HR-analytics: wat zeggen de cijfers?

Emoties, vermoedens en willekeur, ook it-managers laten de onderbuik spreken bij het beoordelen en opleiden van talent. Onverstandig en onnodig, vinden de specialisten. Softwarematig doorspitten van bedrijfsdata zorgt ervoor dat talenten met toegevoegde waarde worden herkend, beslissingen over personeel met cijfers worden onderbouwd en de benodigde competenties in de toekomst worden voorspeld. ‘Met HR-analytics laten we minder aan het toeval over.’

Elk jaar worden er In het internationale topvoetbal vele miljoenen euro’s over de balk gesmeten door de aankoop van ‘talent’ dat niet uit de verf komt. ‘Fantastische’ voetballers hebben in de praktijk nauwelijks rendement, zien hun medespelers niet staan, zijn constant geblesseerd, scoren nooit, grossieren in rode kaarten of liggen met elke trainer overhoop. De redenen waarom spelers niet renderen zijn divers. Ze passen niet bij de clubcultuur, hebben specifieke kwaliteiten die niet worden benut, zijn gekocht op basis van verkeerde aannames of valse sentimenten of sporen gewoon niet.

Miskoop voorkomen

Meer dan eens kan een miskoop voorkomen worden door ook de cijfers te laten meewegen. En niet alleen in het voetbal. Manager Billy Beane van de Amerikaanse honkbalclub Oakland Athletics wist zo’n tien jaar geleden met beperkte middelen topteams te formeren door spelers in te kopen op basis van statistieken. Met ‘middelmatige’ (lees: ondergewaardeerde) spelers werd Oakland Athletics vier keer achter elkaar kampioen en Beane’s zogenaamde Moneyball-systematiek ging als exportproduct de wereld over. Voetbalclubs als Brentford FC en AZ maken er sindsdien gebruik van.

‘Moneyball is een perfect voorbeeld van hr-analytics’, zegt Toine Al, auteur van het boek ‘HR-analytics: Waarde creëren met datagedreven HR-beleid’, dat afgelopen voorjaar uitkwam. Al en medeauteur Irma Doze schreven het boek omdat ze wilden onderzoeken of hr-analytics personeelsbeleid beter maakt en talent in bedrijven beter uit de verf doet komen. Zijn conclusie? ‘Daar ben ik van overtuigd. Ook in bedrijven worden veel beslissingen genomen op basis van aannames en de waan van de dag. Hr-analytics analyseert de relevante feiten en dat is een enorme stap vooruit. Je haalt het potentieel beter uit mensen en dat is voor iedere organisatie belangrijk.’

Aan lot overgelaten

Er is nooit gebrek aan talent. Mensen zijn creatief, inventief en kunnen oplossingen bedenken voor de meest krankzinnige problemen. Maar komt dit talent er ook uit op de werkvloer? Het lijkt erop van niet. Althans, lang niet voldoende. Volgens onderzoek van Gallup onder 1,7 miljoen medewerkers bij 101 (grote) organisaties in 63 landen heeft slechts 20 procent het idee dat zij dagelijks gebruik maken van hun sterke punten. Voor iedereen die talent een warm hart toedraagt, zijn dit schokkende cijfers. Bedrijven besteden veel tijd, energie en geld aan het binnenhalen van getalenteerde mensen die, zodra ze eenmaal binnen zijn, aan hun lot worden overgelaten.

Waarom zijn bedrijven zo contraproductief als het gaat om talent? Toine Al heeft daar wel een idee over: ‘Vooroordelen spelen een rol. Ook de bedrijfscultuur werkt vaak niet mee. De communicatie laat te wensen over, beslissingen worden niet begrepen en niet goed uitgelegd, de begeleiding is slecht, mensen worden niet op de juiste manier beoordeeld, et cetera.’

Niet gestelde businessvragen

Het zijn allemaal verklaringen voor het feit dat talent niet kan opbloeien. De onderbuik regeert, de waan van de dag is koning. Daardoor worden de noodzakelijke analyses vaak niet gemaakt. Dat begint al met het niet stellen van de juiste businessvragen. Toine Al noemt de vier belangrijkste: ‘Wat zijn de bedrijfsdoelstellingen? Welke competenties zijn nu en op termijn nodig om die doelstellingen te halen? Wat heeft het bedrijf aan competenties in huis? En hoe wordt het tekort gecompenseerd? Wat dat laatste betreft gaat het, naast werven van talent, vooral over intern opleiden van talent.’

Maar het gaat verder. Managers zouden al hun kengetallen voor strategisch beleid paraat moeten hebben. Te denken valt aan verloopcijfers, verzuimcijfers, cijfers over interne mobiliteit, klanttevredenheid, medewerkertevredenheid, teamprestaties en innovatief vermogen. Een gegevensanalyse zegt veel over het (benutten van) beschikbare potentieel en of de medewerkers het gedrag vertonen dat correleert met tevreden klanten, goede producten of betrouwbare diensten.

Hr-analytics bij Sogeti

De feiten als leidraad gebruiken… het levert volgens velen betere resultaten op. Bij it-dienstverlener Sogeti is men drie jaar geleden begonnen met hr-analytics op het vlak van talentontwikkeling. ‘We zitten nog in de beginfase’, laat hr-directeur Jack ter Haar desgevraagd weten. ‘Op het gebied van salarisgegevens doen we dit al heel lang. Nu gaan we een stap verder. Ter ondersteuning van ons employablility management zijn we aan de slag gegaan met methodisch ontsluiten van gegevens over persoonlijke ontwikkeling, doorstroming en bewegingen in de organisatie.’

Door modelmatig door bedrijfsdata heen te gaan, kan Ter Haar de zachte kant van zijn personeelsbeleid meten, kwantificeren en in de tijd achter elkaar zetten. Op de statistieken die hieruit rollen, worden afdelingsmanagers aangesproken, bijvoorbeeld als ze een significant hoger verzuim hebben dan andere afdelingen. Ter Haar: ‘Zo maken we allerlei prognoses, bijvoorbeeld van het verloop. We herleiden hoeveel mensen we zelf moeten opleiden en hoeveel we er moeten werven. We kunnen zien hoeveel van de young professionals die we hebben binnengehaald, na drie jaar weer vertrokken zijn. We zien ook het percentage high potentials dat binnen een paar jaar zal vertrekken vanwege te weinig uitdagingen.’

Beslismodellen

Ter Haar ontwikkelt ook beslismodellen om te voorspellen hoe een ‘promotiecarrousel’ gaat lopen bij interne doorstroming. Stel: iemand maakt promotie. Hoe wordt de functie opgevuld? Wie worden verder geraakt door die functiewisseling? Waar kunnen zij terecht? Van tevoren (en niet achteraf) wordt de opvolging gepland en worden kandidaten geïdentificeerd. Ter Haar: ‘We doen nu veel meer planmatig, laten minder aan het toeval over. Daardoor zien we steeds duidelijker de patronen in loopbaanpaden. Een loopbaan lijkt grillig en individueel bepaald, maar door de grote aantallen kom je steeds dezelfde patronen tegen. Dat alles ontdekken we met hr-analytics.’

Verder maakt Ter Haar gebruik van datamining en analyse-tooling. ‘We hebben een applicatie waar veel info over medewerkers in staat. Wat kunnen ze? Wat hebben ze gedaan? Wat kosten ze? Wat leveren ze op? Welke opleidingen hebben ze gevolgd? Willen ze een dure opleiding gaan doen? Wat dat laatste betreft: we hebben gemerkt dat leidinggevenden nogal eens op basis van persoonlijke voorkeuren beslissen. Zo van: ‘Hij mag die opleiding niet volgen want hij is niet betrokken en hij gaat nooit naar bedrijfsbijeenkomsten.’ Voor zulke beslissingen willen wij tegenwoordig de cijfermatige onderbouwing. Misschien tonen de cijfers wel aan dat diezelfde persoon tevreden klanten heeft en een hoge productiviteit.’

Digitale footprint

Managers van it-bedrijven hebben een schat aan informatie ter beschikking over kennis en gedrag van personeel. Denk aan cv’s, referrals, profielen van detacheerders, online assesments, mailbestanden, blogs, resultaten uit serious games, juryrapporten over gewonnen prijzen, reviews, klanttevredenheidsonderzoeken, beoordelingen van trainingen en de hele digitale footprint rond persoonlijke interesses en voorkeuren op social media. Er zijn beslist ook leidinggevenden te vinden die reuze benieuwd zijn naar gegevens over iemands hypotheek, gokverslaving of gebruik van anti-depressiva, maar over privacy is al veel geschreven, dat issue laten we in dit artikel buiten beschouwing.

Technologie is niet meer de beperkende factor om waardevolle inzichten uit beschikbare data te halen, stelt big data-specialist Ewout van Opstal van HP. Allerlei slimme, gebruiksvriendelijke programma’s, waar ‘gewone’ lijnmanagers de dialoog mee aan kunnen gaan, zijn royaal beschikbaar op de markt. Programma’s die met behulp van de juiste algoritmes classificeren, opschonen en relevante personeelsgegevens naar boven halen. Volgens Van Opstal is het niet meer de vraag ‘of’ maar ‘hoe’ bedrijven de mogelijkheden gaan benutten voor hr en andere zaken. Van Opstal: ‘Het kan gaan over de perfecte kandidaat vinden, verhogen van de gemiddelde omzet per medewerker, reduceren van het ziekteverzuim, beter inzetten van talent op de werkvloer of wat dan ook. Als bedrijven geen data analyseren, doet de concurrent het wel. Bedrijven kunnen het zich niet meer veroorloven geen gebruik te maken van alle data om nieuwe inzichten te ontdekken.’

Traditioneel bi-achtig

Van Opstal ziet weliswaar groeiend bewustzijn bij bedrijven maar nog weinig concrete actie. Veel organisaties zitten wat hr-analytics betreft nog in ‘traditionele bi-achtige werelden’. Van Opstal: ‘Ofwel: in de speeltuin. Ze zoeken antwoorden op vragen. Wat is de gemiddelde leeftijd van mijn personeel? Hoe productief zijn mijn medewerkers? Hoe hoog is het verloop? Met alle respect, maar dat is nog steeds als de automobilist die in zijn achteruitkijkspiegel kijkt. Durf vooruit te kijken met voorspellende analyses. Welke scenario’s voltrekken zich als het bedrijf bepaalde acties onderneemt? Welke mensen gaan er precies vertrekken?’

Het leuke van data-analyse is dat er ook patronen boven water komen waar niemand naar op zoek was maar die wel relevant zijn, volgens Van Opstal. ‘Een voorbeeld? Misschien komt toevallig uit een mailing naar voren dat mannen die roken en ouder zijn dan 36 significant vaker reageren. Nou, daar kun je iets mee.’

Data 100 procent ontsluiten

De focus moet volgens Van Opstal liggen op ‘100 procent ontsluiten van data’. Van crm en financiële data uit traditionele bi-databases, tot sensordata uit IoT (internet of things) en ongestructureerde data uit menselijk handelen. De berg aan nieuwe inzichten die dit oplevert, zal menig leidinggevende doen lachen in zijn vuistje. We trekken nogmaals de analogie met profvoetbal. Van Opstal: ‘Wat ons betreft is de Moneyball-systematiek een geweldig voorbeeld van met big data-recruitment significant verbeteren. Je komt op inzichten die je voorheen niet zag en waar je ook niet naar op zoek was, maar die wel patronen laten zien waar je iets mee kunt, spelers die je wilt contracteren of talentvolle medewerkers die je de kans wilt geven zich verder te ontwikkelen.’

Of juist niet. Immers, de analyses zijn niet alleen onthullend maar ook genadeloos. Door de mand vallen is een serieuze optie. Data-analist Tijs Rokers dook in de cijfers van alle eredivisiespelers in het seizoen 2014/2015 en stelde op basis van de statistieken een Moneyball-team samen. Er was geen plek voor bekende spelers als Kenneth Vermeer, Michiel Kramer en Memphis Depay. Wel was er een plekje voor spelers als Wesley Hoedt, Mattias Johansson en Jurgen Mattheij. Die laatste bleek een kei in de tegenstander buitenspel zetten. Ook daar win je wedstrijden mee.

Dit artikel is eerder verschenen in Computable Magazine, jaargang 49, nummer 1, januari 2016.