Автор: Кирилл Лавренюк

IT HR бизнес-партнер в Сберлогистике

Зачем нужна HR-аналитика?

HR-аналитика — процесс сбора, анализа и интерпретации данных о человеческом капитале компании для принятия обоснованных решений в области HR (и не только!). Она включает в себя анализ данных о результативности и эффективности сотрудников, текучести персонала, обучении и развитии (L&D), компенсациях и льготах (C&B), а также других аспектах работы с сотрудниками.

HR-аналитика необходима для оптимизации процессов в области HR. Она помогает принимать обоснованные решения, связанные с наймом, L&D, мотивацией и удержанием персонала, и т.д. 

Примеры задач, с решением которых может помочь HR-аналитика:

Краткосрочные задачи:

1. Принять решение о выставлении контроффера сотруднику: на основе анализа эффективности и важности сотрудника, среза заработных плат в компании и на рынке труда

2. Принять решение о повышении сотрудника в должности: на основе анализа эффективности и важности сотрудника и соответствия его текущего уровня компетенций целевому в рамках матрицы компетенций

3. Ускорить закрытие вакансии: на основе анализа конверсии подбора в разрезе различных источников и причин отказов кандидатов на этапах подбора

4. Сформировать план по снижению текучести персонала в юните: на основе анализа причин увольнения сотрудников, их уровней удовлетворенности, вовлеченности, лояльности и мотивированности

5. Скорректировать оффер кандидату: на основе анализа причин отказов от офферов, соответствия текущего уровня компетенций кандидата целевым значениям в рамках матрицы компетенций, среза заработных плат в компании и на рынке труда

Среднесрочные задачи:

6. Оценить уровень исполнения HR-бюджета юнита: на основе анализа плановых и фактических затрат по статьям расхода в рамках HR

7. Сформировать корректный план подбора персонала: на основе анализа капаситета и time to hire команды рекрутмента и реальных потребностей в тех или иных сотрудниках в рамках развития продуктов

8. Сформировать эффективный план обучения и развития сотрудников: на основе анализа текущего капаситета команды L&D, причин обучения сотрудников, реальной потребности в обучении и пр.

9. Оценить эффекты от реализации конкретных HR-инициатив: на основе анализа влияния конкретных HR-инициатив (в т.ч. через их продуктовые метрики) на бизнес-результаты юнита

10. Подобрать и адаптировать новую команду: на основе анализа капаситета и time to hire команды рекрутмента и реальных потребностей в тех или иных сотрудниках в ходе запуска продукта

Долгосрочные задачи:

11. Сформировать результативную HR-стратегию в разрезе юнита: на основе анализа влияния конкретных HR-инициатив (в т.ч. через их продуктовые метрики) на бизнес-результаты юнита, удовлетворенности, вовлеченности, лояльности и мотивированности персонала юнита

12. Спланировать реальный HR-бюджет юнита: на основе анализа текущих затрат на HR в юните и ресурсного плана на последующие прогнозные периоды

13. Создать релевантный кадровый резерв: на основе анализа оценок уровня компетентности сотрудника, его потенциала развития и результативности / эффективности, а также ключевых позиций позиций в компании, на которые необходимо иметь кадровый резерв

14. Оценить реальную капитализацию IT-продуктов: на основе анализа реальных трудозатрат сотрудников на развитие продукта (человеко-часы) и затрат на их заработные платы, развитие и пр.

15. Создать релевантные должностные профили / матрицы компетенций: на основе анализа соответствия текущего уровня компетенций сотрудника и его результативности / эффективности в компании

В целом, HR-аналитика помогает компаниям стать эффективнее и конкурентоспособнее, обеспечивая при этом оптимальное управление человеческим капиталом и раскрытие и использование потенциала своих сотрудников.

Цели HR-аналитики

HR-аналитика может закрывать 7 основных целей:

• формировать цели HR-подразделений и мониторить продвижение по их достижению

• осуществления мониторинга эффективности и результативности HR-процессов

• выявлять проблемы, напрямую или косвенно касающиеся управления персоналом

• выстраивать прогнозы HR-метрик на будущие периоды

• повышать эффективность процесса планирования в HR

• проверять HR-гипотезы

• оценить влияние HR-инициатив на бизнес-результаты подразделения, компании

Модели зрелости и качества данных

Модель зрелости данных (Data Maturity Model, DMM) — инструмент, используемый для определения текущего состояния управления данными в компании и оценки возможностей для улучшения. Она помогает организациям определить области, требующие внимания, и разрабатывать стратегии для улучшения качества, доступности и полезности данных.

Модель зрелости данных обычно состоит из пяти уровней:

• Level 1. Начальный: На этом уровне данные не структурированы, не организованы и не используются для принятия решений

• Level 2. Повторяющийся: Данные собираются и организуются, но они не используются систематически для принятия решений или улучшения процессов

• Level 3. Управляемый: Данные систематически собираются и анализируются для принятия решений, но этот процесс не автоматизирован

• Level 4. Интегрированный: Данные из различных источников собираются, интегрируются и анализируются автоматически для принятия решений и улучшения процессов

• Level 5. Оптимизированный: Данные используются для оптимизации процессов и принятия решений на основе искусственного интеллекта и машинного обучения

Для определения текущего уровня зрелости данных в компании обычно проводится аудит, который включает анализ процессов сбора, хранения, обработки и использования данных. Затем компания определяет стратегии для достижения следующих уровней зрелости, такие как внедрение автоматизированных систем анализа данных, улучшение инфраструктуры для хранения и обработки данных и обучение сотрудников работе с данными.

Модель качества данных (Data Quality Model, DQM) — набор критериев и метрик, которые используются для оценки качества данных в компании.

DQM включает в себя следующие аспекты:

• Точность: степень соответствия данных действительности.

• Полнота: наличие всех необходимых данных для выполнения задачи.

• Актуальность: своевременность данных.

• Целостность: отсутствие ошибок и искажений в данных.

• Консистентность: согласованность данных между различными источниками.

• Устойчивость: способность данных сохранять качество при изменении условий.

DQM позволяет оценить текущее состояние данных в компании и определить области, где необходимо ее улучшить.

Инструменты решения задач HR-аналитики

В HR-аналитики нужно работать с большими объемами данных. Сначала необходимо извлечь эти данные, затем систематизировать, проанализировать и визуализировать их. Как правило, стандартного пакета Microsoft Office для этого недостаточно.

Основные источники данных для HR-аналитики:

• Корпоративные информационные системы (КИС)
  В них хранят информацию о компании и ее бизнес-процессах. В разных компаниях используют разные КИС. Например, HRM-система предоставляет наибольший объем данных. В ней есть функции по управлению персоналом, поиску и отбору кандидатов, организации труда и т.д. Соответственно, из HRM-системы можно выгрузить практически любые данные об HR-процессах компании. Примеры других КИС, из которых тоже можно выгрузить данные для HR-анализа — CRM, ERP, WMS.

• Опросы и исследования
  Системы, о которых мы сказали выше, не всегда позволяют получить достоверную информацию и провести точный анализ. Опросы и исследования проводят, чтобы проанализировать отдельные социальные и психологические аспекты. Например, чтобы понять, почему снижается мотивация сотрудников или почему увеличилась текучесть кадров.

• Платформы для автоматизации HR-процессов (ATS, LMS, и пр.)
  Это источник информации о том, насколько эффективно реализован тот или иной HR-процесс. Они позволяют изучить общие показатели — например, количество откликов на вакансии, рейтинг работодателя — или перейти в расширенную версию платформы и ознакомиться с детальным отчетом. Например, оценить качество работы рекрутеров, «индекс вежливости» компании и т.д.

• Системы управления проектами / трекеры (например, Jira)
  Так как в таких системах можно реализовать Kanban по сопровождению тех или иных HR-процессов, например, процесс подачи заявок на подбор, то из них также можно забирать большое количество полезных данных.

Полученную информацию нужно выгрузить, проанализировать и преобразовать в отчет (ну или презентацию). Вот несколько инструментов, с помощью которых это можно сделать быстро и качественно:

• Excel, Google Таблицы (или иные таблицы)
  Это основные инструменты аналитики в любой сфере. С помощью них можно собрать данные в разных форматах, систематизировать их, подготовить отчеты и диаграммы.

• R, VBA, SQL, Python
  Владея этими языками программирования, можно проводить более глубокий анализ данных, оптимизировать работу с большими массивами, визуализировать информацию, строить регрессионные зависимости и многое другое.

• Power BI, Tableau, Qlik и пр. BI-системы
  Это системы для визуализации данных. Позволяют агрегировать и визуализировать информацию, делать ее более читаемой и наглядной.

HR-аналитика — относительно новое направление, поэтому четкого набора инструментов, которые применяют для анализа HR-процессов, пока нет. Можно выбирать и адаптировать инструменты, которые используются в других направлениях аналитики, под поставленные задачи и свои предпочтения.

Метрики HR-процессов

HR-данные — информация о сотрудниках, процессах и системах управления персоналом в компании, например: данные о квалификации сотрудников, их стаже работы, заработной плате, данных об обучении, результатах оценки персонала и многое другое.

HR-метрики — количественные измерители, помогающие компании мониторить ключевые области, на которые оказывает прямое или косвенное влияние реализация HR-процессов; количественные измерители, которые помогают отследить и измерить эффективность сотрудников, их инициативность, проактивность, вовлеченность и т.д.

Виды HR-метрик:

• Количественные: количество нанятых сотрудников; время, затраченное на обучение; количество уволенных сотрудников и т.д.

• Качественные: уровень удовлетворенности сотрудников; уровень текучести кадров; процент успешно пройденных испытательных сроков и т.д.

• Относительные: соотношение количества нанятых и уволенных сотрудников; соотношение затрат на обучение и производительности труда и т.д.

• Интегральные: общий уровень эффективности HR-процессов в компании; совокупные затраты на управление персоналом и т.д.

Посмотреть примеры HR-метрик вы можете по вот этой ссылке.

Сбор и хранение HR-данных

Сбор и хранение HR-данных играют ключевую роль в управлении персоналом. Без доступа к актуальной информации о сотрудниках менеджеры не смогут принимать обоснованные решения и эффективно управлять персоналом.

Для того чтобы Сбор HR-данных был эффективным, необходимо определить, какие данные нужно собирать и как их обрабатывать.

Методы сбора HR-данных также могут быть разными. Это могут быть опросы, собеседования, наблюдения, анализ документов и т.д. Выбор метода зависит от цели сбора данных и доступных ресурсов.

Хранение HR-данных должно быть безопасным и надежным. Компании могут использовать различные системы управления персоналом (HRMS) для хранения и обработки данных. Эти системы позволяют управлять информацией о сотрудниках, их должностях, заработной плате, стаже работы и других аспектах.

Также для хранения данных многие компании создают собственные HR Data Lake (CRM), в которую поступают все данные по HR из разных источников (ERP, ATS, LMS и пр.).

Кроме того, компании должны обеспечивать конфиденциальность и защиту персональных данных сотрудников. Для этого следует соблюдать законодательство о защите персональных данных и использовать надежные системы защиты информации.

Описательная статистика

Описательная статистика — раздел статистики, который занимается сбором и представлением данных. Она включает в себя вычисление различных мер центральной тенденции (например, среднего значения) и мер разброса (например, стандартного отклонения).

Описательная статистика помогает получить представление о данных, выявить их основные характеристики и закономерности. Она может быть использована для анализа различных типов данных, включая числовые, категориальные и текстовые.

Основные меры описательной статистики включают:

• Среднее значение: среднее арифметическое всех значений в наборе данных. Оно показывает “центр” распределения данных

• Медиана: значение, которое разделяет набор данных на две равные части — выше и ниже медианы

• Мода: наиболее часто встречающееся значение в наборе данных

• Стандартное отклонение: мера разброса значений вокруг среднего значения. Чем больше стандартное отклонение, тем больше разброс данных

• Размах: разница между максимальным и минимальным значениями в наборе данных. Он показывает насколько велики различия между самыми маленькими и самыми большими значениями.

• Коэффициент вариации: стандартное отклонение, деленное на среднее значение. Он позволяет сравнивать стандартное отклонение разных наборов данных, имеющих разные средние значения

Например, можно использовать описательную статистику для анализа данных о производительности труда сотрудников. Можно вычислить среднее значение производительности, медиану, стандартное отклонение и другие меры, чтобы получить общую картину эффективности команды. Это поможет выявить наиболее продуктивных сотрудников и определить области, требующие улучшения.

Важным элементом описательной статистики является нормальное распределение. Нормальное распределение или распределение Гаусса является одним из самых важных и широко используемых распределений в статистике и вероятности. Это распределение описывает случайную переменную с колоколообразной формой графика распределения, которое имеет максимум в точке среднего значения случайной переменной.

Нормальное распределение характеризуется двумя параметрами: средним значением (μ) и стандартным отклонением (σ). Чем больше стандартное отклонение, тем шире кривая нормального распределения, и наоборот.

Примером нормального распределения может быть рост человека. Средний рост взрослого человека составляет около 170 см, но есть люди, которые выше или ниже этого значения. Однако, несмотря на то что некоторые люди могут быть значительно выше или ниже среднего роста, большинство людей имеют рост, близкий к среднему. Это объясняется тем, что рост большинства людей имеет нормальное распределение.

В статистике нормальное распределение имеет особое значение, так как многие случайные величины приближаются к нормальному распределению при определенных условиях. Например, закон больших чисел утверждает, что среднее значение большого количества независимых случайных величин имеет тенденцию приближаться к среднему значению этих величин.

Одним из примеров использования нормального распределения в HR является оценка кандидатов на вакансию. Большинство рекрутеров используют стандартные тесты для оценки кандидатов, такие как тесты на интеллект или личностные тесты. Результаты этих тестов обычно имеют нормальное распределение, что позволяет сравнивать кандидатов между собой и определять, насколько они соответствуют требованиям вакансии.

Корреляционный и регрессионный анализ

Корреляционный анализ — метод статистического исследования, который позволяет определить наличие и степень взаимосвязи между двумя или более случайными величинами. Корреляционный анализ используется для изучения связей между различными факторами, влияющими на исследуемый процесс или явление.

Существует два основных типа корреляционного анализа: линейный и ранговый. Линейный корреляционный анализ используется для определения наличия и степени линейной связи между двумя переменными. Ранговый корреляционный анализ применяется для оценки взаимосвязи между переменными, которые не имеют линейной зависимости.

Корреляционный анализ позволяет определить, насколько сильно одна переменная влияет на другую. Если коэффициент корреляции близок к 1, это означает, что две переменные сильно связаны и изменение одной переменной приводит к изменению другой. Если коэффициент корреляции равен 0, то переменные не связаны между собой.

Важным понятием в корреляционном анализе является коэффициент корреляции, который может принимать значения от -1 до +1. Коэффициент корреляции равный -1 означает полную отрицательную корреляцию, то есть увеличение одной переменной приводит к уменьшению другой. Коэффициент корреляции равный +1 означает полную положительную корреляцию, то есть увеличение одной переменной приводит к увеличению другой.

Для проведения корреляционного анализа необходимо иметь данные о значениях двух или более переменных. Затем данные обрабатываются с помощью специальных статистических методов, которые позволяют определить наличие и степень корреляции между переменными.

Одним из примеров использования корреляционного анализа в HR может быть исследование взаимосвязи между уровнем удовлетворенности сотрудников и их производительностью. Предположим, что мы хотим узнать, есть ли связь между этими двумя показателями. Для этого мы можем провести корреляционный анализ данных об удовлетворенности сотрудников и данных об их производительности за определенный период времени. Если коэффициент корреляции будет близок к 1, то это означает, что существует сильная положительная связь между удовлетворенностью сотрудников и их производительностью. Если же коэффициент корреляции будет близок к 0, то это говорит об отсутствии связи между этими показателями.

Регрессионный анализ — статистический метод, используемый для изучения взаимосвязи между одной зависимой переменной и одной или несколькими независимыми переменными. Он позволяет предсказать значение зависимой переменной на основе значений независимых переменных.

Регрессионный анализ может помочь понять, как различные факторы влияют на исследуемый процесс или явление, а также предсказать его развитие в будущем.

Существуют различные виды регрессионного анализа, такие как линейная регрессия, логистическая регрессия, множественная регрессия и другие. Выбор вида регрессии зависит от типа данных и задачи исследования.

Одним из основных этапов регрессионного анализа является выбор модели регрессии. Для этого необходимо определить, какие переменные будут использоваться в модели и как они будут связаны друг с другом. После выбора модели необходимо оценить ее качество, используя различные статистические показатели, такие как коэффициент детерминации, стандартная ошибка и другие.

Наконец, после оценки модели можно использовать ее для предсказания значений зависимой переменной на основе известных значений независимых переменных. Однако следует помнить, что регрессионный анализ не может гарантировать абсолютную точность предсказаний, так как на результаты могут влиять различные факторы, не учтенные в модели.

Примером использования регрессионного анализа в HR может служить задача прогнозирования уровня заработной платы сотрудника на основе его опыта работы, образования и других факторов. Для решения этой задачи можно использовать методы линейной регрессии или множественной регрессии.

Исследование HR-данных, формулирование и проверка гипотез

После анализа HR-данных необходимо провести дополнительные исследования. Особенно важно это делать по данным, которые являются аномальные, т.е. имеют отклонения от бенчмарков.

Также хотелось бы отметить, что важно подкрепить выявленные аномалии хотя бы одним из двух источников: подтверждение аномалии владельцем процесса, где она определена; подтверждение аномалии сотрудниками, которые способны чекнуть наличие той или иной проблемы.

По сути, мы формируем на основе HR-данных некоторую продуктовую гипотезу, которую необходимо проверить. Гипотеза — предположение, которое еще не было доказано. Например, если мы хотим узнать, влияет ли температура на скорость реакции, мы можем создать гипотезу, которая утверждает, что при повышении температуры скорость реакции увеличивается.

Гипотеза обычно формулируется в виде утверждения, за которым следует слово “если”. Например: “Если температура увеличивается, то скорость реакции тоже увеличивается”.

Чтобы проверить гипотезу, нужно провести эксперимент. В примере можно провести эксперимент, в котором будет измеряться скорость реакции при разных температурах. Если станет понятно, что скорость реакции действительно увеличивается с повышением температуры, то гипотеза подтвердится.

Однако, важно помнить, что даже если гипотеза подтвердилась в одном эксперименте, это не означает, что она будет верна всегда. Можно провести еще эксперименты, чтобы проверить, насколько гипотеза универсальна.

Для проверки гипотез можно использовать следующие методы исследования:

• Анкетирование:  метод сбора информации, при котором респондентам предлагается заполнить анкету. Анкеты могут быть бумажными или электронными

• Интервью: метод, при котором исследователь проводит беседу с респондентом, задавая ему вопросы. Интервью могут быть структурированными (с заранее подготовленными вопросами) или неструктурированными (без заранее подготовленных вопросов)

• Наблюдение: метод исследования, при котором исследователь наблюдает за поведением людей в рабочей среде. Наблюдение может быть прямым (непосредственное наблюдение) или косвенным (наблюдение через системы)

• Анализ документов: метод анализа информации, содержащейся в различных документах, таких как отчеты, инструкции, должностные инструкции и т.д.

• Опрос сотрудников: метод получения информации от сотрудников компании. Опросы могут проводиться в форме анкетирования или интервью

Одним из самых эффективных методов исследования является CustDev (ИМХО!). CustDev (Customer Development) — процесс выявления и понимания потребностей и проблем клиентов, а также разработки и тестирования решений для их удовлетворения. Этот процесс помогает компаниям лучше понимать своих пользователей и создавать продукты и услуги, которые действительно нужны рынку.

Что делать с результатами HR-анализа?

После проведения HR-анализа результаты могут использоваться для различных целей, например:

• Улучшение процессов управления персоналом: результаты анализа могут помочь выявить проблемы в процессах управления персоналом и на их основе можно предложить решения для их устранения

• Оптимизация организационной структуры: результаты могут помочь определить, какие структурные подразделения или роли (должности) или уровни (грейды) требуют изменений или улучшений

• Оценка эффективности работы сотрудников: результаты могут быть использованы для оценки производительности труда сотрудников и определения их потенциала для роста

• Разработка программ обучения и развития: результаты анализа могут быть использованы для разработки программ обучения, которые помогут сотрудникам развивать свои навыки и достигать лучших результатов

• Принятие стратегических решений: результаты HR-анализа могут быть использованы при принятии стратегических решений, таких как изменение структуры организации или внедрение новых технологий

Таким образом, результаты HR-анализа являются важным инструментом для принятия решений в области HR и могут помочь компании улучшить свою работу и достичь необходимых результатов.

Основы предиктивной HR-аналитики

Предиктивная аналитика в HR — процесс использования данных и аналитики для прогнозирования будущих тенденций, событий и поведения в области управления человеческими ресурсами. Она позволяет компаниям предсказать потребности в персонале, определить наиболее релевантных кандидатов для конкретной позиции, а также оценить эффективность текущих сотрудников и стратегий рекрутинга.

Предиктивная аналитика использует алгоритмы машинного обучения и статистические модели для анализа ретроспективных данных о сотрудниках, их поведении и производительности труда, чтобы выявить закономерности и сделать прогнозы на будущие периоды. Она позволяет менеджерам принимать более обоснованные решения, касающиеся найма, обучения, развития и удержания талантов.

Вот некоторые примеры использования предиктивной аналитики в HR:

• Прогнозирование оттока сотрудников: HR-эксперты могут использовать данные об удовлетворенности сотрудников, их вовлеченности и производительности труда для определения вероятности их увольнения или ухода из компании. Это позволяет предпринимать меры по удержанию наиболее ценных сотрудников.

• Прогнозирование потребностей в новых сотрудниках: Аналитика может помочь определить, какие позиции в компании будут вакантными в будущем, и какие навыки и компетенции потребуются новым сотрудникам. Это поможет формировать и реализовывать более эффективную стратегию рекрутинга в компании.

• Прогнозирование производительности сотрудников: Использование данных о производительности сотрудников, таких как количество отработанных часов, количество и качество выполненных задач, отзывы коллег и клиентов, позволяет строить модели, которые предсказывают будущую производительность сотрудника и помогают HR-специалистам принимать решения о премиях, обучении или пересмотре системы мотивации.

• Прогнозирование текучести персонала: Анализ данных об уровне удовлетворенности сотрудников, средней продолжительности работы в компании, возрасте и поле сотрудников может помочь выявить причины высокой текучести и разработать меры по снижению этого показателя.

• Прогнозирование успешности адаптации новых сотрудников: Анализ данных о новичках, таких как возраст, образование, опыт работы, предыдущие места работы, может помочь HR определить, какие новые сотрудники могут столкнуться с проблемами в адаптации и нуждаются в дополнительной поддержке.

В целом, предиктивную аналитику в HR можно использовать и в обратную сторону, т.е. для того, чтобы получить ответ на вопрос, например: “Как нужно изменить удовлетворенность сотрудников в компании, чтобы сократить текучесть персонала на X процентов”.

Предиктивная аналитика в HR позволяет компаниям принимать более обоснованные решения по управлению человеческим капиталом и создавать более эффективные и мотивирующие рабочие места.

В завершение напоминаем об открытых уроках курса "IT HRBP":

• 16 апреля: Правильные шаги к карьере HRBP. Запись

• 23 апреля: Как снять нагрузку с HRBP c помощью AI и автоматизации? Запись