Z masivnimi podatki do boljših praks

Maja Vovko,
dipl. psih. (un).


Tisti, ki zvesto sledijo najnovejšim in največjim HR-trendom, so se že spoznali s konceptom masivnih podatkov, kakor v slovenščini poimenujemo 'big data'. Uporaba masivnih podatkov v kadrovski službi koristi predvsem pri izboljševanju odločitev, vezanih na zaposlene in organizacijo, saj slonijo na izjemnih količinah podatkov. Tako se odločitve zdijo bolj premišljene in koristne ter predstavljajo odmik od intuitivnega kadrovanja.





V dandanašnjem svetu skorajda z vsakim dejanjem, tako v fizičnem svetu kakor na spletu, puščamo digitalne sledi, ki raziskovalcem lahko veliko povedo o vedenju in lastnostih posameznika, ki jih je pustil. Lahko bi rekli, da sta danes komunikacija in vedenje posameznikov v veliki meri digitalizirana1. Ideja masivnih podatkov je zbiranje teh digitalnih sledi, ki jih je nato moč analizirati2. Ključnega pomena za to prakso pa so razvoji v tehnologiji.


Ali res veste, kaj je »big data«?
Masivne podatke je pravzaprav težko povsem natančno opredeliti, saj lahko vsaka organizacija zbira in uporablja zelo raznolike podatke, pa jih (zase) šteje kot 'masivne'. Kljub temu pa masivni podatki nosijo štiri skupne lastnosti1. Prvi kriterij je volumen oziroma obširnost podatkov. Da lahko podatkovno bazo štejemo za 'masivno', mora vsebovati terabite in terabite podatkov. Primer podjetja, ki zagotovo operira z neverjetno količino podatkov, je ameriška veriga Wal-Mart s kar 2,2 milijona zaposlenih. Tudi če njihova baza drži le najbolj osnovne informacije o zaposlenih, je izjemno velika. Hitrost podatkov je drugi kriterij. Če smo bili včasih vajeni, da se podatke o zaposlenih pridobiva v določenih časovnih intervalih in samo nekajkrat letno (npr. ob vstopu na delovno mesto, ob zamenjavi delovnega mesta, ob ocenjevanju uspešnosti itd.), je ta premik pri masivnih podatkih – masiven. Od masivnih podatkov se pričakuje, da v bazo pritekajo skorajda neprestano, dnevno ali celo sekundno. Raznolikost kot naslednji kriterij se kaže v raznolikosti oblik in virov podatkov, kar zopet izvira iz tehnoloških napredkov. Tu se ustaljenim vrstam podatkov o zaposlenih, kot so demografski podatki, ocene uspešnosti, vedenjski podatki, zamujanja in odsotnosti in vprašalniki, pridružijo bolj nestrukturirani podatki, kot so CV-ji, profili na družbenih omrežjih ter objave in komentarji na različnih forumih ali blogih3. Zadnji kriterij pa govori o verodostojnosti podatkov. Predvsem kadar podatke zbiramo neprestano s pomočjo senzorjev ali pametnih telefonov, bomo poleg tistih relevantnih informacij, ki jih iščemo, nabrali tudi veliko 'šuma' oziroma nepomembnih ali nepopolnih podatkov, ki lahko izkrivijo pravo sliko in otežijo izločevanje pomembnih ugotovitev. Vse podatke moramo redno preverjati, čistiti in v iskanju odgovora na problem resnično uporabiti zgolj tiste relevantne podatke, ki se na dani problem nanašajo.


Primeri – kje in kdaj natančno pa ti podatki pridejo prav kadrovikom?
Če zna podjetje prepoznati in predvideti probleme ter nato zbrati podatke in jih smiselno obdelati, so možnosti skorajda neomejene – uporabni so pri pridobivanju kadra, treningu zaposlenih, ohranjanju delovne sile, ugotavljanju učinkovitosti, načrtovanju nasledstva, načrtovanju karierne poti, na ravni organizacije pa celo za uravnavanje zaznave blagovne znamke organizacije kot zaposlovalca, in še bi lahko naštevali4. Dobimo lahko odgovore na zelo konkretna vprašanja, npr. 'Kdaj in zakaj zaposleni zapustijo organizacijo?', 'Zakaj določeni oddelek izgublja več uspešnega kadra kakor drugi?', 'Kateri so pomembni napovedniki uspešnosti pri delu?', 'Kako izbrati kandidata, ki bo ostal v podjetju?'. Za boljši in bolj praktičen vpogled pa si lahko pogledamo nekaj resničnih uporab masivnih podatkov s strani večjih ameriških podjetij.
Ameriška izobraževalna ustanova Defense Aquisition University, ki se ukvarja z vsakoletnim treningom tisočih vojakov in civilnih strokovnjakov, je želela bolje nadzirati svoje stroške. Najprej so z uporabo raznolikih podatkov (stroški nastanitve; plača za inštruktorje; stroški potovanja, ki se izplačajo inštruktorjem; pričakovano prisotnostjo študentov; stroški potovanja za študente ipd.), našli najbolj optimalno lokacijo za izvedbo treningov glede na višino stroškov. Nadalje so lahko ugotovili, da inštruktor sprva potrebuje veliko časa za pripravo na trening, nato pa čas priprav močno upade. Te ugotovitve so nato uporabili pri dodeljevanju sredstev, vodenju zaposlenih in določanju pričakovane uspešnosti inštruktorjev. Na zelo podoben način bi lahko neko podjetje vzelo podatke o prodaji svojih trenutnih zaposlenih in na podlagi tega zelo natančno kvantificiralo, koliko časa bi potrebovali novi prodajalci, da bi dosegli določeno višino prometa, na podlagi tega pa nato objektivno ocenili njihovo učinkovitost4.




V kolikor želite članek prebrati v celoti
se prosim naročite na HR&M revijo.

NAROČITE SE

REVIJA HR&M

JE NEPOGREŠLJIVA SOPOTNICA ...

... voditeljev, HRM managerjev in vseh strokovnjakov, ki se ukvarjajo s področjem vodenja, razvoja ljudi.
Priporočamo jo tudi managerjem, ki vršijo svoje kadrovsko poslanstvo in jim ni vseeno, kako voditi zaposlene.


K branju so vabljeni tudi vsi drugi, ki želijo z odličnim vodenjem in ravnanjem z ljudmi pri delu dosegati
nadpovprečne rezultate.