HR Transformation Blog

HR Transformation Blog

Meningen op deze blog weerspiegelen de opvattingen van de schrijver en niet per definitie die van de Capgemini Group

Wat de Tweede Kamer verkiezingen en Performance Management gemeen hebben

Category : Digital HR

Natuurlijk heb jij drie weken geleden ook gestemd bij de Tweede Kamer verkiezingen. Maar hoe heb jij je keuze gemaakt? Stem je op basis van je onderbuikgevoel, wie er bij jou past of heb jij daadwerkelijk acties en keuzes bestudeerd van de partij en persoon waar jij op hebt stemt? Zelf maak ik graag goed onderbouwde keuzes op basis van feiten, maar als stemmer weet ik dat deze feiten toch lastig te vinden zijn. Als er al wat data beschikbaar is, is dit vaak niet overzichtelijk en compleet genoeg om een keuze op te baseren. Op welke politieke partij te stemmen is één van de vele voorbeelden van een keuze die je met de juiste data beter onderbouwd kan maken.

Data & analytics bij Performance management 
Je kan data eigenlijk voor bijna alle onderwerpen verzamelen en analyseren om beter onderbouwde keuzes te maken. In dit blog zal ik dieper ingaan op hoe data & analytics gebruikt kan worden binnen Performance management. Wat mij betreft kan je dit niet los zien van data & analytics en ik begrijp niet hoe organisaties denken dat zij hun Performance management processen betrouwbaar, eerlijk en transparant hebben ingericht zonder dat ze gebruik maken van data. Neem nou bijvoorbeeld het beoordelen van je medewerker. Iedere manager doet zit op zijn eigen manier. Niet alle managers gebruiken feiten om tot hun beoordeling te komen. Als een organisatie de juiste data beschikbaar stelt en deze analyseert kunnen medewerkers veel objectiever en eerlijker beoordeeld worden. Voor het beoordelen van medewerkers kunnen naast gegevens over het aantal gewerkte uren, geboekte winst, gepleegde telefoontjes ook zaken als aanwezigheid bij trainingen en bedrijfsuitjes, tevreden klanten, reactietijd op e-mail, projecten en het succes ervan etc. meegenomen worden. Toch zijn er legio voorbeelden van organisaties die maar minimaal gebruik maken van data bij hun Performance management. Welke data te gebruiken voor het beoordelen van medewerkers kan per organisatie verschillen afhankelijk van bijvoorbeeld de sector. Welke data en hoe deze data te gebruiken is nog voor veel organisaties iets waar ze geen antwoord op hebben, laat staan dat zij dit ingericht hebben.

Niveaus van volwassenheid
Er zijn verschillende modellen die de niveaus van volwassenheid van organisaties op het gebeid van data & analytics weten te omschrijven. De meest gebruikte zijn de volgende drie, onder andere beschreven in Harvard Business Review van december 2013:

  1. Descriptive analytics (beschrijvend)
  2. Predictive analytics (voorspellend)
  3. Prescriptive analytics (voorschrijvend)

Descriptive analytics (beschrijvend)
Denk hierbij aan data zoals: hoeveel medewerkers scoren een bepaalde beoordeling, hoeveel medewerkers zijn er in een bepaalde periode uit dienst gegaan, hoeveel medewerkers volgen een bepaalde training, wat is het gemiddelde aantal dienstjaren, etcetc. Deze data kan gebruikt worden in managementrapportages en wordt nog interessanter als het gekoppeld is. Echter, de basisdata op orde hebben is voor veel organisaties al een hele kluif.

Predictive analytics (voorspellend)
Zodra je de beschrijvende data gaat koppelen en statistische programma’s en technieken gaat gebruiken, begint het analyseren eigenlijk pas. Door het gebruik van een tool en de juiste data kan je voorspellingen gaan doen. Hiermee wordt ook de toegevoegde waarde voor een organisatie vergroot. Voorbeeld mbt Performance management: Wie is waarschijnlijk om een high-performer te worden volgend jaar? Een constatering kan zijn dat significant meer medewerkers die een bepaalde training gedaan hebben als high-performer worden bestempeld het jaar erna. Dan kan je op basis van de gedane trainingen voorspellen wie er waarschijnlijk volgend jaar als high-performer bestempeld kan worden. Dit klinkt als een logische relatie, maar juist doordat je verschillende cijfers met elkaar gaat vergelijken zal je zien dat er ook relaties te vinden zijn tussen minder voor de hand liggende onderwerpen. Zo zal er vast een relatie bestaan tussen performance van medewerkers en onderwerpen als: ziekteverzuim, team, leidinggevende, reisafstand, jaren in dienst, studie, lengte, beweging, politieke voorkeur etcetc. Sommige van deze data zal een organisatie al in huis hebben, andere niet. Een volgende interessante vraag vind ik hoe ver een organisatie kan en mag gaan om data van medewerkers op te slaan. Een creatief voorbeeld is een organisatie die zijn medewerkers een stappenteller gaf op de voorwaarde dat de data doorgegeven werd. Op deze manier maakte ze de link tussen het aantal stappen dat een medewerker zet en zijn performance.

Prescriptive analytics (voorschrijvend) – HR als strategisch business partner
Een volgend niveau is als je de data en de relaties gebruikt om strategie en acties te bepalen. Hierbij wordt er advies gegeven waarbij gekwantificeerd wordt wat het effect zal zijn van de te nemen beslissing. Dit hoeft zich niet enkel te beperken tot het HR-veld. Een goede samenwerking met andere organisatie onderdelen zoals finance is een belangrijke randvoorwaarde voor het gebruik van prescriptive analytics. Er kan zelfs nog voor gekozen worden om data te combineren met data van andere organisaties bijvoorbeeld in de markt. Als de juiste data aanwezig is en ook het analyseren ervan voldoende gefaciliteerd wordt (door bv een tool en de juiste kennis) kan het interessant worden. HR kan haar rol als strategisch business partner pakken en het management voorzien van adviezen gebaseerd op data. Het aannemen van mensen met een bepaalde achtergrond, het aanbieden van 1 dag extra training per jaar of het hanteren van bepaalde KPI’s, de business luistert vaak pas echt als je met harde cijfers kan aantonen wat de toegevoegde waarde is. Reken dit door en kwantificeer bijvoorbeeld wat het doet met het verzuim of uitval en uiteindelijk misschien zelfs de winst van een organisatie. Met deze cijfers is de keuze makkelijk(er) gemaakt.

In de praktijk
Helaas is niet iedere organisatie zomaar in staat om data & analytics in te richten en zijn er diverse randvoorwaarden. Als consultant zie je dat organisaties verschillend omgaan met hun data. Als een organisatie niet of weinig gebruik maakt van data & analytics, dan wordt dit vaak veroorzaakt door:

  • Organisaties weten niet wat het belang kan zijn van het gebruik van data & analytics,
  • Organisaties hebben de data gewoonweg niet,
  • Organisaties hebben geen systeem om de data mee te analyseren,
  • Organisaties hebben geen medewerkers met de juiste kennis om de data te analyseren.

Werk aan de winkel dus, maar de eerste stap is het inzien van de toegevoegde waarde van het gebruik van data & analytics en nagaan of jouw organisatie achterloopt. Zie jij de toegevoegde waarde of neem jij al je belangrijke beslissingen op onderbuikgevoel?

About the author

Ymke Huisman
Ymke Huisman
Ymke is Senior Consultant bij Capgemini Consulting op het gebied van Digital HR Transformaties. Ze heeft ervaring in Global HR Transformaties zowel op het gebied van Project management als in het service delivery team. Ymke heeft een achtergrond in Human Resource Management en is geïnteresseerd in organisational change, training en digital HR.

Leave a comment

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