Big Data для HR-а: как научиться управлять большими данными. Обосновывать затраты, прогнозировать эффективность, выявлять и устранять проблемы
- какие две задачи Вы должны научиться решать, чтобы уверенно управлять большими данными;
- как правильно формировать запрос для автоматизированной системы, чтобы она проанализировала нужные данные;
- где HR-специалист может пройти обучение по Big Data, сколько стоит такое обучение;
- для чего рисовать «рыбью кость» и как она поможет с помощью автоматизированной системы получить варианты Ваших действий.
Производственная компания оправилась от кризиса и стала думать о том, чтобы увеличить выпуск продукции, а также расширить ее перечень. Для этого нужен персонал, но за последние два года компания дважды оптимизировала штатную численность. HR-служба стала срочно набирать новых сотрудников. Но уже через месяц стало ясно, что укомплектовать расширенный штат не так и просто. Больше всего проблем с узкими специалистами. Например, два технолога, которых компания раньше сократила, нашли новое место работы и возвращаться не хотят. Такая же ситуация с инженерами. HR-директор рассказал о сложностях с подбором гендиректору и заявил, что нужно повышать привлекательность компании как работодателя. Улучшать систему вознаграждений и премирования либо обогащать соцпакет, предоставлять другие бенефиты. Но для этого нужны средства.
Руководитель компании выслушал главу службы персонала и сказал: «Вы же понимаете, сейчас мы направим деньги в расширение производства. А Вы говорите про повышение зарплат и премий!» Подумав, гендиректор добавил: «Хорошо, я выделю средства. Но, во-первых, мне нужен четкий расчет, сколько и на что конкретно требуется. Во-вторых, Вы гарантируете мне, что затраты будут ненапрасными. Прямо покажите, как улучшение системы вознаграждений скажется на качестве подбора и эффективности новичков. Просчитайте все, сделайте отчет, из которого будет виден Ваш прогноз и взаимосвязь одного с другим. Используйте финансовые данные, а также показатели продаж».
Такая просьба озадачила HR-директора. Но он решил, что не будет отступать. Посоветовавшись с коллегами, он понял, что решить задачу, поставленную шефом, можно только с помощью Big Data (в переводе с английского Big Data – большие данные). Эти слова вошли в обиход после 2008 года, появившись в IT-сфере. Но постепенно подход к обработке данных стали использовать для управленческих целей, а также для решения экономических задач. Эксперты уверяют, что аналитика Big Data способна повысить рентабельность производственных предприятий на 10–12%, а в сервисных компаниях эта цифра может достигать 80%. HR-директора могут просчитывать эффективность от затрат на персонал, строить прогнозы, что компания получит от проектов, убедительнее представлять их руководству и находить верные решения проблем. Большие данные способны усилить конкурентоспособность компании.
HR-службы получают возможность заниматься анализом данных, ведь их предостаточно. По каждому сотруднику есть информация о том, когда его приняли на работу, как он прошел испытательный срок и период адаптации, его результаты оценки и обучения, данные о производительности труда, личные сведения.
По мнению Алены ГЕЙДТ, директора управления по работе с персоналом Восточно-Сибирского банка ПАО «Сбербанк России», по количеству информации, которая есть в разных подразделениях организации, HR-служба находится на втором месте. Она лишь немногим уступает финансовому департаменту, но опережает маркетинг, продажи и производственные подразделения.
Но пока для многих специалистов по управлению персоналом Big Data – это что-то новое и непонятное. Многие слышали про метод, но не знают, в чем его суть. Давайте попытаемся разобраться в этом.
Руководство нашей компании, и я в том числе, придерживалось мнения, что специалисту HR-службы нужно разбираться лишь в том направлении, в котором он работает. Будь это подбор, документооборот, оценка. Но ситуация изменилась, когда потребовалось повысить эффективность HR-службы, используя имеющиеся ресурсы. Мы стали активно внедрять Big Data. Сейчас используем ее по пяти направлениям: подбор, оценка, развитие сотрудников, е-learning, работа на корпоративном портале. HR-менеджеры значительно быстрее решают задачи, и каждый из них выступает как руководитель направления.
Диаграмма. Что чаще всего измеряют в компаниях с помощью Big Data
Big Data – это не система и не программа
Большинство HR-ов полагают, что это как-то связано с IT-сферой. Значит, Big Data – это новая программа, которую можно купить.
На самом деле это не так. Некоего цельного продукта, который называется Big Data, не существует. Этот термин обозначает умение управлять данными. Причем именно большими! Ведь сейчас HR-службы тоже управляют данными, ведут статистику. Скажем, учитывают увольнения, указывают причину, фиксируют, к какой категории относится покинувший компанию, а затем на основании этого рассчитывают текучесть. Или, к примеру, по количеству вакансий, закрываемых менеджерами по подбору, выявляют динамику, сезонные спады и рост, прогнозируют загруженность рекрутеров компании на будущие периоды.
Но это не большие данные в том понимании, в котором предполагает термин Big Data. HR-ы оперируют только показателями, которые связаны с HR-процессами. А большие данные – это анализ информации не только из HR-системы, но и из финансовой и маркетинговой электронной отчетности, из базы о продажах, из юридической и бухгалтерской программ. Словом, из разных источников. Благодаря этому Вы получите всесторонний анализ и наиболее корректные выводы.
Вам надо научиться решать две задачи
Как видите, без электронных программ учета данных не обойтись. Причем одной HRМ-системой ограничиваться не нужно. (Подробнее о том, как выбрать HRM-систему, читайте в статье «Решили установить автоматизированную HRM-cистему. Как выбрать подходящую?«). Особенно, если Вы намерены рассчитать, к примеру, эффективность от изменения системы мотивации, поощрений и наказаний. Потребуются данные из финансовой отчетности – прибыль компании и выработка на каждого сотрудника, отдача от обучения, если оно было.
Данные из автоматизированных электронных программ запрашивает HR. Но надо знать, что именно запрашивать. Это и есть первая задача: научиться формулировать, что затребовать в системе, какое задание ей давать. Вторая задача – корректно интерпретировать то, что система выдаст. Приведем краткие пояснения по каждой задаче.
Раньше считалось нормой, если один кадровик обслуживал 500 сотрудников. Сейчас стандарт другой – до 1800 человек. HR-бизнес-партнер раньше поддерживал подразделения с общей численностью не более 3000 сотрудников, а сейчас есть примеры, когда он выступает партнером для компаний со штатом 10 000 сотрудников. Словом, норма выработки меняется, планка становится выше из-за активной автоматизации HR-процессов. Запросить новые показатели производительности, кстати, можно у консультантов аудиторских компаний.
Чтобы понять, как запрашивать данные, мыслите бизнес-категориями
Предположим, Вам нужно выяснить, как удерживать сотрудников, которые входят в кадровый резерв. А предварительно понять, кто из резервистов может уйти в ближайшее время. Ограничиваться, как всегда, опросом не стоит, так как нужна структурированная информация с цифрами. Какие данные запросить в системах электронных данных, чтобы получить такие цифры? Какие именно показатели отражают настроения и намерения сотрудников, включенных в кадровый резерв, уровень их мотивации?
Взгляните на проблему глазами не только HR-а, но и руководителя компании, собственника бизнеса. Исходя из этого и запрашивайте данные в системах. Только не стремитесь запросить как можно больше показателей, иначе получится винегрет. Сейчас в любой компании – море информации о работе сотрудников и организации в целом. Известно высказывание председателя Совета директоров компании Google Эрика ШМИДТА: «С момента, когда возникла цивилизация, и до 2003 года человечество создало пять эксабайтов данных. Сейчас люди создают 5 эксабайтов за два дня. И скорость лишь увеличивается». Поэтому Ваша задача – не брать лишнее, очищать информацию.
Пример
Компания по производству оборудования вкладывает большие средства в развитие своих ключевых специалистов. Их включают в кадровый резерв, обучают управленческим качествам, направляют на стажировки за рубеж. Но иногда резервисты внезапно увольняются. Чтобы разобраться в проблеме, HR-директор сформулировал запрос для HRМ- и CRM-систем. В список данных, которые он запросил в системах, вошли такие: показатели работы резервистов (KPI) за полгода до того, как они были включены в резерв, и за то время, пока они в этом резерве пребывают. Кроме того, информация о прибыльности и убыточности подразделений, в которых работали резервисты, а в связке с этим – затраты на мотивацию этой категории сотрудников, отдачу от работы до обучения и после.
HR решил, что надо запросить также данные о том, насколько активно ценные специалисты выдвигали себя на работу в проектах, продолжительными ли были эти проекты, успешно ли завершились. Наконец, глава службы персонала понял, что надо учесть и оценки, которые ставят компании клиенты за продукцию и услуги. Результаты, которые выдали системы, показали: у резервистов, несмотря на обучение, неважные показатели в работе. Клиенты недовольны и ставят низкие оценки. Странная ситуация. Скорее всего, сотрудников обучают не тому, чему нужно. HR запросил данные по клиентам. И стало ясно, в чем дело. Структура клиентов изменилась, у них появились другие предпочтения и запросы, а в компании работали, как прежде. Управленцы упорно не замечали диссонанс. Ключевые же специалисты замечали и именно из-за этого покидают компанию. Ведь чему бы их ни обучали в резерве, это не имело смысла, так как применять это на практике уже не надо. Но применять требуют, и это приводит к низким результатам.
Следовательно, причина низких результатов специалистов и недовольства клиентов – неэффективное управление подразделениями. HR рассказал об этом гендиректору и предложил провести для руководителей подразделений коучинг-сессии. Цель – изменить поведение управленцев. Тех же, кто не изменится, решили отстранить от управления коллективами подразделений.
О стабильности можно говорить, когда сотрудник вовлечен в дела компании, эффективно работает и не планирует уходить. Чтобы запросить данные в HRМ-системе, мы нашли четыре составляющие качества:
– социально-психологические факторы сотрудников, которые стабильны в организации;
– эффективность стабильных сотрудников – уровень и норма;
– быстрая адаптация в компании и ее причины;
– причины увольнения людей.
Как результат – программа удержания ключевых сотрудников. Загрузив информацию по четырем характеристикам в HRM-систему, мы проще и быстрее находим ответы на вопросы о стабильности.
Выводы, которые выдаст система, ценны. Но не воспринимайте их прямо. У Big Data две цели
Система возьмет те данные, которые Вы укажете, проанализирует их и выдаст справку. В ней будут некие выводы. Они могут указывать на скрытые проблемы, на лишние звенья в бизнес-процессах и на неоправданные расходы, рекомендовать, как повысить эффективность персонала.
Но не торопитесь сразу что-то предпринимать, следуя этим выводам, не начинайте кардинально изменять работу. Соотносите выводы системы с реальностью. Помните: окончательное решение, как действовать, принимаете Вы, а не система. У Big Data два предназначения. Первое – выявить взаимосвязи и закономерности между разными процессами и функциями. Второе – обработав данные за прошлые периоды, учитывая взаимосвязи, выдать прогноз. Как всем этим распорядиться, решаете Вы, а не система.
Пример
В крупной энергетической компании в штате работают 200 инженеров. Они курируют монтаж сложного оборудования. Когда посчитали, во сколько они обходятся компании, и сравнили с отдачей от их работы, то поняли, что они слишком дорогие специалисты. Гендиректор был убежден, что в отрасль инженеры идут неохотно, поэтому приходится им щедро платить. HR-директор проанализировал эффективность этих сотрудников с помощью Big Data и увидел: у них есть опыт и технические навыки, но нацеленность на результат крайне низкая. После этого при подборе инженеров стали отдавать предпочтение тем, у кого есть стремление достичь результат, а не богатый опыт и знания. Благодаря этому вскоре удалось уменьшить количество этих специалистов на 15%. А через полгода стали случаться аварии на объектах. Инженерам недоставало профессиональных компетенций. Пришлось менять подход к подбору, искать золотую середину – подбирать таких, кто и нацелен на результат, и обладает нужными техническими знаниями.
Чему и где нужно поучиться?
Во-первых, формулировать запрос. Он должен быть понятен системе: какие данные взять и что с ними делать. В этом есть свои тонкости. Данные, которые Вы запрашиваете, должны быть в принципе соотносимыми. Нельзя, к примеру, сравнивать килограммы продукции и количество людей. Если Вы хотите узнать, какова выработка продукции на одного человека, то следует правильно оформить такой запрос.
Во-вторых, чтобы справляться с первой задачей, Вам нужно создать глоссарий или словарь данных. Если говорить проще, прописать для программы, как ей понимать «текучесть», «эффективность труда», «компетенции». К примеру, включать ли в расчет текучести тех сотрудников, которые отработали в компании шесть месяцев? Ведь они прошли испытательный срок. Но вроде бы еще не стали полноценными сотрудниками. А как классифицировать тех, кто недоработал до года всего день? Словом, Вам надо дать определение различным данным и показать, как они могут объединяться с данными из других HR-направлений.
Кстати, некоторые определения, например «выработка на одного сотрудника», «прибыль в пересчете на подразделение», будут затрагивать и финансовый отдел. Поэтому, прописывая глоссарий, Вам придется взаимодействовать с другими подразделениями. Не обойтись в этом деле и без помощи IT-специалистов.
В-третьих, Вам нужно понять, как чистить систему от лишних данных. Ведь они засоряют ее, приводят к некорректным выводам, вводят в заблуждение. Поля в системах заполняются неправильно, информация дублируется, устаревает, появляется много противоречивых данных. Все это надо уметь приводить в порядок.
Где этому поучиться? На рынке есть немало предложений от IT- и консалтинговых компаний. Они организуют курсы по управлению Big Data. Некоторые из них смотрите в таблице ниже. Стоимость обучения зависит от продолжительности курса, его программы и варьируется от 20 000 до 100 000 рублей. Для IT-специалистов есть курсы, цена которых достигает и 200 000 рублей.
| Таблица. Где учиться Big Data и из каких модулей состоит программа |
Мы решили измерить эффективность работы специалистов, применив IT-технологии. Для каждого сотрудника приобрели смартфон, в него загрузили программу, которую нам разработали. В ней перечислены все виды работ, выполняемые специалистами тепличного хозяйства, и нормы труда. Информацию из программы, кстати, можно выгружать в 1С. Смартфоны выдали работникам. Отчеты стали приходить в HR-службу, в бухгалтерию и руководителю хозяйства в электронном виде. Теперь мы точно знаем, какова продуктивность каждого, правильно ли разработаны нормы выработки и другие показатели.
Если Вы прошли обучение, но чувствуете себя неуверенно
Один из вариантов действий в таком случае – заключить договор со специалистом по Big Data, скажем, на полгода. Пусть он приезжает к Вам и помогает, выступает в роли наставника, когда Вы работаете с большими данными в своей компании.
Еще один вариант – нанять специалиста по Big Data в штат HR-службы, если есть такая возможность. Если нет, можно отдать работу с большими данными на аутсорсинг. Вы будете ставить задачи сторонним специалистам, работающим с вашей организацией по договору, а они эти задачи выполнят.
Еще одно решение – снова пройти обучение и усовершенствовать свои навыки и знания по работе с Big Data. Если Вы по образованию психолог, то наверняка справитесь. Ведь в вузе Вас обучали статистике, тестированию и критическому мышлению.
Начинайте с того, что сформулируйте проблему. Нарисуйте «рыбью кость»
Прежде чем думать о том, какие данные запросить и поручить системе проанализировать, спросите себя: «Какую проблему я хочу решить и какое решение принять?». Например, повысить качество подбора, получая прогноз о том, как конкретный кандидат поведет себя после того, как Вы возьмете его на работу. Следовательно, скорректировать порядок подбора новичков. Или, к примеру, повысить мотивацию sales-менеджеров и добиться роста продаж.
Сформулировав проблему, определите, из-за чего она возникла. Можете сделать это совместно с управленцами или сотрудниками компании, организовав мозговой штурм. Фиксируйте предполагаемые причины, обозначайте главные и менее важные. Используйте для этого диаграмму ИСИКАВА. Ее еще называют «рыбья кость»: ячейки располагаются по отношению друг к другу так, что вместе напоминают скелет рыбы.
Какой системой обзавестись, чтобы управлять Big Data
Подойдет и HRМ-система, но ее может оказаться недостаточно, если потребуется информация о финансах и продажах. Любая автоматизированная система, созданная на базе Watson от IBM, не требует специализированных знаний. Fusion HCM от Oracle вооружен инструментом прогнозной аналитики. Он выявляет потенциальные проблемы в развитии талантов. То же в состоянии делать и Workforce Intelligence от SAP. Есть неплохие предложения от Mercer и Visier. Все эти системы собирают данные, не относящиеся к HR, помогают наблюдать за производственными показателями. А Platfora, Splunk, к примеру, интегрируются с Hadoop и MapReduce и собирают и анализируют данные, в том числе из соцсетей.
Пример
На совещании коммерческий директор попросил подчиненных предположить, почему падают продажи. Специалисты стали говорить, а глава службы персонала, который присутствовал на совещании, нарисовал на флипчарте рыбью кость и начал записывать. В «голове» рыбы он зафиксировал общую проблему, в «больших костях» – значительные причины. В «мелких костях» – менее важные. Что получилось, смотрите ниже на схеме. Глава службы персонала вмешался в обсуждение и спросил:
– Вы сказали, что у менеджеров низкая эффективность. Как это стало понятно?
– У нас продажи на одного менеджера 1 миллион, а у конкурентов – 2 миллиона, – ответил коммерческий директор.
– А почему у нас так? – продолжал HR.
– У них более маржинальный продукт и более мотивированные продавцы.
– То, что продукт недостаточно маржинальный – проблема производственного отдела, а мотивация продавцов – проблема HR-службы. Согласны? – подытожил HR-директор.
Сотрудники коммерческой службы утвердительно закивали. Директор по персоналу выделил три главных причины: нехватка навыков холодных звонков, низкая мотивация менеджеров, нехватка полномочий у менеджеров. Каждую из них требовалось проанализировать, чтобы выдвинуть гипотезы.
Cхема. Диаграмма «рыбья кость» для бизнес-кейса «Упали продажи»
Многие специалисты по управлению персоналом, которые приходят на обучение, на самом деле не хотят учиться работать с Big Data. Не раз наблюдал такое. Одна женщина мне сказала: «Это нужно, скорее, экономистам и специалистам плановых отделов, а не мне. Я не должна утопать в цифрах». Конечно, при таком настрое не стоит овладевать Big Data. Но бывает, что помеха в другом – в корпоративной культуре компании. HR знает, что работодатель не ждет от него серьезных исследований и прогнозов, не считается с его мнением. И желание обучаться у такого HR-а невысокое.
Определите, какие данные запросить в системе по каждой основной причине проблемы
К примеру, одна из причин падения продаж, о которой говорится в примере (выше), – нехватка у специалистов навыков холодных звонков. Формулируйте к этой причине любой из вопросов, который приходит в голову и который может иметь отношение к ней. Скажем, такие: «У какого менеджера продажи 2 миллиона или более?», «Какой опыт у каждого менеджера, сколько лет он работает в продажах?», «Результаты оценки менеджеров, которые не продают на 2 миллиона», «Квалификация и образование каждого менеджера по продажам».
А по причине «Низкая мотивация менеджеров по продажам» фиксируйте даже вопросы личного характера: «Сколько детей у каждого менеджера?». Ведь это тоже может влиять на качество его работы и мотивацию. Ответ Вы сможете получить, ведь по крайней мере в HRM-системе есть сведения по каждому сотруднику компании, включая семейное положение и количество детей.
Пример
Руководство компании задалось вопросом: «А эффективна ли наша система обучения?». Это, как рассказала HR-менеджер Надежда ПАНОВА, дало толчок запуску проекта Big Data. Специалисты HR-службы собрались на мозговой штурм. Сначала решили выяснить: «Что для нас является эффективностью? В чем она заключается?». HR-ы сошлись на формулировке: зависимость стоимости обучения от времени, потраченного на него, а также количество сотрудников, которых после учебы продвинули по карьерной лестнице (в % от общего количества обученных).
После этого специалисты по управлению персоналом сформулировали запросы для электронной системы. Они выглядели так: «Количество тренингов по программе», «Количество участников», «Сколько людей завершили обучение?», «Сколько было продвижений среди тех, кто успешно прошел обучение», «Эффективность сотрудников, которые успешно прошли обучение», «Результативность выполнения индивидуального плана развития».
В ответ на запрос система выдала справку, из которой следовало: 52% слушателей повышены в должности и эффективно работают. Это подтверждается результатами оценки исполнения функций и достижения индивидуальных планов развития. Следовательно, и обучение в компании эффективно.
По выводам системы постройте гипотезы – как действовать. Выделите две и реализуйте пилотный проект
Предположим, система, обработав данные по Вашему запросу, указала: между заданиями, которые менеджеры по подбору просят выполнять кандидатов, и тем, насколько успешно эти кандидаты, став сотрудниками компании, трудятся, нет никакой связи. Человек может хорошо выполнить задание на бумаге, но при этом плохо работать. Более того, система указала, что большинству кандидатов не близки ценности компании, поэтому и не срабатывает система мотивации.
Что предпринять, исходя из таких выводов? Отменить задания на собеседованиях? Лучше изучить внутренние установки кандидатов и пересмотреть ценности компании? Изменить систему мотивации? Есть как минимум три варианта действий. Иначе говоря, три гипотезы. Хвататься за все и стремиться реализовать все три рискованно и сложно. Поэтому выделите две и реализуйте их. Но не в масштабе всей компании, а в рамках одного-двух подразделений. Посмотрите, какими будут результаты, есть ли изменения в нужную для Вас сторону.
Затем решайте, внедрять ли новшества для всех сотрудников. На проверку каждой гипотезы уходит, как правило, одна-две недели.
Пример
Получив из HRМ-cистемы данные по запросу о мотивации менеджеров по продажам (см. здесь), HR-директор сформулировал две гипотезы. Первая: не менее чем на 90% выполняют план продаж менеджеры, у которых есть двое детей. У них выше мотивация. Вторая гипотеза: план продаж выполняют не менее чем на 90% менеджеры, которые владеют навыками холодных звонков. Обсудив гипотезы с гендиректором, HR решил запустить сначала пилот по первой гипотезе. Всем менеджерам с детьми поставили задачу: каждому за пять рабочих дней реализовать товара на 300 тысяч рублей. Кто справится, получит дополнительный бонус. Через неделю подвели итоги. Почти все менеджеры выполнили план более чем на 100%, то есть перевыполнили его.
После этого директор службы по управлению персоналом реализовал вторую легенду. Такую же задачу поставили тем sale-sменеджерам, у которых либо нет детей, либо есть лишь один ребенок. Когда подвели итоги, увидели: на 100% план выполнили только двое из группы. Таким образом, можно сделать вывод: количество детей влияет на мотивацию сотрудника. Такие специалисты трудятся лучше. HR-директор решил взять это на вооружение – учитывать при подборе специалистов по продажам.
Важные выводы
- Работая с Big Data, отталкивайтесь от управленческой проблемы. Сначала четко сформулируйте ее, затем выработайте задачу. И только после этого определяйте, какие данные анализировать.
- Вырабатывайте бизнес-взгляд на проблему. Прикидывайте, какие данные, кроме тех, что связаны с HR-работой, нужно проанализировать. Например, о прибыли в расчете на одного сотрудника.
- Не торопитесь сразу что-то менять, получив справку из электронной системы. Сначала все действия сформируйте как гипотезы. Из них выберите две важные и реализуйте как пилотный проект.
за правильный ответ
