PEOPLE ANALYTICS: Εργαλείο για ένα καλύτερο αύριο

Το 1911 συναντούμε για πρώτη φορά την εφαρμογή επιστημονικών και στατιστικών μεθόδων σε δεδομένα συμπεριφοράς από τον Frederick Taylor στο βιβλίο του «The Principles of Scientific Management».  Έναν αιώνα αργότερα, μετά την πλήρη επικράτηση των υπολογιστών στις στατιστικές μεθόδους και ιδιαίτερα στην τεχνητή νοημοσύνη (AI), η χρήση στατιστικών μεθόδων σε δεδομένα συμπεριφοράς εμφανίζει ευρεία εφαρμογή σε όλους τους τομείς των επιχειρηματικών δραστηριοτήτων, συμπεριλαμβανομένης της σταδιακής εφαρμογής στον τομέα της διαχείρισης του ανθρώπινου δυναμικού (HR). Η πλειοψηφία των εταιρειών εστιάζουν στα κύρια συστήματα ανθρώπινου δυναμικού συλλέγοντας πληροφορίες, όπως ενδεικτικά η μέση βαθμολογία αξιολόγησης απόδοσης του έτους, ο αριθμός προσλήψεων/αποχωρήσεων ή ετοιμάζουν περιγραφικές αναφορές που παρέχουν απλές πληροφορίες και τάσεις.

Στην πράξη, οι περισσότερες εταιρείες αντιμετωπίζουν σημαντικά εμπόδια στα πρώτα στάδια της οικοδόμησης των δυνατοτήτων ανάλυσης δεδομένων ανθρώπινου δυναμικού. Η πλειονότητα των ομάδων που ασχολούνται με την ανάλυση δεδομένων ανθρώπινου δυναμικού βρίσκεται ακόμη στα αρχικά στάδια καθαρισμού δεδομένων και εξορθολογισμού των αναφορών ενώ το ενδιαφέρον για καλύτερη διαχείριση δεδομένων και υιοθέτηση ολοκληρωμένων πληροφοριακών συστημάτων ανθρώπινου δυναμικού είναι έντονο.

Οι εταιρείες που πρωτοπορούν (Pathfinders, όπως τις χαρακτηρίζει η KPMG) προχωρούν σε ανάλυση στοιχείων που συνδέουν διάφορες πηγές δεδομένων, για παράδειγμα έρευνες δέσμευσης, δεδομένα απόδοσης ή στοιχεία εισροών και εκροών εργαζομένων, κάνοντας βήματα για πρόβλεψη ανθρώπινων συμπεριφορών που οδηγούν σε  ταχύτερες και καλύτερα ενημερωμένες αποφάσεις σε στρατηγικό, τακτικό και επιχειρησιακό επίπεδο. Με τον τρόπο  προσπαθούν να αξιοποιήσουν ευκαιρίες που προκύπτουν ή να περιορίσουν τις συνέπειες από πιθανούς κινδύνους.

Στην πρόσφατη έρευνα του Deree College -ACG και της KPMG διαπιστώθηκε η έλλειψη μεθοδολογιών για την ανάλυση δεδομένων, η διαχείριση μεγάλου όγκου πληροφοριών,  η έλλειψη πόρων, η έλλειψη γνώσεων και δεξιοτήτων στις ομάδες ανάλυσης δεδομένων, η ανεπαρκής ή χαμηλής επάρκειας συλλογής στοιχείων. Στα παραπάνω συμπεράσματα προστίθεται το πολυπληθές και κατακερματισμένο τοπίο της τεχνολογίας HR, στο οποίο λίγοι οργανισμοί γνωρίζουν πώς να πλοηγηθούν. 

Η ίδια έρευνα ανέδειξε επίσης την επιθυμία που υπάρχει για περισσότερη χρήση δεδομένων στη λήψη αποφάσεων. Η αυτοματοποίηση της συλλογής και ανάλυσης μεγάλων συνόλων δεδομένων, η τεχνητή νοημοσύνη και άλλα εργαλεία ανάλυσης αποτελούν υπόσχεση βελτίωσης της ανάλυσης των δεδομένων του ανθρώπινου δυναμικού.  Αυτή η επιθυμία θα πρέπει να μας οδηγήσει στον προσεκτικό σχεδιασμό των όποιων μοντέλων πρόβλεψης, λαμβάνοντας υπόψη ότι τα δεδομένα δεν είναι ουδέτερα. Τα εργαλεία ανάλυσης γενικά βασίζονται στα ιστορικά στοιχεία   σχετικά με την πρόσληψη, τη διακράτηση, την ανάπτυξη, την εξέλιξη και την ανταμοιβή τους, ώστε, κατά συνέπεια, να αντικατοπτρίζουν τις αποφάσεις και τις συμπεριφορές του παρελθόντος. Στην προσπάθειά μας να οικοδομήσουμε τον εργασιακό χώρο του αύριο, πρέπει να προσέχουμε πώς τα δεδομένα  αποτυπώνουν πλήρως την πολυπλοκότητα της διαχείρισης ανθρώπων σε ένα περιβάλλον με αυξανόμενη ποικιλία χωρίς να περιορίζονται σε παλιές και υπάρχουσες προκαταλήψεις.

Η ανάλυση δεδομένων που αφορούν στο ανθρώπινο δυναμικό, ειδικά με τη χρήση της τεχνητής νοημοσύνης, είναι ένα απίστευτα ισχυρό εργαλείο που έχει γίνει απαραίτητο στη σύγχρονη διαχείριση του ανθρώπινου δυναμικού. Τα ποσοτικά μοντέλα προορίζονται να βοηθήσουν, όχι να αντικαταστήσουν, την ανθρώπινη κρίση. Για να αξιοποιηθούν στο έπακρο τα εργαλεία ανάλυσης, θα πρέπει να υπάρχει πλήρης κατανόηση της λειτουργίας του μοντέλου, τα ρητά και σιωπηρά κριτήρια που χρησιμοποιούνται για τη λήψη αποφάσεων και την εκπαίδευση του εργαλείου ώστε να μην διαιωνίσει προκαταλήψεις και στερεότυπα του παρελθόντος αποκλείοντας ακούσια συγκεκριμένες ομάδες.

Θέτοντας τις σωστές ερωτήσεις για τα δεδομένα, το μοντέλο, τις αποφάσεις και τους προμηθευτές λογισμικού, οι διαχειριστές μπορούν να εκμεταλλευτούν με επιτυχία τη δύναμη του People Analytics για τη δημιουργία των υψηλών επιδόσεων, δίκαιων εργασιακών χώρων του αύριο. Όσο προχωρά η υιοθέτηση τέτοιων εργαλείων θα βελτιώνεται η προβλεψιμότητα τους και είναι πιθανόν να δούμε αλγορίθμους που θα βελτιώνουν τέτοιες πιθανές ακούσιες προκαταλήψεις.  Ένα αύριο πιο ελπιδοφόρο, πιο ανθρωποκεντρικό χωρίς διακρίσεις και αποκλεισμούς.