Existenci všeobecného povědomí o důležitosti dat v moderním HR dokládají výsledky řady různých průzkumů mezi HR profesionály, jako byl např. loňský průzkum Globálních trendů v oblasti lidského kapitálu od společnosti Deloitte. Z více jak 11 tisíc respondentů 84 % považovalo trend využívání dat v HR za velmi důležitý. Stejný průzkum ale také ukázal, že pouhých 42 % z dotazovaných považovalo svou firmu za dobře připravenou na to, aby se na tomto trendu aktivně podílelo.

Mýty a pověry v HR analytice

Podle našich zkušeností brání firmám ve větším využívání dat v HR mimo jiné existence řady mýtů a pověr spojených s HR analytikou. Níže naleznete nejčastější a nejdůležitější z nich:

• Mýtus č. 1: Předtím než můžeme pomýšlet na reálné využívání HR analytiky, je třeba ve firmě zavést nový specializovaný informační/analytický systém. Skutečnost: V drtivé většině případů lze data začít využívat k zodpovídání relevantních otázek za pomoci systémů, které už má firma k dispozici nebo ke kterým se – jakožto open-sourcovým nástrojům – snadno dostane. Implementace nového specializovaného systému, který automatizuje některé kroky spojené se sběrem, přípravou a analýzou dat, dává většinou smysl až poté, co se předtím – často po několika iteracích – podaří prokázat, že dává byznysový smysl daný typ analytiky natvrdo „zadrátovat“ a zautomatizovat.
• Mýtus č. 2: Dříve než se pustíme do HR analytiky, je třeba zajistit, že budeme mít k dispozici dokonalá data, která budou prostá všech chyb a nepřesností. Skutečnost: Je nerealistické očekávat, že data budou vždy zcela bez chyb. Normou jsou naopak data, která trpí řadou neduhů od duplicit a chybějících údajů až po chybně vložené nebo neaktuální údaje. Ošetření těchto nedokonalostí v datech je běžnou a očekávanou součástí analytického procesu. Statistické metody jsou navíc v tomto ohledu poměrně robustní. S jistým zjednodušením se dá se říct, že statistické metody vznikly právě proto, aby nám pomohly v nedokonalých datech identifikovat signál, kterému lze věřit a založit na něm nějaké rozhodnutí. To samozřejmě neznamená, že bychom měli rezignovat na reliabilní a validní data. Stále platí okřídlené „garbage in, garbage out“. Jen je potřeba vidět tuto snahu v kontextu zisků a nákladů, které jsou s tím vždy spojené.
• Mýtus č. 3: Abychom mohli HR analytiku reálně využívat, potřebujeme hodně dat. Čím více dat, tím lépe. Skutečnost: Pokud jde o počet dostupných proměnných, důležitější než jejich množství je spíše jejich relevantnost pro zodpovězení otázky, která nám může pomoct vyřešit náš problém. A pokud jde o počet pozorování, statistické metody nám za jistých podmínek umožňují i z relativně malého počtu pozorování spolehlivě usuzovat na zbývající část populace zaměstnanců, ke kterým data nemáme k dispozici.
• Mýtus č. 4: HR analytika je pouze pro někoho s Ph.D. z „matfyzu“ nebo „čvutu“. Skutečnost: Někdo takový může být skutečně užitečný a může vám v týmu chybět, pokud potřebujete provádět některé komplexnější typy analýz. Pro drtivou většinu analýz však Ph.D. úroveň analytických znalostí potřebovat nebudete. Větší vliv na reálné využívání HR analytiky než počet analytiků s Ph.D. má míra zakořenění analytické kultury v širším HR týmu. Jako klíčoví se v tomto ohledu ukazují být HR business partneři. Ti mohou významně napomoct etablování HR analytiky tím, že se budou ve své každodenní práci snažit svá rozhodnutí a doporučení více opírat o firemní data.
• Mýtus č. 5: HR analytiku může dělat stávající reportingový anebo IT tým, který se zaměstnaneckými daty už stejně určitým způsobem pracuje. Skutečnost: Kromě toho, že reportingový a IT tým má již svou vlastní (často velmi nabitou) agendu, jejich členům rovněž chybí některé znalosti a dovednosti, které jsou klíčové pro úspěšnou realizaci HR analytických projektů. Jedná se především o znalosti a dovednosti z takových oborů jako statistika, datová věda, psychologie práce a organizace, personalistika nebo marketing.
• Mýtus č. 6: Čím komplexnější analýza, tím lépe. Skutečnost: Platí spíše „Čím relevantnější otázka/hypotéza a čím adekvátnější analýza z hlediska problému, který chceme vyřešit, tím lépe.“ A pravdou je, že při ověřování a testování jednotlivých otázek/hypotéz si většinou vystačíme s poměrně jednoduchými analytickými metodami a postupy, které se učí studenti na řadě vysokých škol v kurzech úvodu do statistiky.
• Mýtus č. 7: HR analytika je něco, co lze přenechat strojům a plně automatizovat. Skutečnost: HR analytika je užitečná pro zodpovídání specifických otázek a pro testování konkrétních hypotéz, proč něco (ne)funguje. To, jaké otázky má smysl si klást a jaké hypotézy testovat (aby nám to pomohlo vyřešit nějaký konkrétní problém), je však stále ještě (a na dlouho zřejmě ještě bude) doménou člověka.
• Mýtus č. 8: HR analytika s sebou nese větší náklady než přínosy. Skutečnost: Ve specifických případech tomu tak samozřejmě může být, ale v žádném případě to není obecně platné pravidlo. Jako u jakéhokoli jiného projektu je třeba nejdříve spočítat jeho „business case“, tj. posoudit míru komplexity projektu, odhadnout velikost nákladů a předpokládaný přínos projektu, a teprve na základě toho se rozhodnout, zda a případně do čeho konkrétně dává smysl se pustit.

Potřebujete pomoct s využíváním firemních dat v rámci HR managementu? Potom neváhejte a obraťte se na náš tým v Deloitte nebo vyzkoušejte Data Science Academy.