Published by inostix, on 18/10/2013
Wij zijn al enkele jaren grote supporters van de artikels van John Sullivan op de website van ere.net. Omdat hij recent een uitstekend artikel schreef over ‘Actionable Predictive Analytics’, hebben we dat voor jullie kort samengevat (link onderaan artikel).
Sullivan omschrijft predictieve of voorspellende HR analyses als een reeks cijfers of –statistieken die besluitvormers alert houdt en waarschuwt voor aankomende problemen en kansen in talentdomeinen zoals rekrutering en retentie. Predictieve analytics zijn voor hem beter dan traditionele HR-analyses, omdat deze laatste enkel vertellen wat er het afgelopen jaar is gebeurd. Voorspelling in plaats van historische overzichten, dat is wat hij bedoelt.
Sullivan stelt dat wat vorig jaar gebeurde hoogstwaarschijnlijk geen accurate indicator is van wat er dit of volgend jaar zou kunnen gebeuren. In het vorige jaar, met hoge werkloosheidscijfers en een zwakke economie, zo stelt hij, was het verloop bijvoorbeeld laag. Maar het zou nefast zijn te veronderstellen dat die lage verloopcijfers in een aantrekkende economie op hetzelfde peil zouden liggen.
Zonder actie zijn HR analytics vooral een verspilling
Maar zelfs predictieve analytics hebben hun beperkingen, aldus Sullivan, omdat het geven van massa’s data en informatie aan de beslissingsmakers niet automatisch leidt tot betere beslissingen op vlak van talentmanagement. Er zal weinig mee gebeuren wanneer ze de lezer niet enthousiast maken of alarmeren. Overweeg dus “actiegerichte predictieve analytics”, die de kans verhogen dat beslissingsnemers actie zullen ondernemen nadat ze de analyses onder ogen kregen. Onthoud dat volgens Sullivan het doel is: “Het verbeteren van de snelheid en kwaliteit van de besluitvorming rond talentmanagement door het leveren van de juiste hoeveelheid informatie, in de juiste vorm en op het juiste moment”.
Dit voorbeeld van Sullivan toont het verschil tussen de drie verschillende categorieën cijfers:
De tien grootste voordelen van “actiegerichte predictieve analytics” in HR
Wil je de top van je bedrijf overtuigen om met HR analytics te starten? Hier vind je alvast de tien belangrijkste factoren die er volgens Sullivan voor zorgen dat “actiegerichte predictieve analytics” de beste keuze is.
1. Tijd om voor te bereiden: Predictieve analytics vertellen je wat er gaat gebeuren, zodat je de tijd hebt een plan voor te bereiden om de schade te beperken of zelfs helemaal te vermijden. Op positief vlak kunnen ze de beslissingsmakers waarschuwen over aankomende talentopportuniteiten, zoals een periode waarin de strijd om talent op de arbeidsmarkt afneemt.
2. Een kans om strategisch te zijn: de definitie van strategie omvat ook vooruitkijken, dus kun je de top met predictieve analytics aantonen dat je strategisch handelt door voorspelling, risicobeoordeling en voorbereidingen voor de toekomst. Omdat andere afdelingen dit al langer doen, ga je meer aansluiting vinden met de business. Bovendien maakt het opbouwen van interne partnerschappen met andere afdelingen die hier al succesvol in zijn het gemakkelijker om dit in te voeren.
3. Bewust worden van veranderingen in historische patronen: Predictieve analytics laten je weten welk van de vroegere historische patronen hetzelfde blijven of niet langer zullen kloppen in de toekomst. Deze informatie laat beslissingsmakers toe om hun focus op die veranderende patronen te richten.
4. Begrijp waarom die veranderingen plaatsvinden: De beste HR analytics identificeren niet alleen de factoren die veranderen, maar ook waarom ze veranderen. Zo kunnen besluitvormers oplossingen invoeren die best aansluiten op de oorzaak van het probleem.
5. Bewust worden van nieuwe relaties in talentmanagement: predictieve analytics kan nieuwe relaties tussen talentfactoren blootleggen die in het verleden niet bestonden.
6. Het vergroten van de kans dat beslissingsnemers zullen handelen: Omdat actiegerichte predictieve analytics besluitvormers “advies geven” over de geschatte impact van aankomende problemen en welke acties de meest waarschijnlijke beste oplossingen zijn voor de voorspelde problemen, zullen die besluitvormers sneller daadwerkelijk actie ondernemen wanneer ze op de hoogte worden gebracht van een aankomend human capital probleem.
7. De “tijd tot het antwoord” neemt af: Snelle beslissingen nemen is ook cruciaal. Omdat de meeste predictieve analyses meer geïntegreerd en uitgebreid zijn dan traditionele HR-analyses, kan de tijd die nodig is om een beslissingsnemer een antwoord te geven, drastisch worden teruggebracht.
8. Je kunt modellen opbouwen: Geavanceerde analyseprocessen laten beslissingsnemers toe om een model te ontwikkelen dat hen helpt om diverse alternatieven uit te proberen en de beperkingen en veronderstellingen te laten variëren om na te gaan hoe de resultaten hierdoor veranderen. Modellen zoals “als/dan-scenario’s” kunnen beslissingsnemers enthousiast maken, terwijl ze hen door pre-testing helpen om grote fouten te vermijden.
9. Een competitief voordeel bieden: Wanneer je concurrenten op de talentmarkt geen predictieve analytics ontwikkelen, kunnen de voorspellingen voor jouw besluitvormers jouw bedrijf aanzienlijk voordeel op vlak van talent en business bieden.
10. Ze kunnen alle kritische talentdomeinen bestrijken: predictieve analytics kunnen waarschuwingen geven over alle belangrijke talentdomeinen, waaronder rekrutering, retentie, leiderschap, performance management en interne mobiliteit.
Predictieve analytics komen vaker voor buiten talentmanagement
Predictieve analytics, zo gaat Sullivan verder, lijken misschien nieuw omdat ze nog relatief zeldzaam zijn in talentmanagement, maar in de bedrijfswereld bestaan ze al jaren. Het meest voorkomende voorbeeld is weersvoorspelling. Voorspellingen van orkanen bijvoorbeeld zijn verbazingwekkend nauwkeurig geworden dankzij het gebruik van big data en statistische benaderingen die aankomende stormen voorspellen. Analyses helpt de politie ook om vooraf te weten wanneer en waar misdaden het meest waarschijnlijk zullen voorkomen in hun stad. En recent werd dit ook zeer populair in het domein van consumentengedrag, om toekomstig winkelgedrag en veranderende patronen te voorspellen. De verzekeringssector kan bogen op de langste geschiedenis van het gebruik van predictieve analytics, die ze gebruikten om patronen van ziekten en ongevallen te identificeren.
Op vlak van talentmanagement steekt Google er bovenuit, met predictieve analytics voor aanwerving, leiderschap en retentie. Hierover schreef Sullivan recent nog een erg boeiend artikel. Voor retentie leerde Google bijv. een combinatie van zeven verschillende factors te gebruiken, om te voorspellen welke werknemers het meest waarschijnlijk zouden vertrekken (nog voor die werknemer het zelf besefte). Andere cases zijn die van Sprint, die analytics gebruikte om te voorspellen welke nieuwe aanwervingen wellicht zouden opstappen, en Cisco, dat predictieve statistieken gebruikte om te bepalen welke nieuwe aanwervingen die het moeilijk hadden, op lange termijn een goede kans tot slagen hadden.
P.S. Het originele artikel van John Sullivan vindt u hier.
Your email address will not be published. Required fields are marked*