Πόσο καλά γνωρίζουμε πραγματικά τους ανθρώπους μας; Γιατί μένουν, γιατί φεύγουν, γιατί κάποιες ομάδες λειτουργούν καλύτερα από άλλες; Για χρόνια, στο HR απαντούσαμε με διαίσθηση και εμπειρία. Σήμερα, η απάντηση βρίσκεται όλο και περισσότερο στα δεδομένα και στην ουσιαστική σχέση με τους ανθρώπους.
Συχνά ακούμε το People Analytics να μπερδεύεται με το HR reporting. Το reporting κοιτάζει πίσω, το People Analytics μάς βοηθά να δούμε μπροστά. Και, το πιο σημαντικό, μας δίνει τη δυνατότητα να παρέμβουμε πριν το πρόβλημα γίνει κρίση, όχι αφού γίνει.
Και πλέον δεν είναι μόνο θέμα επιλογής. Ο νέος νόμος για τη μισθολογική διαφάνεια το κάνει ακόμη πιο επίκαιρο, αφού η μέτρηση του μισθολογικού χάσματος φύλων γίνεται υποχρέωση. Μπορούμε να την δούμε ως μία ακόμη αναφορά προς συμπλήρωση ή ως αφορμή να ρωτήσουμε «γιατί» και να δράσουμε.
Το People Analytics λοιπόν δεν ξεκινάει από τα δεδομένα, αλλά από μια ερώτηση. Όχι «ας δούμε τι λένε τα νούμερα», αλλά «γιατί χάνουμε τόσους ανθρώπους μέσα στον πρώτο χρόνο;». Τα δεδομένα έρχονται από πολλές πηγές (HRIS, surveys, exit interviews, αξιολογήσεις) και θέλουν πρώτα έναν έλεγχο ποιότητας.
Το People Analytics όμως δεν είναι μόνο αριθμοί. Τα νούμερα δείχνουν το «τι» και το «πού». Το «γιατί» συνήθως το βρίσκεις μόνο αν μιλήσεις με τους ανθρώπους: σε focus groups, σε exit interviews, στα ανοιχτά σχόλια ενός survey, στις κουβέντες με τους managers. Οι ομάδες που το κάνουν καλά συνδυάζουν και τα δύο.
Ας πάρουμε ένα παράδειγμα. Ένα engagement survey δείχνει χαμηλό score σε μια ομάδα και η πρώτη σκέψη/απάντηση είναι ότι φταίει ο φόρτος εργασίας. Σε ένα focus group όμως ακούς κάτι άλλο: δεν υπάρχει τακτική επικοινωνία και ο senior manager είναι σχεδόν απών. Αν σταματούσαμε στα νούμερα, θα λύναμε λάθος πρόβλημα. Για αυτό, οι ομάδες που κάνουν τη διαφορά δεν ψάχνουν να επιβεβαιώσουν την πρώτη τους υπόθεση, αλλά την δοκιμάζουν και εξετάζουν εναλλακτικές εξηγήσεις.
Το χειρότερο που μπορεί να συμβεί μετά από ένα survey δεν είναι ένα χαμηλό score. Είναι οι άνθρωποι να μην δουν ποτέ τι έγινε με όσα είπαν. Για αυτό κάθε insight χρειάζεται υπεύθυνο, χρονοδιάγραμμα και μέτρηση, αλλά και επιστροφή σε αυτούς που το έδωσαν: σας ακούσαμε, και να τι κάναμε.
Δεν χρειάζεσαι ακριβά συστήματα ή ομάδα data scientists για να ξεκινήσεις. Χρειάζεσαι όμως να μάθεις να «αφηγείσαι» τα δεδομένα, γιατί τα ίδια νούμερα θέλουν διαφορετική ιστορία για διαφορετικό κοινό. Αυτό που ενδιαφέρει το Board δεν είναι αυτό που χρειάζεται ένας manager για να κάνει κάτι διαφορετικό αύριο το πρωί.
Όσο περισσότερα δεδομένα έχουμε για τους ανθρώπους μας, τόσο μεγαλύτερη είναι και η ευθύνη μας. Οι πρόσφατες αναλύσεις επισημαίνουν ότι η εμπιστοσύνη θα είναι αυτό που θα ξεχωρίσει τις ομάδες People Analytics: διαφάνεια για το ποια δεδομένα χρησιμοποιούμε και πώς, προσοχή στις προκαταλήψεις, και ο άνθρωπος να έχει πάντα τον τελευταίο λόγο. Χωρίς εμπιστοσύνη, κανένα εργαλείο δεν θα δουλέψει.
Το επόμενο κεφάλαιο ήδη γράφεται, με predictive μοντέλα και εργαλεία AI που αναμφισβήτητα θα συμβάλουν στην ποιότητα των εργασιών. Όσο καλά όμως και αν είναι τα εργαλεία, όλα καταλήγουν στην κουλτούρα: στο αν ένας οργανισμός θέλει πραγματικά να ρωτάει «γιατί» και να μετατρέπει κάθε insight σε συγκεκριμένη, μετρήσιμη κίνηση.
Γιατί, στο τέλος της μέρας, τη διαφορά την κάνει η νοοτροπία.
Ακολουθήστε μας σε LinkedIn & Facebook και γίνετε μέλος της μεγαλύτερης ελληνικής κοινότητας του κλάδου.
