چگونه می توان از اعتبار تلاش های تجزیه و تحلیل افراد اطمینان حاصل کرد؟

اگر واقعاً جوینده حقیقت هستید، لازم است که حداقل یک بار در زندگی خود تا آنجا که ممکن است به همه چیز شک کنید. – رنه دکارت

انجام تحقیقات برای نشان دادن اثربخشی شیوه های منابع انسانی مهم و ارزشمند است. به طور سنتی، محققان چنین شواهدی را با جمع‌آوری داده‌ها با استفاده از نظرسنجی، مصاحبه یا مشاهدات تولید می‌کردند. با این داده ها، آنها بینشی در مورد نیروی کار به دست آوردند و مداخلات عملی را برای بهبود نتایج توسعه دادند (Van den Heuvel & Bondarouk, 2017).

پیشرفت های فناوری منجر به دیجیتالی شدن بسیاری از فرآیندهای مدیریت منابع انسانی (HRM) شده است. در نتیجه، پیشرفت‌های تکنولوژیکی مقادیر زیادی از داده‌ها را تولید می‌کنند که سازمان کنترل می‌کند. به عنوان مثال می توان به درخواست های شغلی، غیبت، داده های عملکرد و غیره اشاره کرد.

این داده ها فرصت ها و چالش هایی را برای متخصصان منابع انسانی و دانشگاهیان ایجاد کرده است. در نتیجه، مدیریت منابع انسانی به سمت «علم تصمیم گیری» می رود. نشان دادن کیفیت تصمیمات در مورد سرمایه انسانی کلیدی است. و اگر به خوبی انجام شود، می تواند ارزش استراتژیک سرمایه انسانی را افزایش دهد (ون دن هوول و بونداروک، 2017).

اما در حوزه مدیریت منابع انسانی دیجیتالی، چگونه اطمینان حاصل کنیم که شواهدی که تصمیمات خود را بر اساس آنها قرار می دهیم از کیفیت بالایی برخوردار هستند؟ چگونه می توانیم مطمئن شویم که آنچه را که قصد اندازه گیری آن را داریم اندازه گیری می کنیم؟ آیا می‌توانیم توضیحات جایگزین را برای یافته‌های خود رد کنیم؟ اینکه نتیجه گیری درستی داشته باشیم؟ و اینکه بتوانیم چنین دانشی را به زمینه ها یا موارد دیگر تعمیم دهیم؟ این سؤالات به « روایی » مربوط می‌شوند – به این معنی که تحقیق شما چقدر درست است.

در این مقاله توضیح خواهیم داد که چگونه اعتبار برای کیفیت تصمیم گیری اساسی است. ما ابتدا فرآیند استاندارد بین صنعتی اغلب مورد استفاده را برای داده کاوی معرفی می کنیم (CRISP-DM؛ Shearer, 2000). مدل CRISP-DM فرآیند (ایده‌آل) انجام تحقیقات داده‌محور را توضیح می‌دهد. دوم، ما توضیح خواهیم داد که اعتبار چیست و چگونه بر کیفیت تصمیمات HRM مبتنی بر شواهد تأثیر می گذارد. ما سه نوع مختلف اعتبار را توضیح خواهیم داد – اعتبار داخلی، خارجی و روایی سازه. ما هر کدام را با مثالی مرتبط با تجزیه و تحلیل منابع انسانی توضیح خواهیم داد. سپس با پیشنهادهایی برای هر نوع اعتبار برای نحوه تولید شواهد نتیجه گیری خواهیم کرد.

مدل CRISP-DM

مدل CRISP-DM منعکس کننده مهم ترین مراحل در اجرای تصمیم گیری مبتنی بر داده است. از بین مدل های موجود، مدل CRISP-DM را به دلیل وضوح و سادگی آن انتخاب کردیم.

مدل CRISP-DM دارای پنج فاز مختلف است. شناسایی مشکل، درک داده ها، آماده سازی داده ها، مدل سازی و ارزیابی. ما بیشتر روی قسمت به اصطلاح طراحی تمرکز خواهیم کرد.

بهبود فرآیندها و نتایج سازمانی با دو مرحله شروع می شود. اول، مشکل تجاری، دانشگاهی، اجتماعی و/یا محیطی وجود دارد (فاز 1). شناسایی مشکل اولین گام در بهبود فرآیندها و نتایج است. اگر مشکل به درستی شناسایی نشود، تلاش برای بهبود ممکن است بیهوده باشد. مرحله 1 همچنین شامل فرمول بندی یک سوال (تحقیقی) مرتبط با مشکل است. این مهم است که یک سوال واضح و دقیق را تنظیم کنید. اگر سؤال شما واضح و مشخص نیست، پاسخ دادن به سؤال و در نتیجه حل مشکل با انجام مطالعه دشوار است.

به عنوان مثال، یک سوال ممکن است خیلی گسترده باشد (مثلاً ” خلاق ترین کارمندان در محل کار چه کسانی هستند؟ “). یا ممکن است حاوی مفروضات پنهان و چندین سؤال در یک سؤال باشد (به عنوان مثال، ” چرا رهبری معتبر مؤثرتر از رهبری اخلاقی است؟ “). یا حاوی یک بیانیه چه می‌شود (به عنوان مثال، « اگر سازمان در دهه 1990 رهبر دیگری داشت، سودآورتر بود ؟»). پاسخ به این سوالات اگر غیرممکن نباشد دشوار است.

در عوض، یک سوال تحقیق خوب واضح، دقیق، مشخص است و نیاز به یک فرآیند تکراری دارد. و – از همه مهمتر – با انجام مطالعه شما می توان به آن پاسخ داد. اگر به مثال‌های بالا نگاه کنیم، نسخه‌های بهتری از سؤالات تحقیق عبارتند از: « آیا کارمندانی که در باز بودن برای تجربه امتیاز بالایی کسب می‌کنند، خلاق‌تر از افرادی هستند که امتیاز پایینی در باز بودن به تجربه کسب می‌کنند ؟» یا « آیا توانمندسازی رهبری خلاقیت کارکنان را در محل کار ارتقا می‌دهد؟ “.

دوم، درک روشنی از داده ها وجود دارد (فاز 2). پس از شناسایی مشکل، مهم است که در مورد داده هایی که در دسترس دارید فکر کنید. به عنوان مثال، آیا داده ها نشان دهنده متغیرهایی هستند که در سؤال تحقیق شما گنجانده شده است؟ کیفیت داده ها چگونه است؟ آیا داده ها نشان دهنده جمعیت گسترده تری است که می خواهید مطالعه کنید؟ آیا داده ها در سطح مناسبی از تجزیه و تحلیل هستند (یعنی سطح کارمند یا داده های سطح گروه یا واحد جمع آوری شده)؟ ارزیابی انتقادی داده ها گام مهمی است. کیفیت داده های شما تاثیر زیادی بر نتایج خواهد داشت. و همچنین تصمیماتی که بر اساس آن می گیرید. بعداً وقتی اعتبار را توضیح می دهیم، در این مورد با جزئیات بیشتری صحبت خواهیم کرد.

اعتبار

اعتبار به این موضوع اشاره دارد که تحقیق شما چقدر درست است. هم شامل طراحی تحقیق و هم روش هایی است که استفاده می شود. پس چه زمانی می توانیم بگوییم که یک تحقیق خاص معتبر است؟ در تحقیقات معتبر، یافته‌ها و نتیجه‌گیری‌ها واقعاً نشان‌دهنده پدیده‌ای است که مدعی اندازه‌گیری آن هستید. ادعاهای معتبر، ادعاهای محکمی هستند که قابل اعتراض (اگر نه غیرممکن) هستند.

اینکه آیا تحقیق شما درست است یا خیر، تأثیر بسیار زیادی بر کیفیت نتیجه‌گیری‌ها و تأثیرات شیوه‌های اجرا شده بر اساس آن نتایج دارد. با این حال، مهم است که در این نقطه تاکید کنیم که چیزی به نام “اعتبار کامل” وجود ندارد.

دانشمندان آموزش دیده اند تا مفهوم شک دکارتی را که در ابتدای این مقاله به آن اشاره کردیم، تا حد زیادی اجرا کنند. قبل از پذیرفتن نتیجه‌گیری به‌عنوان یک «حقیقت» (آزمایشی) همه جنبه‌های یک مطالعه بررسی می‌شود. بنابراین، برچسب زدن به پژوهش به عنوان معتبر یا نامعتبر در کانون توجه نیست. به نشان دادن اعتبار به عنوان تمرینی در بهینه سازی فکر کنید (که هرگز تمام نمی شود). مدل CRISP-DM نیز این موضوع را منعکس می کند. ارزیابی فرآیند، نتایج و تصمیمات (مرحله 5)، به مرحله 1 باز می گردد.

بنابراین اعتبار به ما کمک می کند تا در مورد سؤالات مهم فکر کنیم. آیا آنچه را که قصد اندازه گیری آن را داشتیم اندازه گرفتیم؟ آیا می توانیم توضیحات جایگزین را رد کنیم؟ آیا در مورد نتیجه گیری هایی که می گیریم اطمینان داریم؟ آیا می‌توانیم نتایج را به زمینه‌ها یا موارد دیگر تعمیم دهیم یا نتایج به موقعیت خاص هستند؟ این سوالات قبل از تصمیم گیری های داده محور نیاز به پاسخ دارند.

اعتبار انواع مختلفی دارد. سه نوع زیر به ویژه برای تجزیه و تحلیل افراد مرتبط است:

• اعتبار داخلی : آیا داده ها ادعاهای مربوط به روابط علت و معلولی را پشتیبانی می کنند؟ به عنوان مثال، ما طبقه‌بندی‌کننده‌ای را برای «پیش‌بینی» گردش مالی، براساس تغییرات نمایه‌های رسانه‌های اجتماعی کارکنان آموزش می‌دهیم. آیا این بدان معنی است که ویژگی های شناسایی شده دلیلی برای گردش مالی است؟ همانطور که در زیر خواهیم دید، یک رابطه برای ایجاد علیت ضروری است. اما برای ایجاد علیت کافی نیست.
• روایی خارجی : آیا می توانید نتیجه گیری را خارج از چارچوب آن مطالعه به کار ببرید؟ به عنوان مثال، نیروی کار مستقر در آمستردام پس از اجرای مداخله رهبری بیشتر درگیر هستند. آیا می توانید انتظار همین نتایج مثبت را در توکیو یا نیویورک داشته باشید؟
• روایی سازه : آیا آنچه را که قصد اندازه گیری آن را دارید اندازه می گیرید؟ به عنوان مثال، مشارکت کارکنان را اندازه می گیرید. آیا داده ها واقعاً تعامل را نشان می دهند و هیچ چیز دیگری؟ این سوال پیامدهای مهمی برای توضیح پذیری هر تصمیمی دارد.

این دوباره اهمیت فاز 2 را برای ارزیابی اعتبار نشان می دهد. درک داده ها برای کیفیت تصمیم گیری اساسی است.

در زیر سه نوع اعتبار را توضیح می دهیم. ما مثال‌ها و پیشنهادهایی برای بهبود آنها در تصمیم‌گیری مبتنی بر داده ارائه خواهیم داد.

اعتبار داخلی

آیا ارتباط نتیجه دارد و آیا می توانید توضیحات جایگزین را رد کنید؟

مایک برای یک سازمان بزرگ چند ملیتی کار می کند. هدف این سازمان افزایش بهره وری نیروی کار است. آنها داده های سیستم پشتیبان خود را بررسی خواهند کرد. هدف این است که مشخص شود کدام اقدامات بر بهره وری کارکنان آنها تأثیر می گذارد. پس از تجزیه و تحلیل داده ها، آنها به این نتیجه می رسند که اگر به مایک حقوق بیشتری بپردازند، بهره وری بیشتری خواهد داشت.

در اینجا، داده ها نشان می دهد که بین حقوق و بهره وری رابطه وجود دارد. اما نتیجه گیری اینکه برای افزایش بهره وری باید دستمزدها افزایش یابد، زودرس است.

البته با افزایش حقوق، بهره وری کارکنان می تواند افزایش یابد. اما در واقع تا حدودی پیچیده تر از این است. افراد مولد ممکن است دستمزد بیشتری دریافت کنند زیرا قبلاً کارگران سختی بودند. آنها ممکن است سخت کار کنند زیرا کاری را که انجام می دهند، صرف نظر از دستمزد دوست دارند، یا ممکن است بهره وری آنها به دلیل تجربه به جای پرداخت افزایش یابد.

از طرف دیگر، رابطه یافت شده بین پرداخت و عملکرد فقط یک موضوع شانسی بود. ممکن است دفعه بعد تکرار نشود. بنابراین تنها تکیه بر تحلیل همبستگی ممکن است تصویر اشتباهی را ترسیم کند. اگر مراحل تجزیه و تحلیل را ردیابی نکنید، ممکن است به جای بهبود بهره وری، آسیب وارد کند.

پس چگونه بفهمیم که علت واقعی بهره وری بالا چیست؟ روایی درونی به میزانی است که می توان گفت هیچ متغیر دیگری به جز متغیری که در حال مطالعه آن هستید باعث نتیجه نمی شود. بنابراین، ما می خواهیم بتوانیم بگوییم که هیچ دلیل دیگری به جز پرداخت، باعث بهره وری بالاتر نمی شود. نه شخصیت، انگیزه، تجربه یا شانس خالص. می‌خواهیم بگوییم که پرداخت و دستمزد به تنهایی باعث می‌شود کارمندانی مانند مایک کارآمدتر شوند.

برای اثبات اینکه پرداخت باعث عملکرد می شود، باید سه معیار را رعایت کنیم.

اول، ما باید بین پرداخت و عملکرد ارتباط برقرار کنیم. یک رابطه نمی تواند یک رابطه علّی باشد اگر رابطه ای برای شروع وجود نداشته باشد.

در مرحله بعد، ما باید توضیحات جایگزین را رد کنیم. این شامل نشان دادن این است که وقتی آن را از علل احتمالی دیگر جدا می کنیم، هنوز وجود دارد. اگر به مثال خود نگاهی بیاندازیم، اگر ماشین آلات برتر مسئول بهره وری بودند چه می شد؟ در این مورد، ماشین‌آلات عامل «واقعی» بهره‌وری هستند، نه پرداخت. بنابراین می‌توانیم زمانی که فقط بخش‌هایی را بررسی می‌کنیم که دارای ماشین آلات برتر هستند، این رابطه برقرار است یا خیر. سپس می توانیم ماشین آلات برتر را به عنوان یک توضیح جایگزین رد کنیم.

در نهایت، باید نشان دهیم که علت مقدم بر معلول است. این اغلب سخت ترین شرط برای تحقق است. برای اینکه پرداخت باعث بهره وری شود، باید قبل از بهره وری اتفاق بیفتد. افزایش حقوق در زمان 2 نمی تواند بهره وری کارمند را در زمان 1 توضیح دهد. بنابراین ما باید یک تغییر برنامه ریزی شده در علت (حقوق) ایجاد کنیم. و سپس، باید بررسی کنیم که آیا اثر فرضی (بهره وری) در نتیجه تغییر می کند یا خیر. سپس می‌توانیم «تقدم زمانی» علت را بر معلول ایجاد کنیم.

یک امکان استفاده از طرح به اصطلاح “پیش آزمون/پس آزمون” است. در این طرح، قبل از افزایش حقوق کارمندان، بهره وری را اندازه گیری می کنید. سپس بعد از اینکه حقوق آنها افزایش یافت، یک بار دیگر این کار را انجام دهید، در حالی که همه چیزها برابر است. این امکان بررسی تغییرات بهره وری در نتیجه افزایش حقوق را فراهم می کند.

سایر متغیرها مانند انگیزه و تجهیزات باید بین اندازه گیری ها ثابت باشند. به این ترتیب می توانید تأثیر حقوق و دستمزد بر بهره وری را جدا کنید. البته، رد کردن همه توضیحات جایگزین آسان نیست. اما هر چه بیشتر تلاش کنیم، تصمیم گیری ما معتبرتر و ارزشمندتر می شود.

گزینه دیگر اضافه کردن یک “گروه کنترل” به طرح پیش آزمون/پس آزمون خود است. علاوه بر آزمایش یک گروه خاص قبل و بعد از افزایش حقوق، شما یک پیش و پس آزمون را برای گروه دوم انجام می دهید. این گروه، با این حال، در بین آزمون های مختلف افزایش حقوق دریافت نمی کنند. بنابراین، برای گروه کنترل، چیزی تغییر نمی کند. استفاده از گروه کنترل به شما این امکان را می دهد که مواردی مانند بازگشت به میانگین را نیز رد کنید. مزیت دیگر این است که می توانید اثرات خارجی را رد کنید. به عنوان مثال، پس از پیش آزمون، روزهای آفتابی زیادی وجود داشت که باعث بهبود روحیه کارکنان و در نتیجه بهره وری آنها شد.

اعتبار خارجی

آیا نتایج قابل تعمیم هستند؟

این شرکت می‌خواهد آزمایش کند که آیا یک سبک رهبری خاص باعث می‌شود کارمندان بیشتر درگیر شوند یا خیر. آنها رابطه مثبتی بین رهبری تحول آفرین و مشارکت کارکنان پیدا کردند. مانند وضعیت بالا، ممکن است چندین توضیح برای تعامل بالا وجود داشته باشد. تصور کنید که توضیحات جایگزین حذف شدند. آنها همچنین می توانند بگویند که مشارکت نتیجه مستقیم مداخله رهبری تحول آفرین بوده است. بنابراین می توانیم ادعا کنیم که مطالعه از لحاظ داخلی معتبر است.

مایک و همکارانش در مقر آمستردام کار می کنند. آیا این لزوماً به این معنی است که نتیجه برای نیروی کار در دفتر مرکزی نیویورک نیز صادق است؟ یا مقر توکیو؟ به عبارت دیگر، آیا می توانیم نتایج را به زمینه های مختلف تعمیم دهیم؟ میزان قابل تعمیم نتایج همان چیزی است که محققین آن را اعتبار خارجی می نامند.

فرض کنید می خواهیم مشارکت کارکنان را در مکان های مختلف (یا تیم ها یا واحدهای مختلف) افزایش دهیم. سپس باید سعی کنیم شرایط مرزی محیطی را رد کنیم. نمونه ها جنبه های فرهنگی یا ترکیب و پیشینه نیروی کار هستند. بنابراین، اگر بخواهیم تعامل در نیویورک و توکیو را افزایش دهیم، اعتبار خارجی خوب کلیدی است. ما باید بدانیم که آیا یک رهبر تحول آفرین نیز در آنجا قدردانی می شود.

اما چگونه می توانیم اعتبار خارجی را ایجاد کنیم؟

یک مفهوم مهم در ارزیابی روایی بیرونی جامعه است. منظور از جمعیت، گروهی از نهادها (کارمندان یا بخش‌ها) است که می‌خواهیم تصمیمات ما برای آنها معتبر باشد. ما می خواهیم یک ادعای معتبر خارجی در مورد همه کارکنان در سازمان مایک داشته باشیم. بنابراین، ما می‌خواهیم مطمئن شویم که داده‌ها نماینده کل جمعیت هستند. این به حصول اطمینان از عدم حذف یا نشان دادن کمتر یک گروه فرعی در داده ها می انجامد.

تصور کنید که به دلیل سیاست های مطابقت با GDPR برای تجزیه و تحلیل داده های کارمندان اروپایی به رضایت نیاز دارید. و این برای کارمندان ژاپنی و مستقر در ایالات متحده مورد نیاز نیست. بنابراین احتمالاً کارمندان اروپایی کمتر نماینده خواهند شد. این امر اعتبار خارجی مطالعه را مورد تردید قرار می دهد.

بهترین راه برای اطمینان از اعتبار خارجی بالا، انتخاب تصادفی است. در این مورد، هر «نوع» کارمند (با توجه به تحصیلات، ملیت و غیره) شانس برابری برای حضور در مجموعه داده دارد. اما چنین انتخاب تصادفی به سختی امکان پذیر است. انتخاب تصادفی به اطلاعات گسترده ای در مورد هر فرد نیاز دارد. اما وقتی از انتخاب تصادفی استفاده نمی کنید چه اتفاقی می افتد؟ سپس مطمئن نیستید که آیا نتیجه برای جمعیت حفظ خواهد شد یا خیر.

بنابراین باید مطمئن شوید که زیرگروه های خاصی کمتر یا بیش از حد معرفی نشده اند. به این ترتیب، می توانید نتایج را به کل جمعیت (به عنوان مثال، همه کارکنان) تعمیم دهید. اما گاهی اوقات، با استفاده از یک چشم انداز چابک، به کل جمعیت علاقه ای ندارید. در عوض علاقه شما به یک گروه خاص است (به عنوان مثال، “استعدادها”، “کارمندان ستاره”، “پتانسیل ها”). اگر چنین است، مهم است که نمونه شما «جمعیت استعدادها» را نشان دهد. به این ترتیب، نتایج همچنان می تواند برای این گروه معتبر باشد. حقیقت ممکن است برای جمعیت دیگری کاملاً متفاوت باشد، بنابراین به این موضوع توجه داشته باشید.

گاهی اوقات یک نوع اعتبار ممکن است به قیمت دیگری تمام شود. با نگاهی به مثال بالا، تصور کنید که آنها برای شروع، داده‌هایی را از هر سه ستاد جمع‌آوری کرده بودند. در آن صورت، اعتبار خارجی به وضوح بالاتر خواهد بود. اما اعتبار داخلی ممکن است به دلیل تفاوت کشورها در داده ها کمتر باشد. بنابراین برای اعتبار داخلی، باید تا حد امکان فاکتورهای زیادی را در داده ها ثابت نگه دارید. اما برای اعتبار خارجی شما نیاز به تنوع دارید تا نتایج را تعمیم دهید. مهم است که در مورد این مبادلات فکر کنید و تعادل بهینه پیدا کنید. سوال تحقیق باید در تصمیم گیری در مورد اینکه کدام داده جمع آوری یا استفاده شود، پیشرو باشد.

اعتبار ساخت

آیا آنچه را که قصد اندازه گیری آن را داریم اندازه می گیریم؟

بیایید به مثال برگردیم. برای بررسی میزان مشارکت کاری کارکنان، شرکت از نظرسنجی سالانه کارکنان استفاده می کند. در این نظرسنجی، آنها چندین نگرش و رفتار کارکنان مختلف از جمله مشارکت را اندازه گیری می کنند.

میزانی که شما آنچه را که قصد اندازه گیری آن را دارید اندازه گیری می کنید اعتبار سازه است. برای اعتبار سازه، یک سوال مهم این است که آیا نظرسنجی واقعاً «درگیری» را اندازه‌گیری می‌کند یا خیر. اگر نظرسنجی کارمندان مشارکت کارکنان را به طور دقیق اندازه گیری نکند چه؟ سپس مشخص نیست که نمره مشارکت به چه معناست و نتیجه گیری هایی که از داده ها می گیریم نیز دقیق نیستند.

در برخی از نظرسنجی‌های کارمندان، نمرات مربوط به همه سؤالات – برای اندازه‌گیری رضایت، مشارکت و غیره – با هم ارتباط زیادی دارند. سپس مشخص نیست که کارکنان هنگام پاسخ دادن به این سؤالات چه چیزی را در ذهن داشتند. آیا نمره نشان دهنده رضایت است؟ آب و هوا؟ نامزدی؟ این بدان معنی است که نتیجه گیری از این نیز غیرممکن است. مشخص نیست که برای افزایش تعامل چه کاری باید انجام دهید.

آلودگی و کمبود نقش مهمی بر اعتبار سازه دارد. آلودگی زمانی اتفاق می‌افتد که امتیازهای سازه با واریانس نامربوط سازه آلوده شود. در مثال ما، نابرابری پرداختی مرتبط با جنسیت می‌تواند میزان پرداخت ما را آلوده کند. کمبود زمانی رخ می دهد که فقط جنبه های خاصی از ساختار در نظر گرفته شود. شما می توانید بهره وری مایک را با گرفتن تنها یکی از چندین زیر دامنه بهره وری اندازه گیری کنید. برای مثال، «زمان صرف شده» و «درآمد ایجاد شده». اگر آنها در داده ها قابل دسترسی باشند، اما «گرایش به خدمات مشتری» قابل دسترسی نباشد، معیار بهره وری مایک ناقص است.

استفاده از معیارهای معتبر علمی یک راه آسان برای دستیابی به اعتبار سازه خوب است. چنین اقداماتی همه از طریق یک فرآیند اعتبار سنجی سازه گسترده گذرانده اند. در این فرآیند، محققان سوالاتی را که کمتر یا نامرتبط با سازه هستند، کنار می گذارند. اغلب می‌توانید آن اقدامات را به صورت آنلاین یا رایگان پیدا کنید یا می‌توانید مجوزی برای استفاده از اقدامات بخرید. پیشرفت دیگر این است که سازمان ها و محققان در پروژه های تجزیه و تحلیل منابع انسانی در سازمان ها با یکدیگر همکاری می کنند.

نتیجه گیری

پیشرفت‌های فناوری فرصت‌هایی را برای متخصصان تحلیل منابع انسانی و دانشگاهیان ایجاد کرده است. سازمان ها دارای داده های زیادی هستند که می تواند به تصمیم گیری مبتنی بر شواهد کمک کند. علاوه بر این، در دسترس بودن داده ها به افزایش ارزش استراتژیک منابع انسانی برای کسب و کار کمک می کند.

اما همین پیشرفت های تکنولوژیکی چالش هایی را نیز ایجاد کرده است. متخصصان منابع انسانی اغلب برای تجزیه و تحلیل داده ها آموزش نمی بینند، چه رسد به ارزیابی اعتبار آن داده ها. با این حال، تصمیم گیری با کیفیت بالا بر اساس داده ها اغلب مسئولیت منابع انسانی است.

ما امیدواریم که این مقاله بینش هایی را در مورد انجام تحقیقات داده محور صحیح ارائه کرده باشد. ما همچنین امیدواریم که اکنون روشن شود که چرا و چگونه اعتبار برای کیفیت تصمیم گیری اساسی است.

مدل CRISP-DM را معرفی کردیم. ما نشان دادیم که درک مشکل و داده‌های موجود اولین گام‌های مهم برای اطمینان از کیفیت تصمیم‌ها هستند. اگر دو مرحله اول به خوبی فکر شده باشد، شما در حال حاضر راه طولانی را در مسیر درست قرار داده اید. با این حال، مرحله پنجم شاید مهم ترین باشد. ارزیابی فرآیند و نتایج به بهبود سلامت تحقیق شما کمک می کند. در نتیجه تصمیم گیری شما بهتر خواهد شد.

پیام کلیدی که باید هنگام انجام تحقیقات داده محور معتبر به خاطر داشت به شرح زیر است. دستیابی به تحقیق معتبر یک فرآیند یکباره نیست، بلکه یک فرآیند تکراری است. این در مورد انجام تحقیقات “کامل” نیست. این در مورد کار آگاهانه بر روی بهبود فرآیند و داده هایی است که تصمیمات خود را بر اساس آنها قرار می دهید. سپس، و تنها در این صورت، متخصصان منابع انسانی می توانند در جهت بهینه سازی کیفیت تصمیم گیری خود کار کنند.