Маркетингом, продажами, финансами управляют на основании цифр и показателей. А вот работа с людьми часто строится на интуиции и личных симпатиях руководителей. Это приводит к ошибкам и потерям — талантов и денег. Поэтому решения о сотрудниках тоже лучше подкреплять данными.
У Александра Шевченко, COO Devox Software, — 12 лет опыта в HR и операционном управлении. Сейчас он работает в Hurma System, ранее был HRD/Head of Recruitment в Samsung Experience Store и Liga Group. Нам Александр рассказал, как аналитика помогает нанимать, обучать и коммуницировать с командой.
Зачем бизнесу people-аналитика
В работе с персоналом data-driven подход применяется около 12 лет. Первыми его начали внедрять топовые мировые компании — Hewlett-Packard, Google, IBM, Walmart, Coca Cola и другие. Все они пришли к выводу: цифры помогают принимать более взвешенные управленческие решения.
Есть разные уровни HR-аналитики. Начальный — это работа с операционными HR-метриками, такими как текучесть или скорость закрытия вакансий. Простые кейсы можно решить и с помощью онлайн-ресурсов, загрузив в них данные (например, здесь).
Для работы с более сложными задачами и гипотезами нужно знать основы статистики, математического анализа, специальные программы (к примеру, SPSS) и языки программирования (Python или R). HR может быть просто заказчиком, а выполнять сами задачи по анализу данных будет профильный специалист в области data science (даже на уровне «джуна»).
Какие именно HR-данные собирать и анализировать
Возможных индикаторов для аналитики в HR — сотни. Но не все релевантны для определенной компании. Обычно бизнес выбирает 10–12 целевых HR-показателей с наибольшим влиянием на бизнес-результаты. Начинают чаще всего с «болевых точек» — например, текучести или продуктивности.
Вот несколько популярных направлений и показателей для анализа в HR:
- Рекрутинг. Например, скорость/стоимость закрытия вакансий.
- Онбординг. Зачастую измеряют долю текучести персонала в период испытательного срока или процент увольнений по soft skills.
- Индивидуальный план развития. К примеру, на сколько процентов ИПР выполняются сотрудниками за год.
- Текучесть персонала (turnover rate). Отражает соотношение количества увольнений к численности команды.
- Вовлеченность (engagement rate). Влияет на продуктивность сотрудников, и соответственно — на финансовые показатели бизнеса.
- eNPS (employee net promoter score). Отражает лояльность членов команды и их готовность рекомендовать компанию как работодателя.
- High/low performers. Например, какая доля сотрудников выполняет KPI/OKR на 90% и более (высокопродуктивные), а какая — не справляется с задачами (низкопродуктивные). Зачастую в компаниях представителей обеих категорий — примерно по 10%, остальные имеют средние показатели. Если high/low performers больше/меньше в определенных отделах — это повод анализировать факторы успеха/неуспеха именно в таких командах.
- Сотрудники в «зоне риска». То есть те, которые могут уволиться из компании — обычно это люди с зарплатой ниже рынка, резким падением вовлеченности, продуктивности и т. д.
- Рост фонда оплаты труда. Например, за счет какой части вознаграждения увеличивается ФОТ — постоянной или переменной (бонусы, премии). Бизнесу выгоднее второй вариант — это говорит о фокусе сотрудников на результативности.
Чтобы находить закономерности и использовать их, нужно накопить достаточный массив данных за определенный период (как минимум — год). Чем дольше мы собираем информацию — тем больше возможностей для сравнения.
Периодичность проведения исследований зависит от функции. Например, скорость закрытия вакансий можно измерять ежемесячно, а eNPS — ежегодно. При этом тот же eNPS можно сравнивать в начале работы в компании и после прохождения испытательного срока (показывает, сохраняет ли работодатель стартовую лояльность).
Рекомендую собирать такие данные о сотрудниках:
Чем больше знаний о людях — тем больше интересных выводов можно получить.
К примеру, компания ДТЭК применяла аналитической подход для профилактики травматизма на предприятиях. Для этого исследовали, какие факторы провоцируют сотрудников нарушать правила охраны труда.
Несколько гипотез не подтвердилось. Например, о том, что такая предрасположенность связана с личными качествами — ленью или беспечностью. Более того: нарушители оказались наиболее результативными сотрудниками, готовыми брать на себя ответственность и рисковать ради коллективных результатов. Поэтому в компании решили, что нужно менять культуру безопасности в целом.
Хотите получать дайджест статей?
Как с помощью данных составить профиль успешного кандидата
Каждая компания определяет свои критерии найма. Обычно фокусируются на опыте и образовании кандидатов, но можно обнаружить и дополнительные предикторы успеха.
Например, в одной розничной сети, продающей технику, руководитель во время визитов в магазины и наблюдений за продавцами выдвинул гипотезу: женщины, а также мужчины 30+ работают лучше. Покупатели доверяют им больше — и флагманская группа товаров (более дорогая техника) у них продается чаще. Значит, приоритет в найме нужно отдавать таким кандидатам.
Мы решили проверить предположение. Сравнили показатели продаж по всем продавцам за год и отследили корреляцию с возрастом и полом. Гипотеза могла не подтвердиться — и тогда не было бы смысла вносить изменения в процесс рекрутинга («удлинять» найм, увеличивать ставку — ведь соискатели 30+ не откликаются на «студенческие» зарплаты). Но в данном случае руководитель оказался прав — поэтому мы изменили профиль кандидата и приоритеты в найме.
Данные помогают избавиться от ложных убеждений. Например, компания считает, что для успешной работы нужно нанимать соискателей из той же сферы. Но так ли это? Можно сравнить показатели продуктивности разных сотрудников: тех, которые работали на том же рынке, и свитчеров. Если корреляции нет — значит, не нужно «удлинять» найм, чтобы найти именно людей с опытом. При этом универсальных решений не существует, ведь компании работают с разными продуктами, клиентами и условиями.
Как data повышает качество рекрутинга
С помощью данных можно нанимать людей быстрее и качественнее. Например, Google проанализировала десятки тысяч собеседований с кандидатами и пришла к выводу, что некоторые этапы интервью (в том числе головоломки) — бесполезны и не помогают спрогнозировать успешность кандидата. Это помогло повысить эффективность системы привлечения талантов.
Есть много показателей качества рекрутинга, каждая компания определяет свои. Например, в IT-аутсорсинге в приоритете скорость закрытия вакансий.
Допустим, компания хочет нанимать быстрее. Но оказывается, что рекрутер на первом этапе коммуницирует со 100 кандидатами в LinkedIn. А финалисты, которых собеседуют менеджеры, редко получают офферы, приходится начинать сначала. Значит, нужно найти «брешь». К примеру, еще на этапе скрининга грамотнее вести переписку с кандидатами или внимательнее анализировать профили перед диалогом.
Найти «слабое звено» в найме поможет сравнение своих показателей с другими бизнесами (бенчмарк). Допустим, компания подсчитала: чтобы соискателю сделали оффер — рекрутеры должны «показать» руководителям 10 кандидатов. В других организациях — в среднем 5. Это может указывать на рассинхрон — например, рекрутерам и руководителям нужно пересмотреть критерии заявок на поиск.
Как снизить текучесть персонала
Если бизнес хочет сократить количество увольнений и удерживать таланты, нужно понять — почему люди уходят.
Например, Hewlett-Packard считается одним из лидеров в области прогнозирования выгорания и ухода сотрудников. Ученые составили для компании аналитическую модель, которая в 2011–2013 годах помогла предотвратить большую долю увольнений и сэкономить около $300 млн. Эффективная прогнозная модель разработана и в IBM — ее точность составляет 95%.
Компания Johnson & Johnson проанализировала данные 47 тыс. сотрудников и пришла к выводу, что недавние выпускники становятся более лояльными сотрудниками, чем опытные специалисты. А заметной разницы в продуктивности нет. Johnson & Johnson начала нанимать на 20% больше выпускников — и сократила число увольнений.
Кроме того, в исследовании текучести прежде всего нужно анализировать «удельный вес» ухода людей на испытательном сроке. Но причины могут быть разными. Например, если сотрудников зачастую увольняют из-за несоответствия soft skills — скорее всего, отдел рекрутинга невнимательно оценивает эти навыки на входе. А ситуацию поможет исправить привязка бонусной системы рекрутеров не только к количеству, но и к качеству закрытия вакансий.
Как определить, эффективно ли обучение команды
Компаниям важно знать, эффективно ли они инвестируют бюджет на обучение персонала. Допустим, если проводится тренинг для отдела продаж — начали ли сейлзы использовать новые знания и навыки? И привело ли это к росту продаж?
Можно сравнить показатели конверсии до и после тренинга. Но важно убедиться, что на рост/падение не повлияли другие факторы — например, высокий/низкий сезон.
Правильно ли менеджеры коммуницируют с командой
«Оцифровать» можно даже отношения в команде. Правда, результаты иногда оказываются неожиданными.
Например, по запросу одной компании я помогал исследовать взаимосвязь между продуктивностью сотрудников и качеством коммуникации руководителей. Мы дали менеджерам опросники и предложили оценить качество работы подчиненных (в баллах). А членов команды — свою удовлетворенность общением с руководителями.
Изначально предполагалось, что чем больше люди довольны отношениями с лидером — тем эффективнее они работают. К нашему удивлению, корреляция была обратной: в командах с высокой продуктивностью менеджеры получили от сотрудников средние оценки. При дальнейшем исследовании оказалось, что эти руководители более строгие и требовательные. Именно потому результаты работы выше, но общение — не всегда как «теплая ванна».
А вот в командах, где отличная атмосфера, есть элементы панибратства — что вредит качеству работы. В компании приняли решение пересмотреть технологию менеджмента, сфокусироваться на планировании и контроле.
Работу с людьми нельзя оцифровать на 100%, да и не нужно — в любых отношениях «человек-человек» есть место нерациональному (например, эмпатии и доверию). Но people-аналитика может сделать эту сферу более управляемой.
Обрабатывать данные о сотрудниках будет все проще даже неподготовленным пользователям. Создается больше софта, чтобы собирать, исследовать, визуализировать показатели и замечать инсайты. Но системы могут только помочь найти закономерности. А вот как использовать их, принимая решения о людях, — останется в зоне ответственности менеджеров и HR-ов.
Хотите получать дайджест статей?
