مدل بلوغ تجزیه و تحلیل داده‌های منابع انسانی

پس از درک ضرورت طراحی و پیاده‌سازی تجزیه و تحلیل منابع انسانی در سازمان، لازم است شرکت‌ها ارزیابی مناسبی از بلوغ تجزیه و تحلیل منابع انسانی خود داشته باشند، در همین راستا باید به پرسشی مانند «ما در سیر تجزیه و تحلیل خود در کجا قرار داریم؟» در مدل بلوغ علم تحلیل، پاسخ دهند. بلوغ علم تجزیه و تحلیل داده را در شرکت‌ها بر اساس درجه آمادگی آنها برای حرکت به سطوح بعدی سلسله مراتب بلوغ علم تحلیل ارزیابی می‌کند (بایسنس، وین و سلس، 2017). این سیر شامل چهار مرحله است: 

• علم تحلیل توصیفی (Descriptive Analytics)
• علم تحلیل تشخیصی (Diagnostic Analytics) 
• علم تحلیل پیش‌بینی کننده (Predictive Analytics) 
• علم تحلیل تجویزی (Prescriptive Analytics)

علم تحلیل توصیفی در منابع انسانی

در این رویکرد، تجزیه و تحلیل توصیفی از داده‌های خام با هدف استخراج بینش استفاده می‌شود. در این مرحله از بلوغ علم تحلیل، داده‌ها برای پرداختن به موضوعات خلق‌الساعه یا برای اهداف عملیاتی رصد می‌شوند، و بهره‌برداری از داده‌ها با مقصود مشخصی انجام نمی‌گیرد. این مرحله دارای سه گام فرعی زیر است: 

     1. جمع آوری داده‌ها:

انواع کارکردهای منابع انسانی با حجم وسیعی از داده‌های پراکنده در چندین سیستم منابع انسانی سروکار دارند. برای نمونه، تجزیه و تحلیل داده‌های جمعیت شناختی را می‌توان از سیستم اطلاعات منابع انسانی (HRIS)، داده‌های استخدام را از سیستم ردیابی کارجویان (ATS)، و در نهایت داده‌های زمانی و حضور و غیاب را می‌توان از سیستم‌های حقوق و دستمزد منابع انسانی دریافت نمود. 

     2. تعریف معیارهای استاندارد اندازه‌گیری:

هنگامی که داده‌ها از منابع مختلف جمع آوری می‌شوند، معیارهای مناسب برای کسب بینش در خصوص معنابخشی به داده‌ها، اجرا می‌شوند. مدیر منابع انسانی ممکن است با یک پرس و جو به شرح زیر به تعریف معیارهای موردنظر نزدیک شود:

«بطور سالانه چند درصد از نیروی کار سازمان را ترک می‌کنند؟»

     3. گزارش‌گیری (یکپارچه‌سازی داده‌ها و گزارش بصری اطلاعات):

استنباط‌ها یا بینش‌های برآمده از اندازه‌گیری معیارها، به شیوه‌ای ساختاریافته به مدیران کسب‌وکار گزارش می‌شود. برای مثال، رسیدگی به دلایل احتمالی خروج کارکنان با عملکرد بالا، ضمن اولویت‌بندی داده‌های پشتیبان، به شیوه‌ای ساختاریافته به آنها گزارش می‌شود. 

با در نظر گرفتن یک موقعیت فرضی، داده‌های گذشته حاکی از آن است که طی سال گذشته 15 درصد از کارکنان سازمان را ترک کرده اند که 3% افزایش نسبت به سال قبل دارد که خود یک شاخص مهم از فرسایش کارکنان در سازمان است. در بررسی بیشتر موضوع، سایر کندوکاوهای منابع انسانی می‌تواند به این شرح باشد: 

• میانگین مدت زمان تصدی افراد در سازمان ما چقدر است؟ در پنج سال گذشته، این درصد افزایش یافته، کاهش یافته یا ثابت مانده است؟          
• چند درصد از پست‌های کلیدی هنوز خالی است؟

استفاده از داده‌های تاریخی برای توصیف مسائل امروز بسیاری از سازمان‌ها کارساز بوده است. این تحلیل به منظور بررسی مواردی مانند نرخ غیبت، سطح مهارت، حقوق و دستمزد و غیره انجام می‌شود. 

پیش بینی شرایط، به کمک یک رویکرد گذشته نگر و در سطح اولیه با بررسی اطلاعات پیشینی مانند نسبت‌ها، معیارها، داده‌ها به اعداد مطلق و غیره و با استفاده از ابزارهایی مانند ردیابی نشانه‌ها، داشبوردها، نمودار گانت، گزارش‌های تحلیلی و غیره امکان‌پذیر است. سپس در سطح بعدی با کمک  و سازوکارهای پیش‌بینی، اطلاعاتی مانند درصد احتمال، میزان تحقق‌پذیری و یکسری الگوهای پنهان قابل استخراج است. 

علم تحلیل تشخیصی در منابع انسانی

تجزیه و تحلیل توصیفی می‌تواند اطلاعات کمّی از عملکرد را ارائه دهد، اما راز مهم، کشف این است که چرا یک عملکرد خاص، خوب یا نامناسب بوده است. علم تحلیل تشخیصی علت اصلی عملکرد خوب یا نامناسب را شناسایی می‌کند. یک مثال داشته باشیم: 

• «چرا تا امروز هنوز درصدی از پست‌های مهم خالی مانده است؟»
• «چرا کارکنان پیشتاز با عملکرد بالا در معرض تهدید خروج از سازمان هستند؟»

این مرحله از تجزیه و تحلیل بینش‌های جالبی را ارائه می‌دهد – مثلا در پاسخ به سوال بالا پاسخ می‌دهد: یکی از دلایل ترک کارکنان این است که پاداش ارائه شده برای یک پست خاص بسیار کمتر از نقش شغلی مشابه در سایر سازمان‌ها با مجموعه مهارت‌های مشابه است. چه بسا دلایل دیگری نیز وجود داشته باشد. از طریق علم تحلیل تشخیصی، علل ریشه‌ای نه تنها تشخیص داده می‌شوند، بلکه از نظر تأثیر نامطلوب بر مسئله موردبررسی نیز اولویت‌بندی می‌شوند. به عنوان مثال، یکی از این مسائل می‌تواند این باشد که نارضایتی از جبران خدمت در مقایسه با نارضایتی از سرپرستان برای کارکنانی که سازمان را ترک می‌کنند اهمیت کمتری داشته باشد. 

علم تحلیل پیش‌بینی کننده در منابع انسانی

علم تحلیل پیش بینی کننده بر آنچه ممکن است در آینده اتفاق بیفتد و متکی بر تدقیق در رویدادهای گذشته تمرکز می‌کند. به عنوان مثال، از طریق علم تحلیل تشخیصی اگر مشخص شود که حقوقی که ما برای یک پست خاص پیشنهاد می‌دهیم در مقایسه با رقبایمان بسیار پایین است، در حالی که از طریق علم تحلیل پیش بینی کننده می‌توان به پاسخ این پرسش «کارکنانی که در آینده‌ای نزدیک شرکت را ترک می‌کنند چه کسانی هستند؟" بر اساس معیار نارضایتی از جبران خدمات، به عنوان یکی از معیارهای تاثیرگذار بر ریزش کارکنان در کنار سایر معیارها، پرداخت. بنابراین معیارهای تأثیرگذار بر فرسایش شغلی کارکنان بطور مدون شناسایی شده و در یک چارچوب مشخص، به پیش‌بینی «چه کسی نفر بعدی است؟» می‌پردازد.  

علاوه بر این، علم تحلیل پیش بینی کننده، فنون آماری را در خدمت کشف حقایق تاریخی یا حقایق موجود به منظور پیش‌بینی شرایط آینده بکار می‌گیرد. برخی از جریان‌ها در کسب‌وکارهای عادی قابلیت پیش‌بینی پذیری بالایی دارند، مانند میزان غیبت و یا زمان لازم برای استخدام افراد. با این حال، برخی معیارهای دیگر کمتر قابل پیش بینی هستند، مانند اینکه یک متقاضی استخدام، بطور متوسط پس از گذشت چه زمانی به شرکت می‌پیوندد یا اینکه چه کسی و در چه زمانی ممکن است شرکت را ترک کند. در این مرحله است که واحد منابع انسانی می‌تواند با به کارگیری علم تحلیل منابع انسانی و ارائه پیش‌بینی‌های مناسب، مزیت استراتژیک قابل‌توجهی را به سازمان پیشکش نماید (فیتز-انز، جک و ماتوکس، 2014). 

علم تحلیل تجویزی در منابع انسانی

علم تحلیل پیش بینی کننده به پیش بینی اتفاقات محتمل آینده می‌پردازد، اما در چگونگی کنترل آن ساکت می‌ماند، این در حالیست که علم تحلیل تجویزی به یافتن مناسب‌ترین راهکار عملی برای یک موقعیت خاص اختصاص دارد. بنابراین علم تحلیل پیش بینی کننده به ما می‌گوید «چه اتفاقی خواهد افتاد؟» اما علم تحلیل تجویزی به ما می‌گوید: «چرا این اتفاق خواهد افتاد؟ و چگونه آن را کنترل کنیم؟»

به عنوان مثال، چنانچه علم تحلیل پیش بینی کننده، سازمان را از کارکنان ارزشمندی که احتمال دارد سازمان را ترک کنند مطلع می‌سازد، علم تحلیل تجویزی از نحوه کنترل این رخداد پرده برمی‌دارد. علم تحلیل تجویزی بستری را برای بررسی پیامدهای مدل‌سازی‌های رایانه‌ای برای پیش‌بینی‌ها با استفاده از متغیرهای مختلف مانند داده‌های خارج از کارکردهای منابع انسانی ایجاد می‌کند تا بهترین راهکار در پاسخ به مشکل را توصیه کند. 

علم تحلیل شناختی در منابع انسانی

علم تحلیل شناختی در استفاده از الگوریتم‌های رایانه‌ای برای تقلید از قابلیت‌های شناختی انسان و یافتن راهکارهای سریع برای مسائل پیچیده کاربرد دارد. این نوع ابزار تحلیلی عملیاتی تقریباً تمام مؤلفه‌های لازم برای تحلیل را در خود جای می‌دهد؛ مولفه‌هایی که ممکن است از چشم تصمیم‌گیرندگان پنهان مانده باشند. 

از کاربردهای ملموس علم تحلیل شناختی در جذب استعدادها با استفاده از راهکارهای شناختی، پرورش استعدادها از طریق فناوری‌های شناختی و بهینه‌سازی عملیات منابع انسانی از طریق راهکارهای شناختی است. 

در ادامه به تفکیک هر سطح تجزیه و تحلیل منابع انسانی مثال‌هایی آورده شده است. 

     1. تحلیل توصیفی

هدف: خلاصه کردن داده‌های گذشته و درک آنچه اتفاق افتاده است.

مثال: نرخ ترک کار: محاسبه درصد کارکنانی که طی سال گذشته سازمان را ترک کرده اند. به عنوان مثال، اگر 50 نفر از 500 کارمند از سازمان خارج شوند، نرخ ترک کار 10 درصد خواهد بود. 

     2. تجزیه و تحلیل تشخیصی

هدف: بررسی داده‌ها و شناسایی الگوها جهت تعیین اینکه چرا یک پدیده اتفاق افتاده است. 

مثال: تجزیه و تحلیل ترک کار: بررسی نرخ ترک کار بر اساس حوزه، دوره تصدی، یا نقش شغلی. به عنوان مثال، اگر ترک کار در حوزه فروش در مقایسه با سایر حوزه‌ها بیشتر باشد، تجزیه و تحلیل نشان می‌دهد که 30٪ از کارکنان فروش در سال گذشته ترک کار کرده‌اند، در مقایسه با 10٪ در سایر حوزه‌ها. 

مصاحبه‌های خروج: مصاحبه‌های خروج را برای درک دلایل ترک کارکنان انجام و تجزیه و تحلیل می‌کنند. به عنوان مثال، اگر کارکنان به طور مکرر کمبود فرصت‌های رشد شغلی را به عنوان دلیل ترک ذکر می‌کنند، این بینش تشخیصی به مسائل بالقوه در برنامه‌های توسعه شغلی اشاره می‌کند.

     3. تحلیل پیش بینی کننده

هدف: پیش بینی نتایج آینده بر اساس داده‌های تاریخی.

مثال: پیش بینی جابجایی کارکنان: از داده‌های تاریخی ریزش کارکنان و مدل‌های آماری برای پیش بینی اینکه کدام کارکنان احتمالاً در سال آینده سازمان را ترک خواهند کرد، استفاده می‌شود. به عنوان مثال، یک مدل پیش‌بینی‌کننده ممکن است مشخص کند که کارکنان با کمتر از دو سال سابقه خدمت و نمرات مشارکت پایین در معرض خطر بالاتری برای ترک سازمان هستند.

     4. تجزیه و تحلیل تجویزی

هدف: توصیه اقدامات برای بهبود نتایج آینده بر اساس پیش بینی‌ها و تجزیه و تحلیل.

مثال: استراتژی‌های نگهداشت: بر اساس مدل‌های پیش بینی کننده که کارکنان در معرض ریسک ترک سازمان را شناسایی می‌کنند، می‌توان استراتژی‌های نگهداشت هدفمند مانند برنامه‌های توسعه شغلی مناسب یا مشوق‌های شخصی را توسعه داد. به عنوان مثال، اگر مدل پیش‌بینی کند که کارکنانبا عملکرد بالا در یک حوزه خاص احتمالاً سازمان ترک می‌کنند، رویکرد تجویزی می‌تواند شامل اجرای برنامه‌های مربیگری یا افزایش حقوق و دستمزد برای آن گروه کارکنان باشد. 

شرکت‌ها جهت کشف نحوه بهره‌برداری از داده‌ها، روش‌ها و علم تحلیل به منظور ارتقای وضعیت سرمایه انسانی خود و در نهایت کسب ارزش متعالی برای کسب‌وکار، لازم است درک درستی از ارزیابی وضعیت بلوغ علم تحلیل خود داشته باشد. در مقاله بعدی به موضوع ارزیابی بلوغ تجزیه و تحلیل داده‌های منابع انسانی در سازمان می‌پردازیم. 

:References

Baesens, Bart, Sophie De Winne, and Luc Sels. “Is Your Company Ready for HR Analytics?” MIT Sloan Management Review58, no. 2 (2017): 20. https://doi.org/10.7551/mitpress/11633.003.0011

.Fitz-enz, Jac, and John R. Mattox. Predictive analytics for human resources. Hoboken, NJ: Wiley, 2014

Human Resources Analytics for Business Managers" by Kankana Mukhopadhyay- 2023- Cambridge Scholars Publishing"