מאת: דר' יובל דרור[2]
“If people did not do silly things, nothing intelligent would ever get done.”
Ludwig von Wittgenstein (1889 - 1951)
"… analytics play a hugely important role in taking leaders from thinking they know the answer to knowing they know the answer,”
Al Adamsen[3]
שימוש בניתוחי עומק של בסיסי נתונים גדולים לצרכים ארגוניים הינה פעילות חדשה יחסית בעלת גיבוי מחקרי חלקי בלבד (רוב העבודות הינן פנים-ארגוניות ולא זוכות לפירסום רחב). פרסומים על מחקרים ועל יישומים מהשנים האחרונות מראים כמה יסודות מבטיחים אך גם מצביעים אל אתגרים. ההבטחות נגזרות ממודלים שהראו הצלחות והאתגרים נגזרים מקשיים ארגוניים ומטודולוגיים. לכן, ככל שארגון מעוניין לבחון העמקת שימוש בניתוחי עומק של בסיס נתונים במערכי משאבי האנוש שלו עליו להזמין את עצמו לתהליך ניסיוני מרובה הפתעות (לטובה ולרעה).
הסקר אחרון של דלויט (2016) משקף תמונה על פיה חברות עושות לא מעט דברים בתחום. הן מזהות טוב יותר מוכרנים טובים ומשפרות באמצעות ידע זה את יכולות הגיוס שלהן, הן מזהות תהליכי עבודה שמביאים תוצאות יותר טובות ומשפרות כך את שרשרת הערך שלהן, הן מזהות עובדים בסכנת עזיבה ומטפלות בהן ביתר אפקטיביות, הן מזהות נטיות ללקיחת סיכונים ותבניות התנהגות של הונאות ומצליחות לעצור התנהגויות לא-אתיות, הן מזהות התנהגויות תואמות ושאינן תואמות לתרבות הארגונית הרצויה ועוד. הסקר מראה גם כי ההתפתחות של התחום צוברת תאוצה כתוצאה מהטנעת מערכות 'ענן' בתוך ארגונים, הצטרפות של יותר ויותר אנשים עם רקע אנליטי וסטטיסטי למערכי משאבי האנוש וגם משום שיותר ספקי תוכנה מציגים היום תוכנות ניתוח עבור מערכי משאבי האנוש. אלו מרחיבים את החשיפה של מנהלים כלליים (ולא רק של מנהלי משאבי אנוש) לתועלות.
סקרים מהשנים האחרונות מלמדים הן על הקושי והן על הפוטנציאל שרואים בארגונים לניתוח עומק של נתונים. הסקרים מראים שהצלחה קשורה בתובנה שהמכלול שמייצר תהליך חקירת הנתונים הוא אסטרטגי ולא תפעולי:
היתרון האסטרטגי התחרותי שארגונים משיגים הוא בעיקר בתחילת הדרך. ככל שהדבר הופך ליותר רווח כך היתרון התחרותי נמוג. המשמעות היא שכדאי להיות מהיר בניצול של היכולות והלמידות הנגזרות מהנתונים (בתחום משאבי אנוש רק מעט חברות (8%) מדווחות שהגיעו למצב של יכולות לניבוי על בסיס נתוחי עומק)
למרות האמור לעיל האופטימיות בקרב מנהלי ארגונים באשר לתועלת ניתוח העומק נותרת גבוהה. העניין במערכות אלו איננו קטן בשנים האחרונות.
השגת יתרון תחרותי באמצעות נתוח נתונים דורש נחישות ועיקביות בשינוי מעמדם של נתונים בתהליכי החלטה של מנהלים. הנתונים אינם מחליפים אינטואיציה וניסיון אבל מעמידים מנהלים בניסיון ולפעמים אף את התרבות הארגונית הקיימת.
ארגונים שמצליחים בשימוש בניתוחי נתונים ימצאו במשך הזמן יותר מקומות בארגון שאליו חדרו הכלים הללו. ככל שהטמעה רחבה יותר כן החדירה לתחומים של חדשנות ארגונית גוברת על חקירות הקשורות לאופטימיציה של תהליכים קיימים.
רוב החברות צריכות זמן הבשלה עד שהן מוכנות להשקיע את המשאבים הנדרשים כדי לקבל תועלת. זה לא רק ההשקעה בציוד אלא גם בהכשרת אנשים ובהדרכת מנהלים לשימוש בנתונים כדי שיקנו את הזמן הנידרש לשימוש בממצאי המחקרים.
סוגיות של משאבי אנוש
נכון להיום, השימוש בניתוחי עומק של נתוני מערכי משאבי אנוש בארגונים צובר תנופה. יש כיום לא מעט דוגמאות לשימושים מגוונים:
קסינון קורות חיים מבוססי מודלי אשכול (Clustering) המסוגלים להשוות בין מועמדים לבין עצמם ולבין עובדים קיימים.
יישום מודלי הקשר (Association) לאבחון קורלציות בין מאפייני עובדים (השכלה, מגורים, מעבר תפקידים ועוד) לבין ביצועים גבוהים.
יישום מודלי סיווג (Classification) לאבחון סדרה של אירועים הקודמים לעזיבה המאפיינים עזיבת עובד את החברה. הדבר יאפשר חיזוי מבעוד מועד של תהליכים אלו ויסייע במסגרת תהליכי השימור.
סינון קורות חיים מבוססי מודלי אשכול (Clustering) המסוגלים להשוות בין מועמדים לבין עצמם ולבין עובדים קיימים.
יישום מודלי הקשר (Association) לאבחון קורלציות בין מאפייני עובדים (השכלה, מגורים, מעבר תפקידים ועוד) לבין ביצועים גבוהים.
יישום מודלי סיווג (Classification) לאבחון סדרה של אירועים הקודמים לעזיבה המאפיינים עזיבת עובד את החברה. הדבר יאפשר חיזוי מבעוד מועד של תהליכים אלו ויסייע במסגרת תהליכי השימור.
נוסיף כי התחום של משאבי אנוש איננו מוגדר מושגית היטב - יש בו ריבוי מושגים בלתי בהירים, תחומי משנה מרובים, וחסרות בו דרישות מדויקות למימוש צרכים מדויקים. ניתוח של התנהגויות אנושית באופן כמותי מזמין פיצול של רכיבי התנהגות ניתנים לזיהוי ואף הפיכתם לנתונים כמותיים אך באופן שעדיין יאפשר תובנות. זהו אתגר אינטלקטואלי ומעשי לא פשוט. שימוש בחקר בסיסי נתונים צריך על- כן להתחיל בהגדרה ברורה של התחומים שבהם רוצים ליצור תובנות חדשות (ראה גם סוגיית הרלוונטיות). מכאן שכדאי שיוגדרו מראש סוגי הבעיות שאיתן הארגון רוצה להתמודד באמצעות כריית נתונים (תהליכי גיוס, תחלופת עובדים, זיהוי פוטנציאל לקידום, הערכת ביצועים וכד').
רבים מהמחקרים הנעשים על הנתונים שהאנשים בארגון 'מיצרים' מיועדים לשימושים שהם מחוץ לתפקידי מערך משאבי האנוש בארגון. להלן נסקור כמה מהשיקולים שכדאי לקחת בחשבון כאשר שוקלים להטמיע תהליכי כריית נתונים במערכי משאבי אנוש בארגונים, הכורכים שאלות טכנולוגיות, מטודולוגיות, ארגוניות ואתיות.
סוגיות טכנולוגיות ומטודולוגיות – ריבוי שיטות
עולם ה – Big Data הביא להעצמת כמה מימדים בתחום הנתונים:
כמות (volume) - המון מידע שבחלקו אגור בצורות מיושנות ובמאגרים היסטוריים המקשים על השילוב שלהם כמאגר נתונים אחוד.
מגוון (variety) – נתונים בפורמטים מגוונים (טקסט, וידאו, RSS, אודיו וכד'), מבוססי מסדי נתונים בארכיטקטורות שונות (רלציוני, noSQL וכד'), וממקורות מגוונים בתוך ומחוץ לארגון. עולם משאבי האנוש, לדוגמא, מתאפיין בנתונים טקסטואליים (קורות חיים, הערכת עובדים, דוחות הכשרה וכד'). סקרים בקרב חברות Fortune1000 מראים כי השימוש במגוון של נתונים הוא שנתפס כבעל הערך הרב יותר מאשר שני האחרים (כמות ומהירות)
מהירות ((velocity – הצורך בהתאמת הזרמת נתונים לקצב קבלת ההחלטות (עיתוי), בשימוש בנתונים בזמני תגובה קצרים (זמינות) , ובמיקומים הנכונים להחלטות (נגישות) שבין היתר מקשה על בניית תכנית שהטמעתה ותוצאותיה לא תמיד מיידיות.
ערך (value): החשיבות של נתוח נתונים באופן המביא תועלת מהותית לארגון, ומשפר את יכולת הניבוי (באיזה אופן הצלחה עיסקית יחידתית משפיעה על שימור עובדים באותה יחידה? אילו עוד משתנים משפיעים על עזיבה חוץ מאשר הללו הידועים כבר?).
דיוק ואמיתות (veracity, validity): משקף את המידה שבה אפשר לסמוך על תוצאות הניתוח כמשקפות אמיתה בעלת תוקף שאפשר להישען עליה בהחלטות ובבחירת פעולות מתוך כך שהיא נשענת על נתונים שלמים ועיקביים ושרמת העמימות בהם נמוכה.
קיימות של נתונים בעלי ערך (viability): המאגרים צריכים להיות מבוססים על נתונים שאכן יכולים, לאחר עיבוד, למצוא את הגורמים והערכים שיביאו לתובנות באשר לתהליכים ומנגנונים סמויים מין העין שחשיפתם תהייה בעלת משמעות (בין היתר תועלת זו תלויה ביכולת להעלות השערות ולפתח מודלים תיאורטיים של יחסי סיבה – תוצאה שאותם רוצים לאושש).
אפשרויות הניתוח על מגוון כה גדול של נתונים הולכות ומתעצמות, במקביל להכרח להפיק תובנות עסקיות מהררי המידע הגולמי. מחקר מתקדם (Advanced Analytics) של בסיסי נתונים גדולים מתייחס ליישום מודלים מעולמות הסטטיסטיקה ומדעי המחשב על מאגרי מידע גדולים ומגוונים לצרכי חיזוי (Prediction), אשכול (Clustering), פילוח (Segmentation), ניתוחי הקשר (Association) וניתוחי סיבה ותוצאה (Cause & Effect). קיימים מודלים רבים ומגוונים בהן עצי החלטה (Decision Trees), שיטות רגרסיה (Regression Models), רשתות נוירונים (Neural Nets), SVM, Text Analytics, מודלי אשכול (K-Means, SOM וכד'), מודלי הקשר (Apriori וכד') ורבים נוספים. כמו כן, קיימים מודלי Ensemble המשלבים בין מודלים קיימים לניצול יתרונות יחסיים. בנוסף לאלו, קיימים מודלים תיאוריים (Descriptive Models) המשמשים להצגת והערכת ביצועי עבר, כדוגמת KPIs המיושמים בתצורת Dashboard.
על הארגון לברר מראש אילו מטודות מתאימות לשאלות המחקר שלו מכיוון שרק בחלק מהמקרים כלים גנריים יתאימו בעולם משאבי האנוש ובחלק אחר יידרשו התאמות. לפעמים ישנה גם הלימה בין ספקי השירות לבין השיטות ולכן בחירה של ספק עדיפה כאשר הוא מאפשר מגוון שיטות עיבוד נתונים. לחליפין, נידרש פיתוח יכולות פנימיות במגוון שיטות - לפחות עד שיתבהר מהן השיטות המייצרות את התוצאות הטובות יותר. ברוב המקרים, הכלים הקיימים בתוך הארגונים הם יישומים עצמאיים שלאו דווקא מחוברים לכלל מאגרי המידע של הארגון (ראה גם אתגרים ארגוניים) ולכן התועלת שלהם מוגבלת.
סוגייה מטודולוגית נוספת הינה סוגיית תוספת הערך. למערכי משאבי האנוש ישנו ידע צבור ומתוקף רחב באשר לקשר בין משתני סיבה ותוצאה (גורמים המשפיעים על תחלופה, על רמות ביצוע וכד'). אמנם מודלים ותיאוריות אינן ייחודיות לארגון מסויים (מבחנים פסיכוטכניים לגיוס, שיטות הערכת ביצועים לקראת קידום) וישנו לפעמים צורך לתקף ידע גנרי לארגון מסויים. אולם, יש לשים לב שהשימוש בחקירות עמוקות לא יהיה טריויאלי – כלומר, עשוי לשחזר ידע שכבר קיים במערכת. מחקרי עומק מעניינים יהיו כאלו שמנסחים פתרונות לשאלות ייחודיות וממוקדות אך שחוזרות על עצמן (גם בגלל שמחקר עומק הינו יקר ונימשך ויש להפעיל אותו בלוח זמנים רלוונטי לקצבי ההחלטה בארגון) כמו למשל, מהם מאגרי הגיוס הרלוונטיים לתפקידים ספציפיים? מהם תפקידי הרוחב שמבטיחים הסתברות גבוהה להצלחה בתפקידי קידום? איזה תהליך גיוס מבטיח לא רק הצלחה בתפקיד הראשון אלא במגוון תפקידים ראשוניים? אילו מנהלים מצליחים יותר מאחרים בקידום עתודה ניהולית ומה מאפייני הניהול שלהם? אילו רכיבים בחבילת התיגמול תורמים יותר למחוייבות עובדים לארגון?
סוגיות ארגוניות:
קישור בין מאגרי נתונים: בארגונים רבים ישנן מאגרי מידע 'שאינם מדברים אחד עם השני' בטבעיות, דבר המצריך יצירת קבצי נתונים ייחודיים לצורך עריכת מחקרי עומק. אמנם ישנם כיום כלים אינטגרטיביים – כלל ארגוניים (דוגמאת מערכות ERP ו- CRM) אך המערכות הללו אינן כוללות בד"כ תוכנות עיבוד נתונים מתאימות לצרכי מחקרי עומק. בנוסף, הידע הנידרש לצורך ביצוע מחקרי עומק בסוגיות משאבי אנוש צריך לשלב הן ידע מטודולוגי (סטטיסטי) והן ידע נושאי (משאבי אנוש) – דבר המחייב עבודה עם צוותים משולבים (מערכות מידע, אנשי מחקר, מומחי תוכן במערך משאבי האנוש וגם משתמשי קצה – ראה להלן). לבסוף, מערכות המידע של משאבי האנוש (HRIS) לא כוללות באופן טבעי מנגנוני עיבוד נתונים מהסוג המדובר ולכן מערכי משאבי האנוש חסרים את המומחיות הנדרשת ב'תוך הבית'.
רלוונטיות ותוצאתיות:
יותר מידי עיבודי נתונים בתחום משאבי אנוש מייצרים תוצאות לא מעשיות או שאינן תורמות לתהליכי קבלת ההחלטות בארגון. זאת בין היתר כיוון שבמקרים רבים התוצר של העיבוד הינו עבור מנהלי הקו (במשתמש הסופי) ולא עבור יוזם המחקר (מערך משאבי האנוש). בהיות מערך משאבי האנוש גוף מטה המשרת פעילויות קויות (ייצור, מכירות, שירות וכד') התוצר הסופי של המחקרים נשפט ע"י התועלת לפעילות הקווית של הארגון – וע"י מנהלי אותן פעילויות. כיוון שהמשתמש הסופי הוא פעמים רבות לא מזמין המחקר, מתבקשת מעורבות אינטנסיבית של המשתמשים הסופיים בשלבי תכנון המחקר (לצורך עצם הצדקתו) ולצורך הכוונת תהליכי העיבוד של הנתונים (לצורך הבטחת היישומיות). הניסיון בארגונים מראה כי ישנו צורך בשלושה סוגי תוצרים הנובעים מעיבדי נתונים. האחד, גילוי – היכולת להבין יותר טוב מה קורה באמת; השני, שיפור – איך עוברים מתובנות על העבר לשיפור בהתנהלות לעתיד; והשלישי, ניבוי – היכולת לבנות מודלים של 'אם-אז' וגיבוש השערות על קשר בין תופעות. במקרים רבים מערך המחקר יכלול השפעות של פעולות מסויימות על התוצאות (לדוגמא, מהלכים ניהוליים להקטנת תחלופת עובדים) ואז המעורבות של הצרכנים הסופיים בלימוד ממצאי המחקר, שינויי התנהגות נדרשים ויצירת מחקר הערכה המשכי היא מהותית לערך הנצבר מעיבודי הנתונים.
סוגיות תרבותיות:
אנשים רבים בארגון עשויים למצוא את השימוש בנתונים כמותיים ככלי מרכזי לקבלת החלטות, כאתגר וכתחרות לניסיונם ולאינטואיציות שלהם. מעבר לכך, תובנות חדשות הנוצרות מתוך ניתוחי הנתונים מתחרות עם ישנות וכך תרבות של שמרנות מפריעה להתפתחות של חדשנות. שימור הסטאטוס-קוו, רגישות לטעויות וחשש מחידושים הם כוחות נגד. כדי לשכנע, אנשי משאבי האנוש נדרשים להראות קשרים סטטיסטיים ברורים לתוצאות עיסקיות בתהליכי ברי יישום בארגונם. האתגר הוא להראות למנהלים ממצאים משמעותיים (בעלי מהימנות ותוקף) ושיש להם השפעות על ביצועי הארגון בהיבטים חשובים. אם התהליך כרוך גם בהשקעה כספית ברכש של פלטפורה של תוכנות צריך להראות תועלות מתמשכות ותהליכי אוטומציה של בסיסי נתונים (שלפעמים יכולים ללבוש צורה של 'שעונים' המספקים נתונים, נותנים התרעות ואולי אף מספקים ניבויים). ההצלחה של מערכים כאלו היא בהשתררותו של שיח במסדרונות הארגון המשתמש בנתונים בדיונים ובהחלטות שבהם נקבעים יעדים ומבוררים הצלחות וכשלים.
ארגון בעל תרבות שמונעת מהצורך להשתמש בנתונים הוא ארגון שבו נתונים משמשים בכל התהליכים הארגוניים. תהליכים מבוססי נתונים מצריכים מהלכים שמאפשרים איסוף נתונים, תהליכי החלטה מבוססי מידע וניתוח, ותהליכי שינוי מדויקים יותר ומואצים. כל שיחה ארגונית צריכה להכיל מרכיבים של מידע מבוסס ואנליזה שלו. ארגון בעלת תרבות שימוש נתונים מבוסס על:
מאמץ עילאי להשתמש בנתונים בתהליכים העיסקיים
נתונים וניתוח מהווים את ליבת תהליכי ההחלטה האסטרטגיים והטקטיים
התייחסות למידע כאל נכס משמעותי
שימוש בנתונים באופן שמעורר אמון ובונה יחסי אנוש טובים כולל שימוש בנתונים להערכת ביצועים
מוכנות 'לראות בעיניים' את המציאות שהנתונים משקפים
למערך משאבי האנוש בארגון ישנו כמובן תפקיד מרכזי בהובלת תהליכים של שינוי תרבותי בכיוונים אלו. אך יש גם לזכור כי שליטה בנתונים היא גם יצירת עמדת כוח ולכן, על אנשי משאבי אנוש לזכור כי שימוש בנתונים ככלי במאבקי הכוח הארגוניים יכול להפוך גם ל'חרב –פיפיות'.
סוגיות אתיות:
להחלטות הנגזרות מניתוחי הנתונים יש השפעות לפעמים מרחיקות לכת לחיוב ולשלילה על אנשי הארגון (דחייה בקבלה, הפסקת עבודה, ניוד לתפקידי רוחב וכד'). תהליך המחקר יצריך לפעמים שימוש בהשערות זמניות ובתוצאות חלקיות לקבלת החלטות (אין סיכוי להגיע למערכת בעלת דיוק של 100%, שנתוניה מסופקים תמיד במועד הקריטי לקבלת ההחלטות), ולכן יעמיד את מקבלי ההחלטות בהתלבטויות מוסריות. בנוסף, מבנה בסיסי הנתונים ותהליכי העיבוד שלהם הם פעמים רבות תוצר של חברות גלובליות שאינן מגיבות להוראות רגולטוריות ולחוקים של מדינה מסויימת. המבנה הזה וה'איומים' האתיים החבויים בו אינם תמיד גלויים לעין ועשויים להתגלות רק בדיעבד. הנחיות רגולטוריות עשויות להגביל את עצם השימוש בנתונים מסויימים ולחייב שמירת סודיות על פרטים אישיים מזהים.
דוגמאות לשימושים ותועלות
ניתוח תכתובות דואר אלקטרוני
ניתוחי עומק של התקשורת התוך ארגונית (הכוללת מיילים, תקשורות כתובות ברשתות חברתיות ובטלפונים הניידים) מאפשר ללמוד דברים מעניינים על הארגון. למשל נמצא כי שיתופי פעולה שמאפשרים בנייה נכונה של צוותים, עיצוב רמות שיתוף פעולה בהתאמה למשימות, או עד כמה שפה טכנית מפריעה לתקשורת. ניתן לזהות צורות שונות של מנהיגות והתאמתן למצבים ארגוניים. באחד הארגונים למשל נמצא שמנהיגות יציבה מתאימה לסוג מסויים של משימות (למשל בתחומים של בטיחות) בעוד מנהיגות קצרת זמן מתאימה לסוג אחר של משימות. יותר מכך נמצא שבצוותי פתוח האפקטיביות הגבוהה ביותר היא כאשר יש מגוון יכולות הובלה ובעיקר תחלופה תדירה של תפקידי הובלה בין חברי הצוות (כלומר כשישנה קבוצה של מובילים רמת היצירתיות יותר גבוהה). במקום אחר נמצא שבצוותים שבהם כמות המיילים שהחברים מפיצים היא דומה הם אפקטיביים יותר מאשר כאשר יש שונות גבוהה בכמות (מעטים שמפיצים יחסית הרבה תכתובת). באותה מידה נמצא שבצוותי ניהול חשבונות יש יתרון בעבודה מול לקוחות כאשר ישנה כתובת שהיא בעיקר המתקשרת מול הלקוחות. ממצא מועיל אחר הראה קשר בין השפה שמנהלים משתמשים בה ורמת שביעות הרצון של הצוות שלו ומהביצועים שלו באופן שאיפשר למנהלים ללמוד איך לשנות את השפה שבה הם משתמשים.
ניהול טאלנטים (talent analytics)
ישנן כמה חברות המספקות תוכנות ארגוניות בתחום זה (workforce planning; workforce analytics ועוד). כלים אלו יכולים לסייע במגוון דרכים בהן בדגש כמותי כמו, תכנון נכון של איכויות כ"א בהתאמה לצרכי התפקידים ובכמויות המתאימות לקצב התחלופה והקידומים; ובדגש איכותי כמו, פתוח עובדים ומנהלים, שימור עובדים וחיבור עובדים לארגון. לפעולות הללו השפעה מוצלחת על תנועת עובדים בתוך הארגון והחוצה ממנו באופן שמביא לפערים מינימליים באיוש; שיפור בתכנון תחלופות וקידומים, מיפוי כישרונות, יכולות והסמכות; וזיהוי העובדים והמנהלים המצליחים ביותר. במקרים ייחודיים כלי הניתוח יכולים לסייע באיוש יחידות חדשות עם צרכי ידע וניסיון ייחודיים, או למנוע עזיבה של ידע קריטי במהלך סגירת יחידות.
איך להתחיל?
הניסיון המצטבר בחברות פעילות בתחום מראה איך יכול להיראות סדר הפעולות:
ראשית, הבנה של השאלות העסקיות שמחפשות תשובה: יש לחפש נתונים שקשורים בבעיות עסקיות בוערות הן בהקשר האנושי (כמו, גיוון בהעסקה, תחלופה ועזיבה, או בהעדרויות) אך גם באופן שבו הצד האנושי תורם להיבטים העיסקיים (החזר על השקעה בהדרכות, למידה ופתוח מנהלים).
שנית, זיהוי הנתונים הנדרשים כדי לענות על השאלות הללו: הנתונים לפעמים נמצאים על פלטפורמה מסויימת (למשל, נתונים על גיוס, הערכת ביצועים, צרכי תחלופה וקידומים, סקרי שביעות רצון, ראיונות עוזבים), אך לפעמים מפוזרים על פני בסיסי נתונים שונים (נתונים פיננסיים, עמידה ביעדים עסקיים, מכירות לפי חלוקות גיאוגרפיות ושווקים שונים, שביעות רצון לקוחות וכד') ולכן נדרשת פעולת התארגנות כדי להביא לדי ביטוי את נתונים הנכונים לשאלות הנשאלות ולחברם למערך נתונים בר-שימוש.
שלישית, עיצוב סביבת נתונים זמינה: בשיתוף פעולה בין מערכי משאבי האנוש ואנשי מערכות המידע מעצבים פלטפורמה זמינה, עדכנית ופתוחה לשימוש (לפי הרשאות ולפי כללי הפעלה) כך שנתונים יזרמו ככל האפשר באופן אוטומטי אליה. סביבות עבודה כאלו קיימות בשוק וניתן לרכוש אותן תוך התאמה לייחודיות של כל ארגון.
רביעית, הטמעת ממצאים לתוך השיח הארגוני: תועלות ממערכת כזאת תלויות מאד במידת ההטמעה של השימוש בנתונים בקבלת החלטות וזו כשלעצמה תלויה ברמת התובנות שהפעילות מייצרת. הדרך העדיפה הינה לקשר בין מדדים של משאבי אנוש למדדים עיסקיים (למשל, איך תחלופה קשורה לעלויות ייצור?) שמעניינים לא רק את הפיסגה האסטרטגית אלא גם את מנהלי הקווים בדרגי הביניים.
גורמים קריטיים להצלחה
מתוך ההצלחות של מגוון רחב של ארגונים אפשר לנסח כמה כללי אצבע להצלחה:
הישאר ממוקד בעדיפויות העיסקיות: התחבר לאג'נדה של המנהלים המובילים.
בנה קבוצה שלא רק יכולה לנתח, שיכולה גם לייעץ.
מנף יכולות שימוש בנתונים וניתוח גם מחוץ למערך משאבי האנוש
התחבר לקבוצות אחרות (חיצוניות) שעוסקות בחקר נתוני עומק ללמידה משותפת
בחר ספקים מתקדמים מבחינה טכנולוגית ושבנויים לחדשנות מתמשכת
שים לב לבטחון נתונים, פרטיות ואנונימיות
תפקידי מנתח נתונים ראשי (Chief Data Analytics) בארגון:
אחת הדרכים לקדם יישום של רעיון השימוש המחדש בנתונים בהיקף נרחב הוא לגייס או לפתח בעל תפקיד בתוך מערך משאבי האנוש שיהיה אחראי על התחום. מאפייני תפקיד כזה יכולים לכלול את הרכיבים הבאים:
לדחוף את הגדרתה של מדיניות ניהול הנתונים בארגון
להציע את מדיניות משאבי האנוש בניהול ושימוש בנתונים
הגדרת הסטנדרטים (כולל האתיים) לשימוש בנתונים בארגון והבטחת יישומם
זיהוי צרכי המידע וניתוח נתונים לרוחב ולאורך מערך משאבי האנוש בארגון
הבטחת האינטגרציה בין מצבורי הנתונים השונים בארגון
הגדרת הצורך ורכש והטמעה של טכנולוגיות ופלטפורמות כך שישמשו בתהליכי קבלת ההחלטות
הספקת נתונים למערכי משאבי האנוש לפי צרכיהם ובאופן התומך יצירת תובנות
בניית יכולות ארגוניות ובקרב מנהלים לשימוש בנתונים ולטיפוח תרבות של שימוש בנתונים בהחלטות חשובות.
קביעת מתכונות דיווח למנהלים ולעובדים על תובנות וממצאים מנתוחי נתונים ואבטחת יישומם השוטף
שמירה על עדכניות מקצועית וקשר עם עמיתים למקצוע בדרך שתבטיח חדשנות מתמשכת בשימוש בחקר נתונים בארגון.
האתגר והסיכוי בעולם הדיגיטלי – סיכום,
יש לא מעטים הרואים במעבר לדיגיטליות מהפכה. עבור מערכי משאבי האנוש השילוב של רשתות חברתיות, טכנולוגיות מובייל, טכנולוגיות 'ענן' ויכולות אנליטיות הוא בעל פוטנציאל מהפכני לאפשרויות התפקוד והתועלת שלהם. שימוש באנליטיקה מתקדמת בתחום משאבי האנוש נדרש לעמוד באתגרים ארגוניים, טכנולוגיים ואתיים לא פשוטים והוא ייבחן על בסיס מידת הרלוונטיות, החדשנות, והשימושיות של תוצאותיו בעיניי המשתמשים הסופיים.
מקורות:
המאמר מתבסס על ניסיון מצטבר ב'מטריקס קונסלטינג' ומדוחות המחקר וממאמרים:
The new organization: Different by design: Global Human Capital Trends 2016, Deloitte University Press
People are the real numbers; KPMG report, 2013
Alan D. Duncan, Frank Buytendijk (2015): How to Establish a Data-Driven Culture in the Digital Workplace; Gartner research
Peter A. Gloor (2016): What Email Reveals about Your Organization; MIT Center for Collective Intelligence
Jacob LaRiviere, Preston McAfee, Justin Rao, Vijay K. Narayanan, and Walter Sun (2016): “Where Predictive Analytics Is Having the Biggest Impact“ HBR May 25
Jamie Popkin (2015): The Chief Analytics Officer's Vision; Gartner research
Jessica Twentyman ( 2014) : Our guide to HR analytics: A step-by-step guide to data analytics; Nestle
SAM RANSBOTHAM, DAVID KIRON, AND PAMELA KIRK PRENTICE (2016): Beyond the Hype: The Hard Work behind Analytics Success; MIT Sloan Management Review
Lipsa Sadath (2013): Data Mining: A Tool for Knowledge Management in Human Resource; International Journal of Innovative Technology and Exploring Engineering Volume-2, Issue-6, pp.154-159
Stefan Strohmeier, Franca Piazza (2013) Domain driven data mining in human resource management: A review of current research; Expert Systems with Applications, 40 pp. 2410–2420
[1] Data Mining, Deep Learning, Workforce Analytics
[2] תודה ליניב אברשי על תרומתו לגירסה קודמת של המאמר.
[3] CEO of People-Centered Strategies LLC, an advisory firm based in San Francisco that specializes in leadership development and talent strategies.
Comments