Waarom HR-analytics de belofte (nog) niet waarmaakt
Volgens onderzoeksbureau McKinsey wordt HR-analytics mainstream. Waar voorheen de focus lag op hoe men met dit thema moet starten, verschuift het gesprek nu naar hoe het kan worden versneld. Hoe kunnen we ervoor zorgen dat er sneller rendement uit wordt gehaald? Dit is een belangrijke vraag omdat de waarde van HR-analytics achterblijft bij het potentieel.
Max Blumberg en Erik van Vulpen van Analytics in HR (AIHR) analyseerden de laatste wetenschappelijke bevindingen rondom HR-analytics. Hierbij een aantal constateringen van beide heren.
Wat is het huidige beeld van HR-analytics
Slechts 2% van alle organisaties zet HR-analytics op een optimale wijze in. Er is een wijdverspreid fundamenteel probleem. HR-analytics wordt gezien als niets meer dan een rapportageactiviteit. Hoewel rapporteren waardevol kan zijn en kan helpen om zaken te sturen, richt deze activiteit zich alleen op het hier en nu in plaats van op wat er in de toekomst waarschijnlijk zal gebeuren. Bovendien bevelen ze geen maatregelen aan om problemen te corrigeren. Met andere woorden; HR-analytics is niet voorspellend en niet voorschrijvend.
HR-waardenstroom
Vanuit HR-perspectief is het hebben van inzicht in HR-processen en personele capaciteiten een belangrijke doelstelling, maar dit is bedrijfsbreed niet het absolute antwoord. Blumberg ontleedt deze constatering door gebruik te maken van de HR-waardenstroom in onderstaande figuur.
Het belangrijke geconstateerde perspectiefverschil: management is met name geïnteresseerd in level 1 en 2 (KPI’s en bedrijfsresultaten), terwijl de meeste HR-verslaglegging zich concentreert op niveaus 3 en 4 (het proces en de capaciteiten).
Focus op toegevoegde waarde
Door de waardenstroom voor jouw organisatie beter in beeld te brengen is het mogelijk om procesproblemen te identificeren die belangrijke bedrijfsresultaten bevorderen. Bijvoorbeeld het maximaliseren van de doelgroeptevredenheid door betere werving, leren en ontwikkeling en het vasthouden van key functionarissen in het primaire proces.
De eerste stap is om vast te stellen welke eigenschappen een modelmedewerker heeft binnen het primaire proces rondom de doelgroep. Als je geen goed beeld hebt van een high-performer, op basis van welke aanknopingspunten rekruteer je dan? Hoe bepaal je op welke trainingen de organisatie moet inzetten? En hoe weet je welke delen van de organisatiecultuur je moet beïnvloeden om de juiste mensen te behouden?
Als je eenmaal weet wat de standaard is, kunnen statistische methoden worden gebruikt om de factoren te identificeren die een onderscheid maken tussen laag- en hoogpresteerders en tussen werknemers die vertrekken versus degenen die blijven. Deze factoren kunnen onder meer zijn: competenties die mensen krijgen door middel van training, de persoonlijkheid waarmee ze zijn geboren, hun opleiding, ervaring, etc. Zodra de persoonlijkheidskarakteristieken van high-performers zijn geïdentificeerd en de training die hun prestaties het meest verhoogt is vastgesteld, kunnen deze factoren worden ingebouwd in arbeidsmarktpromotie, w&s-processen en leer- en ontwikkelingsplannen.
De kosten gaan voor de baten uit
Uiteraard is het niet eenvoudig om dergelijke aanpak in de praktijk te brengen. Het vergt hoogwaardige analytische vaardigheden die niet binnen elke organisatie voorhanden zijn. Het rekruteren of inhuren van personen met dergelijke kennis vergt kapitaal. Echter, het is een feit dat een dergelijke voorinvestering zich uiteindelijk dubbel en dwars terugbetaalt door een verbetering van de bedrijfsresultaten. Of deze kennis beperkt voor handen is of dat dit simpelweg genegeerd wordt, laten we in het midden. Voor nu behoort HR-analytics bij veel organisaties tot het ongebruikte potentieel en laat men een kans liggen om de organisatie echt te versnellen.
In de whitepaper 'Van data naar daadkracht' lees je meer over de toegevoegde waarde van data. Je vraagt deze whitepaper kosteloos aan.