HR-analytics kent voor- en tegenstanders. Voor de voorstanders zijn analytics onontkoombaar voor een effectief en toekomstgericht HR-management. Voor de tegenstanders vormen ze een holle managementhype, weliswaar in een mooi verpakt concept. Wat voor- en tegenstanders gemeen hebben is dat beiden over HR-analytics spreken als zou het een haast ongrijpbare, moeilijke en technische materie zijn, weggelegd voor de happy few. Dit artikel maakt daar komaf mee en schept een duidelijk kader over HR-analytics.
What’s in a name
Laat ons beginnen met een heldere definitie van wat HR-analytics feitelijk is:
De systematische identificatie en kwantificering van de impact van menselijk gedrag op het bedrijfsresultaat met het oog op het nemen van de best mogelijke beslissingen.
Laat deze definitie even bezinken. Want hoewel helder en eenvoudig, heeft deze definitie verstrekkende implicaties. Bijvoorbeeld op het vlak van terminologie.
Naast HR-analytics worden ook andere termen gebruikt, zoals workforce analytics. Ook al worden deze termen vaak door elkaar gebruikt, de nuances zijn meer dan alleen semantiek. Zo lijkt de term HR- analytics aan te geven dat het behoort tot het domein van human resources. Echter, merk op dat het in de definitie gaat om de invloed van menselijk gedrag op bedrijfsresultaten. Dit houdt in dat, vanuit een bedrijfsperspectief, HR-analytics op zijn minst een gedeelde verantwoordelijkheid is en inherent hoogst multidisciplinair.
De term workforce analytics, die vooral door software aanbieders gebruikt wordt, lijkt dan weer het domein van de beslissingen te beperken tot het personeelsbestand. Dit is een te nauwe focus om de factoren van menselijk gedrag die een impact hebben op bedrijfsresultaat te identificeren. Meestal vinden we inderdaad onder de noemer workforce analytics het gebruik van eerder ‘harde’ human resources-gegevens die we direct in het personeelsbestand terugvinden: demografische gegevens, verloning, aan- en afwezigheden en zo meer. Echter, de definitie hierboven heeft het over menselijk gedrag. Dit betekent dat we vanuit deze typische ‘harde’ indicatoren verbanden moeten leggen met het gedrag van medewerkers in de organisatie, om zo tot meer begrip en inzicht te komen.
En hoe vul ik HR-analytics dan praktisch in?
Wel, laat ons beginnen met het begin. In essentie behandelt HR-analytics een vraagstuk dat te maken heeft met het bedrijfsresultaat. Dit betekent dat een typische vraag zoals ‘Hoe groot is ons personeelsverloop?’ geen echt HR-analytics vraagstuk is! Het personeelsverloop kan wel een goede indicator zijn voor een bepaalde uiting van gedrag van medewerkers, maar op zichzelf is het personeelsverloop niets meer dan een statistiek.
Interessanter wordt het als we het personeelsverloop verbinden met een bedrijfsresultaat. Bijvoorbeeld: Heeft onze dalende klantentevredenheid voor product X of Y te maken met ons personeelsverloop binnen de verkoopafdeling? We hebben twee wijzigingen aangebracht in onze oorspronkelijk vraag.
- Ten eerste, hebben we een typische HR-indicator (statistiek) geformuleerd in verband met een indicator (een andere statistiek) die rechtstreeks met het bedrijfsresultaat te maken heeft.
- Ten tweede, en zo mogelijk nog belangrijker, we hebben dit verband uitgedrukt op een manier die ook kwantificeerbaar is. We hebben met andere woorden een hypothese gevormd. Het ongelooflijke voordeel hiervan is dat we een hypothese kunnen gaan toetsen op een wetenschappelijke onderbouwde manier. Dit is een voorbeeld van waar het bij HR-analytics in de eerste plaats om gaat. Merk ook op dat dit veel minder moeilijk is dan het lijkt. De kans is reëel dat deze hypothese al eens werd uitgesproken. Het is bijvoorbeeld niet ondenkbaar dat op een vergadering de productmanager van product X opmerkte dat zijn mindere verkoopcijfers te wijten zijn aan het gebrek aan vertrouwen van de klant in de verkopers, omdat ze telkens nieuwe gezichten te zien krijgen. Dit soort impliciete hypotheses of veronderstellingen maken we elke dag honderden keren.
Hypotheses aftoetsen
Wat HR-analytics dus eigenlijk doet is ons aanvoelen, onze veronderstellingen en vooroordelen herformuleren in een toetsbare hypothese. Deze hypothese is niets meer dan een (statistisch) verband tussen de indicatoren die we verzamelen voor de verschillende onderdelen van onze hypothese.
De opmerkzame lezer heeft gezien dat we nog een extra dimensie hebben in de uitspraak van de productmanager: minder vertrouwen bij de klant. Dit element is momenteel niet in onze hypothese opgenomen. Dit hoeft niet meteen een probleem te vormen, en mogelijks is het zelfs beter dit initieel niet te doen. Klantenvertrouwen wordt niet altijd rechtstreeks gemeten, en is dus moeilijk te kwantificeren. Alvorens zo’n uitgebreide gegevensverzameling op te zetten, kan het goed zijn om eerst de fundamentele relatie te onderzoeken. In het voorbeeld betekent dit om in dezelfde verkoopperiode na te gaan of het personeelsverloop bij de verkopers van product X groter was dan bij de verkopers van product Y. Pas wanneer we dit verband kunnen bevestigen, loont het de moeite om verder na te denken en ook andere indicatoren in onze hypothese op te nemen.
Verband tussen indicatoren van menselijk gedrag en bedrijfsresultaat
In een notendop is dit waar HR-analytics om draait! Het verband tussen indicatoren van menselijke gedrag en het bedrijfsresultaat duidelijk, toetsbaar en zichtbaar maken. Wanneer dit op een systematische wijze wordt aangepakt, kunnen we de originele hypothese gaandeweg complexer maken.
Stel dat we in bovenstaande oefening hebben vastgesteld dat het personeelsverloop inderdaad een impact heeft op de verkoopcijfers, langsheen de lijnen die we verwacht hadden. Dan stelt zich haast automatisch de vraag: waarom is het personeelsverloop bij de verkopers van product X groter? Ik denk niet dat we in dat geval veel moeite moeten doen om hypothesen (veronderstellingen) op te lijsten. Opnieuw, voor elke hypothese zullen er indicatoren zijn die met elkaar in verband staan. Door deze opnieuw te toetsen bouwen we gaandeweg een model op van steeds langere kettingen van aan elkaar gekoppelde indicatoren. Sommige van deze indicatoren zullen reëel en direct meetbare gegevens zijn, zoals bijvoorbeeld de werknemerstevredenheid uit een bevraging. Andere gegevens zullen eerder indirect zijn, bijvoorbeeld het onveiligheidsgevoel omtrent product X. We zouden bijvoorbeeld kunnen kijken naar het aantal arbeidsongevallen met dit product bij demonstraties en dit nemen als een benadering voor het onveiligheidsgevoel.
Kunnen we ook resultaten gaan voorspellen?
Als we dit systematisch en op gecontroleerde wijze doen, resulteert deze aanpak in een model, waarbij verschillende indicatoren de metingen vormen voor de onderdelen in het model. Deze onderdelen beïnvloeden elkaar op een welomschreven wijze. Eenmaal we dit model hebben, kunnen we ook predictief te werk gaan. Door tijdig de indicatoren aan de basis te meten, kunnen we voorspellen hoe de indicatoren hogerop in het model zullen veranderen. Met andere woorden, bij de introductie van product Z en gegeven de eerste inschatting van de indicatoren tevredenheid en onveiligheid, kunnen we het personeelsverloop in de verkoop inschatten en kunnen we onze verkoopresultaten begroten.
Een goed opgezette HR-analytics aanpak maakt voorspellingen op een verantwoorde, onderbouwde en snelle manier. Enerzijds door gebruik te maken van statistische kennis, en anderzijds door gebruik te maken van de relevante wetenschappelijke literatuur. Op deze wijze gebruikt zorgt HR-analytics ervoor dat we vandaag relatief snel van data naar een predictief model kunnen overstappen.
Tot slot, nog twee opmerkingen.
- HR-analytics, zoals hier opgevat, is een methode die strategisch HR-management ondersteunt met feiten en bewijzen, en kwalitatief betere beslissingen oplevert. Uiteraard op voorwaarde dat de spelregels uit de statistiek en de wetenschappelijke methode correct worden toegepast. Om binnen het voorbeeld te blijven: stel u voor dat we in onze originele hypothese vinden dat het personeelsverloop bij product X inderdaad groter is dan bij product Y. Dit betekent dan niet dat we de uitspraak zoals die door de productmanager werd gedaan mogen bevestigen. Immers, deze veronderstelde dat dit leidt tot minder vertrouwen, en dat deze vertrouwensbreuk leidt tot minder verkoop. Deze relatie zit niet in ons model. We zijn dus beperkt in onze uitspraken.
- Dit brengt mij tot de tweede opmerking. Natuurlijk zijn we geïnteresseerd in mogelijke acties die ons bedrijfsresultaat kunnen verbeteren. In ons voorbeeld betekent dit, het personeelsverloop reduceren bij de verkopers van product X. Echter, stel dat dit om een of andere reden niet in onze mogelijkheden ligt (bijv. omwille van budgetten of omwille van de specifieke economische context). Op zo’n moment kan het interessant worden om het klantvertrouwen toch in rekening te brengen als tussenliggende variabele. Immers, stel dat we ook deze relatie kunnen bevestigen, dan kunnen we nadenken hoe we het vertrouwen kunnen herstellen ondanks een groot personeelsverloop. Dit is waar predictieve HR-analytics hand in hand gaat met innovatie.
Besluit
HR-analytics is in de eerste plaats een systematische aanpak die de impact van mensen op bedrijfsresultaten helder, begrijpbaar en in zekere zin voorspelbaar maakt.
Starten met HR-analytics is eigenlijk niets meer of minder dan onze eigen redeneringen, gedachten en veronderstellingen herformuleren in termen van de talloze meetpunten die we als organisatie verzamelen.
Als we dat doen binnen een empirisch wetenschappelijk kader, dan wordt HR-analytics niet alleen een krachtige beslissingstool, maar ook een leuke en inzichtelijke oefening die verschillende functies binnen een organisatie verbindt met het belangrijkste kapitaal: de mens.
Meer leren?
Wilt u hr-analytics onder de knie krijgen en leren hoe u de impact meet van menselijk gedrag op de bedrijfsresultaten? In de tweedaagse opleiding ‘HR-analytics: de basis voor een strategisch hr-management‘ leert u hoe u hr-metrics in kaart bengt, analyseert en interpreteert. Zo maakt u de bijdrage van hr zichtbaar.
