15 мая 2015, 14:29

Аналитика в HR: возможности новых технологий

Во время кризиса буквально каждый HR оказывается в ситуации, когда человеческий ресурс компании сокращен и крайне ограничен. Решение же задач, стоящих перед компанией, не только не упрощается, а, напротив, требует максимального напряжения сил. Как обеспечить эффективную работу персонала в сложившихся условиях? Является ли сжатие рынка труда и отсутствие радужных перспектив за пределами компании достаточными мотивирующими и дисциплинирующими факторами для оставшихся сотрудников? Существуют ли вообще технологии, позволяющие компаниям в подобной ситуации не просто выжить, но и оказаться в полной боевой готовности к выходу из кризиса?


Высочайшая производительность труда в развитых странах, как известно, результат отнюдь не большого количества «потных спин», а, напротив, сокращения процента непроизводительного труда и внедрения современных технологий. HR-функция в этом смысле не исключение - результаты исследования BCG* и Всемирной федерации ассоциаций управления персоналом доказывают, что финансовые достижения компаний напрямую зависят от способности эффективно управлять персоналом**. В основе же любых высокопроизводительных технологий лежат, прежде всего, аналитические модели. При этом по меньшей мере 80% российских компаний вообще не занимаются аналитикой в HR-сфере.

Сегодня область ответственности департаментов управления персоналом, особенно в крупных компаниях, не ограничена лишь вопросами поиска и подбора сотрудников. Сюда могут входить и задачи повышения производительности труда, и оптимизация структуры, и развитие HR-бренда, и другие, не менее сложные и ответственные задачи. Однако принимать решения и улучшать бизнес-показатели в отсутствие аналитических показателей сложно, а порой и просто невозможно. Так, по данным исследования Accenture и General Electric, 84 % опрошенных руководителей в сфере производства и здравоохранения считают, что аналитика Big Data сможет изменить конкурентную среду в их областях в течение одного года, 89% ответили, что компании, не принимающие стратегию аналитики данных, могут потерять долю на рынке.

Например, в Xerox после анализа огромного массива данных с причинами увольнения и характеристиками работников удалось уменьшить текучку кадров в call-центрах на 20% и снизить риски инвестиций в сотрудников, которые не собираются задерживаться в компании. Причина текучки, как будто бы, лежала на поверхности – в результате обработки данных выяснилось, что дольше всего в компании работают те сотрудники, которые живут рядом с офисом. Но для подразделения с численностью больше 48 000 сотрудников и огромным числом вводных данных это не было очевидным изначально. В результате проведенная работа дала существенную экономию затрат на обучение и оптимизацию усилий по найму.

Потенциал аналитики для HR-подразделений понятен: с данными о производительности работников, их мотивации и пониманием потребностей бизнеса HR-руководители могут принимать более обоснованные решения об увольнении, удержании и найме персонала. Возможность получения и анализа больших данных позволит многим предприятиям не только увеличить доходы за счет лучшего понимания процессов внутри компании, но и сократить затраты за счет оптимизации бизнес-процессов. Так, в одном из розничных банков аналитические отчеты продемонстрировали прямую зависимость количества краж от величины территории, подконтрольной региональному менеджеру. После корректировки обязанностей региональных менеджеров банк свел к минимуму воровство в проблемных областях.

Для многих зарубежных компаний HR-проекты, основанные на технологиях Big Data, уже давно переросли категорию единичных кейсов и стали ежедневной практикой, в то время как большинству российских компаний преимущества аналитики известны лишь в теории. А ведь HR может помочь компании получить реальную отдачу от целенаправленных инвестиций в персонал. Так, для производственных предприятий влияние аналитики Big Data на рентабельность составляет 10-12% от объема продаж, а в сфере услуг эта цифра может достигать 80%.

Однако будет ошибкой утверждать, что технологии, основанные на Big Data, могут в одночасье решить проблемы российского HR-менеджмента. По данным Forbes, только 18% компаний в мире правильно используют аналитические данные, остальные 82% лишь пытаются выяснить, как же ими управлять и как их интерпретировать. Можно иметь возможность собирать и анализировать любые данные наилучшим в мире образом, но если цели этого исследования не вполне определены или определены неверно, то весь анализ будет проделан впустую. Еще одно препятствие - это качество данных. HR-специалисты должны быть уверены в точности базовой информации. Иначе попытка сделать прогнозный анализ на основе неполных или неточных данных может привести к результату хуже, чем даже при полном отсутствии аналитики.

На мой взгляд, преимущество технологий, основанных на Big Data, состоит в разумном сочетании объективного контроля за деятельностью сотрудников и постоянного поиска оптимальной мотивации для них на основе полученных данных.

Обезличенные (автоматизированные) системы контроля (контроля доступа, присутствия на рабочем месте, составления графиков работы, отпусков, обучения, оценка продуктивного и непродуктивного рабочего времени и т.п.) в сочетании с такими комплексными интеллектуальными системами, как, скажем, управление талантами, существенно снижают риск ошибки и влияние человеческого фактора при принятии управленческих решений в HR. С одной стороны, подобные системы могут способствовать укреплению трудовой дисциплины и соблюдению стандартов работы, а, с другой стороны, с помощью полученных данных можно оптимизировать и схемы мотивации, которые нередко формируются в компаниях интуитивно, на основе традиций конкретной компании или «как у других». Мотивационные и дисциплинарные системы, сформированные на основе квалифицированно собранных данных и при качественной аналитике способны кардинально изменить эффективность работы персонала в крупных компаниях.

Большие данные требуют мощных инструментов для того, чтобы разбить их на смысловые понятные части и получить качественную информацию, но усилия того стоят. HR-специалисты понимают, что освоение Big Data может принести пользу их деятельности, помогая найти лучшие таланты, сохранить сотрудников и экономить деньги. В качестве примера приведу реальную ситуацию: компания, занимающаяся поставкой и установкой сложного оборудования, тратила на зарплату 200 менеджеров более 800 миллионов рублей в год, но их эффективность не оправдывала затраты. После проведения анализа работы руководителей проектов, их опыта и компетенций, стало ясно, что нацеленность на результат для менеджера является более значимым критерием, чем технические навыки и опыт работы в данной сфере. После замены процессных сотрудников на результативных и их обучения предметным областям доход компании увеличился.

Многие компании уже доказали, что HR-аналитика помогла им снизить затраты и дала возможности для быстрого и качественного принятия решений. Понятно, что эпоха больших данных открывает для бизнеса новые перспективы – и потому не стоит ждать слишком долго, чтобы начать их использовать.

Данные всегда были ключевым активом для бизнеса, но в течение последних лет их статус изменился с «важно» до «необходимо». Данные, и что более важно, анализ данных стали истинным конкурентным преимуществом для компаний различных отраслей промышленности и бизнеса, а не только фэйсбуков, амазонов и гуглов мира.

* The Boston Consulting Group

** Для отчета 2014 года были проанализированы фондовые показатели за 10 лет публичных компаний, вошедших в рейтинг «Лучшие работодатели» Forbes, и сопоставлены с показателями индекса Standart & Poor’s 500


0 0
2 446
22 комментария
16 мая 2015, 17:35
New
Разделение труда (мануфактуры) произошло немного раньше... В 14 веке.
И все таки про цепочку хорошо-плохоработающие - подбор, лично мне не понятно. Я не с проста завел речь про уборщиц, так как их профиль прописать легче чем у операциониста - для наглядности, ну да ладно...
0 0
16 мая 2015, 19:25
New
Зачем вообще этот профиль нужен при автоматическом анализе? Сотрудник должен быть, грубо говоря, неконфликтным, по нему должны быть минимальные риски мошенничества, например, и он должен приносить организации деньги. Чем больше и чем "дольше" - тем лучше.
Предварительный отбор (конкурс резюме и.т.д.) для массового подбора можно автоматизировать чуть менее, чем полностью.
При этом можно ориентироваться на действия квалифицированных подборщиков (люди довольно предсказуемы и редко ориентируются больше, чем на 10-12 факторов, которые оценивают - машина это очень легко выявляет, можно даже не париться с тем, что Вы называете профилем - машина, направляемая квалифицированным моделистом, сама составит обобщенный профиль на основе анализа действий наиболее опытных сотрудников, если очень захочется), а можно - на финрез подобранных сотрудников. И сравнить результаты.
Первичные оценки (проверка профессиональных качеств, проверка на фрод, оценка среднего времени, которое сотрудник проработает в компании, оценка потенциала производительности и обучаемости и.т.п.) тоже автоматизируются, оценка при этом будет квантифицированной, а не "наверное, свалит он скоро" или "чей-то он подозрительный какой-то".
Далее могут быть варианты. В кредитовании ведь не 100% потока автоматически одобряется или отвергается. Если машина сомневается, она направляет заявку на андеррайтера/асессора/... Который проводит доп.проверку, причем сложность этой проверки и квалификацию проверяющего тоже машина задает. Далее проверяющий взаимодействует с клиентом или кандидатом и вносит свои замечания и рекомендации в систему, которые затем еще раз анализирует робот с учетом результативности проверяющего, то есть чем больше его рейтинг, тем больше машина ему доверяет.
Можно свои соображения и письменно изложить. Машины уже умеют текст понимать худо бедно. По крайней мере, про подозрительного она сделает себе зарубку.

Робот это не коробка, пусть очень сложная, в которую что-то запихнули, а она на выходе дает готовое решение. На практике все сложнее. Намного.

По сути речь идет о распределенном сотруднике, который взаимодействует со значительной частью коллектива организации. Наблюдает, выявляет аномалии, которые предлагает рассмотреть ответственным сотрудникам и дать свои выводы, контролирует, оценивает результативность, делает выводы. И правила того, как машина должна это делать (workflow), тоже должен кто-то составить. В том числе, чтобы сотрудникам было комфортно с этим роботом работать. И должны быть люди, которые разбирают жалобы на робота.
Простота роботизации обманчива. Для этого нужна очень грамотная КОМАНДА.
0 0
16 мая 2015, 20:03
New
"зачем искусственно фабриковать человека, если любая баба родит его когда угодно..."
Рискну перефразировать профессора Преображенского и скажу - зачем городить все эти огороды с анализами, когда вам любая баба на складе скажет, раз народ пошел с обходными, значит сегодня зарплата...
Ну вот объясните мне, какой будет прок от того, что руководитель складского комплекса, узнает (заплатив кучу бабла за аналитические исследования), правда он и так об этом в курсе, что текучка у него и воровство на 99% от того, что зарплата у них не конкурентноспособная... При этом, логистическая цепочка просчитана от и до и на ее функционирование требуется ну ровно X сотрудников. Не X - 100, не Х +- 100, а именно X. И бюджет за который не прыгнешь. И машин фур по 500 в сутки. И считали все не наши доморощенные, а французы...
Вот как эти "сакральные" знания повлияют на качество подбора...
2 0
16 мая 2015, 20:57
New
Значит плохо считали. К слову, точечные оценки вообще ненадежны. Всегда нужно задавать доверительный интервал, потому что жизнь - штука слабо детерминированная.
Я сильно сомневаюсь, что там кто-то симуляционное моделирование применял или эксперименты проводил, чтобы убедиться, насколько вводные параметры модели верны (были верны). Концепция "придут умные ребята, все посчитают, скажут что делать и заживем долго и счастливо" - ущербна. Аналитический процесс должен быть встроен в бизнес компании, а не существовать в параллельной реальности. И управленческие решения должны опираться на этот процесс, а не выдаваться императивно. Потому что все течет, все меняется. И аналитика часто малоэффективна, если ей заданы слишком жесткие ограничения.
И как правило невозможно обойтись без натурных экспериментов для проверки концепций и сравнения различных подходов - что приносит больше денег. Запускаются конкурирующие стратегии, модели, подходы - и сравнивается результат. A/B testing, champion-challenger. И это должно быть поставлено на поток.
А делалось все вероятно по принципу: "ну вот это работало во Франции, в России должно работать также...ну вот тут чуть подправим - опа, пусть будет так". Для начала это отлично. Это намного лучше, чем если вообще от балды все делать. Но потом то надо проверять, как эти принципы на местные реалии наложились. Проверять верность экспертных правил и нормативов. И считать - оправдывает ли экономия на ФОТ текучку персонала и воровство. И действовать уже исходя их этого. Оправдывает - сидим на попе ровно. Нет? Меняем подход.

К слову, я видел, как дочки французских банков в России работают - это убожище. Резать косты - дело благородное, но не до такой же степени. Другой пример - дочка французов, которая в Ашане работает. Хороший пример того, как не надо делать бизнес.
Вообще они мне наших соседей до слез напоминают "если англосаксы делают вот так, значит мы сделаем иначе из принципа".
1 0
17 мая 2015, 08:31
New
Мне кажется, что спихивать все на плохо посчитали, не того начальником взяли, неверно...
Мы кстати от темы ушли...
Но первый вывод я для себя сделал - чисто в подборе использовать BD технологии незачем...
0 0
17 мая 2015, 10:59
New
То, что мы обсуждали, это скорее. Data mining. Машинное обучение это следующий этап, когда у Вас везде прикручены датчики, которые каждый чих фиксируют, когда все действия логируются и все это вместн сведено. Если при этом традиционный стек технологий захлебывается, то у Вас Большие данные. Если Вы справились с этой проблемой, конечно. Делают это не ради кадров, но в нагрузку могут и их задачи реализовать, если видят профит. Профит обычно есть, когда у Вас коллектив размером с пару трудовых армий. В обычном бизнесе это все надо так же сильно, как теория игр полковнику кадрированной части. Грубо говоря, это игрушка для штабистов Генштаба, которые анализируют ситуации армия на армию.
0 0
17 мая 2015, 11:14
New
Я целиком и полностью за комплексный подход, не проводить исследования только в интересах HR, а цеплять их прицепом...
0 0
17 мая 2015, 12:43
New
Да, Вы правы. И проблема здесь не только в стоимости. Она намного серьезнее. КПЭ "очевидные" для отдельного подразделения, чаще всего крайне негативно отражаются на бизнесе в целом.
Пример 1. Работа с клиентами, проведение кампаний. Фиксируется отклик на предложение. При этом в финсекторе маркетологи нередко игнорируют ту особенность, что больше всего кредиты нужны тем, кто не сможет их выплатить, а страховки - тем, кто чувствует, что дело пахнет керосином. В итоге отклик растет, а уровень одобрения резко падает. Это если в организации сильные риски. Если нет, то расти будет уровень "безнадежной" просрочки и.т.д. В телекоме другая беда - маркетологи часто забывают про эффект канибализма, когда клиент откликается на предложение и переходит на новый тарифный план, который МЕНЕЕ выгоден компании, чем старый, которым клиент пользовался раньше. Впрочем, в финсекторе такое тоже имеет место быть.
Пример 2. Управление жалобами. Основной КПЭ в большинстве крупных организаций - снижение количества жалоб в абсолютном выражении. Не повторных жалоб, а жалоб вообще. Результата такой работы с клиентами аналогичны результатам российского МВД, где самый простой способ повысить раскрываемость и снизить уровень преступность - не регистрировать преступления или вешать "висяки" паровозом на левых преступников.

С подбором все аналогично. Где-то КПЭ включает "среднее время" на закрытие вакансии, где-то - количество закрытых вакансий. В лучшем случае делают поправку на прохождение испытательного срока. Как подобранный работник работает - за кадром. Сколько этот конкретный работник принес денег компании или сколько на нем потеряли - часто посчитать вообще невозможно.
Если с такими установками "оптимизировать" бизнес, монетизировать аналитику Вы не сможете, только деньги просадите. Не такое это дешевое удовольствие, BI выстроить.
И еще раз - аналитика на уровне отдельного подразделения зло, если там смотрят только на один КПЭ. Даже если это очень разумный КПЭ типа чистой прибыли или уровня просрочки. Потому что единственный способ не иметь просрочки - не кредитовать вообще, а самый быстрый и эффективный способ заработать на овцах при малом горизонте планирования - забить их на мясо. Тонкорунных овец. На мясо.
Бызнес ин рашн стайл суровый и беспощадный.

Я иногда привожу пример различных подходов к ведению бизнеса высоким руководителям на примере торговли оружием:
1. Вы можете взять у США 100 000 долларов и порезать изделие на металл, а потом получить еще 10 тыс. за цвет мет.
2. Вы можете взять эти же 100 тыс. долларов, сказать, что порезали изделие на иголки, а на самом деле продать его Ирану за 200 тыс.
3. Вы можете послать к чОрту американцев, сделать новые изделия и официально продать Ирану изделия за 500 тыс, и еще 200 тыс. заработать на их обслуживании.
4. Вы можете взять изделие в руки и начать оказывать услуги по защите тем, у кого его нет. Получить 1 млн. долларов за охрану и заработать еще 10 млн. на концессиях в этой стране или на расширении своего рынка сбыта. Или ...(вариантов много).

Разумеется, у каждого варианта есть риски и.т.д. В последнем случае, например, риск умереть в процессе довольно значителен, поэтому надо считать не только чистый профит, но и корректировать его на ожидаемый риск. Это т.н. подход RAPM ака Risk-Adjusted Performance Measures, сиречь использование взвешенных на риск показателей результативности.

Собственно это я чему. Зарабатывать можно на всем. На управлении рисками, на оптимизации финансовых потоков, на управлении персоналом, на управлении отношениями с клиентами, на поставках оружия, военной разведке или использовании Экспедиционного Корпуса. Просто бизнес. На нефти, идеях, улыбках или страхе. Разницы, в общем-то, никакой, что продавать. Важна лишь прибыль, скорректированная на риск (в т.ч. с учетом операционных рисков - рисков реализации маловероятных, но катастрофических событий), на временном горизонте хотя бы в 5-10 лет.
1 0
17 мая 2015, 13:19
New
Кстати гениальная идея...
Привязать мотивацию специалистов подбора на эффективность работы подобранных ими работников, и не только на испытательный срок, но и на все время действия ТД...
Высший пилотаж конечно, но... Было время и вместо принтеров красотки в машбюро документы печатали и по межгороду на переговорный пункт звонить ходили...
0 0
17 мая 2015, 13:32
New
Эффективность работы подобранных сотрудников зависит не только от кадров. Но и от того, где и с кем работают подобранные сотрудники. Непосредственный руководитель, коллектив и.т.п.
Это нельзя вешать только на кадры и нельзя делать в лоб. Необходимо постепенно балансировать три задачи, одна из которых работа подборщиков, вторая - анализ текучки в подразделениях, а третья - анализ эффективности подразделений и отдельных сотрудников. Это я уже не говорю о сбалансированной системе КПЭ, которую на раз не перестроишь. Ситуация с КПЭ обычно как с реабилитацией человека после длительной голодовки. Даже если ты понимаешь, что его надо накормить и знаешь, какое питание является здоровым, вначале его надо держать на кашках и супчиках, и очень деликатно переходить к нормальной пище. Сразу и в дамки - не получится. Пациент загнется, это многие не понимают.
17 мая 2015, 22:20
New
т.е. можно отменять ЕГЭ и внедрять SAP?
:)
1 0