрофильный подход требует от членов нашей команды быть гибкими и развивать навыки, которые они не могли представить, что им могут понадобиться. Видеть как команда развивается и помогать им быть успешными вдохновляет меня каждый день.

Создавать или  покупать 

Каждая команда по аналитике талантов должна принять важное  решение  касаемо того, где хранить данные,  создать собственную или покупать готовую программу.  Для того что бы достичь  нашего видения мы решили создать собственную базу  данных и работать с различными партнерами для визуализации и аналитики. 

Это решение было основано на необходимости объединения данных из нескольких HR и финансовых систем с внутренними данными, которыми мы бы не хотели  делиться с  внешними провайдерами. Как я уже говорил, наш подход требует огромных затрат времени от команды аналитиков. И даже на втором году существования проекта, качество данных все еще наш самый большой вызов и перспектива.

Что  нужно для того, что бы оказывать влияние?

Видение нашей команды - сделать талант конкурентным преимуществом для Линкедин. Мы целенаправленно выбрали подход,  который не предполагает фокусировку только на прогнозировании.  Во многих случаях описательные данные более эффективны для подготовки базы для принятия решений. Наше влияние не ограничивается аналитическими способностями, оно так же обусловлено нашим партнерством с HR в реализации конкретных мероприятий, которые влияют на бизнес решения и поведение.

Расскажите мне, когда вы повлияли на процесс принятия решений данными по аналитике талантов?

Нас часто об этом спрашивают. Это будет предметом наших следующих постов. В  тоже время… мы бы хотели  послушать наших коллег.  Как вы развивали ваши проекты по аналитике талантов? Как вы повлияли на принятие бизнес решений, какое влияние это оказало на бизнес?

Примечания

  1 в различных статьях по HR тематике как аналог термина используется подбор/привлечение, либо управление талантами. Определение из https://en.wikipedia.org/wiki/Acqui-hiring :

Acqui-hiring or Acq-hiring (a portmanteau of "acquisition" and "hiring") or a talent  acquisition, is the process of acquiring a company to recruit its employees, without necessarily showing an interest in its current products and services—or their continued operation. Процесс привлечения сотрудников к проектам, необязательно связанным с  существующими продуктами или сервисами и не предполагающий использование в долгосрочной перспективе.

 2 Центр передового опыта, Центр передовых знаний.

Определение, на мой взгляд, удачно передающее суть термина в данном контексте из https://en.wikipedia.org/wiki/Center_of_excellence:

A center of excellence (CoE) (It may also be known as a competency center or a capability center) is a team, a shared facility or an entity that provides leadership, best practices, research, support and/or training for a focus area. Within an organization, a center of excellence may refer to a group of people, a department or a shared facility. The term may also refer to a network of institutions collaborating with each other to pursue excellence in a particular area.

Учреждение  или структура, которое обеспечивает руководство, лучшие практики, исследования, поддержку и/или обучение по определенному направлению. В организации, данный термин можно применить к группе людей или подразделению. Этот термин может также относиться к сети учреждений, сотрудничающих друг с другом, с целью достижения выдающихся результатов  в конкретной области.

3 - Дашборды, сводки — это отчеты с набором  статистических данных, графиками и различными показателями, собранными в одном месте.

4 - инструмент для создания различных интерактивных графиков, карт и диаграмм и  публикации их в Интернете. Tableau поддерживает импорт из MS Excel, MS Access, текстовых форматов и серверных баз данных.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

9 терминов HR аналитики, которые необходимо знать

Очень важная статья, в которой описывается область знаний hr аналитики, которую нужно если не знать для применения, но хотя бы понимать с тем, чтобы общаться с аналитиком.
Это перевод статьи 9 HR Analytics terms you should know. Перевод выполнила студентка Высшей Школы Экономики Венская Диана.

9 терминов HR аналитики, которые необходимо знать

Когда мы говорим про аналитику HR данных, мы используем такие слова как машинное обучение, алгоритмы и интеллектуальный анализ данных. Однако, понимаем ли мы на самом деле значения этих слов? Честно говоря, когда я впервые их услышал, я не понимал… Этот блог расскажет о нескольких наиболее используемых терминах в HR аналитике данных.

1. Интеллектуальный анализ данных

Интеллектуальный анализ данных похож на процесс поиска золота. Золотоискатели просеивают кучу грязи и камней в надежде обнаружить хотя бы кусочек блестящего/сияющего золота. Интеллектуальный анализ данных - это процесс обнаружения каких-либо зависимостей в куче сырых необработанных данных и превращения их в ощутимую информацию, которая, в свою очередь, может использоваться для прогнозирования поведения в реальной жизни или реальных событий. Примечательно, что 99,5% всех данных в мире никогда даже не анализировались.

2. Машинное обучение

Машинное обучение – техника, которая, как правило, используется в процессе интеллектуального анализа данных. С помощью данной техники машина (компьютер) будет изучать ваши данные, анализируя их и распознавая закономерности. Это говорит о том, что машинное обучение можно рассматривать как форму искусственного интеллекта (ИИ), поскольку он обеспечивает компьютеры нужными инструменты, которые необходимы им для сбора и включения новой информации.

3. Дерево решений

Как я объяснял в предыдущем блоге, дерево решений - это модель, которая выглядит как дерево и состоит из решений и их возможных последствий. Это полезный инструмент для прогнозирования (ближайшего) будущего. Дерево решений позволяет предсказывать, что может произойти при изучении существующих данных. Это очень похоже на то, как каждый учится на основе своего прошлого опыта. В дереве решений каждое решение представляет собой толстую ветвь и каждый результат решения – тонкие ответвления.

В своем предыдущем блоге про прогнозирующую аналитику в HR я рассказывал о концепции дерева решений на примере: я попытался предсказать, будут ли дети играть на улице на основе четырнадцатидневного метеорологических прогнозах. Это дерево решений выглядело следующим образом:

Это дерево демонстрирует то, что дети, скорее всего, будут играть на открытом воздухе, когда прогноз говорит о солнечной погоде (да). Когда прогнозируется дождь, то дети вряд ли будут играть на отрытом воздухе (нет). Это дерево решений было создано с использованием Weka, бесплатного приложения для интеллектуального анализа данных, прогнозирующая точность которого равна 71%.

4. R

Многие HR специалисты часто используют Excel.  Однако, большинство специалистов из области прогнозирующей HR аналитики используют R. R, вероятно, самый популярный инструмент для аналитиков. R - (бесплатная) система с открытым исходным кодом для статистических вычислений и визуализации. Он также позволяет работать с массивными наборами данных, которые будут слишком объемными для их обработки в Excel.

5. Структурированные vs. неструктурированные данные  

Мы много говорим о данных. В данных есть два различия. Когда они аккуратно оформлены в электронной таблице или в базе данных, и это называется структурированными данными. Например, HR знает имена своих сотрудников, их возраст, где они живут, в каком отделе они работают, как они работают и т. д. Все эти данные структурированы: просмотрев на имя или идентификатор, можно легко найти информацию о человеке.

Противоположными являются неструктурированные данные. Отсутствие структуры требует определенного количества времени и энергии для приведения данных в порядок. Возьмем, например, электронные письма. Невозможно точно упорядочить электронную почту по теме или содержанию (следовательно, она не структурирована). Эти данные, прежде всего, должны быть структурированы перед тем, как их можно будет проанализировать.

6. Контролируемое vs. неконтролируемое обучение

В контролируемом машинном обучении подразумевается вывод выходных данных, что означает, что у компьютера есть данные, на основе которых он может обучаться. Например, если вы хотите предсказать возможность добровольного ухода, самый простой способ - позволить компьютеру обучаться на прошлом. В контролируемой модели компьютер анализирует данные людей, которые добровольно покинули компанию. Затем он сравнивает эти данные с людьми, которые в тот момент времени остались в компании. Эта информация сообщает компьютеру, кто покинул компанию, а кто – нет, и позволяет ей создать прогностическую модель сотрудников, которые могут уйти. Это пример контролируемого машинного обучения.

В неконтролируемом обучении нет вывода выходных данных. Система все еще может продолжать делать прогнозы на основе этих данных, группируя множество связанных данных. В следующем примере вы увидите, как работает контролируемая кластеризация.

7. Кластеризация

Кластеризация - это вид машинного обучения, который строит прогнозы путем кластеризации данных.

Кластеризация данных подразумевает под собой процесс, при котором компьютер ищет и рассматривает группы, которые имеют некоторое сходство. В следующем примере показаны 1000 аспектов данных, которые разделены на три кластера. Это пример, который наглядно дает представление о том, какие данные принадлежат к какому кластеру.

Машинное обучение позволяет оценивать различные кластеры. Кроме того, когда вводятся новые данные, алгоритм может предугадать, к какому кластеру они больше относится. Данные в правом нижнем углу скорее будут частью 1 кластера, а данные в правом верхнем углу скорее принадлежат 2 кластеру.

Конечно, это относительно простой пример. В реальности обычно все бывает немного сложнее.

8. Данные для обучения vs. тестовые данные

Когда у вас есть набор данных, вы можете построить алгоритм прогнозирования. Но как узнать, насколько точными являются полученные прогнозы? Чтобы это узнать, необходим второй набор данных. Это тестовый набор.

Обычно тестовые данные и данные для обучения создаются путем разделения одного полного набора данных (см. рисунок ниже). Первая часть этого набора – для процесса обучения. Эти данные будут использоваться для создания прогнозирующего алгоритма. Второй набор данных - это тестовые данные. Эти неизвестные данные будут использоваться после того, как алгоритм будет создан, для того, чтобы проверить, насколько точными являются прогнозы алгоритма.

Если эти два набора данных не разделяются, то проверять точность созданных моделей будет необходимо на тех же данных, которые были использованы для создания алгоритма в первую очередь. И это фундаментальная ошибка, которая может привести к тому, что называется «переобучением».

9. Переобучение

Не все модели прогнозирования пригодны.

Машинное обучение - комплексный метод, и он может обеспечить очень подробный анализ. Но именно из-за этого уровня детализации он подвергается риску «переобучения». Это означает, что любой может создать алгоритм, который способен предсказать свои данные с довольно идеальной точностью!

Возьмите пример с данными о 14-дневном метеорологическом прогнозе, который упоминался ранее.

На этом рисунке показано дерево решений, которое может предсказать, хотели ли дети играть на свежем воздухе в течение последних 14 дней со 100-процентной точностью. Эта модель явно очень детализирована, поскольку она адаптирована к нашему конкретному набору данных.

Сравните эту модель с моделью, приведенной ниже. Нижеприведенная модель проста и понятна. Когда ожидается солнечная погода, дети, вероятнее всего, будут на детской площадке. Когда прогноз дождливый, дети вряд ли выйдут на детскую площадку. Эта модель довольно проста и понятна с учетом имеющихся знаний.

Вышеупомянутая же модель нереально сложна. Мы рассматривали данные всех 14 дней (рядов) для построения этой модели. Однако, наша модель имеет 19 (!) возможных исходов событий. Это означает, что возможных исходов событий больше, чем изначально вкладывается в данные. Другими словами, эта модель слишком сложна.

Проблема переобучения заключается в том, полученная модель идеально «подходит» к данным, которые использовались для ее создания. Однако, на практике она по сути не применяется. Если добавить новые данные в эту модель, точность будет тотчас же снижена. Точность гораздо более простой модели, представленной ниже, скорее всего, останется неизменной.

Поэтому не поддавайтесь тому обману, когда люди говорят, что у них есть прогностическая модель, которая может создать очень точные прогнозы! Под «капотом» данная модель, вероятно, не имеет такой ценности.

9 понятий, которые рассмотрены в данной статье, очевидно, не охватывают все, что вам нужно знать касательно HR аналитики. Надеюсь, они помогут вам лучше понять, о чем говорят ваши аналитики или консультанты. Если вы знаете какие-либо аспекты, которые также должны быть в этом списке, не стесняйтесь добавлять их, публикуя комментарий.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

Успешная аналитика людей = данные + здравый смысл

Ниже - перевод статьи People analytics success = data + common sense. Статья - очередной анализ того, что было на конференции по HR аналитике в Лондоне 20-21 апреля. Среди имен - уже хорошо известный нам Алек Левенсон и другие) Перевод статьи выполнила студентка Высшей Школы Экономики Терскова Мария в рамках проекта переводы статей по hr-аналитике на английском.
Сложный термин - People analytics)))

Успешный аналитика людей = данные + здравый смысл

Успех в people analytics требует баланса между принятием решений, основанных на интуиции и на данных. Майкл Карти сообщает о прошедшей в прошлом месяце Всемирной конференции Tucana People Analytics в Лондоне. (прим.: people analytics -  это подход, основанных на управлении данными, чтобы управлять людьми на работе).
People analytics - это «50% холодной и жесткой статистики, и 50% здравого смысла». Это слова Росса, Сапркмана, руководителя планирования рабочей силы в Facebook, произнесенные на этой конференции. Ряд других ораторов затронули эту тему, утверждая, что эффективный анализ людей должен быть информирован как данными, так и интуицией.
Здравый смысл ведет к успеху в анализе людей
«Основная проблема, с которой сталкивается HR – это отсутствие релевантности, а не отсутствие данных», - говорит доктор Алек Левенсон из Центра эффективных организаций из Университета Южной Калифорнии.
Он считает, что цель HR – служить бизнесу. Поэтому стратегия управления персоналом должна вытекать из бизнес-стратегии. Приступая к человеческой аналитической деятельности, HR должен сосредоточиться на вопросах, которые важны для бизнеса и на том, как имеющиеся данные могут помочь ответить на эти вопросы.
«Суть в том, что мы не фокусируемся на вопросах, которые важны, и мы слишком много уделяем внимания данным, которые у нас есть», - добавляет Левенсон.
Здравый смысл – недостающий элемент в анализе людей, полагает Питер Хоуз, вице-президент по планированию и анализу рабочей силы в SAP SuccessFactors. По его словам, использование данных и аналитики HR часто не имеет «интеллектуальной строгости».
Самая большая проблема для использования анализа людей в планировании рабочей силы – это не сбор данных, а построение качественных навыков, необходимых для анализа, интерпретации и передачи данных. Он утверждает, что HR часто виноват в «простой публикации данных» таким образом, который оказывается «лишенным возможности рассказать историю».
Это означает, что HR часто переносит бремя понимания данных на аудиторию: «Мы публикуем данные и надеемся, что люди будут понимать, что это значит».

Рассказывание интересных историй с данными

Анализ людей может «заходить на мель», когда HR пытаются сообщить свои выводы и рекомендации другим отделам бизнеса.
«HR не знает как говорить о данных HR», - говорит Николь Норрис, руководитель отдела бизнес-операций и HR в компании Stepstone Pharma. «Не имея возможности говорить о финансовых результатах, они не могут продать бизнес-кейс».
Однако четкие и убедительные данные в сочетании с пониманием основ того, как рассказывать истории с данными, могут пройти долгий путь, говорит эксперт по рассказыванию данных Коул Нуссбаумер.
HR может добиться многого, избавившись от ненужных данных из своих отчетом и заявив, как они представлены. «Мы добавляем тонну когнитивного беспорядка без каких-либо дополнительных преимуществ», - говорит она. «Определите все, что будет похоже на работу для аудитории, и возьмите эту работу для себя, чтобы это было легко для аудитории».
HR не обязательно должен инвестировать в дорогостоящие инструменты для создания высококачественных отчетов. Эффективная публикация аналитических данных возможна с помощью таких инструментов как Excel и PowerPoint, в представлении Нуссбаумер: «Любой инструмент можно использовать хорошо или не очень хорошо».

Успешность аналитики людей на Facebook

Обеспечение того, чтобы решения о распределении ресурсов были одинаково информированы данными и интуицией, имеет решающее значение для стратегического планирования рабочей силы в Facebook, что в свою очередь является критическим для продолжающегося успеха в социальных медиа.
Facebook переживает устойчивый период высокого роста, при этом организация удваивает размер каждые один-два года из последних пяти. Это вывело планирование рабочей силы к вершине (топу) в области HR.
В Facebook «идея успешного планирования не существовала три года назад», - говорит Спаркман. По его словам, в настоящее время это стратегический приоритет, «даже если Марк Цукерберг планирует быть там всегда».
Подход, основанный на данных Facebook, для планирования рабочей силы, направлен на то, чтобы ответить на один простой вопрос: «кто управляет оценкой?». Команда Спаркмана допрашивает и передает данные о людях, производительности и эффективности, чтобы определить «какие роли могут заставить бизнес прекратить зарабатывать деньги, если они перестали появляться».
Они используют свои выводы для информирования стратегий найма и удержания Facebook, устанавливая текущие уровни спроса для критических ролей и прогнозируя, как они могут измениться в ближайшие годы.
Однако Сапркман предупреждает, что «прогнозы не являются совершенными, они только полезны». Скорость роста и изменений в Facebook означает, что стратегическое планирование рабочей силы нужно пересматривать «ежемесячно, ежеквартально», - говорит он. «Это динамично. Это делается на скорости, с которой рынок меняется».
Команда HR также должна постоянно поддерживать связь с финансовыми и другими отделами, чтобы гарантировать, что ее измерение всегда имеет наибольшее значение для бизнеса. Человеческая интуиция и способность анализировать и интерпретировать данные, также важны, как и сами данные.

Скоро: Facebook-университеты?

Заглядывая вперед, Спаркмен говорит, что наибольший риск для Facebook, Google и других цифровых гигантов – это все более ограниченное предложение инженеров-программистов. Он говорит, что в настоящее время существует 6%-ный глобальный дефицит инженеров-программистов, которые к 2020 году прогнозируют рост примерно до 20%. Таким образом, пакеты зарплат и акций для этих ролей стремительно растут. «До тех пор, пока не перейдут на машинное обучение и искусственный интеллект, разработчики программного обеспечения будут новыми звездами», - говорит Спаркман.
Спаркман предлагает радикальное решение для нехватки навыков инженеров в области программного обеспечения Facebook: «Мы должны будем развивать собственные таланты». Он говорит, что в течение следующих трех-пяти лет организация может запустить «Facebook-университеты», разбросанные по трем локациям в США, Европе и Азии, для обеспечения притока кандидатов с критическими навыками.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

Оценка эффективности тренинга с использованием HR аналитики. Пример

Очень сложная тема - оценка эффективности тренингов. Читайте перевод статьи Evaluating Training Effectiveness Using HR Analytics: An Example, выполненный студенткой Высшей Школы Экономики Субботиной Варварой в рамках нашего проекта переводы статей по hr-аналитике на английском . Автор статьи Jared Valdron is an organizational psychology researcher and people analytics consultant who specializes in training effectiveness evaluation, performance

Оценка эффективности тренинга с использованием HR аналитики. Пример

Проведение оценки эффективности обучения в сфере HR, основанной на анализе данных, довольно часто остается недооцененным. В представленной статье описываются различные способы оценки эффективности обучения. Некоторые из этих способов не были оправданы, в статье также указываются способы их улучшения при использовании программы по снижению неосознаваемых предубеждений. (unconscious bias training programs).
За последние несколько лет значительное количество организаций признали проблему предвзятого отношения при оценке эффективности. Другими словами, это неосознаваемые предубеждения против определенных групп, которые влияют на наше поведение и оценку, что нередко приводит к дискриминации на рабочем месте. В большинстве случаев, подобная дискриминация касается женщин и этнических меньшинств. В связи с этим, многие компании вводят учебные программы, направленные на уменьшение негативных последствий такого рода бессознательных предубеждений.
Особую популярность такие программы получили в сфере IT индустрии. Одними из первых подобные программы ввели такие компании, как Google и Facebook. Однако, несмотря на прекрасно проделанную работу и значительный прогресс остается нерешенным следующий вопрос: «Как организации могут быть действительно эффективны в снижении негативных последствий неосознаваемых предубеждений?»
Организации, которые уже протестировали проведение подобной программы, сообщают о положительных результатах, выражающихся в повышении общей осведомленности и позитивной реакции участников. Другими словами, они сообщают, что участникам:
А) Программа понравилась
Б) Они узнали что-то новое
Несмотря на ценность предоставленной информации, эти сведения не передают в полной мере эффективность этих программ,  то есть нет результата, подтверждающего снижение негативных последствий. Однако подтверждается, что это не столько является проблемой программ по снижению предубеждений, сколько оценкой эффективности обучения в целом. Подобные программы unconscious bias training являются лишь наглядным примером.
Как профессионалы в сфере HR-аналитики, мы всегда должны следить за тем, чтобы данные, которые мы собираем, соответствовали запросу, ответ на который мы ищем. Сбор данных о реакциях и осведомленности сотрудников является удобным способом исследования. Для улучшения наших учебных программ нам необходимо расширить наши данные для отчета.
Я мог бы лично выйти в онлайн-клуб Мерлина и, таким образом, пройти обучение и
стать волшебником. Я смог бы:
А)наслаждаться обучением
Б)изучать магические заклинания
Однако, означает ли это, то что я смогу заклинать, чтобы заставить себя потом летать? К сожалению, ответ отрицательный.
Модель Киркпатрика (Kirkpatrick model), представленная ниже, выделяет два дополнительных, очень важных критерия для оценки эффективности обучения, которые многие организации пропускают:

Критерии оценки эффективности обучения, которые были описаны ранее, относятся к уровням 1 (Реакция) и  2 (Обучение). Реакция означает степень нахождения слушателями  программы приятной и актуальной, тогда как обучение описывает степень, в которой обучаемые получают знания, отношения и приверженность на основе обучения. Что же можно сказать насчет уровней 3 (Поведение) и 4 (Результаты)?

Поведение относится к тому, какое количество стажеров фактически меняет свое поведение на основе того, что они узнали, когда пришли на работу. В бессознательном контексте соответствующее поведение может быть приостановлено, чтобы понять, может ли снижение предубеждения играть роль при принятии решения. Хотя  сбор данных на уровнях 1 и 2  действительно сложнее, это все таки возможно. Вы могли бы:

А) представить слушателей с соответствующим  поведением и спросить, как часто они делали проявляли его на прошлой неделе

Б) включить соответствующие виды поведения в оценки эффективности

Результаты относятся к степени, в которой конкретные результаты происходят в результате обучения. В бессознательной (неосознаваемой) программе обучения, предвзятости это то, что мы искали все это время: снижение неосознаваемого предубеждения. Хотя трудно установить, что данный результат произошел из-за непосредственного обучения, существует вероятность, что данные, которые уже собраны, могли бы указывать результаты в правильном направлении. Например, вы можете посмотреть:

А) различия в числе жалоб, связанных с дискриминацией

Б) производительность труда различных сотрудников

Включив эти два дополнительных критерия, вы можете получить гораздо лучшее представление об эффективности своих учебных программ. На данный момент возникает еще один не маловажный вопрос: кого вы необходимо сравнивать с участниками тренинга, чтобы найти эти различия? Возникают две стратегии действий:

А) сравнение результатов сотрудников, которые приняли программу с теми, кто этого не сделал

Б) сравнение результатов сотрудников перед проведением программы и после

Основная проблема стратегии (А) заключается в том, что даже до прохождения программы сотрудники, которые решают принимать в ней участие  могут принципиально отличаться от тех, кто этого не делает. Например, участники могут быть более мотивированы, чтобы уменьшить их предвзятое отношение, чем не-участники, и могут уже вести себя таким образом, чтобы они соответствовали различным индивидуальностям.

Стратегия (Б) рассматривает проблему в (А) в том, что участники сравниваются с самими собой, устраняя влияние отдельных различий. У этой стратегии есть своя проблема, однако для того, чтобы  что-то помимо программы могло произойти между до и после программных мер, которые изменяют результат, но совершенно не связаны с программой. 

Например, в середине программы генеральный директор может отправить электронное письмо с подтверждением важности уважения к различным людям, что приведет к повышению осведомленности сотрудников о таких проблемах, которые совершенно не связаны с программой.

Хотя и (А), и (Б) имеют свои собственные недостатки, они могут покрывать ограничения друг друга. Если вы сравниваете сотрудников, которые участвуют в программе как перед собой, так и перед теми, кто не прошел обучение, вы можете получить ответы, которые вы ищете, с большей уверенностью! Еще одна рекомендация - собрать те же данные об оценке эффективности обучения через несколько месяцев после окончания обучения в качестве последующей меры. Это происходит, потому что иногда эффекты обучения ухудшаются со временем, и важно узнавать, сохраняются они или нет.

В заключение, я не хочу приуменьшить работу, выполненную такими организациями, как Google и Facebook, или создать впечатление, что вы всегда должны проводить оценку обучения на всех четырех уровнях, до и после, и по сравнению с другой группой. Я понимаю, что HR-аналитики-специалисты ограничены в их время, ресурсах и доступе к данным.

Вместо этого, я просто хочу бросить вам вызов, чтобы найти всего несколько элементов, которые я упомянул выше, которые вы, возможно, включите в свою оценку эффективности. Делая наши оценки более четкими, мы можем улучшить наше бессознательное предубеждение по поводу учебных программ и уменьшить влияние этих погрешностей на нашу работу. Мы все здесь в одной команде, так что давайте и дальше развивать наши обучающие программы и друг друга!

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

Как HR аналитика улучшает продуктивность и прибыльность

И снова переводы статей по hr-аналитике на английском. Студент Высшей Школы Экономики Сощик Иван выполнил перевод статьи How HR Analytics Boost Productivity and Profitability. Автор статьи: RJ Hacks is a veteran HR professional with more than 8 years of experience mainly in organizational development. She is now exploring the various facets of Analytics so

Как HR аналитика улучшает продуктивность и прибыльность

Аналитика в сфере управления персоналом становится быстро набирающей рост тенденцией в мире корпораций благодаря ее глубокому анализу, который обеспечивает основу для разработки решений по различным вопросам. Согласно докладу компании «Modern Distribution Management», лидеры компаний полагаются на аналитику, чтобы получить более «полезную информацию и данные».

Если вы ищете способы использования HR-аналитики в своей компании, обязательно ознакомьтесь с нашей предыдущей публикацией под названием «Внедрение HR-аналитики: шаг за шагом». Известно, что две из наиболее часто возникающих проблем в корпоративной сфере - производительность сотрудников и прибыльность компании.

Есть много людей, которые считают, что истинная сущность компании - ее сотрудники. Но все люди разные, и бывают случаи, когда определенные факторы влияют на производительность сотрудника. Эти факторы варьируются от внутренних до внешних.

Кроме того, производительность сотрудников прямо пропорциональна прибыльности компании, поэтому, когда что-то из этого страдает, другое также несёт потери. Таким образом, аналитика, которая будет обсуждаться ниже, может применяться к обеим сферам.

Применение HR-аналитики.

В статье Forbes были рассмотрены восемь подмножеств HR аналитики, которые имеют критическое значение для каждой компании. В общем, они образуют группу из шести пунктов: способности, компетентность, мощность, отток, культуру и направление. Остальные два - лидерство и представление.

Способности определяются как все навыки работника, включая нетехнические навыки, такие как поддержание сильных рабочих отношений. После того, как вы хорошо понимаете возможности каждого сотрудника, вы сможете выявить их потенциал, который затем приведет к повышению производительности.

Компетентность в данном случае относится к компании. Основные компетенции организации могут иметь недостатки, которые затем преводят к снижению прибыли. Для лучшего понимания рассмотрите пример, SAB Miller. Хотя он недавно был объединен с Anheuser-Busch InBev, самой крупной в мире пивоваренной компанией в мире, SAB Miller были второй ведущей пивоварней во всем мире до поглощения.

Среди основных компетенций этой компании - стандарты качества (QS). При использовании аналитики компетентности было обнаружено, что значительная часть проблем связана не с формулой(рецептом) и обработкой продуктов. Благодаря аналитике компания расширила сферу своего сбора данных для одной из своих основных компетенций. Вскоре после этого были произведены изменения - компания разработала надлежащие программы трудоустройства для обеспечения высокого класса своих пивоваренных заводов во всем мире.

Мощность относится к эффективности работы сотрудников. Проще говоря, более высокая эффективность за меньшее время.

Отток или отток персонала, зафиксированный на уровне компании. Высокая текучесть кадров может негативно сказаться на бизнесе.

Google - известная фирма, которая делает упор на этот раздел аналитики. После каждого интервью, как внутреннего, так и при оценке кадров, компания оценивает, как интервьюера, так и собеседника. Эта информация используется для создания новых способов проведения интервью, поскольку оно заключается в том, что у человека узнают его обязанности, карьерный рост и окончание работы (интервью для приёма на работу/ интервью с представлением / интервью при уходе). Компания придумывает способы привлечения лучших кандидатов и того, как сохранить сотрудников, которые уже считаются активами для компании.

Культура, а точнее, корпоративная культура, является примером внешнего фактора. Через аналитику вы можете оценить, какая часть культуры компании должна быть сохранена, изменена или отменена.

Направление - это поиск лучших средств для поиска талантов. Собирая команду с талантами, которые дополняют друг друга, общая производительность повышается.

Что касается аналитики лидерства, существуют различные способы сбора данных. Одним из хороших способов является проведение проверок, позволяющих вашим сотрудникам выражать свою личность без необходимости соотносить её со своей идентичностью. Сообщение о Menlo Coaching от Алисы ван Хартен, озаглавленное «Решение вопросов лидерства в вашем приложении MBA» или «Как вы это сделали?» Вы работаете с людьми, которые не были членами вашей команды? «Такие вопросы дадут вам ценную информацию о том, как развиваться. Эффективные лидеры делают компанию преуспевающей, процветающей и, следовательно, прибыльной.

Последнее, но не менее важное - представление. Обратная связь важна, чтобы дать каждому сотруднику взгляд на то, как он / она что-либо делает. Что еще более важно, данные, которые вы получаете благодаря аналитике представления, позволяют оценить, какие тренинги или инструменты необходимы вашей рабочей силе для их максимального использования.
__________________________________________________________
На этом все, читайте нас в фейсбуке и телеграмме

21 Метрика эффективности сотрудников

И снова переводы статей по hr-аналитике на английском. Студент Высшей Школы Экономики выполнил перевод статьи 21 Employee Performance Metrics. Важная статья для тех, кто определяется с измерением эффективности и оцифровывает эту эффективность. Егору досталось одному очень большая статья:)

21 Метрика эффективности сотрудников 

Метрики эффективности сотрудников являются ключом к отслеживанию динамики их продуктивности. Выбрать правильные – довольно непростое дело. Однако, в случае, когда это было сделано правильно – это приносит пользу не только организации, но и сотруднику. Мы составили список самых важных и распространенных, и включили практические кейсы, иллюстрирующие возможности применения каждой из метрик.
В целом, мы можем выделить 4 основных категории метрик

1. Качественные производственные метрики
2. Количественные производственные метрики
3. Метрики производственной эффективности
4. Метрики организационной производительности

Качество работы – метрики производительности сотрудника 

Качественные метрики могут помочь в качественной оценке производительности сотрудника. Самая известная метрика – субъективное оценивание непосредственным начальником.

1. Целевое управление 

Один из способов структурировать субъективную оценку менеджеров – использовать целевое управление. Это такая модель, направленная на увеличение продуктивности организации при помощи ретрансляции общих бизнес-целей на личный уровень, в виде личных KPI. Чаще всего цели приобретают такую форму, которая была установлена менеджером и сотрудником совместно.

Сотрудник выстраивает свою деятельности в направлении таких целей и затем докладывает начальству относительно достигнутых результатов.
Цели также могут быть заданы при помощи определенных единиц (количество очков). Успешное достижение поставленных целей награждается. В свою очередь менеджеру такой подход позволит сделать цели более материалистичными и оценивать продуктивность с опорой на статистические данные.

2. Субъективная оценка менеджера 

В подавляющем большинстве компаний производительность измеряется несколько раз за год. Сотрудники оцениваются по нескольким критериям, качество из работы – самый распространенный из них.

Адаптация этой схемы названа 9-и клеточной сеткой. В основе такой логики лежит 3х3 таблица, где по одной оси – производительность, а по 2-й – потенциал. Сотрудники с высокой производительностью, но низким потенциалом – идеальны для их текущей позиции.

Сотрудники, (в верхнем правом углу) – те, кто одновременно имеет высокий показатель по шкале производительности и потенциалу, чаще всего очень быстро движутся по карьерной лестнице и приносят ценности больше, чем требуется на их позиции.

Такая модель позволяет легко оценить настоящую и будущую ценность сотрудников, и является полезным инструментом в целеоринтированном менеджменте.

3. Дефекты готового продукта 

Очень сложно оценить качество готовой продукции объективно. Такой подход часто можно встретить в реальном секторе, производстве, где рассчитывают количество дефектов продукта. Дефект, или некорректно произведенный товар является своего рода идентификатором низкого качества работы, и должны удерживаться на относительно низком уровне.

Несмотря на то, что усиленная стандартизация производственных процессов сделала эту метрику почти бесполезной, подход к измерению производительности сотрудников может быть применен к другим областям.

4. Количество ошибок

Количество ошибок при “вводе” может служить альтернативой ранее упомянутым дефектам продукта. То же самое касается количества исправлений в письменной работе или количества багов в программном коде. Особенно в компьютерном программировании одна ошибка способна остановить работу всей программы. Это может существенно повлиять на бизнес, особенно для компаний, которые выпускают еженедельные или ежемесячные версии программного обеспечения.

Краткость кода - еще один важный фактор качества. Если десять строк кода могут производить такой же вычислительный результат, как 100 строк кода, первый показатель является лучшим качеством.

5. Чистая оценка промоутера 

Показатель Net Promoter score (NPS) может выступать в качестве индикатора эффективности работы сотрудника. NPS - это число (обычно от 1 до 10), которое показывает готовность клиента рекомендовать услугу компании другим потенциальным клиентам. Клиенты, набравшие 9 или 10 баллов, с большой вероятностью будут удовлетворены и выступят в качестве промоутеров для компании. Этот показатель регулярно используется для оценки работников продаж.  Например, при продаже автомобилей, он включен в окончательную форму, которую должны подписывать клиенты. 

Преимуществом NPS является его простота. Недостатком является то, что сотрудники нередко дают клиенту указание выставить определенный рейтинг (т.е. 9 или 10).

6. Метод 360 градусов

Метод 360 градусов - еще один инструмент для измерения производительности сотрудников. Чтобы оценить сотрудника, его подчиненным, клиентам и менеджерам нужно предоставить отзывы о нем по конкретным темам. Эта обратная связь часто представляет собой точный и многогранный взгляд на производительность, уровень навыков и точки роста.

7. Метод 180 градусов 

Метод 180 градусов - это более простая версия метода 360 градусов. В методе 180-и градусов только сотрудники и управляющие, напрямую взаимодействующие с субъектом предоставляют обратную связь. Именно поэтому система часто используется рабочими, которые не управляют людьми и/или не имеют прямого контакта с клиентом.

8. Принудительное ранжирование

Принудительное ранжирование (также называемое ”кривой жизни”) - это способ ранжирования сотрудников, когда менеджеров просят ранжировать подчиненных от лучшего к худшему. Таким образом, все сотрудники фирмы сравниваются друг с другом и затем производится оценка их эффективности. Каждое ранжирование нацелено на улучшение производительности. Нижние 10% рейтинга могут быть уволены и заменены топ-претендентами из рынка труда, что, как утверждается, приводит к значительному улучшению продуктивности.

Тем не менее, было много критики к такому подходу, который называли «ранги и янки», и большинство компаний прекратили практику, в том числе General Electric, чей тогдашний генеральный директор Джек Уэлч такой подход популяризовал.

Количественные показатели – метрики производительности сотрудников 

Поскольку количество проще измерять, чем качество, существует множество способов расчета показателя производительности сотрудников.

9. Количество продаж

Количество продаж - это особенно простой способ определить производительность сотрудника отдела продаж. Особенно это работает в случае с «простыми продажами». Это означает, что, например, организованные уличные продавцы управляют только количеством продаж, потому что, когда им дают достаточное количество времени, люди с наилучшими навыками будут продавать больше товара в час в одной и той же локации. Это пример показателя “выходного” результата.

Однако, когда продажи более сложны (т.е. более длительный цикл продаж), метрика количества продаж становится менее надежной, поскольку продажи происходят реже, и случайность или удача будут играть значительную роль в успешном результате. Сложные циклы продаж, такие как продажа программных решений (которые могут иметь цикл продаж до 1,5 лет), лучше всего оцениваются по другим показателям. Это так называемые процессуальные метрики, поскольку они представляют собой действия, которые нужно сделать, чтобы повысить вероятность успешной продажи. Например, человек, который звонит большему количеству клиентов, в конечном итоге получает наивысший шанс совершить успешную продажу. В этом случае количество телефонных звонков будет более надежным показателем долгосрочного успеха продаж. Такие показатели производительности сотрудников чаще всего включают 10. количество (потенциальных) контактов с клиентом, которое он имеет, 11. количество телефонных звонков, которое он совершает, 12. количество посещений компании, 13. количество активных лидов

и т. д.

14. Количество произведенных единиц

Различные отрасли промышленности имеют разные способы выражения своего количественного результата. В традиционном производстве количество произведенных единиц часто являлось подходящей количественной метрикой. В современных (сервисных) организациях все еще используются аналогичные показатели. Например, Bloomberg отслеживает количество символов, которые их 2400 журналистов печатают на клавиатуре за минуту.

Другой способ измерения количественного производства - отслеживать количество строк кода, которые пишут программисты (например, проверить этот вопрос / обсуждение Quora на «сколько строк кода пишут профессиональные программисты в час?»).

Есть некоторые очевидные недостатки в использовании чистой количественной метрики производительности. Как и в предыдущем примере, только тогда, когда производимый продукт очень и очень прост, следует использовать такую метрику. Примером может служить количество кубиков Рубика, которое можно решить за час, так как опытные “решатели” кубика Рубика могут решить более ста в час.

15. Время обработки, решение проблемы с первого вызова, качество контактов и
т. д.

Мы могли бы написать целую статью о метриках колл-центра. Центры обработки вызовов являются одними из наиболее часто встречающихся мест, где необходима оценка производительности сотрудников. Метрики, как среднее время обработки, среднее время, в течение которого клиент находится на телефоне, в том числе, когда они находятся на удержании, решение проблемы с первого вызова, которое представляет собой количество вызывающих абонентов, проблема которых разрешена при первом вызове, качество контакта, рейтинг, который клиент может выставить после звонка, который является мерой количества отвеченных звонков за определенное время (например, на 90% ответов на вызов в течение 25 секунд). Вы можете увидеть все метрики для колл- центра в этом блоге. 

Метрики эффективности

Сложность как качественных, так и количественных показателей производительности сотрудников заключается в том, что они не говорят о себе. Когда программист пишет 40 строк кода в час, он производит много кода, но это ничего не говорит о качестве кода.

Всегда должно быть равновесие между количеством и качеством. Действительно, лучшие сотрудники производят высококачественную производительность.

Этот баланс мы называем 16. Эффективность работы, поскольку она консолидирует ресурсы (например, время и деньги: количество), необходимые для получения определенного результата (качества). Трудно достичь этого баланса, и это является одной из причин, по которым многие компании борются с рейтингованием сотрудников и с самой практикой обзора производительности. По этой причине такие компании, как Deloitte, GE и Adobe, отказались от анализа производительности вообще.

Организационный уровень оценки производительности сотрудников

Организации могут также использовать показатели производительности сотрудников для оценки собственной конкурентоспособности.

17. Доход на 1 сотрудника

Доход за полный рабочий день = Общий доход / полный рабочий день

Эта функция вычисляет доход за FTE (полный рабочий день). Такая метрика дает общую оценку того, сколько человек приносит прибыли. Низкий доход и большое количество сотрудников дают более низкий рейтинг, чем сочетание высоких доходов и меньшего количества сотрудников. Этот показатель также может использоваться для тестирования компаний. Знаменитый пример - это следующий инфографик на Expert Market:

В своей книге «Экспоненциальные организации» Салим Исмаил часто ссылается на эту метрику. По его словам, линейные организации имеют линейную функцию между сотрудниками и прибылью, в то время как экспоненциальные организации имеют экспоненциальную функцию между сотрудниками и прибылью. Это одна из причин, почему эти организации растут намного быстрее.

18. Прибыль за FTE

Прибыль за FTE = Общая прибыль / FTE

Прибыль за FTE аналогична показателю предыдущей (11), но фокусируется на прибыли вместо дохода. Прибыль компании - ее общая выручка за вычетом расходов. Высокая прибыль на одного сотрудника является солидной метрикой финансовой чистоты организации.

19. Коэффициент возврата инвестиций в человеческий капитал

ROI человеческого капитала - это метрика, которая оценивает ценность человеческого капитала (т. е. Знания, привычки, социальные и личные качества). При помощи расчета выручки компании (за вычетом операционных расходов, компенсации и стоимости пособия) и последующем делении этого числа на общую компенсационную и льготную стоимость, которую компания платит своим сотрудникам, вы можете вычислить рентабельность человеческого капитала.

Этот подход популяризируется Jac Fitz-enz в его книге «ROI Human Capital». Однако его подход к измерению человеческого капитала далек от надежного и подвержен серьезным изменениям (мы в analyticsinhr.com изучили его книгу и попытались рассчитать показатели ROI для ряда крупных компаний в Нидерландах. Результаты оказались разочаровывающими, поскольку метрики не учитывают важные факторы, такие как увольнения, побочные издержки и другие непредсказуемые события).

20. Процент абсентеизма

Абсентеизм и производительность - это две сильно коррелирующие конструкции. По словам Гэллапа, высокомотивированные и занятые сотрудники меньше болеют (на 37% меньше по мнению Gallup). Кроме того, отсутствующие сотрудники менее продуктивны, а высокий уровень отсутствия по болезни во всей организации является ключевым показателем низкой эффективности работы организации.

21. Сверхурочная работа на одного сотрудника

Сверхурочная работа за FTE = Общее количество часов сверхурочной работы / FTE

Средняя сверхурочная работа за FTE - это итоговые показатели производительности сотрудников. Сотрудники, которые готовы приложить дополнительные усилия, обычно более мотивированы и продуктивны (с точки зрения количества работ).

Заключение

Невозможно зафиксировать продуктивность (читай эффективность) в одном показателе производительности одного сотрудника. В этой статье содержится исчерпывающий обзор, но нет ни одной глобальной метрики, главенствующей над остальными. Почему? Потому что она еще не существует. Лучшие метрики объединяют качественные и количественные показатели. Большинство компаний пытаются практиковать такой подход, обращаясь к менеджерам и коллегам с просьбой проанализировать эффективность людей в рамках метода обратной связи на 180 или 360 градусов.

И я думаю, что это путь. Лучшая метрика – это многогранное сочетание различных качественных и количественных показателей эффективности сотрудников, выполняемых несколькими людьми.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме