FR
 
STARTPAGE Blogs
 
 
5 redenen om te starten met predictieve analytics voor personeelsverloop
published by , on 16/04/2014

Zoals Prof. Dr. Bart Baesens in een eerder blogartikel over de analyse van personeelsverloop al aanhaalde, is personeelsverloop vandaag voor veel bedrijven een groot probleem. Prof. Baesens: “Groot talent is schaars, moeilijk te houden en er is veel vraag naar. Het is geen geheim dat er een rechtstreeks verband bestaat tussen tevreden werknemers en tevreden klanten, dus is het van het grootste belang om te weten te komen wat de ontevredenheid van werknemers veroorzaakt. Daarbij kan een voorspellende analyse een essentieel strategisch instrument vormen om het engagement van de werknemers te verhogen en om doelgerichte campagnes op te zetten om het personeel te houden.” In onze twee laatste blogartikelen, gingen we dieper in op de voordelen en uitdagingen van een voorspellende analyse van personeelsverloop. In dit blogartikel zullen we het hebben over het unieke voordeel van een voorspellende analyse van personeelsverloop.

De voorbije maanden stelden we veel interesse vast voor voorspellende analyse van personeelsverloop (predictive employee turnover analytics – PETA). Dat valt niet te verwonderen, aan de hand van voorspellende analyse ontdekken de bestgeleide bedrijven het vermogen om te voorspellen wie het bedrijf zal verlaten, wie het goed zal doen, wie promotie zal maken of wie goed zal verkopen. En de gegevens van hun personeelsverloop (en alle andere HR-gegevens) verbergen een ongeëvenaarde schat aan materiaal om voorspellingen mee uit te voeren!

Terwijl afdelingshoofden eraan zullen wennen om met voorspellende analyses te werken, zal HR onder druk komen te staan om mee te evolueren en om zakelijke waarde van betekenis te creëren door diepe inzichten in de drijvende krachten achter bv. personeelsverloop (of om het even welk bedrijfsgerelateerd onderwerp) te bieden. De eerste PETA-resultaten bleken ronduit fantastisch: afhankelijk van het project werden inzichten gemeld die 20 tot 50% accurater waren. Beeld je je dit even in in de context van strategische personeelsplanning! Dit zorgt ervoor dat traditionele (beschrijvende) analyse van personeelsverloop of voorspellingen voorgoed een inferieur ‘product’ worden. Waarom?

1. 3-dimensionale analyse

In de plaats van het personeelsverloop van de voorbije maand/kwartaal/jaar per afdeling, talentgroep (vb. mensen met veel potentieel) of zakelijke eenheid te rapporteren (wat we een ééndimensionale beeld noemen), bekijkt PETA het personeelsverloop door een driedimensionale bril.

  • 1e dimensie: historische patronen -> hoe evolueerden de personeelsverlooppatronen de voorbije jaren?
  • 2e dimensie: veranderingen in deze historische patronen -> hoe evolueerden deze patronen de voorbije jaren?
  • 3e dimensie: relaties in de gegevens -> welke nieuwe/bestaande relaties zijn er tussen de elementen personeelsverloop en personeel?

Standaard ééndimensionale rapporten geven je een beeld van wat er ‘gisteren’ gebeurde, wat eigenlijk weinig meerwaarde biedt in een snel evoluerende context. Bovendien zijn de rapporten of de HRIS-systemen niet in staat om patronen en de relaties in deze patronen te herkennen. Door het gebruik van preventieve algoritmes kunnen dergelijke driedimensionale inzichten echter leiden tot een significante verbetering bij het bestuderen van personeelsverloop en de inzichtelijke resultaten van de traditionele, beschrijvende benadering met 20 tot 50% verbeteren.

2. Voorspellende software gebruiken om grote reeksen historische gegevens te bestuderen

De meeste HR professionals gaan niet verder dan ‘voorbije maand, kwartaal of jaar’ om het personeelsverloop te bestuderen. Ze maken gebruik van gemiddelden en grote verzamelingen in de plaats van dieper te graven in de historische en individuele patronen van personeelsverloop. ”De waarde van analytisch onderzoek is toe te schrijven aan het identificeren van een groep mensen die – samen – de neiging hebben om zich op een bepaalde wijze te gedragen”, aldus Eric Siegel in zijn boek ‘Predictive Analytics’ (1). Dit identificatieproces, dat de kenmerken van elke werknemer afzonderlijk over een bepaalde periode (over het algemeen een paar jaar) bestudeert, is niet mogelijk zonder het gebruik van voorspellende software. Het is tijd dat we de realiteit onder ogen zien: afdelingshoofden willen echt weten welke problemen of kansen zich de komende week of maanden zullen aanbieden, zodat ze eraan kunnen werken om dit te voorkomen. Op dat vlak kan PETA een enorme meerwaarde bieden.

3. Voorspellen van het toekomstige risico op personeelsverloop

Een van de moeilijkste zaken in het bedrijfsleven is voorspellingen maken voor grote organisatorische risico’s. Jammer genoeg missen de meeste HR-afdelingen gewoon enige expertise op het vlak van risicoberekening. Het inschatten van problemen met een grote impact, zoals belangrijk personeelsverloop, arbeidsongevallen of absenteïsme kan enorme voordelen hebben bij het gebruik van voorspellende analyse in vergelijking met het gebruik van historische rapporten. Zoals je in de onderstaande tabel kan zien, berekent PETA de risicoscores voor elk individu en groepeert het deze in groepen met een hoog risico, zoals leeftijdsgroepen, groepen met veel potentieel, salarisgroepen, etc. Bijna altijd bestaan de HR-cijfers over personeelsverloop uit één enkel cijfer (d.w.z. het personeelsverloop in afdeling X bedroeg 6%). Maar dat cijfer geeft je geen idee waar je staat wat betreft de toekomstige risico’s inzake personeelsverloop. Op basis van de PETA-voorspellingen zullen organisaties echter in staat zijn om specifieke campagnes te starten om het personeel bij het bedrijf te houden.

4. Asymmetrische groepen

In de plaats van de gebruikelijke, rapporteergroepen zoals afdeling, divisie of zakelijke eenheid, vormt PETA wat we asymmetrische groepen noemen op basis van de risicoprofielen van deze automatisch gegenereerde groepen. Dit kan een groep op basis van het geslacht zijn, op basis van het loon (binnen een bepaalde niet-bedrijfsgebonden loonvork), een groep met een bepaalde contractduur, een groep van bepaalde prestaties, etc. Dit creëert opnieuw een enorm voordeel tegenover de gebruikelijke aanpak met HRIS of rapporteersoftware. Het combineert zowel het risicomanagement (zie punt 3) als het vormen van groepen/klassementen van specifieke doelgroepen (vaak zonder onderling verband) voor campagnes om het personeel te houden. Een dergelijke oefening om groepen te vormen, biedt ook enorme meerwaarde om het personeelsverloop van essentiële talentengroepen in de context van strategische personeelsplanning te beoordelen.

Flight risk scoring table

5. Wat-als…-scenario’s

Tenslotte geven geavanceerde analytische processen zoals PETA besluitvormers de kans om modellen te ontwikkelen die het mogelijk maken om verschillende alternatieven te proberen en om te variëren met de beperkingen en de veronderstellingen om te zien welke impact dit zou hebben op de resultaten. Nu de veranderingen elkaar steeds sneller opvolgen, zijn er meer onverwachte gebeurtenissen dan ooit. Gebeurtenissen die vaak op zakelijk vlak erg complex zijn en veel risico inhouden. Deze beslissingen vergen een snelle en accurate menselijke beoordeling – die vereenvoudigd worden door scenariomodellen op basis van voorspellende analyse. De mogelijkheid om modellen uit te werken in HR zal eerstelijnsbesluitvormers en executives de kans geven om beslissingen te nemen indien dat voor het bedrijf nodig is. Geen eenvoudige opdracht voor HR…

Besluit

HR managers die louter het vervelende taakje ‘analyse van het personeelsverloop’ achter de rug willen hebben, zullen hun gedrag niet onmiddellijk wijzigen. Dus nog even een persoonlijke voorspelling erbovenop: een aantal HR managers zal niet op de voorspellende wagon willen springen, maar hun aantal zal de komende 3 tot 5 jaar ongetwijfeld sterk dalen! PA is een ontwrichtende innovatie in HR en het zal HR dwingen om zichzelf opnieuw uit te vinden: ga ik met de machine aan de slag of weiger ik dit?HR, je identiteit staat op het spel! Stel het niet langer uit!

(Luk Smeyers)

Reactions (2)
  • Geert Willems says:

    We hebben gemerkt dat tijdens een analyse van kennismaturiteit doorheen de organisatie er een grote correlatie is tussen verschillen in attitude tussen kennis delen en de intentie van het nemen van ontslag. Dit was een onvoorziene bijkomend resultaat uit de analyse van de enquête gegevens. In de laatste gevallen hebben we op ontslagen kunnen anticiperen – hetzij door de kennis op voorhand te delen, hetzij door samen met de betrokken persoon een goede oplossing te zoeken.

  • Barry Pietersen says:

    Interessant stukje inderdaad over “echte” analytics. Het valt me op dat men steeds vaker niet de juiste definitie van analytics hanteert.

    Overigens denk ik dat wat betreft personeelsverloop men nog vaak te weinig weet. Enkel het uitstroompercentage is vaak bekend, laat staan hoeveel medewerkers “ongewenst” de organisatie verlaten.

Post a reaction

Your email address will not be published. Required fields are marked *

* Comments are welcome in English, French or Dutch. Only reactions by authors who have stated their full name and e-mail address will be published. No mention of e-mail addresses will be made on the website. We only require them to enable us to contact the writer of the reaction should this prove necessary. HRMblogs.com reserves the right to delete reactions that are not in conformity with the general conditions and code of behaviour of this website.

recent reactions
 
poll

    Should an employer facilitate the practice of the Ramadan at the workplace?

    View Results

    Loading ... Loading ...

 
 
categories
 
archive
 
Disclaimer

Everything posted on this website/blog is the personal opinion of the individual contributor and does not necessarily reflect the view of BizInfo/HRMblogs or its clients, nor the author respective employer or clients.