CoolClub pro IT odborníky

Předpovídejte budoucnost s prediktivní HR analytikou

03.01.2021

Nemusíte mít zrovna křišťálovou kouli na to, abyste mohli předpovídat blízkou budoucnost. Spolehlivě vám na to postačí HR analytika – konkrétně řečeno prediktivní analytika. Díky ní budete přesně vědět, jak zabránit fluktuaci, jak nastavit bonusy nebo jak sestavit schopný pracovní tým. Buďte jeden krok před konkurencí, a objevte kouzlo prediktivní analýzy. 

 

HRstack

 

 

Říká se, že informace je to nejcennější, co máme. A to platí i v oblasti lidských zdrojů. Nashromážděná data mají vysokou cenu, neboť dokážou firmě říct, co se právě děje (deskriptivní analýza) a co očekávat v budoucnosti (prediktivní analýza).

 

Pouze 3 % českých firem

Je to právě prediktivní analýza, která dokáže poměrně spolehlivě předurčit vývoj firmy, odhalit klíčové faktory pro odchod zaměstnanců, predikovat úspěšnost zaměstnanců, naplánovat strategická rozhodnutí na správný čas a řadu dalších věcí. V určitém slova smyslu o ní můžeme mluvit jako o jistém „game changeru“, neboť umožňuje podchytit problémy ještě dříve, než se vyskytnou, a naopak vytěžit maximum ze skrytých výhod.

I přes značné benefity mnoho firem prediktivní analýzu nevyužívá. Data tak často zůstávají ležet ladem. Potvrzují to i statistiky. „Až 21 % velkých firem v České republice nepřikládá význam datům. Vzniká tak propast mezi daty a jejich analýzou, což jsou však klíčové faktory pro úspěšný nábor, udržení zaměstnanců a předpovídání dalších faktorů, které ovlivňují celou oblast lidského kapitálu,“ vysvětlila Sarah Cuthill na HR Meetingu 2018. Další statistiky přináší neméně skomírající výsledky. Podle nich využívají prediktivní analytiku pouze 3 % českých firem.

Společnosti, která svá data vidí jako nerelevantní, přichází o mnoho – zříkávají se možnosti vědět více a předběhnout konkurenci. A v neposlední řadě také přichází o peníze, což se v případě náboru může ročně vyšplhat až na miliony korun.

 

 

Jak na prediktivní analýzu?

Prediktivní analytika se skládá z několika základních kroků. Prvním je definice otázek, na které chceme znát řešení, dalším je příprava a sběr relevantních dat. Následuje jejich čištění, ověřování prediktivního modelu a konečně vyhodnocení, které nám dává finální odpovědi na naše otázky. Vzhledem ke své komplexnosti je zřejmé, že bez dobrého softwaru se při vypracovávání této analýzy neobejdete. Nyní si jednotlivé kroky stručně přiblížíme.

 

Zpracování prediktivní analýzy stručně a jasně:

1. Definujte klíčové otázky a cíl, kterého chcete dosáhnout

Prediktivní analytika umožňuje vizualizovat budoucí výsledky a zjistit odpověď na otázku „proč“. Předtím než s touto analýzou začnete, je důležité definovat cíle a otázky, na které chcete znát odpovědi. 

  • Co je příčinou fluktuace u zaměstnanců?
  • Které oddělení bude pravděpodobně potřeba posílit?
  • U jakého oddělení budeme moci snížit budget?
  • Jak nastavit pracovní bonusy efektivně?

 

2. Sbírejte relevantní data ze všech dostupných zdrojů

Základem pro vypracování kvalitní prediktivní analýzy jsou data. Čím více jich je, tím přesnější může předpověď být. Musí být ovšem relevantní, jinak správné odpovědi nedostanete.

Pro shromažďování dat je nejlepší využívat CRM aplikace, marketingové nástroje, popřípadě softwary, které umožní ukládat velké objemy dat.

Problém může nastat v případě, kdy máte data roztroušená na několika místech – v počítači, v archivech nebo na nástěnkách. Pokud je toto i váš případ, zvýšená důslednost a pečlivost je rozhodně na místě.

 

 

3. Očistěte data od duplicit a nepřesností

„Garbage in, garbage out“ – toto je anglická fráze odkazující na skutečnost, že nepřesná data generují nepřesné výsledky. A taková je realita. Pokud zadáte do analýzy špatná vstupní data, je zřejmé, že výsledky budou zavádějící. Je proto nutné dbát na to, abyste do programu zadali správné hodnoty, a to v předepsaném formátu. Kromě toho je potřeba dávat pozor na duplicitní záznamy a normalizovat data, aby se zajistila konzistentnost záznamů. Naštěstí většina softwarových řešení nabízí v tomto procesu pomocnou ruku – disponují totiž funkcemi, jako je eliminace, standardizace, harmonizace a profilování dat, které vám přinesou uspokojivé výsledky.

 

4. Vyberte řešení prediktivní analýzy 

Vytváření vlastního modelu prediktivní analýzy vyžaduje odborné znalosti v oblasti datové vědy. Proto vás asi nepřekvapí, že k takové komplexní práci budete potřebovat pomoc odborníka s pokročilými analytickými schopnostmi. V opačném případě můžete využít softwarová řešení, která disponují funkcemi a integrovanými prediktivními modely, s nimiž analýzu vytvoříte poměrně jednoduše. Na českém trhu je jich v současné době celá řada – viz RECRU, Sophias nebo Talterra.

 

5. Vyhodnoťte a ověřte prediktivní model

Posledním klíčovým krokem je vyhodnocení prediktivního modelu. To vám umožní identifikovat jeho slabiny a zároveň zajistit, aby fungoval i v dalších situacích. Jak na to? Nejčastěji se využívá například křížová (crossing validation) nebo regresní validace (regression validation).

Po dokončení analýzy je důležité výsledky správně interpretovat. Pro mnohé společnosti mohou znamenat výsledky velký „wake up call“ – tedy něco, co jim skutečně otevře oči. Vedení si například může myslet, že vysoká fluktuace souvisí s nízkým platem, ale pravdou je, že hlavní důvod odchodu zaměstnanců může souviset například s negativní firemní kulturou nebo krátkou dovolenou.

 

 

Příběhy 3 společností, které využily prediktivní analýzu ke svému prospěchu 

Kdy prediktivní analýza pomohla v praxi několika významným podnikům v zahraničí?

 

1. E.ON snížila absenci zaměstnanců

Německá společnost svou energií zásobuje domácnosti po celé Evropě. Popularita tu nikdy nebyla problém – to, co firmu trápilo, byla častá absence zaměstnanců. K vyřešení tohoto problému využila právě prediktivní analýzu, která vedla k formulaci 55 hypotéz k odhalení důvodů absencí. Z těchto 55 hypotéz otestovala společnost hned 21 a následně potvrdila 11 z nich. Jaký byl výsledek? Společnost zjistila, že zaměstnance trápil nedostatek dovolené, a tak si ji nahradili absencí v práci. Díky tomuto zjištění dokázala společnost nejen snížit nevyžádaných absencí, ale také zvýšit spokojenost neodpočinutých zaměstnanců.

 

2. AMC Theatres zlepšila efektivitu zákaznického servisu

Vedení společnosti moc dobře ví, že zaměstnanci zákaznického servisu jsou značkou celé společnosti. A proto je potřeba, aby tvář značky reprezentovali co nejlépe. Jak takového cíle dosáhnout? Firma se rozhodla najít odpovědi prostřednictvím prediktivní analýzy. Tu využila k identifikaci hlavních rysů nejvýkonnějších zákazníků zákaznického centra a na základě dat upravila náborový proces tak, aby mohla najmout pouze uchazeče s těmito specifickými vlastnostmi a dovednostmi. Výsledkem byla snížená míra fluktuace, vyšší angažovanost zaměstnanců a také vyšší spokojenost klientů.

 

3. Jak společnost Credit Suisse snížila fluktuaci zaměstnanců

Významná švýcarská společnost známá pro své bankovní a finanční služby se také rozhodla vsadit na prediktivní analýzu – a to z kvůli zjištění důvodu, proč zaměstnanci tak často odchází. Výsledky byly velice přínosné. Díky nim společnost začala problematiku fluktuace řešit a zaměřovat se na přání a benefity zaměstnanců, aby si je udržela. Povedlo se. Díky této iniciativě ušetřila firma odhadem 70 000 000 $ ročně za nábor a zaučování nových zaměstnanců.

 

Game changer

Jak se dozvídáme, prediktivní analytika v HR je efektivní nástroj, který dokáže společnost pomoci v celé řadě úkonů – od snížení fluktuace, předpovídání trendů až po zvýšení spokojenosti zaměstnanců nebo strategičtější plánování. Zpracovaná HR data se tak stávají vysoce cenným klenotem, který dokáže obohatit celou společnost a přispět k efektivnějšímu fungování.

 



Připravila: Petra Pruden