tre errori hr analytics

HR Analytics: i tre errori più frequenti

Il verso valore degli HR Analytics si basa su nuovi approcci di Data Science, in grado di completare le metodologie HR. Oggi, sono necessari nuovi approcci, nuove competenze e nuove metodologie di Data Science. Ma soprattutto pensare con “in testa i dati”.

Le Direzioni HR devono fare un salto logico nella scelta dei dati, nelle domande da porre ai dati stessi e nella presa di decisioni – anceh strategiche – basate sui dati per prendere decisioni.

Da tempo le Direzioni HR possono contare su processi, metodologie e strumenti di misurazione consolidati e ampiamente sperimentati. Forse proprio per questo, faticano a vedere il vero potenziale della Data Science in ambito HR. 

Focus sull’individuo

I tradizionali processi di People Management e le relative metriche rispondono ad una stessa domanda: quale valore può dare la persona all’azienda?

Valutazione di potenziale, competenze, performance, talent, succession planning si concentrano sulla crescita della persona su uno sfondo organizzativo e di business immobile.

Oggi non è più così, perché il contesto competitivo è cambiato.

Oggi il cliente è sempre connesso, la quota di servizio è una parte sempre più importante nella proposta di valore, i competitor arrivano anche da settori di business diversi dal proprio.

Tuttavia, lo sforzo di innovazione e cambiamento che molte aziende stanno facendo, spesso si traduce nel recruiting di profili legati alle nuove professioni, che poi vengono inserite in un’organizzazione che mantiene inalterate le modalità di lavoro, i modelli di performance e di potenziale, invece di creare un workplace al fine di dare lo spazio di autonomia necessario affinché le persone possano generare innovazione.

Le aziende che oggi si dimostrano più competitive, invece, chiedono alle persone di agire con maggior discrezionalità per poter raggiungere i risultati. Pertanto, anche ruoli, responsabilità, autonomie vengono rivisti. L’organizzazione deve diventare realmente adattiva. I nuovi modelli organizzativi hanno, infatti, come entità chiave il team e i network, non solo gli individui.

Gli indicatori predittivi di risultato e sviluppo della persona di oggi non sono aggiornati. In sintesi, il data set degli attuali processi di People Management offre una descrizione “caleidoscopica” della singola persona, spesso non utile a supportare decisioni di Human Capital in ottica strategica.

Ragionare come un Silos

Le Direzioni HR continuano a sfruttare il set metodologico e di strumenti di valutazione che hanno superato la prova del tempo, fornendo reportistiche, oggi sicuramente più accattivanti e di facile interpretazione rispetto al passato.

Tuttavia, queste reportistiche prendono in considerazione solo i dati HR. D’altra parte, da sempre AD e Board aziendali hanno chiesto alle Direzioni HR semplicemente questo: “la produzione di report sul personale”.

Il potenziale degli HR Analytics va oltre a semplici dashboard “del personale”. Come in ogni progetto di Intelligenza Artificiale, la ricchezza e diversificazione del data set sono fattore cruciale per riuscire a identificare nuovi pattern, spiegare da cosa dipendono esiti positivi/negativi di determinate azioni, e soprattutto predire quali saranno i fattori alla base di decisioni, azioni e comportamenti di successo in scenari futuri.

Il vero valore degli HR Analytics risiede nella possibilità di identificare relazioni e algoritmi in grado di far emergere significati e fenomeni prima non visibili, e supportare le decisioni della Direzione HR attraverso predizioni.

Si pensi solo al tema “Employee Experience”. Andando oltre le mode, la possibilità di progettare un’esperienza lavorativa di successo, richiede un comprensione personalizzata dei propri dipendenti su molti aspetti della vita professionale e personale.

Non solo. Non ci si può fermare a scattare una fotografia, ma occorre “girare un film”. Fuor di metafora, non è sufficiente arricchire i dati sul dipendente andando oltre le informazioni professionali e demografiche, ma occorre comprendere per esempio come alcune scelte progettuali del workplace (spesso digital), dei sistemi premianti, del welfare possono incidere positivamente su performance, appartenenza, etc.

E’, quindi, cruciale che la Direzione HR conosca e comprenda le metodologie di Intelligenza Artificiale e Machine Learning.

Solo in qeusto modo è possibile sfruttare con consapevolezza i dati di business (anche esterni all’azienda) e sociali per arrivare a costruire HR Analytics in grado di far emergere nuovi pattern della relazione persone-impatto sul business.

Disponibilità e qualità dei dati

Questo è un punto chiave in ogni progetto di Intelligenza Artificiale, non solo in ambito HR.

Per quanto riguarda la disponibilità dei dati, anche quando la DIrezione HR supera la visione a silos, si trova davanti a due problemi:

  • i dati ci sono, ma sono parziali e dispersi in data base diversi
  • i dati non sono confrontabili perché rilevati con metodologie e tempistiche diverse, sono parziali e/o sono poco attendibili

Il primo problema lo possiamo definire semplice. Ossia, è ben identificato e con soluzioni disponibili. Processi automatizzati di Data Preparation o in casi estremi il più oneroso intervento umano, sono disponibili e ampiamente sperimentati.

Il secondo aspetto, invece, è più complesso. Spesso la base dati è incompleta. Pensiamo solo ai dati di valutazione del potenziale o di performance che differiscono da persona a persona a seconda del percorso di carriera che hanno potuto fare. Anceh qui, funzioni di Data Mining ci vengono in soccorso, ma con l’obiettivo di 

Il problema della qualità dei dati, è evidente da tempo per quanto riguarda la valutazione della performance. Più volte abbiamo assistito all’intervento di HR nei confronto dei  Manager per richiamarli ad un uso della scala di valutazione più oggettivo e meno “protettivo” o “politico”. Queste situazioni hanno generato una base dati poco attendibile.

Questi problemi sono facilmente aggredibili, e lo dimostra l’efficacia delle soluzioni già sperimentate grazie agli approcci e alle metodologie di Data Science.

No Comments

Post a Comment

error: