Στον σύγχρονο επιχειρηματικό κόσμο, τα People Analytics αναδεικνύονται σε πολύτιμους συμμάχους των οργανισμών,  καθώς με την αξιοποίησή τους μπορούν να εντοπίσουν πεδία βελτίωσης, να αυξήσουν τη δέσμευση και διατήρηση των εργαζομένων τους και να αντιμετωπίσουν πιθανούς κινδύνους.

Στο σημερινό, ταχέως εξελισσόμενο και μεταβαλλόμενο επιχειρηματικό τοπίο, η ανάλυση δεδομένων αποτελεί ένα ανεκτίμητο εργαλείο για τις επιχειρήσεις σε διάφορους τομείς. Ειδικότερα, τα τμήματα ανθρώπινου δυναμικού μπορούν να αξιοποιήσουν τη δύναμη της ανάλυσης δεδομένων για τη λήψη τεκμηριωμένων αποφάσεων που επηρεάζουν θετικά τους οργανισμούς τους και προάγουν την ευημερία των εργαζομένων. Αναλύοντας βασικές μετρήσεις και τάσεις, οι επαγγελματίες του τομέα HR μπορούν να αποκτήσουν πολύτιμες πληροφορίες για το ανθρώπινο δυναμικό τους, να εντοπίσουν περιοχές προς βελτίωση και να βελτιστοποιήσουν τις στρατηγικές για την ενίσχυση της παραγωγικότητας και της συνολικής ευημερίας και ευεξίας.

Η ΣΗΜΑΣΙΑ ΤΗΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ ΣΤΟ HR
Η ανάλυση δεδομένων διαδραματίζει καθοριστικό ρόλο στις σύγχρονες πρακτικές ανθρώπινου δυναμικού. Αξιοποιώντας τη δύναμή τους, τα στελέχη HR μπορούν να αποκτήσουν σημαντικές πληροφορίες που θα συμβάλλουν καθοριστικά στις διαδικασίες λήψης αποφάσεων. Ορισμένοι -βασικοί- τομείς στους οποίους η ανάλυση δεδομένων μπορεί να έχει σημαντικό αντίκτυπο είναι οι εξής:

Talent Acquisition & Retention: Αναφορικά με τις διαδικασίες πρόσληψης, οι ομάδες ανθρώπινου δυναμικού μπορούν να προσδιορίσουν αποτελεσματικά κανάλια αναζήτησης, να βελτιστοποιήσουν τις μεθόδους ελέγχου των υποψηφίων και να αναπτύξουν στοχευμένες στρατηγικές πρόσληψης για την προσέλκυση και διατήρηση του ταλέντου.

Employee Engagement & Satisfaction: Τα People Analytics μετρούν τα επίπεδα δέσμευσης των εργαζομένων, προσφέροντας πολύτιμα Insights έτσι ώστε τα τμήματα HR να καταγράψουν τους παράγοντες που επηρεάζουν την εργασιακή ικανοποίηση και κατόπιν, να σχεδιάσουν αντίστοιχες στρατηγικές για τη βελτίωση της ευημερίας, της παραγωγικότητας και της συνολικής ικανοποίησης των εργαζομένων.

Performance Management: Το data-driven performance ma-nagement επιτρέπει στα τμήματα Ανθρώπινου Δυναμικού να αξιολογούν αντικειμενικά την απόδοση των εργαζομένων, να εντοπίζουν τα κενά δεξιοτήτων και να σχεδιάζουν εξατομικευμένα σχέδια ανάπτυξης για την προώθηση της ανάπτυξης και της εξέλιξης της σταδιοδρομίας.

Diversity, Equity, Inclusion: Με τη συμβολή των People Analytics, τα τμήματα ΔΑΔ μπορούν να παρακολουθούν τις μετρήσεις που αφορούν στο DEIB του οργανισμού τους με βάση τους στόχους που έχουν τεθεί. Με αυτόν τον τρόπο, βρίσκονται σε συνεχή παρακολούθηση της προόδου που υφίσταται και μπορούν εγκαίρως να προβούν σε αντίστοιχες ενέργειες προς βελτίωση.

Workforce Planning & Succession Management: Η ανάλυση δεδομένων προσφέρει στους επαγγελματίες του τομέα Ανθρώπινου Δυναμικού πληροφορίες σχετικά με τα δημογραφικά στοιχεία του ανθρώπινου δυναμικού και τον προγραμματισμό διαδοχής, επιτρέποντας προληπτικές στρατηγικές διαχείρισης ταλέντων και ενισχύοντας την ομαλή μετάβαση στις όποιες αλλαγές. Τα People Analytics μπορούν να συμβάλλουν καθοριστικά στον εντοπισμό εργαζομένων με υψηλό potential, για να αναλάβουν ηγετικούς ρόλους.

Αναφορικά με τα βήματα ως προς την αξιοποίηση των HR Analytics, κρίνεται σκόπιμο να ληφθούν υπόψη τα εξής:

 Προσδιορισμός βασικών μετρήσεων: Οι επαγγελματίες του τομέα Ανθρώπινου Δυναμικού πρέπει να καθορίσουν βασικές μετρήσεις, όπως τα ποσοστά κύκλου εργασιών, οι απουσίες, οι βαθμολογίες δέσμευσης των εργαζομένων, η αποτελεσματικότητα της κατάρτισης και η χρήση των προγραμμάτων υγειονομικής περίθαλψης. Επιπλέον, η Διεύθυνση Ανθρώπινου Δυναμικού μπορεί να παρακολουθεί μετρήσεις που σχετίζονται με την πολυμορφία και την ένταξη, όπως το ποσοστό εκπροσώπησης σε διαφορετικά οργανωτικά επίπεδα και η μισθολογική ισότητα, για να προωθήσει ουσιαστικές αλλαγές μέσα στον οργανισμό.

 Συλλογή και ενσωμάτωση δεδομένων: Τα τμήματα ανθρώπινου δυναμικού θα πρέπει να επενδύσουν σε συστήματα συλλογής δεδομένων που καταγράφουν με ακρίβεια και ασφάλεια τα σχετικά δεδομένα των εργαζομένων. Η ενσωμάτωση διαφορετικών συστημάτων ανθρώπινου δυναμικού, όπως η μισθοδοσία, η διαχείριση επιδόσεων και η διαχείριση παροχών, εξασφαλίζει μία ολιστική εικόνα των δεδομένων των εργαζομένων για ακριβέστερη ανάλυση. Παράλληλα, αξιοποιώντας προηγμένες τεχνολογίες, όπως η τεχνητή νοημοσύνη και η μηχανική μάθηση, το HR μπορεί να αυτοματοποιήσει τις διαδικασίες συλλογής δεδομένων και να ελαχιστοποιήσει τα ανθρώπινα λάθη.

Οπτικοποίηση δεδομένων και Reporting: Για την αποτελεσματική κοινοποίηση των insights, τα στελέχη HR μπορούν να χρησιμοποιούν εργαλεία οπτικοποίησης δεδομένων που μετατρέπουν πολύπλοκα σύνολα δεδομένων σε εύκολα ερμηνεύσιμες οπτικές αναπαραστάσεις. Το τμήμα ανθρώπινου δυναμικού μπορεί να αξιοποιήσει, για παράδειγμα, infographics για την παρουσίαση βασικών ευρημάτων και τάσεων στη διοίκηση, επιτρέποντας συζητήσεις με βάση τα δεδομένα και ως εκ τούτου, την τεκμηριωμένη λήψη αποφάσεων.

9 +4 ΟΡΟΙ ΓΙΑ ΤΑ HR ANALYTICS ΠΟΥ ΘΑ ΠΡΕΠΕΙ ΝΑ ΓΝΩΡΙΖΕΤΕ
Ο Eric Van Vulpen, ιδρυτής του Academy to Innovate for HR, Thought Leader, ειδικός σε θέματα People Analytics, Digital HR & the Future of Work και ένας από τους ομιλητές που έχει φιλοξενήσει το Digi HR Conference, περιγράφει σε άρθρο του στο AIHR, εννέα (9) όρους που πρέπει κάθε στέλεχος HR να γνωρίζει αναφορικά με τα HR Data & Analytics. Συγκεκριμένα:

  1. Data Mining: Η εξόρυξη δεδομένων, όπως αποδίδεται ο όρος στα ελληνικά, αναφέρεται στη διαδικασία ανακάλυψης μοτίβων και πληροφοριών από ακατέργαστα σύνολα δεδομένων. Αυτή η διαδικασία επιτρέπει τη μετατροπή αυτών των δεδομένων σε πολύτιμες πληροφορίες που μπορούν να χρησιμοποιηθούν για την πρόβλεψη της συμπεριφοράς και των(σ)τάσεων που αφορούν στους εργαζόμενους. Με τη χρήση Data Mining, οι οργανισμοί μπορούν να διαμορφώσουν σενάρια που θα βασίζονται σε αυτές τις πληροφορίες, προκειμένου να λάβουν επικαιροποιημένες και προληπτικές αποφάσεις για τη διαχείριση και την ανάπτυξη του ανθρώπινου δυναμικού τους.
  2. Machine Learning: Η μηχανική μάθηση αποτελεί μία τεχνική που χρησιμοποιείται συνήθως στη διαδικασία του data mining. Μέσω αυτής της τεχνικής, μία μηχανή (υπολογιστής), μαθαίνει από τα δεδομένα που έχει στη διάθεσή της, αναλύοντας και εντοπίζοντας μοτίβα. Αυτό σημαίνει ότι η μηχανική μάθηση μπορεί να θεωρηθεί ως μία μορφή τεχνητής νοημοσύνης (ΑΙ), καθώς παρέχει στους υπολογιστές τα απαραίτητα εργαλεία που χρειάζονται προκειμένου να επεξεργάζονται νέες πληροφορίες.
  3. Decision-tree: Ένα «δέντρο αποφάσεων» είναι ένα μοντέλο που προσομοιάζεται με δέντρο και αποτελείται από αποφάσεις και τις πιθανές συνέπειες αυτών. Πρόκειται για ένα χρήσιμο εργαλείο για την πραγματοποίηση προβλέψεων στο εγγύς μέλλον. Ένα decision-tree δίνει τη δυνατότητα πρόβλεψης με βάση τα υφιστάμενα δεδομένα. Αυτό, θα μπορούσε κάποιος να ισχυριστεί, ότι μοιάζει με τον τρόπο με τον οποίο ο καθένας μαθαίνει από τις εμπειρίες του.
  4. R: Σύμφωνα με τον Eric Van Vulpen, οι περισσότεροι Predictive HR αναλυτές χρησιμοποιούν το R και όχι το Excel. Το R είναι ένα σύστημα ανοικτού κώδικα για στατιστικούς υπολογισμούς και την οπτικοποίησή τους, το οποίο δίνει τη δυνατότητα να εργάζεται κάποιος σε τεράστια σύνολα δεδομένων, που δεν είναι διαχειρίσιμα για ένα Excel.
  5. Δομημένα ή μη-δομημένα δεδομένα: Τα δομημένα δεδομένα αναφέρονται σε πληροφορίες που έχουν οργανωθεί σε μια συγκεκριμένη δομή, όπως ένα φύλλο υπολογιστή ή μία βάση δεδομένων. Για παράδειγμα, η Διεύθυνση Ανθρώπινου Δυναμικού μπορεί να διαθέτει δομημένα δεδομένα όπως τα ονόματα των εργαζομένων, την ηλικία τους, τον τόπο διαμονής και το τμήμα στο οποίο εργάζονται. Αντίθετα, τα μη-δομημένα δεδομένα αναφέρονται σε πληροφορίες που δεν έχουν οργανωθεί σε μια συγκεκριμένη δομή, όπως τα emails. Προτού προχωρήσουμε σε ανάλυση αυτών των δεδομένων, είναι σημαντικό να τα ταξινομήσουμε και να τα οργανώσουμε με κατάλληλο τρόπο.
  6. Supervised vs. unsupervised learning: Η διαχείριση του ανθρώπινου δυναμικού συνδέεται στενά με τις δύο βασικές προσεγγίσεις της μηχανικής μάθησης, την εποπτευόμενη και τη μη εποπτευόμενη μάθηση. Μέσω της εποπτευόμενης μάθησης, οι εταιρείες μπορούν να δημιουργήσουν προγνωστικά μοντέλα για την αποχώρηση εργαζομένων. Αναλύοντας τα δεδομένα των εργαζομένων που έχουν αποχωρήσει εθελοντικά από την εταιρεία και συγκρίνοντάς τα με τα στοιχεία των εργαζομένων που παρέμειναν, οι εταιρείες μπορούν να αναπτύξουν μοντέλα που προβλέπουν την πιθανότητα αποχώρησης εργαζομένων. Αυτό μπορεί να βοηθήσει τις εταιρείες να λάβουν προληπτικά μέτρα για τη διατήρηση του ανθρώπινου δυναμικού τους και να αναπτύξουν πολιτικές που ενισχύουν την εργασιακή ικανοποίηση και διατηρούν τους εργαζόμενους στην εταιρεία. Από την άλλη πλευρά, η μη εποπτευόμενη μάθηση μπορεί να χρησιμοποιηθεί για να αναδείξει πρότυπα στα δεδομένα που δεν έχουν προκαθορισμένες ετικέτες. Οι εταιρείες μπορούν να χρησιμοποιήσουν αυτήν την προσέγγιση για να εντοπίσουν ομάδες ή κοινότητες εργαζομένων με κοινά χαρακτηριστικά, να κατανοήσουν καλύτερα τις διαφορετικές ανάγκες και προτιμήσεις των εργαζομένων τους και να προσαρμόσουν αντίστοιχα τις πολιτικές και τις διαδικασίες τους.
  7. Clustering: Το clustering συνδέεται με την ανάγκη των εταιρειών να κατανοήσουν και να οργανώσουν τα δεδομένα τους για να λάβουν ενημερωμένες αποφάσεις σχετικά με τους εργαζόμενους. Με τη χρήση του clustering, οι εταιρείες μπορούν να ομαδοποιήσουν τους εργαζομένους τους σε διαφορετικές κατηγορίες/συστάδες βάσει κοινών χαρακτηριστικών, όπως επαγγελματικές δεξιότητες, εμπειρία, απόδοση και προτιμήσεις. Επιπλέον, το clustering μπορεί να χρησιμοποιηθεί για την αναγνώριση των πιθανών προτύπων συμπεριφοράς των εργαζομένων και των παραγόντων που επηρεάζουν την απόδοσή τους.
  8. Training data vs. test data: Τα training data αποτελούν το σύνολο δεδομένων που χρησιμοποιείται για την εκπαίδευση του αλγορίθμου πρόβλεψης. Αυτά τα δεδομένα περιλαμβάνουν πληροφορίες και παραδείγματα προηγούμενων περιπτώσεων ή άλλων παραμέτρων που σχετίζονται με τους εργαζομένους. Αυτό το σύνολο δεδομένων εκπαιδεύει τον αλγόριθμο να αναγνωρίζει μοτίβα και να κάνει προβλέψεις με βάση τις παραμέτρους που του παρέχονται. Από την άλλη πλευρά, τα test data αποτελούν ένα ξεχωριστό σύνολο δεδομένων που χρησιμοποιείται για να αξιολογήσει την απόδοση του αλγορίθμου. Αυτά τα δεδομένα δεν έχουν χρησιμοποιηθεί κατά τη διάρκεια της εκπαίδευσης και η αξιοποίησή τους βοηθά στο να αξιολογηθεί η απόδοση του αλγόριθμου βάσει των προβλέψεων του, αντιμετωπίζοντας έτσι το πρόβλημα του overfitting και εξασφαλίζοντας την ακρίβεια των προβλέψεων του.
  9. Overfitting: Το overfitting, που αναφέρθηκε παραπάνω, περιγράφει μία κατάσταση κατά την οποία ένα μοντέλο μηχανικής μάθησης είναι τόσο πολύ προσαρμοσμένο στα δεδομένα εκπαίδευσης του, ώστε να χάνει την ικανότητά του να εξάγει συμπεράσματα από νέα δεδομένα. Με άλλα λόγια, το μοντέλο «μαθαίνει» τα δεδομένα εκπαίδευσης τόσο καλά ώστε να προσαρμόζεται ακριβώς σε κάθε αλλαγή ή διακύμανση στα δεδομένα αυτά, αντί να αναγνωρίζει τα γενικά μοτίβα που προκύπτουν.

Πέραν, όμως, των παραπάνω όρων, τα στελέχη HR οφείλουν να γνωρίζουν τα 4 είδη των αναλύσεων, όπως περιγράφονται σε άρθρο στο περιοδικό The HR Digest. Eιδικότερα:

  1. Descriptive Analytics: Η περιγραφική ανάλυση επικεντρώνεται στην κατανόηση ιστορικών δεδομένων και την παρουσίασή τους με ουσιαστικό τρόπο. Περιλαμβάνει τη σύνοψη και την οπτικοποίηση των μετρήσεων HR για την απόκτηση γνώσεων σχετικά με τις τάσεις, τα πρότυπα και τις σχέσεις του παρελθόντος. Η περιγραφική αναλυτική απαντά σε ερωτήσεις όπως «Τι συνέβη;» και παρέχει τα θεμέλια για πιο προηγμένη αναλυτική. Με την ανάλυση περιγραφικών δεδομένων ανθρώπινου δυναμικού, οι οργανισμοί μπορούν να αποκτήσουν μία ολοκληρωμένη εικόνα του ανθρώπινου δυναμικού τους, να εντοπίσουν τομείς βελτίωσης και να παρακολουθήσουν βασικούς δείκτες επιδόσεων. Αυτός ο τύπος ανάλυσης χρησιμοποιείται συνήθως για την υποβολή εκθέσεων, τη συγκριτική αξιολόγηση και την παρακολούθηση των μετρήσεων ανθρώπινου δυναμικού.
  2. Diagnostic Analytics: Η διαγνωστική ανάλυση έχει ως σκοπό να αποκαλύψει τα βαθύτερα αίτια και τους παράγοντες που συμβάλλουν στα αποτελέσματα που έχουν προκύψει. Περιλαμβάνει την ανάλυση δεδομένων HR για να κατανοήσει γιατί υπάρχουν ορισμένες τάσεις ή μοτίβα και ποιοι παράγοντες τις οδηγούν. Τα diagnostic analytics στοχεύουν στο να απαντήσουν σε ερωτήματα όπως «Γιατί συνέβη αυτό;» και να παρέχουν πληροφορίες σχετικά με τους παράγοντες που επηρεάζουν τις επιδόσεις του ανθρώπινου δυναμικού. Με τη διεξαγωγή τους, οι οργανισμοί μπορούν να εντοπίσουν τους βαθύτερους λόγους που κρύβονται πίσω από την εναλλαγή των εργαζομένων, τα ζητήματα απόδοσης ή τις προκλήσεις δέσμευσης.
  3. Predictive Analytics: Η προγνωστική ανάλυση χρησιμοποιεί ιστορικά δεδομένα για την πρόβλεψη μελλοντικών αποτελεσμάτων. Περιλαμβάνει την εφαρμογή τεχνικών στατιστικής μοντελοποίησης και μηχανικής μάθησης για τον εντοπισμό μοτίβων και τάσεων που μπορούν να χρησιμοποιηθούν για την πρόβλεψη μελλοντικών συμβάντων HR. Η προγνωστική ανάλυση απαντά σε ερωτήματα όπως «Τι είναι πιθανό να συμβεί;» και επιτρέπει στους οργανισμούς να σχεδιάζουν προληπτικά και να λαμβάνουν τεκμηριωμένες αποφάσεις. Με την αξιοποίησή της, οι οργανισμοί μπορούν να προβλέπουν τη φθορά των εργαζομένων, να καθορίζουν τις ανάγκες κατάρτισης και να προβλέπουν τις μελλοντικές απαιτήσεις σε ταλέντα.
  4. Prescriptive Analytics: Τα prescriptive analytics αντιπροσωπεύουν το υψηλότερο επίπεδο ωριμότητας των HR analytics. Επεκτείνονται πέρα από την κατανόηση του τι έχει συμβεί και τι είναι πιθανό να συμβεί, παρέχοντας συστάσεις σχετικά με τις ενέργειες που πρέπει να γίνουν. Με την εφαρμογή των prescriptive analytics, οι οργανισμοί μπορούν να βελτιστοποιήσουν τις διαδικασίες ανθρώπινου δυναμικού, όπως η πρόσληψη, η κατάρτιση και η διαχείριση επιδόσεων. Επιτρέπει στους επαγγελματίες του τομέα Ανθρώπινου Δυναμικού να λαμβάνουν αποφάσεις βάσει δεδομένων που μεγιστοποιούν την απόδοση των εργαζομένων, τη δέσμευση και τη συνολική οργανωτική επιτυχία.

ΟΙ ΒΑΣΙΚΕΣ ΜΕΤΡΗΣΕΙΣ ΣΤΗ ΣΤΡΑΤΗΓΙΚΗ HR
Για τη λήψη αποφάσεων βάσει δεδομένων, οι οργανισμοί βασίζονται σε διάφορες μετρήσεις ανάλυσης ανθρώπινου δυναμικού. Σύμφωνα με άρθρο στο The HR Digest, μερικές από τις βασικές μετρήσεις που χρησιμοποιούνται συνήθως στα People Analytics είναι οι εξής:

 Revenue Per Employee: Τα έσοδα ανά εργαζόμενο είναι μία βασική μετρική που μετρά την αποτελεσματικότητα ενός οργανισμού στη δημιουργία εσόδων ανά εργαζόμενο. Παρέχει πληροφορίες σχετικά με το πόσο αποτελεσματικά ένας οργανισμός χρησιμοποιεί το ανθρώπινο δυναμικό του για την προώθηση της επιχειρηματικής ανάπτυξης. Τα έσοδα ανά εργαζόμενο υπολογίζονται διαιρώντας τα συνολικά έσοδα της εταιρείας με τον αριθμό των εργαζομένων. Με την παρακολούθηση των εσόδων ανά εργαζόμενο, οι οργανισμοί μπορούν να αξιολογήσουν την παραγωγικότητα και την αποτελεσματικότητα του ανθρώπινου δυναμικού τους.

 Time to Fill: Ο χρόνος «πλήρωσης» είναι μία μετρική που μετρά τον μέσο χρόνο που απαιτείται για την πλήρωση μίας ανοικτής θέσης στον οργανισμό. Παρέχει πληροφορίες σχετικά με την αποτελεσματικότητα της διαδικασίας πρόσληψης και την ικανότητα του οργανισμού να προσελκύει και να προσλαμβάνει κατάλληλους υποψηφίους. Ο χρόνος πλήρωσης υπολογίζεται μετρώντας τον αριθμό των ημερών από την ανάρτηση μίας θέσης εργασίας έως την αποδοχή της προσφοράς από τον υποψήφιο. Αυτή η μέτρηση συμβάλλει στον εξορθολογισμό της διαδικασίας πρόσληψης, στην ελαχιστοποίηση των κενών και στη διασφάλιση της ομαλής μετάβασης για τους νεοπροσλαμβανόμενους.

Turnover Rates: Τα ποσοστά εθελούσιας και ακούσιας εναλλαγής προσωπικού είναι μετρικές που μετρούν το ποσοστό των εργαζομένων που εγκαταλείπουν τον οργανισμό οικειοθελώς ή ακούσια. Ο εθελοντικός κύκλος εργασιών αντικατοπτρίζει τις αποφάσεις των εργαζομένων να εγκαταλείψουν τον οργανισμό, ενώ ο ακούσιος κύκλος εργασιών αντιπροσωπεύει τους εργαζομένους που απολύονται. Με την παρακολούθησή τους, οι οργανισμοί μπορούν να αξιολογήσουν τις στρατηγικές διατήρησης των εργαζομένων τους και να εντοπίσουν πιθανούς τομείς βελτίωσης.

Offer Acceptance Rate: Το ποσοστό αποδοχής προσφορών μετρά το ποσοστό των προσφορών εργασίας που αποδέχονται οι υποψήφιοι. Παρέχει πληροφορίες σχετικά με την αποτελεσματικότητα της διαδικασίας πρόσληψης και την ικανότητα του οργανισμού να προσελκύει και να δεσμεύει κορυφαία ταλέντα. Το offer acceptance rate υπολογίζεται διαιρώντας τον αριθμό των αποδεκτών προσφορών εργασίας με τον συνολικό αριθμό των προσφορών εργασίας που έχουν διατεθεί. Αυτή η μέτρηση συμβάλλει στη βελτιστοποίηση της στρατηγικής προσλήψεων, στη βελτίωση της εμπειρίας των υποψηφίων και στην αύξηση της πιθανότητας εξασφάλισης κορυφαίων ταλέντων.

 Retention Rate: Το ποσοστό διατήρησης μετρά το ποσοστό των εργαζομένων που παραμένουν στον οργανισμό για ένα συγκεκριμένο χρονικό διάστημα. Παρέχει πληροφορίες σχετικά με την ικανότητα του οργανισμού να διατηρεί τα ταλέντα και να δημιουργεί ένα θετικό εργασιακό περιβάλλον. Το retention rate υπολογίζεται διαιρώντας τον αριθμό των εργαζομένων που παραμένουν απασχολούμενοι με τον συνολικό αριθμό των εργαζομένων. Με την παρακολούθηση του ποσοστού διατήρησης, οι οργανισμοί μπορούν να αξιολογήσουν την αποτελεσματικότητα των στρατηγικών διαχείρισης ταλέντων τους και να εντοπίσουν τομείς προς βελτίωση.

 Absence Rate: Το ποσοστό απουσιών μετρά τον αριθμό των ημερών που οι εργαζόμενοι απουσιάζουν από την εργασία τους, εξαιρουμένων των εγκεκριμένων αδειών, όπως οι διακοπές. Παρέχει πληροφορίες σχετικά με την παρουσία των εργαζομένων, τη δέσμευση και την παραγωγικότητα. Το ποσοστό απουσιών υπολογίζεται διαιρώντας τον αριθμό των ημερών απουσίας των εργαζομένων με τον συνολικό αριθμό των εργάσιμων ημερών σε μια συγκεκριμένη περίοδο. Αυτή η μέτρηση συμβάλλει στη βελτιστοποίηση του σχεδιασμού του ανθρώπινου δυναμικού, στην ελαχιστοποίηση των απωλειών παραγωγικότητας και στη βελτίωση της συνολικής οργανωτικής απόδοσης.

ΕΝ ΚΑΤΑΚΛΕΙΔΙ
Τα People Analytics & Data αποτελούν κρίσιμα εργαλεία για κάθε οργανισμό που αναζητά τη βελτίωση των επιδόσεών του στον τομέα του ανθρώπινου δυναμικού και την επίτευξη των επιχειρηματικών του στόχων. Με την αξιοποίηση των μετρήσεων και αναλύσεων, οι οργανισμοί μπορούν να εντοπίσουν πεδία βελτίωσης στον προγραμματισμό του ανθρώπινου δυναμικού τους, να αυξήσουν τη δέσμευση και διατήρηση των εργαζομένων και να αντιμετωπίσουν πιθανούς κινδύνους. Για να επιτύχουν αυτούς τους στόχους, οι οργανισμοί χρειάζονται επίσης κατάλληλα συστήματα και μια κουλτούρα λήψης αποφάσεων που βασίζεται σε δεδομένα. Με αυτόν τον τρόπο, μπορούν να αξιοποιήσουν πλήρως το δυναμικό των ανθρώπων τους και να βελτιώσουν τις συνολικές επιχειρηματικές επιδόσεις τους.

OPINIONS

 Πώς μπορεί η Διεύθυνση Ανθρώπινου Δυναμικού να αξιοποιήσει HR δεδομένα και αναλύσεις ως κρίσιμο εργαλείο για τη βελτίωση των επιχειρηματικών επιδόσεων;

Γιώργος Αγελάρης, Regional HR Director, CEE
Στη σύγχρονη κοινωνία με την άμεση πρόσβαση σε ολοένα και αυξανόμενο όγκο δεδομένων, η αξιοποίησή τους από τα τμήματα ανθρώπινου δυναμικού αποτελεί μονόδρομο προκειμένου αυτά να επιτυγχάνουν το ρόλο τους ως στρατηγικοί εταίροι των οργανισμών που ανήκουν. Η καταγραφή, η ανάλυση και η σύγκριση των δεδομένων δρουν τόσο προληπτικά όσο και διαρθρωτικά στο σχεδιασμό, την ανάπτυξη και εν τέλει στην επιτυχία της στρατηγικής μίας εταιρείας. Η αξιοποίηση καθώς και η ορθή ερμηνεία αυτών των δεδομένων βελτιώνει τις ενέργειες που στόχο έχουν την προσέλκυση, τη διακράτηση και την ανάπτυξη του έμψυχου δυναμικού, βασιζόμενες σε πραγματικές παραμέτρους και όχι σε υποθετικά σενάρια. Τέλος, σε μεγάλο βαθμό το μέλλον του HR είναι συνυφασμένο με την ανάπτυξη, κατανόηση και εφαρμογή των Data Analytics.

Πόλυ Πάνου, HR Manager, Cenergy Holdings
Τα δεδομένα για τους υπάρχοντες εργαζομένους και την απόδοσή τους, καθώς και τα ποσοστά αποχώρησης, συμβάλλουν στον εντοπισμό των τάσεων και περιοχών βελτίωσης της στρατηγικής διαχείρισης των ταλέντων. Η καταγραφή και ανάλυση των δεξιοτήτων των εργαζομένων οδηγεί στην εξακρίβωση των αναγκών εκπαίδευσής τους. Κατά συνέπεια, ο Τομέας Εκπαίδευσης μπορεί να αναπτύξει πιο στοχευμένα εκπαιδευτικά προγράμματα, βελτιώνοντας σημαντικά την παραγωγικότητα του οργανισμού. Η διεξαγωγή ερευνών ικανοποίησης και δέσμευσης των εργαζομένων συνεισφέρει στον καθορισμό δράσεων στον τομέα της ευεξίας και εσωτερικής επικοινωνίας, που έχουν σαν αποτέλεσμα την υψηλότερη αποδοτικότητα σε προσωπικό και συλλογικό επίπεδο. Γενικότερα, η ανάλυση των δεδομένων του ανθρώπινου δυναμικού υποστηρίζει σε μεγάλο βαθμό τη λήψη επιχειρηματικών αποφάσεων και τη βελτίωση της οργανωτικής απόδοσης μέσω του καθορισμού του κόστους και των παροχών ανά ιεραρχικό επίπεδο, του κατάλληλου προγραμματισμού των προσλήψεων, των αναπτυξιακών πλάνων, της παρακολούθησης του κόστους εκπαίδευσης, της αναβάθμισης των πολιτικών διαφορετικότητας και συμπερίληψης, διαμορφώνοντας ουσιαστικά το employer brand.