5 فرضیه که غیبت را کاهش می دهد

در وبلاگ قبلی در مورد اینکه چگونه پروژه ای را شروع کردیم نوشتم تا ببینم آیا می توانیم غیبت را تحلیل و پیش بینی کنیم. در این وبلاگ من شما را در مورد پروژه خود به روز می کنم.

شرکتی با بیش از 10000 کارمند به ما مراجعه کرد. مدیر منابع انسانی شرکت نگران افزایش نرخ غیبت بود. او می‌خواست بداند چرا این افزایش مداوم و چه عوامل خاصی بر آن تأثیر می‌گذارد. بینش نسبت به این افزایش در ایجاد مداخلاتی که غیبت را کاهش می دهد بسیار ارزشمند خواهد بود. به ما یک سوال واضح داده شد که یک پرونده تجاری قوی پشت آن بود.

تیم ما

حدود یک هفته پیش، ما یک جلسه طوفان فکری با کل Analytics در تیم منابع انسانی داشتیم. این تیم متشکل از دو مشاور، دو روانشناس سازمانی با تجربه گسترده در آمار و دو دانشمند داده است. سوال اصلی برای طوفان فکری این بود: “کدام فرضیه ها را برای کمک به سازمان باید تایید کنیم؟”

ما تعدادی فرضیه قابل آزمایش تعریف کردیم که سعی می کنیم آنها را تأیید کنیم تا بفهمیم چگونه می توانیم به کاهش غیبت سازمان کمک کنیم. از آنجایی که این طوفان فکری برای هدایت کل پروژه بسیار مهم بود، می‌خواهم فرضیه‌ها را با شما به اشتراک بگذارم.

فرضیه هایی که به آن ها رسیدیم، به داده هایی که به آنها دسترسی داریم بستگی دارد. البته آزمایش یک فرضیه بدون داده غیرممکن است. ما به داده های جمعیت شناختی (ناشناس) و داده های نظرسنجی مشارکت دسترسی خواهیم داشت. دومی شامل چندین معیار نگرش کارکنان بود.

فرضیه های ما

1. الگوهای واضحی در داده های غیبت وجود دارد. ما انتظار داشتیم الگوهای واضحی در داده ها وجود داشته باشد. در راستای تحقیقات علمی، ما پیش‌بینی کردیم که میزان غیبت افراد جوان‌تر از افراد مسن‌تر کمتر باشد. علاوه بر این، ما انتظار داشتیم که افرادی که بیشتر مریض هستند نیز در آینده بیشتر بیمار شوند. این الگوها در داده‌ها از یک سو می‌توانند نرخ فزاینده غیبت شرکت را توضیح دهند و از سوی دیگر ورودی ارزشمندی را برای مداخلات در اختیار ما قرار دهند.
2. داده های نظرسنجی نامزدی بر غیبت تأثیر دارد. این یک فرضیه بازتر است زیرا ما هنوز گستره کامل مجموعه داده های خود را نمی دانیم. ما معتقدیم که عواملی مانند مشارکت، درگیری شغلی و تعهد سازمانی بر غیبت تأثیر دارند. انتظار می رود این متغیرها در توضیح افزایش نرخ غیبت کمک کننده باشند و همانطور که در فرضیه اول اشاره کردیم، ورودی مداخلات را در اختیار ما قرار می دهند. علاوه بر این، ما پیش بینی کردیم که برخی از عوامل تأثیر بیشتری نسبت به سایرین داشته باشند. ما انتظار داریم که سن در ارتباط با غیبت قوی تر از حقوق باشد. با انجام تعدادی از تحلیل‌های رگرسیونی، امیدواریم بتوانیم مرتبط‌ترین متغیرهایی را که به غیبت کمک می‌کنند، شناسایی کنیم. همچنین می‌خواهیم غیبت طولانی‌مدت را پیش‌بینی کنیم. با تمام اطلاعاتی که به آنها دسترسی خواهیم داشت، انتظار داریم بتوانیم پیش بینی کنیم که غیبت طولانی مدت در صورت عدم مداخله چگونه افزایش می یابد. اما مشکل این است که غیبت طولانی مدت در مجموعه داده های ما رایج نیست. در واقع، ما می ترسیدیم که داده های «نتیجه» کافی برای انجام تحلیل برای پیش بینی غیبت طولانی مدت نداشته باشیم. به عبارت دیگر: ما به داده های نتیجه متفاوتی نیاز داشتیم.
3. غیبت کوتاه مدت غیبت طولانی مدت را پیش بینی می کند. برای حل این موضوع، می‌خواستیم ببینیم آیا می‌توانیم غیبت کوتاه‌مدت را به عنوان پیش‌بینی‌کننده غیبت طولانی‌مدت استفاده کنیم. اگر غیبت کوتاه‌مدت واقعاً یک پیش‌بینی‌کننده نسبتاً دقیق باشد، برای ما آسان‌تر خواهد بود که میزان تأثیر متغیرهای مختلف بر غیبت کوتاه‌مدت را اندازه‌گیری کنیم. این بدان معناست که افرادی که بیشتر از بقیه افراد «بیمار» می‌گیرند (مثلاً به دلیل درگیری در محل کار) احتمالاً در طولانی‌مدت غیبت می‌کنند (مثلاً فرد به دلیل فرسودگی شغلی دچار فرسودگی می‌شود. درگیری کاری مداوم). از آنجایی که غیبت کوتاه مدت در مجموعه داده ها بسیار بیشتر از غیبت طولانی مدت است، انجام تجزیه و تحلیل و پیش بینی بر اساس این نتیجه آسان تر خواهد بود.
4. ما قادر به پیش بینی غیبت (دراز مدت) هستیم. ما پیش‌بینی می‌کنیم که متغیرهای مختلف، مانند سن، جنس، دوره تصدی و مقیاس حقوق، بر غیبت تأثیر بگذارد. گنجاندن این متغیرها کاملاً خود توضیحی است. ما از این متغیرها به عنوان کنترل در مطالعه موردی خود و برای تحلیل‌های بعدی استفاده خواهیم کرد. همانطور که قبلا ذکر شد، ما تصویر کاملی از دامنه دقیق داده های خود نداریم. با این حال، در ادبیات اخیر، داده های نظرسنجی مشارکت به عنوان یک پیش بینی کننده غیبت عمل می کند (Schaufeli, Bakker & van Rhenen, 2009). همچنین عواملی مانند میزان درگیر بودن فرد در شغل خود و تعهدی که فرد نسبت به سازمان خود دارد، از عوامل پیش بینی کننده غیبت نیز هستند. ما انتظار داریم که این عوامل در پیش بینی حداقل برخی از گردش مالی “قابل پیشگیری” مرتبط باشند.
5. ضمیمه کردن ارزش مالی به گردش مالی فردی به ما کمک می‌کند تا مشخص کنیم مشکل غیبت در کجا مشکل‌سازتر است – و در کجا مداخلات مقرون به صرفه‌تر خواهند بود. یکی از چیزهایی که می‌خواهیم بدانیم این است که آیا می‌توانیم غیبت را با قائل شدن به ارزش پولی بهتر مشخص کنیم. اگر یک کارگردان دو ماه غیبت کند، هزینه آن در مقایسه با یک منشی غایب بسیار بیشتر است. هر دو برای شرکت ارزشمند هستند، اما جایگزین کردن مدیر دشوارتر و پرهزینه تر است. با ایجاد یک تحلیل ریسک کمی، انتظار داریم که بتوانیم ریسک غیبت مالی را تخمین بزنیم. تجزیه و تحلیل همچنین نشان خواهد داد که این خطر در کجای سازمان بیشتر است – و چگونه مداخلات این خطر را کاهش می دهد. شرکت ها تقریباً همه چیز را تجزیه و تحلیل ریسک انجام می دهند، بنابراین باید همین کار را برای با ارزش ترین دارایی های خود انجام دهند: کارمندانشان.

به سوال پاسخ دهید

با تأیید این 5 فرضیه، انتظار داریم به این سؤال پاسخ مفیدی ارائه دهیم: “چه چیزی باعث افزایش غیبت طولانی مدت من می شود؟” تمرکز فرضیه‌های ما بر تحلیل این خواهد بود که کدام مداخلات مناسب‌ترین و کارآمدترین برای کاهش غیبت هستند.

البته برخی از فرضیه های ما تغییر خواهد کرد. شاید حتی تعداد کمی وجود داشته باشد که اصلاً پاسخ ندهیم زیرا اطلاعات لازم را نداریم. این یک فرآیند اکتشافی است. بسته به داده‌ها و یافته‌های اولیه‌مان، احتمالاً فرضیه‌های خود را دوباره تعریف می‌کنیم و خواهیم دید که چگونه می‌توانیم بهترین کمک به مشتری داشته باشیم.

در وبلاگ بعدی مروری بر عواملی که باعث غیبت می شوند را ارائه خواهیم کرد. در همین حال، وبلاگ ما را در مورد نحوه پیوند تعامل با عملکرد تجاری با استفاده از تجزیه و تحلیل بررسی کنید!

منابع:

Schaufeli، WB، Bakker، AB، و Van Rhenen، W. (2009). چگونه تغییرات در تقاضاها و منابع شغلی، فرسودگی شغلی، درگیری کاری و غیبت ناشی از بیماری را پیش‌بینی می‌کند. مجله رفتار سازمانی , 30 (7), 893-917.