Магия данных | Большие Идеи

・ Тренды


Магия данных

Как сделать сотрудников счастливее, а компанию богаче с помощью кадровой аналитики

Авторы: Александр Громов , Яков Сергиенко

Магия данных
Фото: Zany Jadraque / Unsplash

читайте также

Смелое отступление: новая стратегия для старых технологий

Аднер Рон,  Сноу Дэниэл

Шамиль Тарпищев: «Тренер не должен ошибаться»

Анна Натитник

Как подготовиться к эре беспилотников

Крис Андерсон

Досадные ошибки

Люди — ключевой актив любого бизнеса. Казалось бы, это всем известно, но менеджмент часто рассматривает сотрудников исключительно как производителей продукта. Эта установка мешает раскрывать потенциал работников и в конечном итоге тормозит развитие компаний, не позволяя им быстро адаптироваться к внешним изменениям. К счастью, сегодня есть технологии и методы, которые позволяют сделать жизнь сотрудника в компании максимально комфортной, а бизнес — более эффективным. Такие технологии, имеющие в своей основе анализ и работу с большими данными, объединяются под общим термином кадровая аналитика (People Analytics). Задача кадровой аналитики — усовершенствовать существующие процессы управления и работы с персоналом, передав принятие большей части повторяющихся решений искусственному интеллекту. В отличие от человека, такие алгоритмы и модели могут принимать решения быстро и максимально качественно, основываясь на глубоком понимании сотрудников. С помощью такой продвинутой аналитики, не прикладывая особых усилий, компания может подобрать для сотрудников оптимальные условия труда, что в конечном итоге скажется на их удовлетворенности и качестве работы.

Как работает кадровая аналитика

В основе кадровой аналитики лежит профиль сотрудника — совокупность данных и сведений компании о своих сотрудниках, собранных с их согласия. Такой профиль включает в себя личные данные работника (пол и возраст, место жительства, образование, предыдущий опыт работы), его роль в организации (должность, график и условия работы, окружение и команда), активность человека на рабочем месте, достижения и планы. Такой профиль позволяет принимать решения, связанные с персоналом, на любом этапе взаимодействия сотрудника с работодателем — от момента поиска вакансии и приема до его увольнения или ухода.

Приведем простой пример — скоринг работников при приеме на работу. Для компаний, которым непросто найти людей с массовыми специальностями, это серьезное подспорье. Например, 80% и более персонала банков, розничных сетей или телеком-операторов — сотрудники точек продаж и магазинов. Это не редкая специальность, но из-за того, что люди постоянно меняются, на HR-сотрудников ложится большая нагрузка по просмотру и оценке резюме. Снизить нагрузку позволяет алгоритм: он анализирует данные тех, кто уже работает, и данные кандидатов, сравнивает их и предсказывает, насколько потенциальный сотрудник будет успешен на той или иной позиции. В итоге часть соискателей автоматически отсеивается на начальном этапе — выбор становится более точным, а HR-менеджеры существенно экономят время.

Еще один пример — борьба с оттоком персонала. Например, исторически в розничных сетях высокая текучесть кадров. 100—120 % персонала сменяются каждый год, и в итоге компании несут колоссальные убытки: им все время нужно набирать и обучать людей. При этом есть определенный срок выхода на продуктивную мощность: сотрудник не может выйти на работу и сразу начать эффективно работать. Чтобы избежать потерь и лишних затрат, важно заранее понимать, кто из потенциальных сотрудников склонен к тому, чтобы покинуть организацию, и какие факторы повышают риск ухода сотрудников. Раньше компании делали выводы, опираясь только на жизненный опыт: например, можно предположить, что сегодняшний студент завтра, с высокой вероятностью, захочет карьерного роста. Сейчас с помощью продвинутой аналитики можно точнее определить, кто больше других склонен уволиться через короткий срок, вычислить такую вероятность и предпринять определенные шаги, чтобы это предотвратить. Так, если увольняются в основном молодые люди, которые живут далеко от работы, можно попробовать организовать корпоративный транспорт. Это довольно простая мера, но она действительно работает. По статистике, использование кадровой аналитики помогает компаниям ритейлового сектора сократить отток персонала в 1,5—2 раза.

Продвинутая аналитика может помочь увидеть будущее организации с точки зрения развития персонала. Так, с помощью кадровой аналитики можно определить, какие навыки будут востребованы в компании через несколько лет, а каких компетенций будет не хватать. Помимо знаний о сотрудниках, здесь важно понимание мировых и локальных трендов развития рынка: оно позволит выстроить наиболее эффективную стратегию подбора персонала. Использование таких стратегических прогнозных моделей позволяет компаниям сегодня определить, какие специальности и сотрудники будут нужны завтра, и, например, изменить подход в работе с вузами или создать собственные центры подготовки определенных специалистов.

Кому подходит кадровая аналитика и как ее внедрить

В основе кадровой аналитики данные, и для данных нужен некоторый масштаб. Поэтому аналитические модели наиболее эффективны для компаний, в которых работает больше тысячи человек. В таких организациях данные о сотрудниках в любом случае аккумулируются, а обрабатывать их вручную становится сложно. Использование этой информации в рамках продвинутой аналитики — это, что называется, quick wins, «быстрые победы», которые могут ощутимо повысить эффективность бизнеса. Как правило, работа начинается с небольших пилотных проектов. Например, если речь идет о розничной сети, сначала кадровая аналитика внедряется на примере одного магазина или даже одного отдела, но при этом используется весь массив данных компании. Фокус на таких точечных изменениях позволяет быстро получить эффект, показать руководителям и акционерам, как работает такой подход, и убедиться: его точность и эффективность гораздо выше, чем у ручной обработки данных. Но чтобы полностью раскрыть потенциал кадровой аналитики, компаниям нужно пройти определенный путь трансформации функций HR, повысить зрелость специалистов и нарастить аналитический костяк. Как правило, процесс состоит из нескольких параллельных шагов.

С одной стороны, компании нужно создать подразделение, которое объединит людей с профильным образованием и технологическими навыками: впоследствии именно они будут отвечать за формирование профилей сотрудников, разработку и тестирование моделей. Это классические специалисты по работе с данными, им не требуется знание и понимание специфики кадровых процессов. Как правило, на поиск кадров и формирование полноценной команды требуется 3—4 месяца.

С другой стороны, очень важно, что параллельно с набором команды аналитиков происходят изменения в культуре самой организации. Во-первых, меняется модель принятия решений. Кадровая аналитика помогает упростить и ускорить принятие решений, взяв на себя те, которые раньше принимали менеджеры. И значит, менеджерам и специалистам нужно уметь доверять аналитике и уметь использовать ее. Во-вторых, в компании возникает роль так называемого переводчика (analytics translator), который позволяет бизнесу и аналитикам найти общий язык, контролирует и помогает претворить результаты моделирования в жизнь.

Опыт показывает, что компании могут успешно совмещать описанные выше подходы к применению кадровой аналитики: выстраивать внутренние процессы и культуры и параллельно получать первые результаты и «быстрые победы». Эффективным оказывается использование внешних аналитиков и переводчиков на первых этапах развития: пока создается внутренняя компетенция, уже рождаются первые результаты, а когда компетенция создана — внешние сотрудники передают опыт и знания новой команде, постепенно сокращая свое участие.

Мировой опыт

Крупные российские компании уже начинают понимать, насколько сильными могут быть инструменты кадровой аналитики, и уже существуют первые примеры успешного использования таких инструментов. В то же время западные компании не первый год активно используют продвинутую аналитику в больших масштабах, и это приносит свои плоды, причем не только для сотрудников, но и в части финансовой эффективности. Например, одна из крупнейших американских страховых компаний внедрила кадровую аналитику, чтобы понять, насколько хорошо работает ее система мотивации сотрудников. Долгое время в организации интуитивно полагали, что работников мотивируют дополнительные премии, и поэтому на протяжении многих лет выплачивали бонусы линейным работникам, чтобы стимулировать их удержание и эффективность, — около $40 млн в год. Благодаря кадровой аналитике выяснилось, что дополнительные выплаты стимулируют персонал существенно меньше, чем организация рабочего дня и расписание смен: в зависимости от типа личности и образа жизни пик активности сотрудников приходится на разное время. В итоге продвинутая аналитика помогла компании серьезно сэкономить, сократив бонусы, и провести изменения, которые не требуют дополнительных инвестиций, но при этом дают гораздо больший эффект.

Приведенный выше пример также иллюстрирует: кадровая аналитика не только позволяет проверить выводы, которые раньше делались на уровне интуиции, но и создает новые пути и возможности. Мало того, благодаря продвинутой аналитике меняется соотношение функций в организации. В традиционных компаниях 80% HR-сотрудников выполняют рутинную работу: например, просматривают резюме и проводят базовые интервью. Если эти механические операции и решения передать машине, у таких сотрудников появится больше возможностей раскрыть свой потенциал. И в конечном итоге бизнес от этого только выиграет.

Об авторах

Яков Сергиенко — партнер консалтинговой компании McKinsey.

Александр Громов — руководитель проектов консалтинговой компании McKinsey.