HR-Analytics: Kunnen menselijke intelligentie en algoritmes bondgenoten worden?
Psychometrie

HR-Analytics: Kunnen menselijke intelligentie en algoritmes bondgenoten worden?

PerformanSe|3 min gelezen|10 Oktober

Voorspellende analyses worden tegenwoordig niet meer beschouwd als een technologie van de toekomst. Veel sectoren maken er reeds gebruik van voor de optimalisatie van hun managementprocessen, risico- en fraudebeheer, innovatie van producten en diensten of marketing. En wat met HR? Steeds meer bedrijven hanteren een aanpak die gebaseerd is op de analyse van gegevens en menselijke interacties.  Studies tonen aan dat HR-verantwoordelijken positief staan ten opzichte van HR-analytics.


Wat zijn voorspellende analyses?


Dankzij voorspellende analyses kunnen zowel bedreigingen als opportuniteiten beter worden geïndentificeerd en kan er beter op worden gereageerd: werknemers die mogelijk ontslag zullen nemen sneller identificeren, gebrek aan talent op middellange en lange termijn evalueren, de drijfveren voor toewijding bepalen of de opleidingsprocessen verbeteren, enz…


Wat is het nut voor de HR-medewerkers?


Dankzij voorspellende analyses kunnen zowel bedreigingen als opportuniteiten beter worden geïndentificeerd en kan er beter op worden gereageerd: werknemers die mogelijk ontslag zullen nemen sneller identificeren, gebrek aan talent op middellange en lange termijn evalueren, de drijfveren voor toewijding bepalen of de opleidingsprocessen verbeteren, enz…

Voorspellende rekrutering ligt tegenwoordig dus binnen handbereik. De huidige methodes stellen ons in staat om binnen een bepaalde organisatie, functie of beroep de interindividuele kenmerken te herkennen die een belangrijke rol spelen in de prestaties. Hoe? Door te stoelen op een analyse van het verband tussen enerzijds prestatiegegevens en anderzijds gegevens over de vaardigheden van werknemers die bepaalde functies uitoefenen in deze organisationele context. In beide gevallen wordt aanbevolen om de meest relevante indicatoren die de prestaties kenmerken (objectieve criteria, vergelijkbare prestaties, subjectieve criteria) in verhouding te stellen tot de vaardigheden (persoonlijkheid, motivatie, overtuigingen, talenten).

Dankzij deze contextmethodes kunnen bijzonderheden binnen een interne groep in kaart worden gebracht. Wanneer deze methodes goed worden toegepast zullen de resultaten nauwkeurig en betrouwbaar zijn. Op de markt van geautomatiseerde en gebruiksklare oplossingen bestaan er ook voorspellende modellen voor vaardigheden die gebaseerd zijn op invoergegevens (functie, sector, rol…) en die niet gefundeerd zijn op contextanalyses. In dat geval moeten de kwaliteit en kwantiteit van gegevens nauwlettend in het oog worden gehouden!


Wat zijn de uitdagingen en good practices?


Het is niet het wetenschappelijke aspect dat uitdagend is, maar eerder de menselijke vaardigheid om gegevens te verzamelen, interpreteren en delen en zo een zinvol verhaal te brengen.


Gegevens gelijkstellen


Voorspellende analyses zijn enkel mogelijk op basis van gestructureerde informatie zoals informatie die we in een databank kunnen terugvinden. Geautomatiseerde HR-processen, zoals het uitbetalen van lonen, het beheer van kandidaten, afwezigheden en prestaties, in combinatie met resultaten van vragenlijsten, evaluaties, opleidingen, enz. zijn tegenwoordig een belangrijke bron van gegevens die vaak erg verspreid liggen. Gegevensanalyses zijn echter enkel doeltreffend wanneer al deze systemen met elkaar verbonden zijn en coherente gegevensverzamelingen produceren.

Good practice: Het is belangrijk om gegevens gelijk te stellen om een coherent geheel te vormen. Het toestel doet dit voorbereidend werk helaas niet voor u! Deze fase is echter essentieel voor een geslaagde voorspellende analyse.


Gegevens analyseren


De uitdaging bestaat erin al deze informatie te analyseren en deze te gebruiken om betrouwbare modellen te creëren. Bij HR-analytics is het niet alleen belangrijk om kennis te hebben over statistiek, maar ook om inzicht te hebben in modellen over de organisatorische en individuele werking, alsook bewust te zijn van de wetgeving over het gebruik van persoonlijke gegevens. Dit domein blijkt tegenwoordig echter nog steeds vernieuwend of zelfs experimenteel.

Good practice: Het is mogelijk om deze nieuwe vaardigheden te verwerven op de HR-afdeling. Een andere mogelijkheid is een beroep doen op de uitgevers van psychometrische tests die beschikken over enorme hoeveelheden evaluatiegegevens en een sterke expertise inzake gegevensanalyse.


Gegevens delen


Naast het in staat zijn om gegevens bottom-up (HR-systemen stroomlijnen) te verwerken en het beschikken over analysevaardigheden, is ook een andere vaardigheid essentieel opdat het zou verder gaan dan de analyse alleen: het begrijpen van de gegevens en deze delen.

Zonder contextanalyse, zonder afstand te nemen en zonder menselijke intelligentie zijn algoritmes zinloos.

De gegevens op zich zijn nooit echt intelligent en net daarom stoelen voorspellende analyses zich niet op nauwkeurige theoretische modellen, maar vertrekken ze van de gegevens zelf om modellen te creëren. Hierdoor zijn heel wat correlaties nutteloos! Invoergegevens worden altijd geïdentificeerd door de mens en de resultaten die daaruit voortvloeien zijn betekenisloos wanneer er geen contextanalyse op wordt uitgevoerd en de HR-medewerkers er geen afstand van nemen om het grotere geheel te zien.

Tot slot wellicht het allerbelangrijkste in dit proces: de gegevens moeten een verhaal vertellen dat zinvol is en dat met het oog op een werkelijk doel wordt gedeeld.

De impact van HR-analytics zal dan ook groter zijn dan die van onze intuïtie wanneer we een vlotte samenwerking beogen tussen de tool en de mens.

Meer weten over onze psychometrische tools?

Ontdek ons ​​aanbod!

Meer Informatie

Genoten van dit artikel? Je vindt ook leuk...