Case study: engagement survey koppelen met verzuimdata

Published by inostix, on 20/12/2012

In het kader van de start van een recent project rond een koppeling van een engagement-survey met de verzuim-data van de organisatie, geven we jullie een kort overzicht van de hypothese en de belangrijkste onderzoeksvragen (de start van het project, dus). We hopen dat het kan helpen om een goed beeld te krijgen van hoe men met HR analytics (linkage research) kan starten. Het doel van dit project was om diepere inzichten te bekomen in mogelijke ‘drivers’ van ziekteverzuim door de koppeling met de engagement survey. In een volgende blog zullen we van een ander gelijkaardig project enkele analyses presenteren.

Hypothese: De HR Business Partner van dit project wou voor dit project graag inzicht verkrijgen in de volgende twee onderzoeksvragen:

1. Heeft de kwaliteit van het leidinggeven (werd bevraagd in de survey) een belangrijke impact op het niveau van het ziekteverzuim?
2. Zijn er verschillen in HR kengetallen tussen lage verzuimers t.o.v. hoge verzuimers? Voorbeelden van kengetallen: verloop, prestaties, engagement, enz.

Vraag 1 van de HRBP: Heeft de kwaliteit van het leidinggeven een belangrijke impact op het niveau van het ziekteverzuim?

Om een goed antwoord te kunnen formuleren op deze vraag, hebben we deze vraag opgedeeld in twee deelvragen:

1. Welke zijn de leiderschapskenmerken/kwaliteiten die het meest aanleiding geven tot laag ziekteverzuim (dit is een predictief model omdat er voldoende data aanwezig waren)?
2. Is er een significant verschil tussen de kwaliteit van het leidinggeven tussen lage verzuimers en hoge verzuimers (een goede definitie voor ‘laag’ en ‘hoog verzuim’ is daarbij noodzakelijk).

Vraag 2 van de HRBP: Zijn er verschillen in output (HR & Business) tussen lage verzuimers en hoge verzuimers?

Enkele aandachtspunten bij deze vraag:

• Herformuleren van de vraag: De vraag die men hier ook zou kunnen stellen op het niveau van het team of de afdeling, zou kunnen zijn: “Heeft een team/afdeling met een gemiddeld laag verzuim een betere performance in termen van HR output (bv. beoordeling, verloop, promotie, ongevallen,…) of business-output (bv. productiviteit, omzet,…) t.o.v. een team/afdeling met hoog verzuim?”
• Relevante medewerkersgegevens opnemen: het is belangrijk om zo veel mogelijk relevante persoons- en, organisatiekenmerken in de analyse op te nemen (bv. geslacht, diensttijd, leeftijd, functie, beoordeling,…). Hoe meer relevante variabelen, hoe beter we ziekteverzuim kunnen verklaren (zoeken naar gemeenschappelijke kenmerken van verzuimers) en hoe meer mogelijkheden om relevante analyses uit te voeren.
• ‘Outputs’ koppelen: welke zijn de relevante outputs die je zou kunnen koppelen? Voorbeelden kunnen liggen op het terrein van HR, bv. verloop, performance, veiligheid, enz. of op het terrein van business performance, bv. omzet, klantentevredenheid, productiviteit, enz.
• Outputs relateerbaar aan medewerkers: M.b.t. de business outputs is het erg belangrijk dat deze gerelateerd kunnen worden aan individuele medewerkers, teams of afdelingen. Het allerbelangrijkste is dat de outputs niet generiek zijn (bv. klantentevredenheid op organisatieniveau) maar direct kunnen gelieerd worden met de performance van de medewerkers of kleinere teams (bv. commerciële teams koppelen aan hun sales, salesgroei, klantentevredenheid, klantentrouw, enz.).

Wensen jullie nog meer inzichten in het koppelen van engagement survey’s, de zogenoemde ‘linkage research’? Lees dan ook :

– 4 HR analytics tips om meer waarde te halen uit uw engagementonderzoek

(Luk Smeyers)