Речь, конечно, о России.
Отслеживайте нас в телеграм канале HR-аналитики
Предыдущие годы развития HR-аналитики можно описать следующим образом:
- Развитие HR-дашбордов. Компании увидели красивые картинки, решили это быстро внедрить. Во многих компаниях этот этап успешно пройден. Дашбордами стали пользоваться. HR-аналитики обогатили свои скилы Power Bi, Tableau, Qlick, DataLens. При этом: а) Осталось непонятно, что с этими показателями делать. Простой пример: изменилась как-то текучесть. И что? Непонятно, как это привязать к бизнес показателям. б) Качество данных. Это просто беда. В дашборды запихивают данные систем, не особенно заботясь о качестве данных. В итоге дашборды чаще вводят в заблуждение, чем помогают оценить ситуацию.
- Предиктивные модели индивидуальных прогнозов. Так полюбившиеся нашему рынку модели оттока – так хочется научиться прогнозировать уход конкретного сотрудника. Не вдаваясь в детали, констатирую, что создание подобных моделей – тупиковый путь развития HR-аналитики. К сожалению, попытки построить такие модели не прекращаются.
В свете вышесказанного вижу три тренда:
- отказ от предиктивных моделей для индивидуальных прогнозов, использование предиктивных моделей для объяснения сегодняшней ситуации в компании – отказа от предиктивных моделей не будет, но будут эти модели использоваться для объяснения текущей ситуации в компании, выявления драйверов процессов и изменения сценариев на основе полученных результатов;
- борьба за качество данных (это больше моя фантазия, а не тренд) – мы никуда не двинемся, пока не поймем, что нужно долго, нудно и скучно собирать данные. Этот поинт в той же мере про развитие data-driven культуры – нужно научиться смирению и делать незаметную работу по сбору данных вместо ярких проектов;
- усталость от дашбордов - получаем показатели, но непонятно, что с этим делать: на фоне усталости от дашбордов - попытки объяснить получаемые показатели и даже управлять ими. Вы в продвинутых компаниях на прескриптивную аналитику - линейное программирование, имитационное и сценарное моделирование. Это самый сложный пункт, но подразумевает он простые вещи: если мы научимся корректно измерять показатели, то следующий шаг – попытка научиться этими показателями управлять.