Ostatnio brałem udział w spotkaniu dla specjalistów HR dot. wykorzystania sztucznej inteligencji (AI) w procesach HR. Na początek powiem, że temat jest bardzo trendy, a AI w HR brzmi trochę, jak poszukiwanie „świętego Grala” lub obietnicy wiecznego życia. Każdy profesjonalista pracujący w HR zetknął się już z historiami jak to jedna cecha (wymiar osobowości, kierunek studiów, ilość znanych języków obcych itd.) pozwoliła przewidywać sukces pracownika, a tym samym pomogła firmie XYZ zaoszczędzić wiele milionów. Regularnie czytamy o „algorytmach sukcesu” takich firm jak Facebook, Google czy Amazon. Bardzo często będąc na fali tego typu historii, firmy podejmują mniej lub bardziej przemyślane działania, by zbierać i analizować dane. Znam przypadek dużej firmy, która wydała miliony na wdrożenie nowego systemu kadrowego, który miał usprawnić pracę (zredukować koszty niezbędne do obsługi), a także scentralizować najważniejsze dane o pracownikach z kilku systemów. System miał wprowadzić firmę w XXI wiek. Dwa lata po wdrożeniu systemu, pracownicy HR nie tylko nadal nie znali możliwości systemu i nie wiedzieli, jakie dane mogliby potencjalnie otrzymywać. W dalszym ciągu nie dysponowali również rzetelnymi raportami na temat podstawowych metryk takich jak np. staż pracownika w firmie. Co więcej osoby projektujące system skrzętnie ukryły numer identyfikacyjny pracownika, który był punktem łączącym dane zapisane w różnych modułach, co spowodowało, że wiele analiz trzeba było realizować, jak dawniej, „na excelu”…
Jestem pewien, że takich historii na polskim rynku krąży znacznie więcej. Firmy informatyczne kuszą klientów systemami o coraz bardziej wyrafinowanych funkcjonalnościach, pogłębiając tym samym przepaść między piękną wizją, a okrutną rzeczywistością. Żeby nie być w 100% pesymistycznym, chciałbym podkreślić, że wierzę, że każda firma może dojść do etapu rozwoju, kiedy będzie mogła szukać swojego „świętego Grala” skuteczności i wykorzystywać sztuczną inteligencję do złożonych analiz i statystyk predykcyjnych, w tym moim ulubionym obszarze HR. Z budowaniem kultury analizy danych jest podobnie jak z bieganiem: osoba z nadwagą bez treningu i przegotowania, raczej nie pokona maratonu, a wzięcie w nim udziału zbyt wcześnie może nieść za sobą tragiczne skutki. Jak przygotować zatem organizację, do pełnego wykorzystania danych?
Etap 0. Przygotowywanie gruntu
Na etapie zerowym firmy nie przykładają żadnej wagi do danych. Nie zbierają danych w żaden usystematyzowany sposób. Każdy z pracowników firmy, a nawet działu zbiera dane, jak chce i kiedy chce. Kiedy poprosi się pracownika o przesłanie listy 20 pracowników, otrzyma się listę pisanych ręcznie z błędami, niepełną listę nazwisk lub zdjęcie takiej listy, które będzie trzeba przepisać ręcznie. Jakiekolwiek analizy realizowane są ad hoc dużym wysiłkiem wielu osób, z dużym marginesem błędu. W jednej firmie estymacje budżetowe dużego projektu realizowane były na karteczkach post-it i kalkulatorze, a w innej lista 2000 pracowników była drukowana na wielkich płachtach, bo osoby zarządzające nie obsługiwały komputera. Decyzje podejmowane są często na bazie przeczucia lub intuicji, w każdym obszarze inaczej w zależności od kompetencji menedżera. Przy niewielkiej skali firmy taki model pracy na danych może się sprawdzać całkiem nieźle, jednak wraz ze wzrostem działalności będzie to obszar, który warto poukładać.
Zadanie: wprowadzaj standardy danych. Jeden format danych, wspólne bazy, a przede wszystkim edukuj, edukuj, edukuj i to nie tylko działy analityczne, ale wszystkich pracowników firmy.
Miernik sukcesu: kiedy poprosisz o listę 100 pracowników otrzymasz ją zawsze w tym samym formacie. Wszyscy pracownicy firmy znają podstawy Excela i rozumieją konieczność standaryzacji danych.
Kluczowe przekonanie: warto poświecić czas na zbieranie danych.
Etap 1.Zasiewanie
Na etapie 1 wszyscy pracownicy powinni rozumieć powagę sytuacji, rozumieć, że niepełnie, zduplikowane, błędne dane prowadzą do złych decyzji menedżerskich, a w konsekwencji odbijają się na wynikach firmy. To etap, kiedy w ramach wspólnej dyskusji wewnątrz poszczególnych departamentów i zespołów wypracowujemy standardy wprowadzania, przechowywania i aktualizacji danych. Dane zaczynamy zbierać, a pojedynczy specjaliści czasem zaczynają na własną rękę i w sposób nieskoordynowany przeprowadzać pierwsze analizy opisowe, czym często zachwycają współpracowników. Pojawiają się „właściciele danych”, czyli obszary merytoryczne dbające o jakość danych w danym obszarze. Niektóre osoby w firmie zaczynają zgłaszać potrzebę poszukania odpowiednich informacji przed podjęciem decyzji. Jest to też etap tzw. „czyszczenia i uzupełniania danych”. Stara zasada dot. przetwarzania informacji mówi „garbage in - garbage out”. Błędne dane na stracie dadzą złe wyniki na końcu.
Zadanie: konsekwentnie buduj standardy. Zakładaj bazy, oczyszczaj dane, które są już dostępne. Angażuj ludzi z różnych departamentów do definiowania zmiennych i terminów. Kim jest „przełożony”? Co to jest „OTIF”? Jak mierzymy rotację? Jak podchodzimy do „churn”?
Miernik sukcesu: kiedy poprosisz o dane wskaźniki historyczne, będziesz w stanie je dostać w zawsze w podobnym formacie, wraz z informacją o uniwersalnym źródle, z którego pochodzą.
Kluczowe przekonanie: dane warto zbierać w ustrukturyzowany i wystandaryzowany sposób.
Etap 2. Kiełkowanie
Na etapie 2, po miesiącach czyszczenia i zbierania danych, możliwe jest przeprowadzenie pierwszych analiz historycznych i opisowych. Wszyscy w jednakowy sposób rozumieją, co to jest staż pracy, fluktuacja, absencja i uczą się, jak monitorować te wskaźniki w czasie. Co więcej potrafią czytać podstawowe wykresy i przedstawiać dane w sposób jasny i rzetelny. W organizacji coraz częściej zamiast poglądów i opinii pojawia się prośba o dane i fakty. Na tym etapie ważnym elementem jest porządkowanie procesu podejmowania decyzji. Zastanawianie się, jakich danych potrzebujemy, by podjąć najlepszą decyzję.
Zadanie: do zadań z poprzednich dwóch etapów, które muszą być wciąż odświeżane i powtarzane, dochodzi jeszcze jedno, ustalenie opartego na faktach procesu podejmowania decyzji.
Miernik sukcesu: w trakcie spotkań słyszysz pytanie: „czy mamy jakieś dane na ten temat?”.
Kluczowe przekonanie: wystandaryzowane dane warto wykorzystywać w procesie podejmowania decyzji.
Etap 3 Rozwijanie – analiza zmiennych
Na tym etapie jako organizacja zaczynamy obserwować trendy historyczne. Coraz częściej pojawiają się standardy raportów, gdzie obserwujemy zmiany w kluczowych wskaźnikach na przestrzeni czasu. Wskaźniki są na razie prezentowane niezależnie, choć często w rozbiciu na segmenty (np. fluktuacja w różnych grupach wiekowych). Mamy już wypracowane procesy regularnego raportowania, a wypełnienie raportów do zestawień np. GUS-u nie zabiera nam już zbyt wiele czasu.
Zadanie: nauczenie pracowników obserwowania i analizy trendów.
Miernik sukcesu: raporty, zestawiania i prezentacje zawierają informacje o zmianach w czasie.
Kluczowe przekonanie: analizy danych mają największy sens, kiedy obserwujemy ich zmienność w czasie. Pozwala to uchwycić nie tylko stan, ale i proces zmian.
Etap 4 Wzrost – analiza zależności i zdarzeń
Na tym etapie staramy się już nie tylko obserwować zjawiska opisywane statystycznie, ale również stawiać hipotezy i testować ich istotność statystyczną. Innymi słowy dążymy do wyjaśniania zjawisk historycznych. Zaczynamy stawiać sobie pytania: „Na bazie jakich danych, można było przewidzieć spadek sprzedaży? (np. wcześniejszy wzrost absencji chorobowych). Powoli uczymy się też planować eksperymenty (np. grupa Klientów otrzymała stargowane ulotki. Czy nastąpił wzrost sprzedaży?). Na tym etapie zaczynamy korzystać z analizy korelacji lub porównywania grup.
Zadanie: Nauczenie organizacji stawiania pytań o przyczynę i metodycznego szukania przyczyn. Zbudowanie świadomości, że wynik zależy od wielu czynników, które trzeba analizować, by móc podejmować trafne decyzje.
Miernik sukcesu: Pojawiają się propozycje eksperymentów i pilotaży, pozwalających zebrać ustrukturyzowane dane.
Kluczowe przekonanie: Nie wiemy, jaka jest rzeczywistość, więc musimy ją przetestować
Etap 5 Dojrzewanie
Na tym etapie organizacja dojrzewa do budowania modeli, które z pewnym prawdopodobieństw pozwalają przewidywać, co się zadzieje w przyszłości. Na bazie historycznych danych oraz świadomości, w jaki sposób na siebie wpływają, organizacja może budować modele, dzięki którym może przewidzieć wpływ zmiany różnych zmiennych na ostateczny wynik. Np. w jaki sposób wzrost liczby klientów, nieobecności na hali produkcyjnej oraz braki materiałowe odbiją się na stanach magazynowych w dokładnych liczbach. Organizacje budują swoje algorytmy i modele w poszczególnych obszarach od sprzedaży, przez marketing, zakupy, produkcję i inne funkcje wsparcia. Procesy stają się zautomatyzowane.
Zadanie: zbudowanie odpowiednich zasobów w postaci analityków, ale również oprogramowania pozwalającego na odpowiednie analizy.
Miernik sukcesu: świadoma kontrola nad zmiennymi, wykazana w wynikach przedsiębiorstwa
Kluczowe przekonanie: warto poświęcić zaangażowanie czasowe i finansowe, by budować kulturę analizy danych.
Etap 6 Zbiory
Na tym etapie firma gromadzi już ogromne ilości danych i ma doświadczenie w zarządzaniu nimi. Ze względu na wkroczenie w obszar w Big Data, firmy zaczynają szukać optymalizacji procesów analizy danych. To etap, na którym z pomocą wkracza machine learning i sztuczna inteligencja, która sama na bazie zbiorów ogromnych danych uczy się, jakie algorytmy dobrać, by przeanalizować dane i udzielić informacji, a także w automatyczny sposób na bieżąco w oparciu o dane modyfikować dane działanie np. marketingowe, zwiększając maksymalnie przychody. Dobrym przykładem takiego działania jest High Frequency Trading, kiedy to komputery w czasie milisekund podejmują decyzję o nabywaniu i sprzedaży akcji przedsiębiorstw na giełdzie, bez większej ingerencji człowieka.
Zadanie: stworzyć infrastrukturę niezbędną do analizy danych.
Miernik: zautomatyzowane procesy maksymalizujące zyski.
Kluczowe przekonanie: dane stanowią naszą strategiczną przewagę konkurencyjną.
Powyższy model nie jest w żadnym przypadku modelem naukowym, opiera się tylko i wyłącznie na moich obserwacjach różnych firm, rozmowie z pracownikami różnych działów. Wydaje mi się, że takie zdefiniowanie etapów pozwala uświadomić sobie wyzwania i koszty, jakie stoją przed firmą, która chciałaby uczynić ze swoich zasobów atut i wykorzystać je do pozyskiwania strategicznej przewagi konkurencyjnej. Chciałbym podkreślić fakt, że budowanie kultury opartej o analizę danych musi odbywać się równomiernie w całej organizacji. W końcu „łańcuch jest tak mocny jak jego najsłabsze ogniwo…”. W przeciwnym wypadku, braki kompetencji w jednym z obszarów doprowadzi prędzej czy później do powstawania wąskich gardeł. Trzeba również pamiętać, że jest to proces długotrwały i powinien być wdrażany w sposób systemowy.
Zajrzyj:
https://rework.withgoogle.com/subjects/people-analytics/
Comments