Как построить предиктивную HR-аналитику

В предыдущей статье мы разбирали, что такое предиктивная HR-аналитика, зачем она нужна и в каких сферах HR применима. Теперь мы хотим перейти непосредственно к процессу построения прогнозов.

Разберем, какие шаги нужно пройти компании, чтобы построить предиктивную HR-аналитику.

1. Постановка цели и задач

На старте любого аналитического проекта необходимо определить то, какие цели преследуются. Если речь идёт об HR, то целью прогнозирования должно стать выявление закономерностей и трендов, влияющих на эффективность бизнеса, в разрезе сотрудников компании. Получение прогноза руководством компании должно привести к ряду управленческих решений, которые непосредственно влияют на бизнес-показатели.

2. Подготовка гипотез

Предиктивная аналитика на начальных этапах полагается на ряд предварительно составленных предположений (гипотез) о влиянии одних факторов на другие, определённых взаимосвязей и ожидаемого эффекта от такого рода аналитики. В процессе работы какие-то гипотезы подтверждаются, а какие-то опровергаются, а сама прогнозная модель корректируется и обогащается новыми источниками данных.

3. Аудит источников данных

На данном этапе необходимо выбрать источники данных, которые будут использоваться при построении модели прогнозирования. В процессе проекта, какие-то источники могут добавляться, а какие-то могут потерять актуальность или оказаться недостаточными.

Если речь идёт о прогнозировании в HR, то стоит определить внутрикорпоративные источники данных о сотрудниках (из которых можно взять данные по загруженности, трудовой дисциплине, выполнению KPI, прохождению обучений и т.д.)  и ряд внешних источников данных. Например, площадки по поиску работы, данные исследований и опросов, рейтинги зарплат и т.д.

Кроме того, можно учесть дополнительные данные о продуктивности сотрудников исходя из рабочих календарей, встроенных в почтовые сервисы (время, проведенное на собраниях, совместная работа, непосредственная работа в почте и т.д.). Также можно проанализировать поведение сотрудников в интернете на предмет посещения определенных сайтов или использования социальных сетей, мессенджеров в личных целях.

Иногда источники данных могут быть не очевидными, например, на продуктивность может влиять атмосферное давление и другие погодные условия, время дня или, наоборот, очевидная информация о количестве дней неиспользованного отпуска.

4. Подготовка данных

Любой аналитический проект базируется на данных и от качества данных зависит успех проекта. Очень часто данные бывают неполными, ошибочными и могут вносится хаотично, а не регулярно, поэтому команде, которая работает над проектом по аналитике необходимо преобразовывать, очищать и дополнять данные до нужного вида.

Основные требованиями к данным в аналитическом проекте – достоверность, корректность, полнота, единый формат, сопоставимость, возможность получения регулярных обновлений и доступность.

Чем больше объем накопленных данных, тем точнее прогноз на выходе. Как мы говорили в предыдущей статье – мы обычно начинаем проект накопив данные за 6 месяцев, а точность порядка 98% мы можем предоставить только после 12 месяцев сбора данных. Если в компании есть достаточное количество исторических данных, то процесс можно ускорить.

5. Аналитика данных

Сейчас на рынке существует ряд технологий, которые помогают аналитикам создавать и тестировать различные гипотезы, например, Phyton, R, SPSS, Power BI и т.д.

Так специалисты могут использовать в своей работе различные системы для создания предиктивных моделей и оценки данных.

6. Создание модели данных

Любая созданная модель данных проходит этап тестирования и визуализации, а также проверку на соответствие целям проекта. На данном этапе используются технологии машинного обучения и искусственного интеллекта, которые позволяют предоставить прогноз. В процессе эксплуатации решения модель предиктивной аналитики обучается, что приводит к более точным прогнозам. 

7. Принятие управленческих решений на основе прогноза

Целью проекта по предиктивной HR-аналитике является повышение эффективности бизнеса, но сами по себе прогнозы никак не влияют на бизнес. Чтобы бизнес менялся нужны своевременные и обоснованные управленческие решения, которые как раз и опираются на прогноз. Поэтому речь идёт о создании новых бизнес-процессов в компании, использующих данные предиктивной аналитики.

Приведем в пример компанию, которая изменила свои бизнес-процессы. Благодаря прогнозированию ей удалось выставлять правильные KPI и наполнять склад, чтобы удовлетворить спрос. Выполнение плана в свою очередь позитивно отразилось на мотивации персонала.

«Благодаря прогнозированию менеджерам выставляется обоснованный план продаж и появляется мотивационный стимул выполнять его, потому что впоследствии будет необходимо объяснить, почему именно в этом магазине не удалось выполнить точно спрогнозированный план.  После выяснения причин своевременно вносятся коррективы для тех менеджеров, кто отстал от плана», - сказал владелец сети «Бочонок» Банкевич Юрий.

Подробнее о возможностях предиктивной аналитики вы можете ознакомиться на данной странице или получить консультацию, оставив заявку на нашем сайте.