تجزیه و تحلیل پیش بینی یک روند آینده در منابع انسانی (HR) است. ابزارهای استخدام عملکردهای بالا را پیشبینی میکنند و شرکتها به طور فزایندهای قادرند پیشبینی کنند که کدام کارمند احتمالاً ترک میکند. در این مقاله، ما توضیح خواهیم داد که تجزیه و تحلیل پیش بینی منابع انسانی چیست و چگونه می تواند یک تغییر واقعی بازی برای بخش های منابع انسانی باشد.
ما همچنین هفت مثال واقعی از تجزیه و تحلیل پیش بینی در منابع انسانی را مورد بحث قرار خواهیم داد که دو مورد از آنها مطالعات موردی مفصل هستند.
منطق پشت تجزیه و تحلیل پیش بینی منابع انسانی
آیا می دانید امتیاز اعتباری شخصی شما، مدیر تیم بیسبال اوکلند دو و میدانی، بیلی بین از فیلم Moneyball و نمایه Match.com شما چه مشترکاتی دارند؟ همه آنها داده های بزرگ و تجزیه و تحلیل پیش بینی را برای پیش بینی آینده ترکیب می کنند.
تجزیه و تحلیل داده های پیش بینی شده در همه جا وجود دارد. این در اصل یک فناوری است که از داده های موجود می آموزد و از آن برای پیش بینی رفتار فردی استفاده می کند. این بدان معنی است که پیش بینی ها بسیار خاص هستند. در فیلم Moneyball، از تجزیه و تحلیل پیشبینیکننده برای پیشبینی موفقیت بالقوه بازیکنان بیسبال استفاده شد.
به روشی مشابه، امتیاز کارت اعتباری شخصی شما از دادههای تاریخی میلیونها نفر در گذشته استفاده میکند تا پیشبینی کند که آیا میتوانید وامی را که میخواهید برای خودروی جدید خود بگیرید یا نه، بازپرداخت کنید.
بنابراین چگونه این تحلیل های پیش بینی کار می کنند؟ تجزیه و تحلیل پیش بینی شامل مجموعه ای از تکنیک های آماری مختلف (داده کاوی) است که داده ها و نتایج تاریخی را تجزیه و تحلیل می کند. سپس این تکنیکها سعی میکنند فرمول یا الگوریتمی را ایجاد کنند که به بهترین شکل این نتایج تاریخی را تقلید کند. سپس این الگوریتم از داده های فعلی برای پیش بینی نتایج در آینده استفاده می کند.
تجزیه و تحلیل پیش بینی در عمل
بگویید در کنار خانه شما یک زمین بازی وجود دارد. در دو هفته گذشته، یادداشت کرده اید که آیا بچه هایی در زمین بازی بازی می کنند یا خیر. اگر هوا آفتابی، بارانی یا ابری بود، دما و رطوبت را هم یادداشت کردید. بر اساس دادههایی که جمعآوری کردید، آیا میتوانید پیشبینی کنید که آیا بچهها در یک روز خاص در زمین بازی بازی میکنند یا خیر؟
صفحه گسترده آب و هوای شما
این یک سوال پیچیده است. بدیهی است که این شرایط آب و هوایی ربطی به این دارد که بچه ها بیرون بازی می کنند یا نه. اگر پیش بینی هوا بارانی باشد، احتمالاً باران خواهد بارید، به این معنی که بچه ها کمتر در بیرون بازی می کنند. وقتی هوا گرم است، بچه ها احتمالاً بیرون بازی خواهند کرد. اما آیا صفحهگسترده شما با اطلاعات چهارده روز متوالی دادههای کافی برای پیشبینی دقیق در مورد اینکه بچهها بیرون بازی خواهند کرد یا نه، دارد؟
پیش بینی با استفاده از درخت تصمیم
یک روش رایج و نسبتاً ساده برای ایجاد یک مدل پیش بینی، درخت تصمیم است. درخت تصمیم یک مدل درخت مانند است که از تصمیمات و پیامدهای احتمالی آنها تشکیل شده است. در درخت تصمیم، هر گره نشان دهنده تستی بر روی یک ویژگی خاص است و هر شاخه نشان دهنده نتایج احتمالی این تست است.
من با استفاده از چند تکنیک داده کاوی ساده، یک درخت تصمیم بر روی مجموعه داده های آب و هوای خود تهیه کردم. درخت تصمیم با استفاده از یک الگوریتم درخت تصمیم خاص به نام C4.5 محاسبه شد. این مدل درخت تصمیم به خوبی با داده ها مطابقت دارد: می تواند پیش بینی کند که آیا بچه ها در زمین بازی با دقت 71 درصد بازی خواهند کرد یا خیر. این خیلی بهتر از حدس زدن است که دقت 50 درصدی دارد.
اگر نگاه دقیق تری بیندازید درخت تصمیم به خودی خود توضیح می دهد. من از طراح خود خواستم که این تصویر زیبا باشد – خروجی اصلی یک نسخه سیاه و سفید بسیار خسته کننده تر است.
دو پیش بینی کننده قوی در درخت تصمیم وجود دارد. چشم انداز اولین پیش بینی کننده است. وقتی هوا آفتابی است، بچهها ۴ بار از ۵ بار در زمین بازی بازی میکنند. وقتی پیش بینی بارانی است، بچه ها بیرون بازی نمی کنند. در صورتی که چشم انداز ابری باشد، رطوبت دومین پیش بینی کننده است. اگر رطوبت هوا زیاد باشد (که معمولاً وقتی باران میبارد) بچهها احتمالاً بیرون بازی نمیکنند. با این حال، وقتی رطوبت طبیعی است، بچه ها احتمالاً بیرون بازی می کنند.
به عبارت دیگر: از پیش بینی هوا و رطوبت می توان برای پیش بینی اینکه آیا بچه ها در زمین بازی بیرون به طور دقیق بازی می کنند یا خیر استفاده کرد. البته، در یک سازمان، شما علاقه ای به پیش بینی این نتایج خاص ندارید. در عوض، شما از معیارهای HR برای پیش بینی نتایج کسب و کار استفاده خواهید کرد.
این مثال ساده یک نمایش عالی از نحوه عملکرد تجزیه و تحلیل پیش بینی کننده است. همه اینها به الگوریتم هایی خلاصه می شود که از داده های موجود برای پیش بینی آینده یاد می گیرند. اریک سیگل (2013) این را با یک فروشنده مقایسه می کند. تعاملات مثبت و منفی به فروشنده می آموزد که کدام تکنیک موثر است و کدام نه. به روشی مشابه، تجزیه و تحلیل پیشبینیکننده، سازمانها را قادر میسازد از تجربیات یا دادههای قبلی بیاموزند.
چگونه تجزیه و تحلیل پیش بینی منابع انسانی در عمل اعمال می شود
حال، تجزیه و تحلیل پیشبینیکننده چگونه برای منابع انسانی اعمال میشود؟ منابع انسانی دارای مقادیر زیادی از داده های افراد است که معمولاً در یک سیستم اطلاعاتی منابع انسانی مدیریت می شوند. با اعمال تجزیه و تحلیل پیشبینیکننده برای این دادهها، منابع انسانی میتواند به یک شریک استراتژیک تبدیل شود که بهجای تکیه بر حس درونی و علم نرم، بر مدلهای پیشبینی اثباتشده و مبتنی بر دادهها تکیه میکند. تجزیه و تحلیل پیشبینی منابع انسانی، منابع انسانی را قادر میسازد تا تأثیر سیاستهای افراد را بر رفاه، شادی و عملکرد نهایی پیشبینی کند. به عنوان مثال، نقشی که می تواند در جلوگیری از جابجایی پرهزینه کارکنان ایفا کند.
با این حال، تنها تعداد کمی از سازمان ها قادر به تولید مدل های پیش بینی برای منابع انسانی هستند. بر اساس مدل بلوغ تجزیه و تحلیل افراد در سال 2018 دیلویت، تنها 17 درصد از سازمانها در سراسر جهان دادههای منابع انسانی را در دسترس داشتند و از آنها استفاده میکردند. این نسبت از 8 درصد در سال 2015 و 4 درصد در سال 2014 افزایش یافته است.
از این 17 درصد در سال 2018، تنها 2 درصد واجد شرایط داشتن داده های یکپارچه برای کسب و کار هستند، به این معنی که از ابزارهای پیشرفته به کمک هوش مصنوعی در زمان واقعی برای جمع آوری، ادغام و تجزیه و تحلیل داده ها استفاده می کنند. 15 درصد دیگر قادر به انجام تجزیه و تحلیل پیش بینی به صورت موقت هستند.
این بدان معناست که بسیاری از سازمانها هنوز راه طولانی در پیش دارند تا بتوانند تحلیلهای پیشبینیکننده افراد را اعمال کنند. با وجود این، پذیرندگان اولیه در حال حاضر نتایج بسیار جالبی را نشان می دهند. بیایید نگاهی دقیق تر به برخی از آنها بیندازیم.
نمونه های واقعی از تجزیه و تحلیل پیش بینی در منابع انسانی
1. پیش بینی و جلوگیری از گردش مالی در HP
Hewlett-Packard (HP) شرکتی با بیش از 300000 کارمند است و همیشه در زمینه تجزیه و تحلیل پیش بینی منابع انسانی پیشرو بوده است. مدیریت HP سطح بالایی از جابجایی کارکنان را تجربه کرد. نرخ گردش مالی 20٪ در برخی از بخش های فروش آن غیر معمول نبود. این بدان معناست که افراد به طور متوسط بین 4 تا 5 سال می ماندند.
گردش مالی بالا به طور کلی منجر به هزینه های بالای استخدام و از دست دادن درآمد به دلیل از دست دادن بهره وری و ورود به هواپیما می شود. علاوه بر این، کارکنان در حال خروج دانش، شبکه و گاهی اوقات حتی مشتریان خود را با خود می برند. تخمین زده می شود که هزینه جایگزینی کارکنان سطح متوسط بیش از 150٪ حقوق سالانه آنها باشد. این می تواند برای شرکتی مانند HP میلیون ها دلار هزینه داشته باشد.
دو دانشمند تصمیم گرفتند این مشکل را حل کنند. آنها داده های دو سال گذشته را ترکیب کردند و سعی کردند پیش بینی کنند چه کسی سازمان را ترک می کند. با استفاده از مدلهای پیشبینی، آنها امتیازی را ایجاد کردند که آن را «خطر پرواز» مینامیدند. این امتیاز احتمال ترک هر یک از بیش از 300000 کارمند HP را پیش بینی می کرد.
یافته های آنها راهگشا بود. بر اساس داده ها، آنها می توانستند ببینند که چرا کارمندان HP را ترک می کنند. دستمزد بالاتر، ترفیعها و رتبهبندی عملکرد بهتر، به عنوان مثال، به طور منفی با خطر پرواز مرتبط است. با این حال، مشخص شد که روابط پیچیده ای بین این یافته ها وجود دارد. به عنوان مثال، زمانی که فردی ترفیع دریافت کرد اما افزایش قابل توجهی دریافت نکرد، احتمال اینکه این شخص از کار کناره گیری کند بسیار بیشتر است.
همانطور که می توانید تصور کنید، تعدادی از مشکلات عملی و مرتبط با حریم خصوصی در این امتیاز خطر پرواز وجود داشت. به همین دلیل است که دسترسی به این داده ها فقط به گروهی از مدیران سطح بالا داده می شود.
این مدیران فقط می توانستند نمرات زیردستان خود را ببینند. آنها همچنین در تفسیر امتیازات ریسک پرواز آموزش دیدند تا بتوانند پیامدهای بالقوه و مسائل محرمانه بودن این داده ها را درک کنند.
علاوه بر این، سیستم به این مدیران اطلاع می دهد که عوامل خطر اصلی فرسایش کارکنان چیست. به این ترتیب، سیستم بر مدیران فشار می آورد تا استراتژی هایی برای حفظ کارکنان خود ایجاد کنند. این به کاهش هزینه ها و حفظ تداوم کسب و کار کمک می کند.
با در نظر گرفتن تمام عوامل مختلفی که یک شرکت می تواند هنگام انجام تحلیل های پیش بینی در نظر بگیرد، گم شدن در جزئیات آسان است. بنابراین، ایجاد یک داشبورد با نمای کلی از مهمترین معیارها می تواند ارزش زیادی داشته باشد.
در پایان، امتیازات ریسک پرواز به عنوان یک سیستم هشدار اولیه عمل کرد. این امر باعث شد تا مدیران آموزش دیده قبل از اینکه دیر شود مداخله کنند. یا زمانی که از دست دادن یک کارمند اجتناب ناپذیر بود، بر اساس آن واکنش نشان داد. با توجه به Siegel (2013)، HP توانست با استفاده از تجزیه و تحلیل پیش بینی برای محاسبه این خطر پرواز، حدود 300 میلیون دلار صرفه جویی کند.
2. پیش بینی موفقیت استخدام در گوگل
لازلو بوک، معاون ارشد عملیات مردمی (HRM) در گوگل، در کتاب خود قوانین کار مینویسد که مهمترین ابزار عملیات مردمی گوگل، آمار است. سؤالاتی که از مصاحبه شوندگان در فرآیند استخدام Google پرسیده می شود، همه کاملاً خودکار، توسط رایانه تولید شده و به منظور یافتن بهترین نامزد تنظیم شده اند.
علاوه بر این، گوگل احتمال خروج افراد از شرکت را با استفاده از تجزیه و تحلیل پیش بینی منابع انسانی تخمین می زند. یکی از یافتههای گوگل این است که فروشندگان جدیدی که در عرض چهار سال ترفیع دریافت نمیکنند، بسیار بیشتر احتمال دارد که شرکت را ترک کنند.
معیارهای مرتبط دیگری در استخدام وجود دارد که باید آنها را پیگیری کنید تا ببینید آیا افراد مناسب را استخدام می کنید یا خیر. اینها شامل معیارهای پیشرفته مانند زمان تا بهره وری و هزینه رسیدن به سطح بهره وری بهینه است.
3. پیش بینی درآمد با استفاده از اعداد تعامل
مشارکت کارکنان اغلب به عنوان جام مقدس منابع انسانی دیده می شود. کارمندانی که درگیر هستند سختتر کار میکنند، کیفیت بهتری ارائه میدهند، کمتر غیبت میکنند و احتمال ترک کار کمتر است.
Best Buy، یک خردهفروش لوازم الکترونیکی، میخواست بداند تعامل چگونه بر فروش فروشگاههایشان تأثیر گذاشته است. آنها داده های خود را تجزیه و تحلیل کردند و دریافتند که افزایش 0.1 درصدی در تعامل منجر به افزایش 100000 دلاری درآمد هر فروشگاه می شود.
پس از یافتن این تأثیر شگفتانگیز، Best Buy تصمیم گرفت چندین بار در سال میزان مشارکت را اندازهگیری کند. این همچنین آنها را قادر می سازد تا محرک های تعامل را اندازه گیری کنند. این به مداخلات منابع انسانی کمک کرد که باعث افزایش تعامل و به نوبه خود درآمد فروشگاهی می شد.
4. ویکی پدیا
ویراستاران ویکیپدیا یا ویکیپدیانها، مقالاتی را ایجاد و ویرایش میکنند تا بزرگترین دایرهالمعارف جهان را بهروز نگه دارند. هر روز بیش از 800 صفحه جدید ایجاد می شود و 3000 ویرایش تنها در ویکی پدیای انگلیسی (بیش از 3 در ثانیه در سراسر جهان) انجام می شود. ویکیپدیا میتواند پیشبینی کند که چه کسی از ۷۵۰ هزار ویراستارش به احتمال زیاد مشارکت را متوقف میکند.
من مطمئن نیستم که ویکیپدیا چگونه بر روی این اطلاعات عمل میکند، اما یک ایمیل «متشکرم از مشارکت شما» میتواند در قدردانی و مشارکت مجدد این ویکیپدیاییها معجزه کند.
5. تصمیم گیری بهتر برای استخدام با استفاده از فیس بوک
آیا استخدام کنندگان شما صفحات فیس بوک متقاضیان را بررسی می کنند؟ شاید آنها باید. یک مطالعه نشان داد که می توان شخصیت و عملکرد کاری آینده یک فرد را بر اساس نمایه فیس بوک آنها پیش بینی کرد (Kluemper، Rosen & Mossholder، 2012). در این مطالعه، تعدادی از شرکتکنندگان بر اساس نمایههای فیسبوک رتبهبندی استخدام را دادند. این رتبه بندی ها 8 درصد از عملکرد شغلی رتبه بندی شده توسط مدیر را برای این افراد پیش بینی می کرد.
8 درصد ممکن است زیاد به نظر نرسد. به عنوان مثال، یک تست شخصیتی استاندارد در مقایسه با نگاه کردن به نمایه فیس بوک یک فرد، ارزش پیش بینی بالاتری برای عملکرد دارد. با این حال، ادبیات بارها و بارها نشان میدهد که بهترین مدلهای پیشبینیکننده برای عملکرد شغلی آینده، پیشبینیکنندههای مختلفی مانند آزمونهای IQ، مصاحبههای ساختاریافته و آزمونهای شخصیتی را با هم ترکیب میکنند. جستجو از طریق پروفایل فیس بوک می تواند ابزار اضافی برای اسکن نامزدها باشد.
6. پیش بینی تاثیر در Nielsen
نیلسن، یک شرکت تجزیه و تحلیل داده، مشکلی مشابه HP داشت. پس از صحبت با یکی از روسای یکی از مشاغل، SVP People Analytics، متوجه شد که حفظ مشکلی است که باید روی آن کار کرد.
پس از انجام تجزیه و تحلیل تأثیر مالی، تیم People Analytics دریافتند که هر یک درصد کاهش در فرسایش منجر به کاهش 5 میلیون دلاری هزینه کسب و کار می شود.
سپس تیم People Analytics توانست 120 فرد کلیدی را که در معرض خطر ترک کار میکنند شناسایی کند. از طریق حرکات جانبی برای 40 درصد از گروه، تیم توانست نرخ ساییدگی را برای شش ماه اول پس از اجرا به صفر برساند.
از طریق ابتکارات مختلف با هدف کاهش گردش مالی، تیم توانست ساییدگی را تا دو درصد برای شرکت جهانی کاهش دهد که در نتیجه کاهش 10 میلیون دلاری هزینه را به همراه داشت. پس از اجرای موفقیت آمیز، این پروژه در هفت کشور دیگر اجرا شد (منبع).
7. هرگز افراد سمی را استخدام نکنید
آخرین نمونه از مطالعه موردی Cornerstone در مورد کارمندان سمی است. Cornerstone تأثیر کارمندان سمی را در محل کار مورد مطالعه قرار داد. کارمندان سمی کارمندانی هستند که به احتمال زیاد درگیر رفتارهای سمی هستند. نمونه هایی از این رفتارها عبارتند از کلاهبرداری، سوء مصرف مواد مخدر یا الکل و آزار جنسی.
این افراد نه تنها به شرکت آسیب می زنند. آنها برای محیط کار عمومی بسیار سمی هستند. تحقیقات قبلی نشان میدهد که یک کارمند سمی در یک تیم باعث کاهش بهرهوری بین 30 تا 40 درصد میشود. علاوه بر این، کارمندان خوب زمانی که مجبور به همکاری با همکاران سمی هستند، بیشتر احتمال دارد کار را ترک کنند.
این شرکت از مجموعه داده ای متشکل از 63000 کارمند استفاده کرد. در این مجموعه داده، آنها مشخص کردند که کدام کارمندان به دلیل خشونت در محل کار، جعل اسناد، سوء مصرف مواد مخدر و الکل و سایر تخلفات خطمشی بهطور غیرارادی اخراج شدهاند. بر اساس این معیارها، حدود 4٪ از همه کارکنان را می توان به عنوان “سمی” طبقه بندی کرد.
پس از تجزیه و تحلیل مجموعه داده، Cornerstone تعدادی از ویژگی های کلیدی افراد سمی را شناسایی کرد.
افراد سمی:
1. خود را پیرو قانون هستند.
2. امتیاز پایین در حضور و اعتماد.
3. و خدمات گرایش پایینی داشته باشند.
قابل توجه است که این مطالعه سطوح بالای کاهش بهره وری گزارش شده قبلی را در کوتاه مدت پیدا نکرد. با این حال، رفتار سمی را مسری تشخیص داد. افرادی که با همکاران سمی کار می کنند نیز احتمال ترک سیگار را افزایش می دهند. علاوه بر این، این مطالعه فرض کرد که همکاران سمی به استرس طولانی مدت و فرسودگی شغلی در میان سایر کارکنان کمک می کنند.
در پایان، Cornerstone ثابت کرد که استخدام یک کارمند سمی به طور متوسط 12800 دلار برای کارفرما هزینه دارد، در مقابل میانگین 4000 دلار برای یک کارمند غیر سمی. این کاهش بهره وری بلند مدت (و پرهزینه) از طریق فرسودگی شغلی و سایر اثرات منفی را حذف می کند. با تنظیم دقیق فرآیند استخدام، شرکت ها می توانند از استخدام نامزدهایی که احتمال سمی شدن آنها وجود دارد جلوگیری کرده و محیط کاری سالم تری ایجاد کنند.
یک تغییر دهنده بازی برای منابع انسانی
همانطور که این مثالهای قبلی نشان میدهند، نتایج بهکارگیری تحلیلهای پیشبینیکننده افراد میتواند شگفتانگیز باشد. بخش های منابع انسانی می توانند میلیون ها دلار برای شرکت خود پس انداز کنند (یا کسب کنند). علاوه بر این، منابع انسانی می تواند به مدیران و مدیران خود کمک کند تا با استفاده از تحلیل های پیش بینی و استفاده از معیارهای مناسب منابع انسانی، تصمیمات بهتری بگیرند.
پتانسیل تجزیه و تحلیل افراد پیش بینی شده توسط این موارد تجاری (و سایر مطالعات موردی تجزیه و تحلیل منابع انسانی) نشان می دهد که تجزیه و تحلیل منابع انسانی پیش بینی شده اینجا باقی مانده است. آنها تغییردهنده بازی هستند که منابع انسانی را قادر میسازد نه تنها نحوه کار کارکنان را ارزیابی کند، بلکه تأثیر سیاستهای افراد را هم بر کارمندان و هم بر تجارت پیشبینی و بهینه کند.
برای کسب اطلاعات بیشتر در مورد کاربرد تجزیه و تحلیل پیشگویانه و تجزیه و تحلیل منابع انسانی به طور کلی، این 11 دوره آنلاین تجزیه و تحلیل منابع انسانی یا آکادمی تجزیه و تحلیل منابع انسانی ما را بررسی کنید که در آن دورههایی را برای متخصصان منابع انسانی که میخواهند درباره تجزیه و تحلیل اطلاعات بیشتر بدانند، ارائه میدهیم.
دیدگاهتان را بنویسید