Часть 1. Кейс.
Во время моих баталий этого года один из оппонентов привел шикарный кейс – как на основе дашбордов можно проводить анализ, и как принимать решения. Я и сам нечто похожее приводил в кейсе О зрелости HR-аналитики – но на самом деле это именно нечто похожее. В своем кейсе я показываю, как бы мог выглядеть алгоритм анализа – поиска причин увеличения текучести персонала.
Мой оппонент поделился кейсом на ту же самую тему – кейс про снижение текучести персонала. Причем, по словам оппонента – это реальный кейс. Алгоритм такой:
- Они такие заметили, что у них основной персонал вроде бы начинает бежать быстрее, чем раньше.
- Но не полагаясь на свои ощущения, они смотрят на бенчмарки текучести персонала и видят, что они находятся в 4-м квартиле (т.е. в числе компаний, где минимум 75 % компаний имеют текучесть ниже, чем они) – и для них это сигнал, что на самом деле с текучестью все не очень хорошо.
- А дальше они смотрят на бенчмарки зарплат и видят, что по зарплатам они находятся в 1-м квартиле (т.е. минимум 75 % компаний платят больше, чем их компания).
Ну, все ясно! Платим меньше, бегут больше. В этом месте аплодируем.
Часть 2. Антикейс.
Я не стал ничего доказывать оппоненту – мы как из разных Миров. Расскажу, почему это кейс кажется мне смешным.
Можно было бы сразу ограничиться простым аргументом: в жизни никогда не бывает так очевидно, наглядно и ясно. Чтобы по текучести в 4-м, а по зарплатам в 1-м квартиле. Чаще разброс незначителен (типа в 2-м и 3-м квартиле), поэтому навскидку и не скажешь, что есть какая-то связь.
Но дело даже не в этом. Я со скрипом признаю, что в России есть бенчмарки зарплат. Со скрипом, потому что я не встречал провайдеров зарплатных отчетов, которые бы показывали доверительные интервалы: если вам провайдер показывает медиану зарплат по должности, то он должен указать не просто медиану, а границы, в которых эта медиана может находиться – не буду погружаться в математику, но так правильно делать. Но пусть он бенчмарки делает, качая тонны вакансий с ХХ, и делает бенчи на основе этих данных – в этом случае у нас могут быть сырые данные, и мы можем крутить данные, как хотим, включая модный баейсовский анализ.
В России нет бенчмарков текучести персонала. Я это утверждаю не потому, что владею инфо, а потому что понимаю, что вероятность корректного расчета такого бенчмарка близка к нулю. Вы себе как представляете расчет такого бенча? (18 % + 30 % + 20 % + 22 % + 30 %) / 5 = 24 % - верно?
Но это неправильный расчет. Нужно считать бенчи по числу уволенных и среднесписочной. Добавьте к этому, что 1) среднесписочную считают каждый во что горазд и 2) причины увольнений тоже считают кто как, а чаще вообще никак (а в идеале надо делить волюнтарную и неволюнтарную текучесть) – а теперь оцените вероятность соблюдения всех этих требований в бенче? Мне недавно глава HR-аналитики крупной компании призналась, что они 4 месяца шли к корректному сбору данных о среднесписочной. И каждый HR-аналитик тратит кучу времени, чтобы хоть как-то унифицировать данные для сбора метрик, поэтому компания, которая якобы может заниматься бенчмарками текучести персонала, должна быть еще методологом, внедренцем этого в компаниях – участниках бенчмарка. И даже если такие бенчмарки «считают», то качество этих бенчмарков сами понимаете какое.
Часть 3. Реальная жизнь
Я вполне допускаю, что этот кейс имел место. У HR-аналитика KPI может зависеть от внедрения бенчмарка текучести, поэтому аналитик закрывает глаза на несостыковки, а руководитель аналитики просто туда не лезет. Сглаживает эту ситуацию, что решения принимаются в большинстве случаев не на основе данных, а ... ну просто смотря на небо. И некорректные решения не мешают нам быть успешными. А в нашем кейсе решение было поднять зарплату, которое априори не может быть неуспешным.
В одном ритейле HR считали, что высокая текучесть связана с переработками линейного персонала. А оказалось, что те, кто перерабатывают, и работают дольше. Но этот факт не мешал HR осваивать бюджеты на удержание на основе неправильной причины текучести. Се ля ви.