یکی از مراحل مهم در قرار دادن منابع انسانی در مسیرهای تحلیلی‌تر، جمع‌آوری منابع مختلف داده‌های مورد نیاز برای ایجاد یک دایره لغات داده‌ای است.
بانکداری ایرانی ــ یک شرکت بین‌المللی تکنولوژی از فقدان افراد کارآمد در رقابت رنج می‌برد. برای درک علل این گردش کار، سازمان منابع انسانی تیمی از آمارشناسان استخدام کرد تا به بیش از 100 مورد از متغیرهای مربوط به افراد نگاهی بیندازد؛ سازمان با این کار درصدد درک علت احتمالی مشکل بود.پس از ماه‌ها تحلیل و بررسی، آمارشناسان به ارتباط مستقیمی بین گردش کار فرد کارآمد و حقوق و دستمزد پی بردند.
مشکل پرداخت بیشتر به افراد نبود بلکه ریشه در پرداخت متفاوت به آنها داشت.این تیم دریافت که افرادی با عملکرد متوسط که واقعا از کار در شرکت لذت می‌برند، حتی اگر افزایش دستمزد آنها به اندازه 90 درصد متوسط صنعت باشد، شرکت را ترک نخواهند کرد. اما افراد کارآمد (کسانی که در 10 درصد بالای شرکت قرار دارند) بسیار حساس‌ترند و اگر افزایش دستمزد سالانه آنها حداقل 115 درصد متوسط صنعت نباشد، به احتمال زیاد شرکت را ترک خواهند کرد.
آنچه مدیریت انجام داد «شاد نگه داشتن همه افراد» بود؛ کاری که با تلاش برای توزیع افزایش حقوق از طریق یک منحنی توزیع نرمال، انجام می‌شد. آنچه این پژوهش نشان داد و ما در سایر موقعیت‌ها هم می‌بینیم، این است که افراد با کارآمدی بالا در خدمات و شرکت‌هایی با مالکیت معنوی فقط اندکی بهتر از افراد با کارآمدی متوسط نیستند بلکه اغلب درجه قدرت بسیار بالاتری نیز دارند.
این امر یک توزیع بسیار نابرابر از حقوق و دستمزد را تضمین می‌کند؛ توزیعی که برخی مدیران را بسیار مضطرب می‌سازد.پس از ماه‌ها آموزش، شرکت دریافت که این تغییر بسیار دشوارتر از آنچه بسیاری تصور می‌کردند بود؛ بنابراین آنها باید رسما بودجه حقوق را متوازن کرده و ابزارهای جدیدی برای بازبینی حقوق و دستمزد ایجاد می‌کردند تا به افراد فوق‌العاده کارآمد با حقوق و دستمزد بسیار بالاتر از حد متوسط پاداش دهند. (ما اخیرا با یک شرکت مهندسی نرم‌افزار صحبت کردیم؛ از این گفت‌وگو دریافتیم که آنها همان اثر را یافته‌اند و اکنون به افراد کارآمد، سه برابر حقوق افراد با کارآمدی متوسط حقوق پرداخت می‌کنند.)
تغییر تفکر سنتی مدیریت
شرکت‌هایی که تجزیه و تحلیل‌های استعدادها را انجام می‌دهند، اغلب از باورهای دیرپایشان سوال می‌پرسند و فرآیند تصمیم‌گیری مدیریت‌شان را بازبینی می‌کنند. به‌جای تکیه بر احساسات درونی، اجازه می‌دهند تا داده‌ها تصمیمات افراد را آگاهانه‌تر کنند. نایب‌رئیس منابع انسانی یک شرکت مالی به ما گفت: «بزرگ‌ترین چالشی که ما با یافته‌های تجزیه و تحلیل خود داشتیم، متقاعد کردن مدیران ارشد اجرایی بود تا به آنها بگوییم احساسات درونی آنها نادرست بوده است. این کار ماه‌ها وقت ما را گرفت اما در طول زمان آنها دریافتند که داده‌هایی که می‌توانست آنها را در تصمیماتشان در مورد اینکه چه کسانی را استخدام کنند و به چه کسانی ترفیع دهند، تیزبین‌تر کند.»
هر یک از این شرکت‌ها چند سال در یک استراتژی تجزیه و تحلیل سرمایه‌گذاری کردند و گرچه جزئیات هر اجرا متفاوت بود، اما همگی همان چهار مرحله «مدل کامل تجزیه و تحلیل استعداد» را انجام دادند. این مدل شامل چهار سطح است. این چهار سطح به ترتیب عبارت است از: گزارش واکنش‌گر و موثر، گزارش پیشرفته-کنشگر، تجزیه و تحلیل استراتژیک و تجزیه و تحلیل پیشگویانه (برای اطلاعات بیشتر در این مورد می‌توانید به مقاله پیشین ما در این صفحه مراجعه کنید).
شرکت‌هایی که ما روی آنها مطالعه کردیم، با تمرکز بر مقیاس ساختمان، کیفیت و تجربه در همه نقاط گزارش عملیاتی شروع کردند. سپس به‌طور بالقوه، پیوسته، یکنواخت و مداوم طی منحنی بلوغ بالا بروند تا مدل‌های پیشگویانه را بسازند. در بسیاری از موارد، 5 تا 7 سال طول کشید تا این شرکت‌ها به سطح 3 یا 4 برسند.بدون یک زیربنای گزارشی قوی، داده‌های دقیق و معتبر و درک اینکه چه داده‌هایی دارید و منشأ آنها کجا است، پروژه‌های تجزیه و تحلیل به سادگی قابل سنجش نیستند.
یک پیشگام در این بازار به ما گفت که بدترین کاری که این شرکت در خصوص تجزیه و تحلیل انجام داده است، آنالیز گردش کار خرده‌فروشی‌ها بدون وجود چندین سال داده‌های معتبر بود. به محض اینکه آنها کارشان را به مدیریت ارائه کردند، یکی از مدیران ارشد اجرایی پرسید: «آیا به فصلی بودن داده‌ها توجه کرده‌اید؟»این شرکت در حال حاضر یک تیم تحلیلگر پیشرفته با 12 عضو دارد که روند استعدادهای سالانه را مورد مطالعه قرار می‌دهد و تبدیل به منتقد کسب‌وکار و برنامه‌ریزی سازمانی در سطح پیشرفته شده است. البته چند سال طول کشید که این مسائل روی کاغذ پیاده شد و شرکت اختیاراتی را جهت دستیابی به این نقطه به دست آورد.
متاسفانه، ایجاد یک مجموعه داده منابع انسانی همگرا و بی‌نقص کار چندان ساده‌ای نیست. طبق تخمین‌های به دست‌آمده، قریب به 75 درصد یا بیشتر توانایی تحلیل استعداد برای رسیدن به سطوح 1 و 2 مورد استفاده قرار می‌گیرد. این جایی است که شرکت‌ها باید منابع داده‌های منابع انسانی خود را بیابند و تعاریف مختلف المان‌های داده را توجیه عقلانی کرده و راهی برای بی‌نقص بودن اطلاعات و همچنین تجمیع آنها در یک سیستم قابل استفاده بیابند.
این امر نیازمند تلاش چندین ساله جهت پاکسازی، مشارکت با شرکت‌های فناوری اطلاعات و مهارت‌های پیاده‌سازی یک زیربنای گزارش قوی است.چرا اغلب شرکت‌ها از این مراحل فراتر نمی‌روند؟ معمولا این امر به این دلیل است که رئیس ارشد منابع انسانی مایل به سرمایه‌گذاری جهت ایجاد تابع تحلیل نبوده و بنابراین زمانی را صرف ایجاد پروژه کسب‌وکار برای یک تیم تحلیل یکپارچه نکرده است.
اتصال داده‌های منابع انسانی
با وجود ادغام وسیع در ارائه‌دهندگان نرم‌افزارهای منابع انسانی، داده‌های مربوط به افراد همواره در سیستم‌های بسیاری پراکنده‌اند. یکی از مراحل بحرانی در قرار دادن منابع انسانی در یک مسیر تحلیلی‌تر، تجمیع منابع داده‌های نامتجانس به‌منظور ایجاد یک بانک اطلاعاتی است.البته، این امر بسیار پیچیده‌تر از آن چیزی است که به نظر می‌رسد. اولا، منابع انسانی در اغلب موارد یک مدل جامع کسب‌وکار به دست نمی‌دهد، بنابراین دچار کمبود حمایت بخش فناوری اطلاعات است.
دوما، تعداد بسیار کمی از مجموعه داده‌ها و شاید هیچ گونه داده استانداردی وجود ندارد، بنابراین اطلاعات در سیستم‌های مختلف باید به‌صورت سازگار تعریف شوند که این امر به شدت نیازمند زمان است. سوما، داده‌های منابع انسانی غالبا فصلی و منطقه‌ای است، بنابراین داده‌ای که برای یک کسب‌وکار «گردش کار» به حساب می‌آید، الزاما برای دیگر کسب‌وکارها گردش کار نیست و تیم تحلیل‌کننده ملزم به استانداردسازی تمامی این مقادیر است. میزان تلاش جهت توجیه داده‌ها دارای یک مقدار معنادار است. این امر جذاب‌ترین بخش منابع انسانی نیست اما ممکن است یکی از مهم‌ترین بخش‌های آن باشد.
ایجاد یک تیم میان رشته‌ای
بسیاری از تحقیقات سال‌های گذشته به فقدان دانشمندان داده‌ای در کسب‌وکار اختصاص یافته است، بنابراین ممکن است این سوال در ذهن افراد به وجود بیاید که چه زمانی منابع انسانی به مهارت و توانایی می‌رسد. در اغلب موارد مشکل یافتن استعدادهای آماری و ریاضی نیست بلکه مشکل ایجاد یک تیم میان رشته‌ای است.در مراحل اولیه تحلیل، تیم نیازمند اعضای فنی است که با استفاده از فناوری اطلاعات داده‌ها را جمع‌آوری کرده، بانک اطلاعاتی ایجاد کند و فرآیند گزارش را به موقع ارائه دهد.
اما با پیشرفت فرآیند، تیم به صورت فزاینده‌ای تبدیل به بین‌رشته‌ای می‌شود و رابطه تنگاتنگی با دیگر تیم‌های تحلیلی، همچنین با ارائه‌دهندگان داده‌های خارجی و تیم اجرایی در شرکت پیدا می‌کند. این امر در بسیاری مواقع تا در برگرفتن تحلیل کسب‌وکار، یک متخصص ریاضی یا آمار و افرادی که می‌دانند چگونه داده‌ها را به شکل قابل درک ارائه دهند، گسترش می‌یابد. همان‌طور که توسط تام داونپورت تشریح شد، موانع ارتباطی می‌تواند تاثیر تیم‌ها را کاهش دهد و تنها در مواردی که تیم دارای ساختار بسیار قوی باشد، بی‌تاثیر خواهد بود.
وجود ابزار به تنهایی کافی نیست
با وجود اینکه عموما ابزار تجزیه و تحلیل منابع انسانی با کیفیت بالا، از منابع شرکت به دست می‌آید، اما بسیاری از شرکت‌ها از ارائه گزارش قاصرند. درحالی‌که ابزار خوب دارای اهمیت است، بزرگ‌ترین موانع شرکت‌ها غالبا عبارت است از: عدم بردباری، فرآیند، مهارت و سازماندهی ناکافی.
• آیا افرادی با تجربه تجزیه و تحلیل داده و همچنین نگرش مدیریتی به‌منظور هدایت تیم تحلیلی وجود دارد؟
• آیا تیم شما مشمول تحلیلگر همراه با مدیریت داده، آمار، تجسم‌سازی و سازماندهی مهارت هست؟ تمامی این موارد در کنار یکدیگر داده‌ها را به‌کار برده و منجر به حل مشکلات کسب‌وکار خواهند شد.
• آیا از حمایت فناوری اطلاعات در انتخاب ابزار صحیح و زیرساخت‌های داده‌های منابع انسانی برخوردار هستید؟
• آیا تیم شما دارای یک رهبر سازمانی است که توانایی هدایت شرکت را داشته باشد و تنها بر اقدامات داخلی منابع انسانی تمرکز نکند؟
یکی از مراحل مهم در قرار دادن منابع انسانی در مسیرهای تحلیلی‌تر، جمع‌آوری منابع مختلف داده‌های مورد نیاز برای ایجاد یک دایره لغات داده‌ای است. یکی از مشتریان ما یک تامین‌کننده خدمات درمانی معروف با تجربه بسیار زیادی در تجزیه و تحلیل صنعت سلامت است. این شرکت دارای سابقه سنجش پیامدهای درمان بیماران است و با توجه مداوم به عوامل سازمانی که منجر به بهبود بیماران می‌شود به پیشرفت‌های زیادی دست یافته است.
تیم تحلیلی منابع انسانی در این شرکت بیش از 6 سال برای ایجاد بانک داده‌های داخلی زمان صرف کرده است و هم‌اکنون در حال آزمون تاثیرات «منابع استخدام» روی کیفیت پرستاری هستند. رهبر این تیم فردی حرفه‌ای در زمینه فناوری اطلاعات است که بیش از 15 سال در شرکت سابقه کار داشته و تجربه‌ای عظیم در امر مشاوره به سایر بخش‌های شرکت دارد. این درک عمیق از کسب‌وکار و داده‌ها، به همراه حمایت رهبر سازمان و فناوری اطلاعات، منجر به موفقیتی عظیم شده است.
نیاز به یک پروژه تجزیه و تحلیل کسب‌وکار
اگر با شرکت‌ها درمورد تحلیل داده مذاکره می‌کنید، اغلب نظراتی مانند «ما به اندازه کافی در تجزیه و تحلیل سرمایه‌گذاری نکرده‌ایم» یا «ما هنوز یک تیم یکپارچه نداریم» را خواهید شنید.به‌منظور موفقیت در این ناحیه که با رشد فزاینده‌ای روبه‌رو است، شرکت‌ها نیاز به سرمایه‌گذاری دارند.
تیم تجزیه و تحلیل استعداد باید نکات جدیدی از مزیت نیروی انسانی را به همان اندازه که استخدام نیروی جدید، پاداش و آموزش مهم هستند، مورد توجه قرار دهد.بسیاری از پروژه‌های تجزیه و تحلیل با توسعه گزارش‌هایی شروع می‌کنند که به کارآیی و اثربخشی همه برنامه‌های منابع انسانی توجه دارند: «زمان استخدام» و «هزینه استخدام» ما چیست؟ کدام افراد مورد نیاز برای استخدام کارکنانی با بالاترین کارکرد را ایجاد می‌کنند؟ چقدر آموزش می‌دهیم و چقدر یادگیرندگان ما راضی هستند؟
نسبت‌های مقایسه‌ای ما چیست و چگونه امتیازات عملکرد توزیع شده‌اند؟ البته باید توجه داشت، پاسخ به این سوالات لازم و ضروری است، اما کافی نیست.
در اوایل دهه 1900 جهان تحت تاثیر الکتریسیته قرار گرفت. کسب‌وکارها دریافتند که می‌توانند بر جریان ثابت الکتریسیته برای راه‌اندازی کارخانه‌های تولیدی در شب، سرمایه‌گذاری در موتورها و روبات‌ها برای بهبود بهره‌وری و در نهایت سرمایه‌گذاری در کامپیوترها و دیگر ابزار تغییر مسیر انجام کسب‌وکار تکیه کنند.همان‌طور که انیشتین اذعان کرده است که« همه دانش چیزی بیش از پالایش افکار روزمره نیست».
الکتریسیته مسیر تولید و ارسال محصولات را تغییر داده است؛ بنابراین داده‌ها می‌توانند مسیر تفکر ما در مورد مدیریت افراد را تغییر دهند. بسیاری از تصمیمات مهم افراد هنوز بر اساس احساسات درونی یا تجربیات موردی گرفته می‌شود. گرچه تنها 14 درصد شرکت‌ها در این پژوهش، به سطوح بالایی از بلوغ در تجزیه و تحلیل استعداد دست یافته‌اند، اما طی چند سال آینده ما رشد عظیمی را در این بازار شاهد خواهیم بود. این نوع تحلیل ممکن است در جذب و حفظ استعداد استفاده شود و احتمالا به حوزه‌های جدیدی گسترش خواهد یافت. در این حوزه‌ها به سه روند زیر توجه کنید: داده بیشتر، ابزارهای بیشتر و تکنیک‌های بیشتر.
مترجم: آناهیتا جمشیدنژاد
منبع: dupress.com
نظر شما
