Тренды и тенденции материальной мотивации HR 2007-2017

Спасибо Ивану Зайцеву, который фактически со автор поста и своей гипотезой поднял целый пласт проблемы.
Я назвал пост пафосно, хотя речь в нем пойдет лишь об одном небольшом аспекте. В посте Зарплатные ожидания как метрики рынка труда я показал две тенденции.

Диаграмма 1 Динамика белых и серых зарплат HR по годам

По оси X - годы,
Y - вариант ответа на вопрос "Какая форма оплаты была (есть) в компании";
в ячейках - % от суммы по колонке, т.е. по году.
В этом смысле самые плохие годы для HR были 2015-2016. 40 % говорят о том, что в компании платят "серую" зарплат" (ВАЖНО: год это не год заполнения опросника, а год трудоустройства, 42 % трудоустроившихся в 2015 году указали, что зарплату им положили "серую").
В 2017 году тьфу тьфу ситуация стала выправляться.
А вот кризис 2008 года не спровоцировал рост серых зарплат.

Диаграмма 2 Отличались ли договорённости по зарплате на собеседовании при приеме на работу и при первой выплате

Формулировка вопроса вынесена в название диаграммы. Последовательно растет % HR, которые указывают, что на собеседовании им указывают меньшую зарплату, чем по факту потом платили.

Гипотеза

40 кейсов People Analytics. Часть 4

Перевод статьи 40 People Analytics Case Studies - Part 4 David Green. Это как бы последняя статья цикла автора, но я подозреваю, что этот цикл станет бесконечным, ибо Давиду Грину надо же как то себя продвигать.
Перевод всего цикла статей выполнил Anthony Korolev (ссылка на профиль в фб). Сайт LEARNOLOGY.RU. И это реально крутой проект, крутая работа. Для меня подобная работа показатель того, что специалист готов вкладываться и выкладываться. Anthony специализируется на трех вещах:

1. разработка и реализация стратегий роста, 
2. операционная эффективность бизнеса, 
3. развитие талантов и руководителей. 

Последний год работает над программой развития преемничества в связи с чем пришел к психометрике и аналитике как средстве повысить организационную эффективность и бизнес-результаты. Первые части:

1. Часть первая;
2. Часть вторая;
3. Часть третья. 

Итак

40 кейсов People Analytics. Часть 4

В предыдущих трех частях этой статьи я собрал 30 кейсов по HR-аналитике из целого ряда организаций из разных индустриальных секторов. Еще 10 кейсов вы увидите ниже. В сумме, надеюсь, они станут источником некоторого вдохновения и обучения для тех, кто собирается отправиться в собственное путешествие в эту расцветающую область HR.

Больше кейсов, пожалуйста!

Из разговоров с практиками я знаю, что они жаждут историй и возможности учиться у других, поэтому, пожалуйста, рассказывайте мне о других кейсах, которые я смогу осветить в следующих статьях, подобных этой.

ADIDAS

Одна из наиболее вдохновляющих бесед, которая была у меня недавно, проходила со Стефаном Херлом, Старшим Менеджером по HR-аналитике в Adidas. Мы обсуждали будущее управления «опытом сотрудников» (перевод термина “employee experience”) и HR-аналитики и то, насколько это важно для новой HR-стратегии в Adidas. Часть этой дискуссии фигурирует в этом прекрасном интервью со Стефаном на портале Inside HR. Статья описывает три ключевых столпа стратегии Adidas в HR-аналитике: 1) равнение на бизнес для определения, что считать успехом, 2) использование данных и выводов на их основе для улучшения опыта сотрудников, и 3) более широкая поддержка принятия стратегических решений. Я бы также порекомендовал прочесть данную статью со Стефаном в сочетание с подкастом о Работе Будущего с участием Карен Паркин, CHRO в Adidas, и Якобом Морганом. Вместе они демонстрируют прекрасное совпадение целей бизнеса, HR и стратегии HR-аналитики.

Источник: Подкаст «Работа будущего» с Карен Паркин и Якобом Морганом.

MICROSOFT

Соседство с лучшими сотрудниками может увеличить производительность

Перевод статьи Sitting Near a High-Performer Can Make You Better at Your Job в рамках нашего  проекта переводы статей по hr-аналитике на английском.
Статья интересная, провокативная, но вызывает возражения и вопросы. Сложно спорить, потому что внутреннюю механику исследований раскрыли скупо, но все-таки поставил в перевод: уверен, что статья вызовет интересе.
Перевод выполнила Багинская Александра (ссылка на профиль в Линкедине), HR Analyst, которая верит в математику и логику во всем и получает удовольствие от результатов хорошего анализа, который подкрепляет первое «кажется» или (еще лучше!) опровергает его. Александра работает в компании Greif с локацией в Голландии, но сама  родом из Украины. Это уже второй перевод Александры, см. также Удержать или отпустить? Данные, на которые следует корректно реагировать, когда сотрудник увольняется. Рекомендую Александру, как очень ответственно и надежного спеца.
Итак,

Соседство с лучшими сотрудниками может увеличить производительность

Ваш стол стоит рядом с рабочим местом высокоэффективного коллеги? Это может хорошо сказаться на вашей эффективности… или поставить вашу работу под угрозу.
Основано на исследованиях Michael Housman и Dylan Minor.

Наши соседи по рабочему месту в буквальном смысле влияют на наш рабочий день. Они могут создать прекрасное настроение, равно как и довести нас до каления.
Более того, они могу влиять на то, как мы выполняем свою работу.
Исследователи изучили 8-метровую зону вокруг высокоэффективных сотрудников в большой технологической фирме и обнаружили, что они позитивно повлияли на окружающих их коллег, что отразилось в увеличении их производительности не 15%. Согласно новому исследованию Dylan Minor, доцента Kellogg School of Management, эта «позитивную заразность» добавила к годовому доходу $1 миллион.
Обратная сторона медали, к сожалению, в том, что «тухлые яйца» так же имеют влияние на соседей по офису. «Негативная заразность» от так называемых токсичных сотрудников имеет финансовый эффект, порой, вдвое больше того, что производит позитивная. При этом несмотря на быстрое распространение токсичности в коллективе, она почти мгновенно выветривается, как только «очаг» уволен или физически отдален от компании.
Это означает, что у компаний есть очень дешевый способ потенциально увеличить продуктивность, - перестановка в офисе! Устроить ротацию столов в офисе намного дешевле обучения и рекрутинга, утверждает Minor. В эпоху экспериментов с опен-спейсами и другими нетрадиционными решениями рабочих мест ставки повышаются. Исследования Minorпредоставляет практические заметки для лидеров относительно размещения коллектива. Он указывает, что компании осознают значение управления пространством и начинают задумываться о его применении.

«Заразность»

И снова про компетентностный подход

Мое отношение к компетентностному подходу давно определено: я этот подход похоронил как ненаучный. Претензия к компетентностному подходу очень простая: нет связи между оценкой по компетенциям и результатами работника. Т.е. более высокие показатели по компетенции N не гарантируют более высокие результаты в бизнесе.

Если говорить о западной практике, то она не намного лучшего данных моих исследований Работают ли на самом деле модели компетенций (competency frameworks) в организациях в реальном мире?

Но российский консалтинг не прекратил и не собирается прекращать разрабатывать и продавать модели компетенций на рынок. Понятно, что это очень хороший денежный рынок, который нельзя просто так бросить, руководствуясь только соображениями научной честности. Но должны же быть хоть какие-то декларативные основания? Ну как-то же консалтинг должен объяснять то, что уже начали понимать HR: зачем нужна модель компетенций, если нет связи с результативностью?

Я приглашал в свое время подискутировать Евгения Лурье на эту тему на конференции журнала Штат (и любого другого, кто готов), но Евгений ответил отказом. Но вот сегодня Евгений выдал свое мнение на данную проблему на своей странице Блог об оценке персонала. 

2. Кто сказал, что корреляция с результатами - это панацея? Это такой стандартный жупел из серии «мы работаем в интересах бизнеса». Обычно замер KPI существенно хуже по качеству, чем стандартизированный инструмент оценки поведения. Да ещё и содержит солидную долю политики и платы за лояльность. Корреляция с мусором не делает выводы более научными, чем мнение топ-менеджеров и консультантов.

Мне, конечно, обидно, что со мной не хотят дискутировать О революции и новом формате коммуникаций в HR, но ок, не дорос я еще до того, чтобы со мной дискутировали люди такого полета. Мы на своем мелком уровне сами с собой подискутируем.

Итак

Вызов менеджменту со стороны HR-аналитики или о "моделировании" в предиктивной аналитике

Публикация Людмилы Роговой Что влияет на скорость подбора вызвала переполох на рынке. Причины переполоха мне видятся такими: это первое системное решение в HR-аналитике в России. Не просто движуха со стороны энтузиаста hr-аналитика, но здесь взаимоувязаны векторы движений бизнеса, HR-руководства и исполнителей на уровне аналитики. И именно эта системность зацепила рынок.
Теперь я услышал, что в нескольких компаниях стали "создавать модели". Именно в кавычках. А как можно назвать такой формат: HR директор созывает заседание, где задание придумать модель.

Мифология

На что это похоже? Ричард Фейнман в 1974 году перед выпускниками Калтеха (Калифорнийский технологический) привел такой пример:

"В Южных морях существует племя, которое поклоняется самолетам. Во время войны на его острова садились самолеты со всякими полезными грузами, вот этим людям и хочется, чтобы самолеты прилетели снова. Они соорудили посадочные полосы, жгут вдоль них костры, у них имеется деревянная хижина, в которой сидит человек с двумя пристроенными на голову очень похожими на наушники деревяшками, и торчащими на манер антенн прутиками бамбука — это диспетчер, — и все ждут, когда прилетят самолеты. Все же сделано чин по чину. Форма соблюдена в совершенстве. А самолеты не прилетают!"

Во время опиумных войн китайцы стали создавать пароходы. Китайские ученые потрясающе имитировали колеса пароходов, трубы, даже дым, и даже пушки, пушки издавали звуки.... И все!
Создатели этих китайских пароходов выступали на HR-конференциях, срывали кучу аплодисментов, их считали классными спецами. Пока англичане стреляли из пушек. Хотя нет, я ошибся, по нашим компаниям не стреляют из пушек, поэтому потребности в реальной аналитике нет. А есть реальная потребность попиариться на модной теме.
Вот ровно этим сейчас пытаются заниматься некоторые HR-директоры, пытаясь "создавать модели".

Сознание менеджмента

Создание модели является уровнем сознания менеджмента, именно в этом моя главная претензия к 4-х уровневая модель HR-аналитики Берзина: дорога в никуда или история одного поста.
Я вижу три уровня сознания менеджмента:

1. метрики
2. корреляции
3. предиктивная аналитика

Эти уровни слабо связаны между собой, они не подразумевают эволюционного перехода, они просто на разных этажах.
При этом для само по себе созревание менеджмента не подразумевает многолетней истории. Расскажу вам короткую историю. Я сделал срез текучести для одной компании

Предиктивная аналитика

На картинке: по оси X - стаж работы в компании в месяцах, по оси Y - % выбытия из компании.
И вот такой факт виден: в первые полгода работы уходит 20 % персонала, в первый год уходит 30 %.
Этот факт был признан не очень приятным менеджментом компании. Еще раз: менеджмент для себя это обозначил как проблему. Вы можете еще посчитать, сколько денег теряет компании на наборе, обучении, адаптации, зарплате подобных манагерах.
Что решили: мы определили перечень данных, которые можно собрать о сотрудниках, после чего будет построена модель, которая покажет, какие факторы (данные) влияют на отток персонала в первые полгода / год.
Если факторы будут выявлены, на их основе будет выстроена политика отбора персонала. После внедрения такой политики остается только отслеживать отток работников в первые полгода, год. И если ситуация не изменится, хреновая модель у нас выстроена.
Если вам это кажется сложным, вам не стоит читать мой блог, а лучше пойти на семинар какого-нибудь гуры рекрутинга, который вас научит за полчаса читать кандидата.
Безусловно, есть очень сложные задачи в предиктивной аналитике, связанные со сбором данных, софтом, принятием решения, математикой, но в основе лежит голова менеджера, который умеет считывать потребности бизнеса и решать их на основе аналитики.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме 

Что влияет на скорость подбора

      Поступила реальная задача - мои коллеги из подбора попросили меня построить модель, предсказывающую время, необходимое для закрытия вакансии. Они перекраивают свои процессы, и одним из изменений должно стать информирование  заказчика об ожидаемом сроке подбора еще на этапе подачи заявки на этот самый подбор. Хорошее желание - формирование адекватных ожиданий у руководителей. Помимо прогноза, хотим показывать историю закрытия вакансий в его городе - куда же без описательной статистики... Но возможно, некоторым людям прошлое позволит легче принять будущее) Хотя не факт...
      В итоге у нас родился такой прообраз дашборда. Потребитель - линейный руководитель, подавший заявку на подбор. Предполагается, что этот отчет будет формироваться для него индивидуально, сразу после подачи заявки на поиск сотрудника. Ниже первый лист этого отчета.

      Мы хотим показать в одном месте прошлое и будущее. Потому что это удобно. А еще мы хотим объяснить, как получилась наша прогнозная цифра (2-й блок дашборда). И там где это возможно, дать руководителю шанс  самому "поиграться" факторами, чтобы принять свое решение. И родить кучу новых задач (видимо из блока 3).
      Осталось сделать немного - построить модель, предсказывающую нужную метрику; начать собирать оценки по рекрутерам (совсем скоро в нашем кино); ну и запилить дашборд в систему отчетности для быстрого формирования (это отдельная песня).
      У меня есть около 15 тыс. записей с реальным сроком закрытия - история с начала 2016 года и по текущий момент. 2015 год не стала брать сознательно - "мутное" время после очередной встряски. Оставила только вакансии массового подбора, убрала проблемные записи. В итоге выборка похудела до ~ 10 тысяч.
      Модель решила построить в R: после семинара "HR - аналитика в R" стараюсь закрепить полученные знания.
      Первое, что проверила - а есть ли различия в сроке закрытия в разрезе городов. А то может одним универсальным отчетом обойдемся? :-) Да, различия между городами есть - Kruskal-Wallis chi-squared = 1081.2, df = 108, p-value = 2.2e-16 - отличия статистически значимы.

Одних городов для модели мало, что еще взять? Первое, что сразу пришло в голову - это характеристики самих городов - общая численность, уровень безработицы, количество ВУЗов в городе, количество экономически активного населения. Правда тут есть нюансище - корреляции между признаками, что логично. Надо брать или сам город как фактор, или все его характеристики.
Сейчас использовала две модели - обычную линейную регрессию и дерево решений. Первая мне была интересна потому, что там легко интерпретировать результаты - увидеть какие факторы влияют и насколько сильна их взаимосвязь с целевой переменной. От второй модели я ожидала более точный прогноз, но к моему удивлению, линейная регрессия показала лучший результат.

      В этом посте я покажу линейную модель, обученную на выборке с перечисленными ниже факторами. В этой модели использовала только характеристики городов.

• Численность населения в городе
• Уровень безработицы
• Количество ВУЗов
• Количество экономически активного населения
• Количество вакансий в работе у рекрутера
• Подбор был удаленный (рекрутер и соискатели находятся в разных городах) или нет
• Месяц подачи заявки в подбор (почему бы и не посмотреть?)
• "Укрупненный функционал"
• Уровень позиции
• Доля отказов СЭБ за последний календарный год по каждому городу (Мои коллеги из подбора жаловались на количество отказов после проверки СЭБ, что им приходиться иногда начинать поиск заново - добавила долю отказов СЭБ в разрезе городов. Но наверное для многих компаний этот пункт не имеет критичного значения. )
• Причина появления вакансии

Одна печаль при использовании многих факторов из перечисленных - мы, как HR, врядли сможем повлиять на них, чтобы ускорить сроки. А вот эти факторы на нас влияют и хочется оценить масштаб этого влияния.
Использовала lm из caret, разделение на обучающую и тестовую выборку 0.75/0.25. Что получилось. R-squared:  0.336, standard error: 16 дней при среднем  сроке 28 дней. Далеко не идеальный результат, но для начала, да еще с учетом качества данных, пойдет. Первые выводы все равно уже можно сделать.
Ниже 20 самых значимых факторов + (Intercept). (Intercept) оказался не значим (p-value 0,707), поэтому в модели использовать его нельзя.

Фактор	Уровень фактора (где есть)	Коэффициент в модели	p-value	Важность фактора
(Intercept)		6,251	0,707
Количество вакансий в работе у рекрутера		0,413	6,052E-310	100.00
Уровень позиции		1,755	5,183E-57	39.97
Причина появления вакансии	Конфиденциальная замена	14,172	1,320E-05	10.81
Уровень безработицы		-0,745	1,785E-04	9.29
Причина появления вакансии	Декретная позиция	2,233	0,003	7.34
Дата подачи заявки в подбор	Фев	2,945	0,004	7.05
Дата подачи заявки в подбор	Ноя	4,002	0,005	6.89
Доля отказов СЭБ в городе		10,803	0,007	6.66
Дата подачи заявки в подбор	Май	2,263	0,017	5.91
Дата подачи заявки в подбор	Апр	2,265	0,020	5.76
Численность  населения		-1,67E-06	0,039	5.12
Дата подачи заявки в подбор	Март	1,973	0,041	5.07
Удаленный поиск	Да	1,202	0,048	4.90
Причина появления вакансии	Увольнение сотрудника	1,061	0,050	4.59
Дата подачи заявки в подбор	Дек	2,183	0,129	3.75
Количество ВУЗов		0,029	0,280	2.67
Дата подачи заявки в подбор	Окт	1,421	0,309	2.51
Дата подачи заявки в подбор	Сен	-1,176	0,316	2.47
Дата подачи заявки в подбор	Янв	0,853	0,438	1.91
Укрупненный функционал	Перевод	-12,763	0,441	1.90

На первом месте бесспорный лидер -
количество вакансий в работе у рекрутера. Коэффициент 0,411, p-value практически равен нулю. Это означает, что с увеличением на единицу количества вакансий, которое рекрутер ведет одновременно,  срок закрытия всех вакансий у него увеличивается в среднем на 0,4 дня. Учитывая, что обычно в работе может находиться несколько десятков вакансий, то получается весьма ощутимо. Картинка слева.

На втором месте оказался уровень позиции, что в принципе было ожидаемо. Чем выше уровень, тем больше срок закрытия. Уровень был перекодирован как метрическая переменная - 1, 2,3 и т.д. То есть, с переходом на 1 уровень выше, срок закрытия увеличивается на 1,755 дня. С p-value не поспоришь.

Третье место - одна из причин появления вакансии "конфиденциальная замена". Причины появления вакансии далее еще встретятся, но тут скажу, что если причина появления была в подобной замене, то срок закрытия увеличивается в среднем на 14 дней по сравнению с базовым уровнем. Хотя если смотреть на картинку, то срок кажется бОльшим. Но картинкам верить нельзя))) За базу в модели была принята причина "ввод новой ШЕ" (покрашена оранжевым). Все сравнения ведутся именно с ней. Никакого скрытого смысла в таком выборе не было, базовый уровень определялся исходя из названий, программа просто выбрала тот уровень, который по алфавиту был первым.
Следующее место - уровень безработицы. Тут вроде тоже противоречий не возникает. Чем выше безработица, тем легче закрыть вакансию. С увеличением безработицы в городе на 1%, скорость закрытия уменьшается на 0,7 дня.
Пятое место - следующая причина увольнения "декретная позиция". Срок закрытия такой позиции увеличивается на 2,2 дня по сравнению с базовой. Что в очередной раз подтверждает, что люди не так охотно соглашаются идти в компанию на срочные трудовые договора.

На следующих нескольких местах оказалось время подачи заявки в подбор. Картинка где-то слева. За базу принят август (первый по алфавиту, ничего более). По картинке можно сказать, что наиболее быстро закрываются позиции, открытые в период июль-сентябрь. Не знаю, что точно является причиной этого, но моя гипотеза простая  - народ отдохнул в отпусках и активнее откликается на вакансии. А декабрьские вакансии закрываются медленнее, так как мало кто хочет лишаться годового бонуса, выплата которого происходит как правило весной. Но что мне странно, что значимыми в модели оказались далеко не все месяца, и тот же декабрь просто "вылетел".

На восьмом месте появилась доля отказов после проверки СБ в разрезе городов. Логично, что чем яростнее СБ, тем срок закрытия больше, вот только не очень понятно как с этим бороться))) Зависимость нелинейная. poly(Доля.отказов.СБ.город, degree=4) привело к увеличению R-squared ~ на 0.01, но тут я это не показываю.
Следующее место - численность населения в городе. Тоже ничего нового. Чем крупнее город, тем быстрее закрывается вакансия.
Был ли подбор удаленным. Если да, то срок будет больше в среднем на 1,2 дня.
И последний значимый фактор - причина появления вакансии "увольнение сотрудника". Но значим он уже с натяжкой - p-value прям на грани.
Все остальное в таблице, что выделено серой заливкой, уже не имеет значения, так как  p-value у этих факторов оказался больше 0,05.
Работа над этой моделью только начинается, и по мере появления новых данных буду включать их в модель. И следующее, что я сделаю - добавлю характеристики руководителя и рекрутера (например стаж в должности, тесты и т.д. и т.п.). И очень хочется поймать взаимодействие между двумя этими персонами.

__________________________________________________________

читайте нас в фейсбуке и телеграмме

Удержать или отпустить? Данные, на которые следует корректно реагировать, когда сотрудник увольняется

Перевод статьи Retain or let go? That data that you need to react correctly when an employee resigns Greg Newman в рамках нашего  проекта переводы статей по hr-аналитике на английском. Статья посвящена Organisational Network Analytics (по аналогии  Social Network Analytics). И это вторая статья автора, читайте также Как можно быстрее выявить сотрудников с высоким потенциалом (HiPos) используя сети данных?

Перевод выполнила Багинская Александра, HR Analyst, которая верит в математику и логику во всем и получает удовольствие от результатов хорошего анализа, который подкрепляет первое «кажется» или (еще лучше!) опровергает его. И еще Александра работает в компании Greif с локацией в Голландии, но сама  родом из Украины. Вот такой у нас сегодня переводчик (По ссылке с имени переводчика вы попадете в ее профиль на Линкедине - я уже подал заявку во френды, и для россйских пользователей - профиль Александры в фейсбуке - нарабатывайте связи).

Итак, 

Удержать или отпустить? Данные, на которые следует корректно реагировать, когда сотрудник увольняется

Стоимость замещения хорошо известна и доказана, на пример, замещение сотрудника среднего уровня  (mid-level ) стоит 20% годовой зарплаты, достигая суммы выше 200% годовой зарплаты при замещении топа (C-suite) (согласно исследованию CAP).

Именно поэтому так удивительно, что более 50% работодателей не имеют формальной стратегии удержания персонала.

Saratoga Institute указывает, что текучесть кадров стоит организациям свыше 12% дохода до налогообложения, для некоторых - 40%.

В таких отраслях, как реклама уровень текучести достигает 30%...

Большинство организаций каждый год выделяют бюджет на удержание ключевых сотрудников, но в реальности, только некоторые из них тратят этот бюджет с умом.

При традиционном подходе к реакции на увольнение (или его угрозу) между непосредственным руководителем и HR проходит неструктурированное обсуждение на предмет удерживать или отпустить сотрудника.

Будучи неоднократно вовлеченным в подобные обсуждения, жесткая реальность заключается в том, что очень важное решение принимается на основании небольшого разговора, по сути содержащем только личный мнения менеджера и HR относительно сотрудника (со всеми присущими субъективностью, предубеждениями и слабостями). Эти обсуждения на столько неструктурированы, поскольку жестких данных в наличии слишком мало для принятия решения на их основании (или хотя бы возможности отстоять решение).

В лучшем случае, решение принимается на основании:

• личного мнения HR/непосредственного руководителя
• мнения других членов команды (такое себе культурное соответствие)
• последней оценки эффективности
• поточных метрик эффективности и прогнозов
• времени найма замещения
• времени выхода замещения на целевой уровень продуктивности

Но помогает ли хоть что-то из этого принять хорошее решение?

Все эти факторы – очень субъективны, статистичны и полны предубеждений; ни один из них не помогает понять влияние сотрудника на организацию и ее клиентов или то, на сколько они критичны для компании в целом.

Понимание ограниченности традиционного набора данных HR (таких себе данных человеческих ресурсов) в принятии многих решений относительно персонала растет.

Эти критические решения относительно удержания отличный пример того, где растущий аспект социального капитала может помочь организациям принимать решения относительно  сотрудников лучше.

Давайте проясним, суть не ценности только человеческого или социально капитала. Оба важны в измерении важности сотрудника для организации.

Человеческий капитал

Фокус человеческого капитала держится на статистическом наборе данных, таких как срок службы, уровень образования, стаж, умения, способности, результаты оценки эффективности и опыт. Хотя эту информацию легче собирать и хранить, но она ограничена в своей возможности предоставить настоящее понимание ценности сотрудника в организации.

Социальный капитал

Социальный капитал рассматривает связи и отношения, установленные и поддерживаемые сотрудником в своей роли, группы людей, которые сотрудник использует для работы, инноваций, привлечения экспертного мнения, наставничества, лидерства и во многих ситуациях создания возможностей и продаж.

В конкретном случае решения об удержании использование данных социального капитала предоставляет действительно актуальные объективные данные для принятия лучшего решения.

Для иллюстрации силы данных социального капитала давайте представим одного из членов вашей команды (Rosalee Hyvl из company.com), которая только что объявила об уходе, и в дополнение к стандартному набору HR данных у вас есть доступ ко всем ее данным социального капитала. Давайте посмотрим, как некоторые из ключевых данных могут быть использованы в принятии решения об удержании:

1. Размер и география сети связей / Network Size and Spread

Размер и география их внутренних и внешних связей.

Рис. 1: У Rosalee установлены связи с 9 отделами и 11 сотрудниками в ее команде.