Category

Artikelen

Impact tweede golf op de medewerkers verschilt van de eerste

By | Artikelen, HR | No Comments

Wat sommigen al lang voorspelden en anderen vreesden, werd enkele weken geleden een feit: de tweede coronagolf. Maar beide uitbraken zijn niet vergelijkbaar. Er wordt nu meer getest, ziekenhuisopnames zijn korter, maatregelen verschillen. Ook op de werkvloer zijn er verschillen. Irma Doze sprak hierover met Erwin Brik, human resources director bij VWE Automotive.

Dit artikel is oorspronkelijk gepubliceerd op CHRO

De eerste corona-golf kwam als een schok en werkgevers volgden, uiteraard, massaal de voorschriften op en vroegen iedereen thuis te werken. Google constateerde op 19 maart (een week na de aankondiging van de lockdown) maar liefst 61% minder mensen in het openbaar vervoer dan normaal. Gauw genoeg daarna ontstond de behoefte van werkgevers om een vinger aan de pols te houden bij hun medewerkers. Het thuiswerken, de maatregelen, het fluctuerende aantal besmettingen: wat doet dat met hen?

Taalgebruik in e-mails

VWE Automotive is waarschijnlijk een van de weinige werkgevers in ons land die dit echt real-time heeft kunnen volgen. VWE werkt als sinds 2018 enthousiast met een interessante tool waarmee je de bevlogenheid van medewerkers kunt monitoren. “Het algoritme meet van iedere zin in de (interne) mail het spanningsniveau. Daar komt een score uit” vertelt Erwin Brik. “Door die scores bij elkaar op te tellen, ontstaat een patroon: de KeenCorp-index. Die index meet positieve en negatieve spanning versus persoonlijke betrokkenheid. Wij monitoren de tendens die we daarin zien en we vergelijken de patronen met andere Nederlandse en internationale organisaties.”

Een voorbeeld. Een werknemer zegt in zijn mail: ‘De vergadering wordt ingepland tussen A en B.’ Hij kan ook mailen: ‘Wil jij de vergadering plannen tussen A en B?’ In dat 2e geval is de persoonlijke betrokkenheid hoger. Of hij mailt: ‘Ze zouden geen vervolg moeten geven aan dit soort vergaderingen’. Dan ligt het negatieve spanningsniveau een stuk hoger dan als hij zou zeggen: ‘We vervolgen deze geweldige ontmoeting zo snel mogelijk’. Dan is de positieve spanning én de persoonlijke betrokkenheid hoog.

Sinds VWE de tool gebruikt, ziet de organisatie keer op keer het effect van bepaalde gebeurtenissen terug. Brik: “We zijn met het managementteam bijvoorbeeld een paar keer de hei op gegaan om ons als team verder te ontwikkelen. Na zo’n heidag zagen we keer op keer een opleving in de grafieken, dat kan haast geen toeval zijn.”

De coronacrisis had ook bij VWE z’n weerslag op de medewerkers. Je kunt je voorstellen dat de bevlogenheid van je werknemers daalt als ze ineens thuis moeten werken, vooral als de kinderen ook thuis zijn. “Sinds afgelopen maart zagen we inderdaad een opvallende daling in de bevlogenheid”, vertelt Brik. Als hij verder inzoomt op het patroon ziet hij zelfs dat belangrijke momenten een duidelijke piek of daling in de grafiek veroorzaken. “Zo daalde de bevlogenheid flink nadat het 1e coronaslachtoffer bekend was gemaakt en ging de bevlogenheid weer omhoog nadat werd aangekondigd dat de basisscholen op 11 mei weer open zouden gaan.”

Wat doe je ermee?

Confronterende resultaten, vindt Brik: “Je kunt er niet altijd actie op ondernemen. In dit geval konden we corona niet wegnemen, het thuiswerken niet veranderen en de kinderen van onze werknemers niet opvangen. We konden alleen begrip opbrengen en rust geven. En we namen het mee in ons crisisteam: hier moesten we aandacht aan besteden. Zo gaven en geven de resultaten nog steeds altijd stof tot praten met elkaar, het is een vast onderdeel van onze MT-agenda.” Bovendien ziet Brik de resultaten als een validiteitstest. “Het bevestigt keer op keer dat onze metingen lijken te kloppen. De toevalligheden zijn te groot. Dat geeft vertrouwen in onze tooling.”

Brik merkt dat de betekenis van de meting nu normaliseert. “We bekijken de resultaten steeds meer zoals het weer. Het is zoals het is: de zon schijnt of het regent. Dat is veranderlijk, soms zelfs per dag. Maar het is wel handig om van te voren te weten wat je ongeveer kunt verwachten, want dan kun je je daarop kleden. Zo is het ook met bevlogenheid: de metingen geven ons een actueel inzicht en vaak ook een voorspelling voor de komende dagen.”

Tweede golf

Ook nu zitten we in een gedeeltelijke lockdown en is zoveel mogelijk thuiswerken weer de norm. Maar momenteel is het aantal reisbewegingen volgens Google maar 24% minder dan normaal. Net als vele organisaties is ook VWE in september begonnen met het organiseren van een terugkeer naar de werkvloer: hybride werken. Op zoek naar een balans tussen de voor- en nadelen van thuiswerken. En de bevlogenheid? Die is net zo hoog als, of zelfs hoger dan net voor de start van de corona crisis. Na de zomer is de bevlogenheid begonnen aan een herstel ondanks de stijging van het aantal besmettingen en het aantal nieuwe coronapatiënten in de ziekenhuizen. Daar waar de eerste golf een algehele schrikreactie teweegbracht, zien we nu een veel geringer effect op de stijgende bevlogenheid, hooguit een afvlakking.

Tijd nemen voor de ander

Daarom is het belangrijk om echt verbinding te maken met je medewerkers. Diverse organisaties monitoren het welzijn van hun medewerkers nu dan ook wekelijks of zelfs dagelijks. Door actief naar je medewerkers te luisteren en feedback op te halen, kun je ze de juiste middelen bieden om hun werkplezier en prestaties te optimaliseren. Regelmatig een kleine verbetering kan een groot effect hebben.

Zo kan de coronacrisis ons meer dan ooit in verbinding brengen met onze werknemers, waar we nog actiever naar gaan luisteren. En wellicht brengt dat ons naar een organisatiecultuur waarin medewerkers en leidinggevenden het belangrijk vinden om de tijd te nemen om de ander echt te willen begrijpen.

Wat betekent dit voor de lange termijn?

Maar de langetermijneffecten van ‘massaal’ thuiswerken hebben we nog weinig echt goed kunnen onderzoeken uiteraard. Wetenschappers zien voordelen zoals minder files en minder kosten voor kantoorruimtes, maar verwachten ook de nodige risico’s, zoals afnemende netwerkmogelijkheden, verminderd welzijn van medewerkers en negatieve gevolgen voor creativiteit en innovatie.

Daarom doen steeds meer bedrijven en organisaties hun best om beter inzicht te krijgen in wat er in hun werknemers omgaat. Écht proberen te begrijpen en te doorgronden wat een medewerker bewust of onbewust ervaart in de organisatie. Dat betekent medewerkers zo frequent mogelijk monitoren. Vooral in deze tijd, waarin werk en omstandigheden voortdurend in ontwikkeling zijn. Als je ziet dat er wat verandert, kun je meteen ingrijpen, ze een oppepper geven, verrassen of ondersteunen. Of achterhalen wat er speelt, als je zelf niet weet waar die dip of piek vandaan komt.

Privacy

Wie wil starten met een programma als KeenCorp, moet een doel voor ogen hebben. “Je moet echt willen weten wat er speelt”, geeft Brik aan. Nog een belangrijke tip: wees transparant. Brik: “Ik ben vanaf het begin heel transparant geweest als het gaat over deze metingen en de resultaten daarvan. Elke medewerker heeft persoonlijk zijn akkoord gegeven om hier aan mee te doen. En alle resultaten staan op Sharepoint, toegankelijk voor iedereen binnen het bedrijf.”

Die resultaten zijn anoniem. De  metingen worden namelijk geïndexeerd aan de hand van anonieme codering. Alle namen in de mail worden weggehaald en de inhoud van de mails verlaat nooit het pand van de organisatie. En de software voldoet volledig aan alle wettelijk gestelde eisen.

Opt-out

Medewerkers kunnen ook aangeven dat ze niet mee willen doen met de metingen. Dan hebben we het over de persoon die de mails stuurt. Zijn of haar mails worden dan niet meegenomen in de metingen. Kiest iemand daarvoor, maak daar dan vooral geen issue van.

Brik: “Geef je werknemers altijd de kans om voor een opt-out te kiezen. Je moet natuurlijk wel een bepaald volume hebben om een betrouwbare meting te kunnen doen. Als 65% van het bedrijf meewerkt, kom je daar denk ik al in de buurt. Bij ons heeft maar 1 werknemer voor de opt-out gekozen.”

Tot slot geeft Brik de tip om gewoon te beginnen. “Ga niet heel hard je best doen om betrouwbaar over te komen, laat de methode voor zichzelf spreken. Creëer vertrouwen door betrouwbaar te handelen.”

Ook aan de slag?

Ga je aan de slag met corona scenarios? Wij zijn zeer benieuwd naar jouw ervaringen!

Auteur:

Irma Doze

Irma Doze

Managing Director AnalitiQs

The voice of the employee: zo luister je naar je werknemer

By | Artikelen, HR | No Comments

In de marketingwereld doen we het al volop: actief luisteren naar de klant, zodat we kunnen inspelen op zijn behoeften. Irma Doze, coauteur van het boek ‘HR-analytics’, ziet nu dezelfde trend ontstaan bij werknemers. Hoe doe je dat, actief naar je werknemer luisteren? En waarom is het waardevol?

Toen het gebruik van data opkwam in de marketingwereld, stortten we ons eerst op de analytics en de algoritmes. We deden voorspellingen op basis van samenhang, bijvoorbeeld de samenhang tussen het kopen van een kookboek en bakaccessoires. Als een klant van Bol.com het ene koopt, krijgt hij ook het ander aangeboden. Interessant,  maar toch zijn we ook weer teruggegaan naar menselijke inzichten: écht luisteren naar de klant, zodat je weet wat hij ervaart en je hem kunt raken. De ‘customer experience’ onderzoeken en ‘customer insights’ genereren noemen we dat. En daarmee een merk creëren dat het hart aanspreekt. Bijvoorbeeld Calvé, met hun iconische reclame-uitingen (onder andere met de jonge versie van Lieke van Lexmond), die inspelen op onze nostalgie: ‘wie is er niet groot mee geworden?’.

Nu zien we bij medewerkers dezelfde trend. Eerst richtten werkgevers zich op de cijfers, deden ze bijvoorbeeld voorspellingen op basis van de samenhang tussen verzuim en de tijd dat iemand zijn functie beoefent. Nu komt er steeds meer ruimte voor die andere kant, inzicht krijgen in je werknemers. Echt proberen te begrijpen en doorgronden wat een medewerkers bewust of onbewust ervaart in jouw organisatie. De employee experience onderzoeken dus en employee insights verzamelen. Waarom? Heel eenvoudig, omdat onze keuzes in de regel niet rationeel zijn. Emotie speelt namelijk een grote rol in ons keuzeproces.

Monitoren

Om een beeld te krijgen van hoe het met je werknemers gaat, ga je ze monitoren. Misschien denk je nu aan een medewerkersonderzoek, zo’n onderzoek dat veel organisaties 1 keer in de 2 jaar inzetten om de tevredenheid van hun medewerkers te meten. Vaak zo gigantisch dat medewerkers er gek van worden.

Dat is echter niet voldoende om hun welzijn te kunnen volgen, vooral niet in deze tijd. Als je maar 1 keer in de 2 jaar checkt of je auto nog genoeg brandstof heeft, kom je ook voor problemen te staan. Maar zelfs met een Pulse-meting per kwartaal red je het niet. Ontwikkelingen volgen elkaar nu razendsnel op, waardoor het werk en de werkomstandigheden continu in verandering zijn en het sentiment onder medewerkers binnen no-time kan omslaan.

Veel belangrijker is het om actief naar je medewerkers luisteren, liefst wekelijks of zelfs dagelijks. Net zoals je dat bij je klant doet dus. Houd regelmatig een vinger aan de pols en check of je medewerkers goed in hun vel zitten, vooral in deze tijd. Zo maak je echt verbinding met je medewerkers en kun je ze de juiste middelen bieden om hun werkplezier en prestaties te optimaliseren. Loopt er iets niet goed, dan ben je direct gealarmeerd.

Hoe luister je actief?

Van klanten verzamelen we feedback uit de e-mails die ze sturen, de telefoontjes met het callcenter, de berichten die ze op internet posten en de feedback op de website. Op dezelfde manier kun je feedback van je medewerkers verzamelen. Dat kan actief, door een werknemer 1 op 1 te vragen wat hij van de koffie vindt of hoe hij dat gesprek vond gaan. Je zou je medewerkers ook op regelmatige basis dezelfde (korte) vragen kunnen stellen, elke week bijvoorbeeld. Een voorbeeld daarvan is de corona check-in van 5 vragen die we nu vaker zien.

Maar eigenlijk wil je je medewerkers hier zo min mogelijk mee belasten. Dat doe je door passief feedback te verzamelen. Luister wat je mensen spontaan zeggen tijdens je dagelijkse, wekelijkse of maandelijkse stand-up, bila, coachingsgesprek of teamoverleg. Kijk welke berichten je medewerkers op intranet of internet zetten en wat ze (anoniem) melden bij een vertrouwenspersoon. Met textmining is het zelfs mogelijk om het sentiment uit e-mailverkeer van een werknemer te halen. Dat klinkt als een inbreuk op privacy, maar het gebeurt nog anoniemer dan een medewerkersonderzoek.

Je kunt het geven van feedback natuurlijk ook promoten. Zorg dat je mensen ergens een uitlaatklep hebben, zoals een ideeënbus of een mogelijkheid op je intranet waar ze spontaan (en eventueel anoniem) feedback kunnen geven. Je kunt medewerkers ook vragen zich op te geven voor een onderzoekspanel, een employee community, waar ze ideeën en feedback kunnen delen.

Closed loop

Zorg dat je die feedback niet alleen maar aanhoort, maar ook registreert. Daar haal je namelijk je inzichten uit. In eerste instantie los je een probleem natuurlijk op voor de persoon die de feedback heeft geleverd. Als iemand klaagt over zijn bureaustoel, laat je die anders instellen of bestel je misschien zelfs een speciale stoel voor die medewerker.

Vervolgens combineer je, organisatiebreed, de data die je hebt verzameld. Zie je bepaalde zaken terugkomen? Klagen er meer mensen over de werktijden, over de koffie of over de bureaustoelen? Dan ga je op zoek naar de achterliggende oorzaak. Staan de stoelen van de medewerkers wel goed ingesteld? Of moet je misschien op zoek naar een andere leverancier? Dat noemen we de closed loop.

Het kan natuurlijk zo zijn dat je het probleem direct kunt oplossen, bijvoorbeeld door nieuwe stoelen aan te schaffen of een ander merk koffie te kopen. Dat klinkt simpel, maar het zijn juist die kleine verrassingen die een groot effect kunnen hebben. Regelmatig een kleine verbetering doet meer met je medewerkers dan af en toe een hele grote aanpassing.

Het kan ook zijn dat er meer onderzoek nodig is. Dan maken we onderscheid tussen strategisch, tactisch en operationeel onderzoek.

Strategisch onderzoek

Krijg je via het monitoren bijvoorbeeld signalen binnen over stress? Dan kun je een gericht onderzoek starten waarbij je een specifiek thema aanpakt, in dit geval stress op de werkvloer. Daar kun je de traditionele medewerkersonderzoek methode prima voor gebruiken. Alleen doe je dan niet elk jaar datzelfde onderzoek. Je spitst het onderzoek toe op dat ene thema dat je dit jaar gaat onderzoeken. Je kunt het onderzoek uiteraard ook uitzetten in je medewerkers community.

Tactisch onderzoek

Misschien ontvang je tijdens het monitoren signalen dat een bepaald proces binnen je organisatie niet lekker loopt, het onboarding proces bijvoorbeeld. Dan ga je procesonderzoek of process mining doen. Je wilt daarbij weten hoe de eerste 100 dagen van het onboarding proces verlopen. In dat geval ga je niet al je medewerkers vragen hoe zij dat proces ooit ervaren hebben. Je bevraagt alleen de medewerkers die op dat moment in die situatie zitten of het net hebben afgerond.

Mensen hebben namelijk een slecht geheugen. Het zijn vooral de meest recente en de meest extreme ervaringen (zowel heel goed als heel slecht) die op de lange termijn blijven hangen. Daar moet je rekening mee houden als je mensen naar hun ervaring gaat vragen. Vraag je het een week of een maand te laat, dan krijgt die extreme uitzondering wellicht de overhand en meet je niet de echte (recente) ervaring.

Operationeel onderzoek

Valt er een probleem op binnen een afgesproken proces? Denk bijvoorbeeld aan een manager met zijn team of communicatie tussen afdelingen. Kies dan voor de dialoog. Dat kan bijvoorbeeld met een focusgroep of een workshop, maar ook via een digitale brainstorm met de betrokken personen (al dan niet anoniem) of een online discussie via je employee community.

Deze onderzoeken zijn nuttig, maar het mooie ervan is ook dat ze ons in verbinding brengen met onze werknemers. We gaan nog actiever naar hen luisteren. Wellicht brengt dat ons naar een organisatiecultuur waarin medewerkers en leidinggevenden het belangrijk vinden om de tijd te nemen om de ander echt te willen begrijpen.

Ook aan de slag?

Ga je aan de slag met Voice of the Employee? Dan kan je hier meer informatie vinden.

Auteur:

Irma Doze

Irma Doze

Managing Director AnalitiQs

Datagedreven Diversiteit en Inclusie bij Een Nederlandse overheidsinstantie

By | Artikelen, HR | No Comments
NB.: aangezien we vertrouwelijk omgaan met onze klantdata, worden in dit artikel niet de cijfers getoond van de Nederlandse overheidsinstantie.
De afbeeldingen die worden getoond dienen ter illustratie van de output van een dergelijk onderzoek.

Een Nederlandse overheidsinstantie wil van opinie naar datagedreven HR. Verder is diversiteit en inclusie een belangrijk thema. Het aantrekken en behouden van een divers personeelsbestand in een krappe arbeidsmarkt draagt naar verwachting bij aan het voorhanden hebben van voldoende geschikte mensen om de taakstelling te realiseren. Daarom is vanuit enkele afstemmingsmomenten besloten om aan de slag te gaan met twee vraagstukken:

  1. In hoeverre worden mannen en vrouwen gelijk beloond voor gelijk werk?
  2. Zijn er verschillen in In-, Door- en Uitstroom (Mobiliteit) tussen mannen en vrouwen én wordt de gender balans doelstelling (30% vrouw) behaald?

AnalitiQs heeft geanalyseerd of mannen en vrouwen, na correctie voor achtergrondgegevens, gelijk worden beloond. Hieruit bleek dat er ook na correctie nog een beloningsverschil bij de overheidsinstantie is. Met een interactief Power BI rapport kan er verder worden geanalyseerd welke oorzaken ten grondslag liggen aan het salarisverschil (zie voorbeeld in figuur 1).

Daarnaast heeft AnalitiQs gekeken naar mobiliteitsverschillen tussen mannen en vrouwen en ook daarvoor een Power BI rapport opgesteld. Hieruit bleek dat vrouwen over het algemeen vaker promotie maken, maar dat er binnen enkele functieschalen en leeftijdsgroepen wel een aantal aandachtspunten zijn waardoor de gender balans doelstelling niet voor de gehele organisatie wordt gehaald (zie voorbeeld in figuur 2).

Figuur 1. Voorbeeld – Power BI dashboard voor GWGL

Figuur 2. Voorbeeld – Power BI dashboard voor Gender Mobiliteit

Situatie

Een Nederlandse overheidsinstantie neemt haar maatschappelijke taak serieus en wil daarom weten of ze mannen en vrouwen gelijk beloont voor gelijke functies. Dat er in het algemeen een nominaal verschil is in het gemiddelde salaris tussen mannen en vrouwen (dus zonder rekening te houden met allerlei achtergrondkenmerken) is duidelijk. Echter, het is onduidelijk of dit standhoudt wanneer er wordt gekeken naar het verschil tussen mannen en vrouwen als de achtergrondkenmerken gelijk worden getrokken (gecorrigeerd).

Ook leeft binnen de overheidsinstantie het vermoeden dat er mogelijk sprake is van een glazen plafond voor vrouwelijke werknemers. De overheidsinstantie wil graag weten op welk niveau dit eventuele glazen plafond speelt en of er duidelijke oorzaken voor aan te wijzen zijn. Daarnaast wil men ook weten of zij in staat zijn om vrouwen in dezelfde mate te binden als mannen.

Aanpak

Voor de Gelijk Werk Gelijk Loon (GWGL) analyse heeft AnalitiQs gebruik gemaakt van medewerker achtergronddata afkomstig uit het HR-systeem. Onder gelijke beloning valt het basissalaris en alle toeslagen en toelagen die een medewerker ontvangt. Functieschalen zijn als afgeleide gebruikt voor gelijk werk.

Alle data zijn, na de extractie uit het HR systeem, verder verwerkt en geanalyseerd in R Studio. Hierbij is, om tot een zuivere vergelijking tussen mannen en vrouwen te komen, gecorrigeerd voor zo veel mogelijk relevante achtergrondvariabelen. Vrouwen en mannen zijn middels de Rake-methode gewogen op de totale medewerkerspopulatie van de overheidsinstantie, zodat mannen en vrouwen dezelfde achtergrondkarakteristieken hebben. Vervolgens is middels een random-forest-analyse bepaald in welke mate de verschillende factoren corrigeren.

Daarnaast is een interactief rapport in Power BI gemaakt, zodat gelijke beloning bij verschillende groepen verder geanalyseerd kan worden. Hierin zitten verschillende filter opties en uitsplitsingen, zodat de klant de mogelijkheid heeft om het gehele personeelsbestand uit te pluizen.

Voor de Mobiliteitsanalyse heeft AnalitiQs opnieuw gebruik gemaakt van medewerker achtergronddata uit het HR-systeem. Alleen waar voor de GWGL-analyse de stand van de laatste maand voldoende was, is voor het mobiliteitsvraagstuk 36 maanden (3 jaar) aan data meegenomen.

Bij de dataverwerking en analyse in R Studio zijn vervolgens per maand het aantal new hires, promoties en exits berekend. Waarna verschillen tussen mannen en vrouwen in het algemeen en per achtergrondvariabele zijn bekeken. Bijvoorbeeld de functieschaal, tijd in dienst en leeftijd.

Tevens is middels ARIMA-modellen per managementniveau een voorspelling gedaan van hoe het percentage vrouwen binnen de organisatie zich zal ontwikkelen als het huidige beleid wordt gehandhaafd.

Ten slotte is ook voor dit onderwerp een interactief rapport in Power BI gemaakt, zodat er middels verschillende filter opties verschillen binnen elke gewenste groep te zien zijn.

Resultaat

Na correctie voor achtergrondvariabelen is het verschil in het gemiddelde salaris tussen en mannen een stuk lager dan het nominale verschil. Het resterende verschil na correctie kan op ongelijke beloning duiden en/of overblijven door ontbrekende variabalen zoals opleidingsniveau en richting of (relevante) werkervaring. Een concreet voorbeeld zou er als volgt uit kunnen zien (figuur 3):

Figuur 3. Voorbeeld – Nominale en gecorrigeerde loonverschil

Bij het corrigeren van het nominale verschil is gebleken dat functieniveau de sterkst corrigerende factor is. Mannen zitten relatief vaak in hoge functies, terwijl vrouwen juist relatief vaak in de lage functies zitten. Daarnaast bleken er nog een aantal factoren te zijn met een sterk corrigerend effect, zoals leeftijd (voor een concreet voorbeeld zie figuur 4). De overige factoren die weinig extra invloed op zichzelf hebben, zijn samengevoegd. Daarnaast is duidelijk geworden dat er binnen sommige functieschalen een loonverschil bestaat na de correctie. Voor deze schalen is het interessant verder uit te zoeken waar dit verschil door wordt veroorzaakt (zie figuur 1 voor een voorbeeld).

Figuur 4. Voorbeeld – Waterval met correctie per variabele

Naar aanleiding van de bevinding dat mannen relatief vaak in hoge functies zitten en vrouwen juist in lage, is het vermoeden voor het glazen plafond gegroeid.

Echter, uit de mobiliteitsanalyse is gebleken dat vrouwen in (bijna) alle functieschalen vaker promotie maken dan mannen, wat juist niet duidt op een glazen plafond (zie voorbeeld in figuur 6).

Figuur 5. Voorbeeld van mobiliteit per functieschaal

Bij het voorspellen van het percentage vrouwen in de verschillende lagen van de organisatie is gebleken dat met name in het middenmanagement de doelstelling van 30% vrouw ruim wordt gehaald (zie figuur 6 voor een soortgelijk voorbeeld). Binnen het lager management ligt het huidige percentage ook boven de 30%, maar doordat hier wat grotere schommelingen zijn geweest is de onzekerheid van de voorspelling hier wat groter en kan men zelfs weer onder de norm duiken als het tegenzit. Binnen het hoger management lijkt in het meest waarschijnlijke scenario de doelstelling in de komende maanden te worden behaald. Alleen onder het niet leidinggevend personeel is nog behoorlijk wat werk te verrichten, wanneer het huidige beleid namelijk wordt gehandhaafd, lijkt hier in het aandeel vrouwelijke werknemers zeer weinig te zullen veranderen (zie voorbeeld in figuur 6).

Figuur 6. Voorbeelden van twee voorspellingen

Middels het Power BI dashboard zijn voor het niet halen van de norm een aantal oorzaken geïdentificeerd. In sommige schalen is de instroom van vrouwen te laag en/of de uitstroom te hoog. Verder is de retentie van vrouwen die nog niet zo lang bij de organisatie werken een uitdaging om de gestelde normen te halen (zie voorbeeld in figuur 7).

Figuur 7. Voorbeeld – percentage vrouwen naar aantal dienstjaren

Met de opgedane inzichten heeft AnalitiQs acties aangeraden voor op korte, middellange en lange termijn aan de overheidsinstantie. Hiermee kan ervoor worden gezorgd dat het verschil in beloning tussen mannen en vrouwen kleiner wordt en dat de gender balans doelstelling over alle lagen van de organisatie wordt behaald. Omdat wij vertrouwelijk omgaan met onze klantdata, en dus ook met de hieruit voortkomende inzichten en acties zijn de specifieke acties voor de overheidsinstantie niet genoemd. Maar voor elke organisatie die een van de twee, of beide analyses laat uitvoeren door AnalitiQs bevelen we altijd aan de analyse(s) op lange termijn te herhalen (zie figuur 8). Zodat er uitgezocht kan worden of de genomen vervolgstappen hun vruchten hebben afgeworpen. Hiermee wordt dan duidelijk of het gecorrigeerde salarisverschil en de verschillen in mobiliteit zijn toe- of afgenomen.

Figuur 8. Aanbevelingen voor vervolgstappen

Ook aan de slag?

Wil je aan de slag met datagedreven Diversiteit en Inclusie? Neem dan contact met ons op!

Datagedreven Diversiteit en Inclusie bij Een Nederlandse overheidsinstantie

By | Artikelen, HR | No Comments
NB.: aangezien we vertrouwelijk omgaan met onze klantdata, worden in dit artikel niet de cijfers getoond van de Nederlandse overheidsinstantie.
De afbeeldingen die worden getoond dienen ter illustratie van de output van een dergelijk onderzoek.

Een Nederlandse overheidsinstantie wil van opinie naar datagedreven HR. Verder is diversiteit en inclusie een belangrijk thema. Het aantrekken en behouden van een divers personeelsbestand in een krappe arbeidsmarkt draagt naar verwachting bij aan het voorhanden hebben van voldoende geschikte mensen om de taakstelling te realiseren. Daarom is vanuit enkele afstemmingsmomenten besloten om aan de slag te gaan met twee vraagstukken:

  1. In hoeverre worden mannen en vrouwen gelijk beloond voor gelijk werk?
  2. Zijn er verschillen in In-, Door- en Uitstroom (Mobiliteit) tussen mannen en vrouwen én wordt de gender balans doelstelling (30% vrouw) behaald?

AnalitiQs heeft geanalyseerd of mannen en vrouwen, na correctie voor achtergrondgegevens, gelijk worden beloond. Hieruit bleek dat er ook na correctie nog een beloningsverschil bij de overheidsinstantie is. Met een interactief Power BI rapport kan er verder worden geanalyseerd welke oorzaken ten grondslag liggen aan het salarisverschil (zie voorbeeld in figuur 1).

Daarnaast heeft AnalitiQs gekeken naar mobiliteitsverschillen tussen mannen en vrouwen en ook daarvoor een Power BI rapport opgesteld. Hieruit bleek dat vrouwen over het algemeen vaker promotie maken, maar dat er binnen enkele functieschalen en leeftijdsgroepen wel een aantal aandachtspunten zijn waardoor de gender balans doelstelling niet voor de gehele organisatie wordt gehaald (zie voorbeeld in figuur 2).

Figuur 1. Voorbeeld – Power BI dashboard voor GWGL

Figuur 2. Voorbeeld – Power BI dashboard voor Gender Mobiliteit

Situatie

Een Nederlandse overheidsinstantie neemt haar maatschappelijke taak serieus en wil daarom weten of ze mannen en vrouwen gelijk beloont voor gelijke functies. Dat er in het algemeen een nominaal verschil is in het gemiddelde salaris tussen mannen en vrouwen (dus zonder rekening te houden met allerlei achtergrondkenmerken) is duidelijk. Echter, het is onduidelijk of dit standhoudt wanneer er wordt gekeken naar het verschil tussen mannen en vrouwen als de achtergrondkenmerken gelijk worden getrokken (gecorrigeerd).

Ook leeft binnen de overheidsinstantie het vermoeden dat er mogelijk sprake is van een glazen plafond voor vrouwelijke werknemers. De overheidsinstantie wil graag weten op welk niveau dit eventuele glazen plafond speelt en of er duidelijke oorzaken voor aan te wijzen zijn. Daarnaast wil men ook weten of zij in staat zijn om vrouwen in dezelfde mate te binden als mannen.

Aanpak

Voor de Gelijk Werk Gelijk Loon (GWGL) analyse heeft AnalitiQs gebruik gemaakt van medewerker achtergronddata afkomstig uit het HR-systeem. Onder gelijke beloning valt het basissalaris en alle toeslagen en toelagen die een medewerker ontvangt. Functieschalen zijn als afgeleide gebruikt voor gelijk werk.

Alle data zijn, na de extractie uit het HR systeem, verder verwerkt en geanalyseerd in R Studio. Hierbij is, om tot een zuivere vergelijking tussen mannen en vrouwen te komen, gecorrigeerd voor zo veel mogelijk relevante achtergrondvariabelen. Vrouwen en mannen zijn middels de Rake-methode gewogen op de totale medewerkerspopulatie van de overheidsinstantie, zodat mannen en vrouwen dezelfde achtergrondkarakteristieken hebben. Vervolgens is middels een random-forest-analyse bepaald in welke mate de verschillende factoren corrigeren.

Daarnaast is een interactief rapport in Power BI gemaakt, zodat gelijke beloning bij verschillende groepen verder geanalyseerd kan worden. Hierin zitten verschillende filter opties en uitsplitsingen, zodat de klant de mogelijkheid heeft om het gehele personeelsbestand uit te pluizen.

Voor de Mobiliteitsanalyse heeft AnalitiQs opnieuw gebruik gemaakt van medewerker achtergronddata uit het HR-systeem. Alleen waar voor de GWGL-analyse de stand van de laatste maand voldoende was, is voor het mobiliteitsvraagstuk 36 maanden (3 jaar) aan data meegenomen.

Bij de dataverwerking en analyse in R Studio zijn vervolgens per maand het aantal new hires, promoties en exits berekend. Waarna verschillen tussen mannen en vrouwen in het algemeen en per achtergrondvariabele zijn bekeken. Bijvoorbeeld de functieschaal, tijd in dienst en leeftijd.

Tevens is middels ARIMA-modellen per managementniveau een voorspelling gedaan van hoe het percentage vrouwen binnen de organisatie zich zal ontwikkelen als het huidige beleid wordt gehandhaafd.

Ten slotte is ook voor dit onderwerp een interactief rapport in Power BI gemaakt, zodat er middels verschillende filter opties verschillen binnen elke gewenste groep te zien zijn.

Resultaat

Na correctie voor achtergrondvariabelen is het verschil in het gemiddelde salaris tussen en mannen een stuk lager dan het nominale verschil. Het resterende verschil na correctie kan op ongelijke beloning duiden en/of overblijven door ontbrekende variabalen zoals opleidingsniveau en richting of (relevante) werkervaring. Een concreet voorbeeld zou er als volgt uit kunnen zien (figuur 3):

Figuur 3. Voorbeeld – Nominale en gecorrigeerde loonverschil

Bij het corrigeren van het nominale verschil is gebleken dat functieniveau de sterkst corrigerende factor is. Mannen zitten relatief vaak in hoge functies, terwijl vrouwen juist relatief vaak in de lage functies zitten. Daarnaast bleken er nog een aantal factoren te zijn met een sterk corrigerend effect, zoals leeftijd (voor een concreet voorbeeld zie figuur 4). De overige factoren die weinig extra invloed op zichzelf hebben, zijn samengevoegd. Daarnaast is duidelijk geworden dat er binnen sommige functieschalen een loonverschil bestaat na de correctie. Voor deze schalen is het interessant verder uit te zoeken waar dit verschil door wordt veroorzaakt (zie figuur 1 voor een voorbeeld).

Figuur 4. Voorbeeld – Waterval met correctie per variabele

Naar aanleiding van de bevinding dat mannen relatief vaak in hoge functies zitten en vrouwen juist in lage, is het vermoeden voor het glazen plafond gegroeid.

Echter, uit de mobiliteitsanalyse is gebleken dat vrouwen in (bijna) alle functieschalen vaker promotie maken dan mannen, wat juist niet duidt op een glazen plafond (zie voorbeeld in figuur 6).

Figuur 5. Voorbeeld van mobiliteit per functieschaal

Bij het voorspellen van het percentage vrouwen in de verschillende lagen van de organisatie is gebleken dat met name in het middenmanagement de doelstelling van 30% vrouw ruim wordt gehaald (zie figuur 6 voor een soortgelijk voorbeeld). Binnen het lager management ligt het huidige percentage ook boven de 30%, maar doordat hier wat grotere schommelingen zijn geweest is de onzekerheid van de voorspelling hier wat groter en kan men zelfs weer onder de norm duiken als het tegenzit. Binnen het hoger management lijkt in het meest waarschijnlijke scenario de doelstelling in de komende maanden te worden behaald. Alleen onder het niet leidinggevend personeel is nog behoorlijk wat werk te verrichten, wanneer het huidige beleid namelijk wordt gehandhaafd, lijkt hier in het aandeel vrouwelijke werknemers zeer weinig te zullen veranderen (zie voorbeeld in figuur 6).

Figuur 6. Voorbeelden van twee voorspellingen

Middels het Power BI dashboard zijn voor het niet halen van de norm een aantal oorzaken geïdentificeerd. In sommige schalen is de instroom van vrouwen te laag en/of de uitstroom te hoog. Verder is de retentie van vrouwen die nog niet zo lang bij de organisatie werken een uitdaging om de gestelde normen te halen (zie voorbeeld in figuur 7).

Figuur 7. Voorbeeld – percentage vrouwen naar aantal dienstjaren

Met de opgedane inzichten heeft AnalitiQs acties aangeraden voor op korte, middellange en lange termijn aan de overheidsinstantie. Hiermee kan ervoor worden gezorgd dat het verschil in beloning tussen mannen en vrouwen kleiner wordt en dat de gender balans doelstelling over alle lagen van de organisatie wordt behaald. Omdat wij vertrouwelijk omgaan met onze klantdata, en dus ook met de hieruit voortkomende inzichten en acties zijn de specifieke acties voor de overheidsinstantie niet genoemd. Maar voor elke organisatie die een van de twee, of beide analyses laat uitvoeren door AnalitiQs bevelen we altijd aan de analyse(s) op lange termijn te herhalen (zie figuur 8). Zodat er uitgezocht kan worden of de genomen vervolgstappen hun vruchten hebben afgeworpen. Hiermee wordt dan duidelijk of het gecorrigeerde salarisverschil en de verschillen in mobiliteit zijn toe- of afgenomen.

Figuur 8. Aanbevelingen voor vervolgstappen

Ook aan de slag?

Wil je aan de slag met datagedreven Diversiteit en Inclusie? Neem dan contact met ons op!

Coronacrisis kan datagedreven HR-beleid enorme boost geven

By | Artikelen, HR | No Comments

Werkgevers staan voor grote uitdagingen, die vragen om nieuwe maatregelen. Irma Doze legt uit hoe data helpt in het onbekende te kijken en onderbouwde beslissingen te nemen.

Dit artikel is oorspronkelijk gepubliceerd op CHRO

Wordt thuiswerken echt het nieuwe normaal of zitten er adders onder het gras? Meer dan ooit maakt de coronacrisis ons bewust van ons feilbare denken, juist omdat we in deze onzekere tijden niet kunnen terugvallen op onze ervaring en expertise. De crisis stelt ons daarom niet alleen voor uitdagingen, we leren er ook van. Het nemen van datagedreven beslissingen zal een boost krijgen en kan werkgevers en werknemers dichter bij elkaar brengen.

Over de hele wereld worden big data, machine-learning en andere digitale tools ingezet om de COVID-19 verspreiding te voorspellen en uitbraken op te sporen. Kijk bijvoorbeeld eens naar de Nederlandse overheid. Zij wordt onder meer door het Outbreak Management Team (OMT) voorzien van schattingen van de impact die het coronavirus heeft op de gezondheidszorg, de samenleving en de economie. Ze krijgt advies van bedrijven en experts, zoals economen. En er is veel informatie over wat er leeft bij de burger, via peilingen zoals Peil.nl. Alleen met al die gegevens kan het kabinet een datagedreven aanpak uitstippelen om de coronacrisis in Nederland in te dammen en te overwinnen.

“Het is nu echt belangrijk om verbinding te maken met je medewerkers”

Zo sta je ook als CHRO met de andere leden van het management team voor de uitdaging om binnen de eigen organisatie het juiste pad – de juiste maatregelen – te kiezen om deze crisis door te komen. Dat roept veel vragen op. Hoeveel medewerkers hebben we nodig om binnen de nieuwe anderhalve meter-economie te functioneren als organisatie? Welke werkzaamheden vervallen? Welke rollen zijn juist nu van doorslaggevend belang? Aan de andere kant: Hoeveel van onze medewerkers zijn nog beschikbaar om te werken? Kunnen we mensen op andere werkzaamheden inzetten? Hoeveel mensen kunnen vanuit huis werken? Ook hier kan data helpen om onderbouwde beslissingen te nemen.

Afwezig of ziek?

Ten eerste kun je met data de inzetbaarheid van je mensen voorspellen. Veel organisaties beginnen hun analyse door hun maandelijkse verzuim-dashboard om te zetten naar een wekelijks of zelfs dagelijks verzuim-dashboard. Dit om het verzuim van medewerkers zoveel mogelijk real-time te monitoren.

Verder is het juist nu belangrijk om vooruit te kijken. Als je bijvoorbeeld wilt achterhalen of je volgende week of over twee weken genoeg mensen aan het werk hebt, heb je weinig aan de ‘standaard’ verzuimindicatoren, zoals meldingsfrequentie en verzuimpercentage. Je wilt weten hoeveel mensen naar verwachting hoe lang afwezig zullen zijn. Voor die basis-voorspelling heb je twee ingrediënten nodig: hoeveel mensen gaan er (nieuw) uitvallen en voor hoe lang vallen ze uit?

Rekening houden met bijzonder verlof

Bij het beantwoorden van die vragen vallen me bij veel organisaties twee zaken op. Ten eerste kijken ze vooral naar uitval door ziekte, maar dat blijkt lang niet altijd het belangrijkste om te volgen. Naast verzuim is er nu mogelijk ook veel sprake van ‘bijzonder verlof’, zoals zorgverlof en calamiteitenverlof. Het een en ander is afhankelijk van de afspraken over wanneer de medewerker zich ziek meldt.

Stel, een gezinslid van je medewerker heeft klachten die voldoen aan de criteria van het RIVM. De medewerker moet daardoor thuis blijven, maar kan zijn functie niet thuis uitvoeren. Wat registreer je dan? Daar moet je als organisatie duidelijke afspraken over maken. De kwaliteit van de data valt of staat bij een goede definitie en duidelijke afspraken over het registreren van verlof en verzuim.

“Wat heeft deze eenzijdig ‘opgelegde’ pilot van thuiswerken ons geleerd?”

Ten tweede is de coronacrisis een goed moment om te zien hoe ver de organisatie nu eigenlijk is met datagedreven werken. Bij veel organisaties zal blijken dat ze er nog niet klaar voor zijn. Ze beschikken over prachtige dashboards, maar werken daar nog niet soepel mee. Even de data omzetten van maandcijfers naar dag- of weekcijfers blijkt voor veel organisaties een grote uitdaging. Andere kengetallen gebruiken en een analyse toevoegen, lukt ook niet zomaar. De coronacrisis is dus een goede toets om te checken of je echt klaar bent om datagedreven te werken.

Scenarioplanning: voldoende capaciteit creëren

Ook werkplanners hebben veel baat bij de hiervoor genoemde afwezigheidsvoorspellingen. Velen van hen draaien in deze tijd overuren. Denk aan planners die het rooster voor de komende week of weken moeten maken, waarbij sterk moet worden opgeschaald of juist afgeschaald. Afwezigheidsvoorspellingen kunnen hen helpen om voldoende (over)capaciteit te creëren.

Denk ook aan strategische personeelsplanners. Zij krijgen te maken met het acute inkomstenverlies van de organisatie, dat kan oplopen van 20% of 40% tot in sommige gevallen zelfs 90% of 100%. En denk aan vraagstukken als: Hoe gaat de organisatie er over zes maanden uitzien? Waar zijn nieuwe competenties nodig nu de wereld in één klap op digitale processen overgaat?

Hoeveel mensen hebben we sowieso na de crisis nog nodig? Welke taken zijn daarbij cruciaal? Denk ook aan vragen over structuur en cultuur: gaan we anders met elkaar samen werken? Wat heeft deze eenzijdig ‘opgelegde’ pilot van thuiswerken ons geleerd?

Scenarioplanning helpt je nu meer dan ooit om het inzicht te krijgen dat je nodig hebt om tactische en strategische keuzes te maken in dit complexe speelveld vol dynamiek en onzekerheid. Want één ding is duidelijk: deze coronacrisis gaat een heuse trendbreuk geven in de data. Data uit het verleden is daarmee, in één klap, zeker geen garantie meer voor de toekomst.

Thuiswerken de nieuwe norm?

Blijven we de komende jaren meer thuis werken met z’n allen? Het is zeker een scenario dat je voorbij hoort komen. Daardoor heb je wellicht minder kantoorruimte nodig. Maar om goed thuis te kunnen werken hebben je werknemers meer nodig dan alleen vierkante meters. Comfort is ook erg belangrijk. Je wilt dat je werknemers hun werkomgeving als fijn en inspirerend ervaren, want dat bevordert hun prestaties. En je wilt niet dat ze eerder uitvallen omdat ze last hebben van tocht, een verblindende zon, slechte stoelen of te weinig beweging. Daar zul je dus ook rekening mee moeten houden en onderzoek naar moeten doen.

“Corona-crisis zal grote trendbreuk geven in data”

Het is dus nu belangrijker dan ooit om een vinger aan de pols te houden. Eén keer per twee jaar een onderzoek onder werknemers is niet voldoende om hun welzijn te kunnen volgen in deze tijd. Zelfs met een ‘Pulse-meting’ per kwartaal red je het niet. Ontwikkelingen volgen elkaar nu razendsnel op, waardoor het werk en de werkomstandigheden continu in verandering zijn en het sentiment onder medewerkers binnen no-time kan omslaan.

Tijd nemen voor de ander

Daarom is het belangrijk om echt verbinding te maken met je medewerkers. Diverse organisaties monitoren het welzijn van hun medewerkers nu dan ook wekelijks of zelfs dagelijks. Door actief naar je medewerkers te luisteren en feedback op te halen, kun je ze de juiste middelen bieden om hun werkplezier en prestaties te optimaliseren. Regelmatig een kleine verbetering kan een groot effect hebben.

Zo kan de coronacrisis ons meer dan ooit in verbinding brengen met onze werknemers, waar we nog actiever naar gaan luisteren. En wellicht brengt dat ons naar een organisatiecultuur waarin medewerkers en leidinggevenden het belangrijk vinden om de tijd te nemen om de ander echt te willen begrijpen.

Ook aan de slag?

Ga je aan de slag met corona scenarios? Wij zijn zeer benieuwd naar jouw ervaringen!

Auteur:

Irma Doze

Irma Doze

Managing Director AnalitiQs

Fatboy Slim, Olifantenpaden, Corona en Datagedreven HR

By | Artikelen, HR | No Comments

Het nationaal HR Analytics congres 2020

Jubileumeditie

23 september was het zo ver: de vijfde editie van het Nationaal HR Analytics congres. In deze jubileum editie waren meer dan 150 gasten en 20 sprekers aanwezig. Vanwege de corona epidemie vond het congres geheel online plaats, maar dat heeft de pret zeker niet gedrukt. In dit artikel vat ik het congres samen. Mocht je deze casussen interessant vinden, volg dan HR Praktijk. In de komende weken worden de video’s van de meeste presentaties hier gedeeld.

We’ve come a long, long way together

In 1998 bracht Fatboy Slim de plaat Praise You uit. De eerste zin van de songtekst luidt: “we’ve come a long, long way together”. Dit was exact mijn eerste gedachte nadat het congres was afgesloten; wat zijn we als HR Analytics gemeenschap ver gekomen!

Waar er vijf jaar geleden nog veel gepraat werd over de potentie van HR Analytics en er twee, drie jaar geleden wellicht zelfs twijfel was over het waarmaken van de potentie, hebben we in deze editie heel veel fantastische voorbeelden gezien van cases waarmee daadwerkelijk waarde is gecreëerd voor organisaties en medewerkers.

De onderwerpen van deze cases liepen uiteen van Engagement tot Verloop, Diversiteit & Inclusie, Instroom en de ROI op HR Interventies. De methoden besloegen het hele pallet van beschrijvend tot diagnostisch, voorspellende en zelfs de heilige graal decision support. De sprekers vertegenwoordigden een divers palet aan sectoren, van overheid tot zorg, profit en semioverheid. Hieronder, per spreker, de zaken die er voor mij uitsprongen.

Intelligent business performance – Bernard Marr

We leven in de vierde industriële revolutie, ofwel de Intelligence revolutie. Deze revolutie wordt mogelijk gemaakt door een explosie aan data en heeft onder andere impact op HR.

Volgens Bernard biedt deze revolutie 3 kansen voor HR. Ten eerste, beter gebruik maken van data voor besluitvorming. Ten tweede, het automatiseren van processen en diensten. Ten derde, het voorbereiden van de organisatie op de toekomst (van werk en organiseren).

Twee katalysatoren om deze kansen te bereiken zijn volgens Bernard Cloud storage (zie ook Jumbo) en Artificial Intelligence / Machine Learning.

Ministerie VWS – Tekstanalyse competenties – Joost Hoedjes & Mart de Meij

Joost en Mart focussen zich nu met name op het neerzetten van een HR Dashboard, zodat er meer ruimte ontstaat voor HR Analytics.

Eén van de analyse onderwerpen die ze daarnaast oppakken is Strategische Personeelsplanning. Net als bij vele andere organisaties liep men bij VWS vast bij het kwalitatieve deel van Strategische Personeelsplanning. M.a.w. het was niet helder welke competenties in de organisaite voorhanden waren en wat er benodigd was.

Hiertoe is men een tekstanalyse traject gestart. Er zijn 740 vacatures gebruikt, 2 competentiemodellen gebruikt en er is een bibliotheek van woorden gemaakt die bij de competenties passen (bijvoorbeeld teamverband past bij samenwerken en algoritmes past bij computational thinking). Vervolgens zijn de vacatureteksten door een model geanalyseerd. Dit leverde antwoord op de vragen:

  • Wat voor competenties zijn gevraagd tussen 2014 en 2019?
  • Is er een verschuiving in de gevraagde competenties en/of het aantal gevraagde competenties?
  • Wat voor toekomstig relevante competenties worden nog niet uitgevraagd?
  • In hoeverre worden vacatureteksten hergebruikt?

Stedin – Strategische PersoneelsplanningWiesje Koopmans

Stedin, één van de drie netbeheerders in Nederland, zit vol in het begeleiden van de energietransitie. Door deze transitie is de verwachting dat het werk én de kennis en kunde van de mensen die het werk doen gaat veranderen. Zodoende is Stedin aan de slag gegaan met Strategische Personeelsplanning. Voor Stedin draait Strategische Personeelsplanning om het inzichtelijk maken van huidige en toekomstige vraag en aanbod naar arbeid én het mogelijke verschil daartussen.

Wiesje heeft stap voor stap laten zien hoe Stedin dit praktisch heeft aangevlogen, en daarnaast tips en enkele inzichten, die het voor Stedin heeft opgeleverd, gedeeld.

De tips: strategische richting moet helder zijn voordat er gestart kan worden; het hebben van een sponsor op directie niveau is essentieel; begrijp de business waarmee je aan de slag gaat, loop desnoods een dag mee; breng mensen bij elkaar in workshops zodat de juiste dialoog gevoerd kan worden; ongeveer goed (richtinggevend) is goed genoeg.

Achmea –  Van data naar impactvolle inzichten – Ivo Vink & Robert Albers

Iedere HR organisatie die op grote(re) schaal inzichten wil leveren over medewerker- en organisatievraagstukken zal geautomatiseerd data uit verschillende systemen moeten ontsluiten, voordat gerapporteerd en geanalyseerd kan worden. Belangrijke tips hierbij: gebruik ook bronnen die buiten HR liggen (bijvoorbeeld het tijdsregistratie systeem), bepaal vooraf wie er verantwoordelijk is voor het vertalen van de inzichten naar beleid en acties, werk met een ontwikkelagenda om de vraag naar nieuwe functionaliteit te kanaliseren.

Rabobank – Regie over eigen data – Anne Doeser

Op dit moment staat software vaak nog centraal. Dit betekent voor medewerkers dat zijn hun gegevens dubbel moeten invoeren en/of dat organisaties vele koppelingen moeten leggen om data te ontsluiten. Daar komt bij dat de data integriteit niet gegarandeerd is.

Anne hield een bevlogen pleidooi voor een wereld waarin de persoon en zijn gegevens centraal staan, zodat dubbele invoer en extractie fenomenen uit het verleden zijn en personen zelf de regie kunnen nemen over het vrijgeven van persoonsgegevens. Een mooie stip op de horizon die hopelijk gerealiseerd wordt!

Amerpoort – VerzuimBabette Hoefnagels

De zorg is ziek. Het verzuim in de zorg in Nederland lag in 2019 op 6.2%. Een piek in een stijgende trend die al enige jaren gaande is. Dit verzuim is een belangrijke oorzaak waardoor menig zorginstelling nog maar nauwelijks het hoofd boven water kan houden. De gemiddelde zorginstelling heeft nog maar een jaarlijks rendement van 1.46%.

Ook bij Amerpoort (+/- 2.700 medewerkers) is verzuim een uitdaging. 6.44% verzuim in 2019 betekent dat er elke dag 171 collega’s niet inzetbaar zijn. Per jaar kost verzuim zo’n €9 miljoen als de kosten van vervanging worden meegerekend.

Zodoende is er ruimte gemaakt om aan de slag te gaan met verzuimreductie. Maar waar moet je dan starten? Amerpoort heeft middels verzuim-analytics uitgezocht wat de risicogroepen zijn, wat de belangrijkste knoppen zijn waar aan gedraaid kan worden om verzuim te reduceren, én welke factoren géén factor voor verzuim zijn.

Een voorbeeld van een verassend inzicht? Ondanks de verwachting vooraf toonde de analyse aan dat (1) het aantal mensen dat een manager aanstuurt geen effect heeft op het verzuimpercentage, zo ook niet (2) het draaien van gebroken diensten (bv ochtend en namiddag), (3) de zorgzwaarte en (4) deelname aan een aantal verzuimreductie pilot programma’s.

Holland Casino – Relatie blije medewerker blije klant –  Jurgen Hofstede

Net zoals bij NS, een case die verderop in dit artikel wordt, zal de vraag geleefd hebben; wat leveren al die HR interventies nu eigenlijk op? Op ingenieuze wijze heeft Holland Casino deze vraag weten te beantwoorden voor medewerkerstevredenheid. Door roosterdata van medewerkers te koppelen aan de bezoektijden van gasten kon bepaald worden welke medewerkers een rol hebben gespeeld in de beleving van het bezoek van de betreffende klant. Door dit puzzeltje te leggen kon vervolgens de link tussen medewerkerstevredenheid en klanttevredenheid worden gelegd. Jurgen heeft hiermee aangetoond dat tevreden medewerkers bijdragen aan een beter bedrijfsresultaat. Daarnaast heeft hij ook laten zien welke factoren tevredenheid beïnvloeden en daarmee zijn de knoppen geleverd waar Holland Casino aan kan gaan draaien.

AnalitiQsPowerBI dashboard bouwen voor dummiesRamona Boes

De kracht van data wordt pas echt benut als data voor alle betrokkenen snel voorhanden en makkelijke interpreteerbaar zijn. Microsoft PowerBI is een laagdrempelige visualisatie tool waarin snel ontwikkeld kan worden, die bij 9 van de 10 organisaties voorhanden is en die zonder afhankelijkheid van IT te gebruiken is. In deze sessie heeft Ramona laten zien hoe relatief eenvoudig het is om in korte tijd een mooi PowerBI dashboard te bouwen.

PostNL – Verloop onder bezorgers – Anne van de Vorst & Jeffrey Snel

Stel je voor: van de 100 mensen die je aanneemt zijn er 30 mensen binnen 2 maanden weer weg. Uiteraard zijn dit zijn geen getallen om rustig bij te gaan slapen! Immers, het kost geld om mensen te rekruteren, inwerken kost tijd en de kwaliteit van de dienstverlening kan eronder leiden. Bij PostNL was 30% vroegtijdig verloop echter wel het geval. Zodoende werden Anne en Jeffrey aangehaakt om te onderzoeken welke dynamieken er rondom vroegtijdig verloop spelen. De inzichten die ze hebben opgedaan:

  • 11% van de Nieuw aangenomen medewerkers komt nooit opdagen.
  • 12% komt in dienst en vertrekt met daadwerkelijke inzet. Voor deze groep is aangetoond welke variabelen geen relatie hebben tot verloop zoals leeftijd, reisafstand en het weer. Wat er wel van invloed is kon niet worden aangetoond vanwege een gebrekkige datakwaliteit.
  • Richting het moment waarop de VOG ingeleverd moet worden stijgt het aantal opzeggingen. Al met al haakt 3% af als gevolg van VOG uitdagingen.

VWE Automotive – Medewerkersbetrokkenheid real-time – Erwin Brik

Twee jaar geleden begon VWE Automotive met het real-time meten van de medewerkersbetrokkenheid door de tekst in e-mails te analyseren in samenwerking met KeenCorp. Uiterst vooruitstrevend en zodoende één van mijn favoriete cases om te volgen. Te meer omdat ik benieuwd was of VWE effecten van Corona terugziet in de betrokkenheid. Maar ook omdat dit een manier is om de ‘voice of the employee’ op te halen zonder terug te grijpen naar een survey. Erwin laat zien dat Corona effecten terugkomen in hun metingen. Zowel voor de gehele organisatie (zie hieronder), maar ook als hij kijkt naar specifieke groepen en een vergelijking maakt met het jaar ervoor.

Wat is de status quo na 2 jaar meten? Real-time en continue inzicht in betrokkenheid voor de gehele organisatie en specifieke groepen zoals nieuwe medewerkers. Naast een blik op het verleden en heden ook een voorspelling voor de toekomst. Volledig geautomatiseerd. Intern kwalitatieve dialoog om de stand van zaken met elkaar te bespreken.

Wat is de stap die men wil gaan maken? VWE wil inzicht krijgen in de ervaren autonomie, verbinding, competentie en betekenis onder haar medewerkers. De zaken die volgens guru’s als Daniel Pink de betrokkenheid beïnvloeden. Met inzicht in deze zaken wil VWE de betrokkenheid naar een hoger peil brengen.

AnalitiQs – Analytics Translator – Alex Hellemons

Translator: een persoon die de woorden van de ene taal in de woorden van een andere taal omzet. Dit is de definitie die het Cambridge woordenboek geeft. Leuk om te weten hoe er vanuit de taalkunde naar het woord Translator wordt gekeken, maar nog interessanter om te weten wat dit woord, of beter gezegd deze rol, in het land van HR Analytics geïnterpreteerd mag worden en welke tips er bestaan. Alex deelt zijn praktijkervaringen. Twee tips heb ik eruit gepikt.

Tip 1: menig organisatie vindt het lastig om de waarde van Analytics volledig te benutten. Als je met HR Analytics aan de slag gaat, stel dan een Analytics Translator aan om niet alleen de 1e ‘muur’ op de Analytics reis te doorbreken (van terugkijken naar voorspellen), maar ook de tweede (van analyseren naar impact).

Tip 2: een Translator heeft een T-vormig profiel, want het slaan van de brug tussen de lijn, HR en het datateam is de kern van deze rol. Om dat goed te kunnen doen is het belangrijk overal een serieus gesprekspartner te zijn, maar hoef je niet overal de expert in te zijn. Een Translator moet in ieder geval HR domein kennis hebben, begrip van de business, op hoofdlijnen technische kennis en moet verandering kunnen begeleiden.

NS – Effectmeting verzuim interventiesJean-Paul Lucassen

Verzuim is een relevant onderwerp binnen NS, want het zet druk op de uitvoering van de dienstregeling. Dit is tijdens Corona het geval, maar was pre-Corona ook al het geval. Zodoende wordt er binnen de NS een jaarlijks aanzienlijk bedrag aan verzuiminterventies uitgegeven met als doel de vitaliteit te verhogen en het verzuim te reduceren.

Echter, zijn die interventies effectief als er wordt gekeken naar verzuimduur en frequentie? Of met andere woorden is het geld goed besteed? Deze vraag werd door de interne auditors van NS gesteld en kon niet op basis van feiten beantwoord worden.

De Duurzame Inzetbaarheid en People Analytics afdeling van de NS hebben samen met AnalitiQs, als onafhankelijk bureau, en haar leveranciers van de interventies het stokje opgepakt om deze vraag te onderzoeken.

Aan de hand van de analyse is voor een aantal van de interventies een sterke indicatie voor een negatief of positief effect aangetoond of verzuimduur en/of frequentie.

Verder heeft de analyse een nieuwe vraag opgeworpen: worden de juiste mensen bereikt? Onder de deelnemers aan curatieve interventies zat een aanzienlijke groep mensen die op dat moment niet-verzuimden en de deelnemers aan preventieve interventies zijn voor een aanzienlijk deel laag-verzuimers.

Een derde inzicht uit de analyse is dat het belangrijk is om bij contracteren afspraken met leveranciers te maken over het vastleggen en delen van data én eventueel zelfs het meten van zaken als vitaliteit. Op deze manier wordt het makkelijker om een robuuste analyse uit te voeren en ook verder te kijken dan alleen naar een lagging indicator als verzuim.

Ronde tafel: HR-analytics en Corona – Irma Doze e.a.

Ten tijde van de coronacrisis was er bij zowel Jumbo als NS acute vraag naar verzuiminzichten en bijzonder verlof inzichten i.v.m. quarantaines. Bij verzuim lag de nadruk vooral op het aantal zieken per dag. Naast verzuim en verlof was er bij Jumbo ook interesse in het gevoel van ‘veiligheid’ op het werk. Een snelle survey onder de medewerkers hielp om snel bij te sturen en enkele maatregelen te nemen om de ‘veiligheid’ te verbeteren. Een verschil tussen NS en Jumbo is dat bij NS de business fors te leiden heeft onder Corona. Waarbij Jumbo vooral geschoven moest worden met mensen tussen afdelingen om de vraag bij te benen zal de NS afscheid moeten gaan nemen van 2300 mensen. Ook bij deze moeilijke keuze speelt het HR Analytics team een rol. Hoe ziet de organisatie eruit met zoveel minder mensen? Bij VWE automotive kan makkelijk vanuit huis gewerkt worden en lag de grootste zorg bij een dalende medewerkersbetrokkenheid en de mate waarin samengewerkt kan worden a.g.v. Corona (zie ook de VWE Automotive case). Al met al kan gesteld worden dat de Corona vraagstukken en de vraag naar inzichten omtrent de coronacrisis van sector tot sector verschillen.

ProRail – D&I | LoonkloofRachelle van Daalen

“Zonder data ben je niks. Het is die spiegel die je naast je inspanning legt.”

Haar passie voor datagedreven D&I begon voor Rachelle met een uitzending van Buitenhof. Er werd een vergelijk gemaakt tussen de NS en ProRail op het onderwerp vrouwen aan de top. En er werd geclaimd dat ProRail niet aan D&I zou werken en zich misschien wel zou schamen over het gebrek aan Diversiteit.

Deze boute statements zorgden ervoor dat Rachelle wilde weten wat de feiten waren, zodat ze deze statements gefundeerd kon weerleggen en de feiten wilde laten gaan spreken om als organisatie meer divers en inclusiever te worden.

Sindsdien worden bij ProRail beschrijvende analyses opgesteld op zaken als man/vrouw verhouding en de in-, door- en uitstroom van mannen en vrouwen. Begin vorig jaar is daar een diagnostische analyse naar Gelijk Werk Gelijk Loon bijgekomen. En later in het jaar volgde als klap op de vuurpijl een genderbalans voorspelmodel dat aangeeft in hoeverre ProRail binnen 12 maanden de doelstelling van 30% vrouwen in de organisatie zal gaan halen.

Jumbo – Van onderbuik gevoel naar datagedreven besluitvorming – Hedwig Klarenbeek

Als ze bij Jumbo iets willen dan gaan ze ervoor! Dit geldt zeker ook voor HR Analytics. Eind 2018 werd de ambitie geformuleerd om de slag te maken naar datagedreven HR. In twee jaar zijn enorme stappen gezet, maar hoe zag die reis eruit?

Het startpunt was het uitvoeren van een nulmeting waarin de 10 bouwstenen van HR Analytics onder de loep zijn genomen en doelstellingen zijn geformuleerd.

In de haar presentatie is Hedwig vooral ingegaan op de stappen die zijn gezet op Reporting, Analytics en Research (ook wel Voice of the Employee genoemd).

Eén van de observaties in de nulmeting was dat employee experience data/inzichten niet beschikbaar waren. Zodoende is een Voice of the Employee programma gestart. Dit programma bevat inmiddels een 4 wekelijkse eNPS pulse meting (al dan niet gecombineerd met additionele vragen over een relevant thema), de mogelijkheid voor managers om op ieder moment team feedback op te halen en het continu uitvoeren van exit surveys.

Op het gebied van Reporting is men gestart zonder uitgebreide IT infrastructuur. Net als voor alle andere zaken lag in 1e instantie de focus op het creëren van concrete HR Analytics eindproducten voor HRBPs en Lijn managers, zodat de waarde van HR Analytics vanaf dag 1 helder was. Na eerst houtje touwtje data aan elkaar geknoopt te hebben met tools zoals Excel en R, werkt men inmiddels op een volwassen data infrastructuur, op basis van Microsoft Azure, en heeft men een state-of-the-art HR Dashboard, zoals hieronder weergegeven.

Voor Analytics heeft de focus gelegen op twee must-win onderwerpen voor Jumbo. Dit zijn verloop en verzuim. Op verloop bleek onvoldoende data beschikbaar te zijn. Vandaar dat men daarvoor zeer snel het exit interview heeft gelanceerd. Iedere medewerker krijgt binnen 48 uur nadat een vertrekmelding is vastgelegd per email een exit survey waarmee de achtergrond van het vertrek in kaart wordt gebracht.

Op verzuim is het HR Analytics team inmiddels in staat om risicogroepen en oorzaken aan te wijzen (diagnostische analyse), toekomstige verzuimniveau ’s te voorspellen (predictive analytics), een verzuimnorm per manager te formuleren die is gebaseerd op zaken als teamsamenstelling en daarmee realistisch is om over in gesprek te gaan én de kans op lang verzuim aan te geven op het moment van een verzuimmelding zodat verzuim casemanagers gerichter te werk kunnen gaan (decision support)

AnalitiQsAnalyseren met ExcelTeun ter Welle

Excel….?!? Excel is bijna zo oud als de weg naar Rome. Maar net als bijvoorbeeld de Via Appia is Excel ook nog steeds bruikbaar. Sterker nog sommige zaken zijn simpel en makkelijker te doen in Excel dan in analyse software als R en Python. Teun laat in 20 minuten o.a. zien hoe data visueel geanalyseerd kan worden en hij ligt de ‘oplosser’ functionaliteit toe aan de hand van enkele voorbeelden (rooster optimalisatie en de samenhang tussen variabelen achterhalen).

ASML – Instroom – Boudewijn van StraatenMattijs MolNijs Niessen

ASML is in een paar jaar tijd enorm gegroeid. Om de volumes behapbaar en de kwaliteit van de dienstverlening op het juiste niveau te houden is Operational Excellence in Recruitment enorm belangrijk bij ASML. ASML is zodoende aan de slag gegaan met Process Mining als kern element van Operational Excellence. Een nieuwe analyse techniek binnen HR!

Met deze techniek is onderzocht in hoeverre het procesontwerp rondom recruitment gevolgd wordt en in hoeverre er aanpassingen gemaakt moeten worden om de werkelijkheid te faciliteren.

Waar de gemiddelde recruitment happy flow start met CV beoordelingen, gevolgd door gesprekken en wordt afgesloten met een aanbieding, ziet de praktijk er anders uit, zie hieronder.

De resultaten van deze analyse zullen enerzijds gebruikt worden om proces discipline aan te moedigen en anderzijds, olifantenpaadjes die zijn ontstaan en toegevoegde waarde hebben, beter te faciliteren. Ook wordt er gekeken of Process Mining toegepast kan worden op andere HR gebieden, bijvoorbeeld het in kaart brengen van interne mobiliteit.

Tot slot

Al met al waren het twee zeer inspirerende dagen waarin duidelijk is geworden dat het HR Analytics vliegwiel in menig organisatie met succes is aangezwengeld. Grote uitdaging wordt nu om niet alleen relevante inzichten te creëren, maar deze ook om te zetten in acties en beleid, ofwel impact.

Ik wil Mindcampus bedanken voor de organisatie en kijk uit naar de 6e editie. Hopelijk met een bezoek in levende lijve, alhoewel het volgen van deze fantastische online presentaties ook zeker geen straf was.

Mocht je verder willen praten over één van deze onderwerpen dan hoor ik graag van je en maak ik met plezier tijd!

Over de auteur

Gido is mede-oprichter van AnalitiQs. Met 20 HR Analytics experts, hét HR Analytics bureau van Nederland. Als HR Analytics product owner helpt Gido organisaties om de transitie te maken naar datagedreven HR. Daarnaast werkt hij als Analytics Translator & Project manager mee aan specifieke HR projecten die middels data aangevlogen worden. Denk hierbij aan thema’s als Strategische Personeelsplanning, Diversiteit & Inclusie, Verzuim, Verloop, de effectiviteit van het HR instrumentarium en Voice of the Employee.

Auteur:

Gido van Puijenbroek

Gido van Puijenbroek

Managing Director AnalitiQs

DSM: data(kwaliteit)-gedreven HR-beleid

By | Artikelen, HR | No Comments

Om serieus met People Analytics en een datagedreven HR-beleid aan de gang te gaan, dat leidt tot acties die een organisatie verder helpen, is het essentieel dat de kwaliteit van de data hoog is. Om dat te bereiken vond bij DSM de afgelopen jaren het project MORE plaats. Gaby Montens, HR Expert op datagebied bij DSM, vertelt erover.

Het project MORE (Masterdata, Organization data and Reporting  Excellence) was een initiatief vanuit HR. Montens vertelt over de aanleiding voor MORE: “Als HR hebben we de afgelopen jaren een transformatie doorgemaakt, waarbij HR een nieuwe strategie kreeg met nieuwe rollen binnen de HR organisatie. Na afloop van die transformatie zagen we dat we als HR op datagebied nog niet waren waar we wilden zijn. Want onze ambitie is om data op een hoog niveau te hebben en te houden. Niet alleen om onze processen goed te kunnen ondersteunen maar ook om te  kunnen bijdragen aan datagedreven HR-beleid. We willen  meewerken aan de strategie en kunnen zorgen dat we inzichten die we opdoen met de data, ook echt omzetten in acties en gedragsveranderingen om de organisatie verder te helpen en te verbeteren. Daarom zijn we met MORE begonnen.” En dat past prima in de forse transformatie, die DSM als organisatie in de loop der jaren heeft ondergaan, vertelt Montens. “DSM was ooit een mijnenbedrijf en is nu een moderne, vooruitstrevende organisatie die op zoek is naar innovatie en heel duidelijk wil bijdragen aan duurzaamheid en gezonde en goede zaken voor de mens.”

Gaby Montens

Gaby Montens

HR Expert op datagebied bij DSM

Op drie gebieden aan de slag

Montens legt uit waar het bij HR aan schortte voordat MORE van start ging: “Er was nog ambiguïteit in onze datakwaliteit, de rapportages waren nog niet op het niveau dat we wilden en onze systemen konden nog verder gestroomlijnd worden, waarbij we datakwaliteitschecks wilden inbouwen. Betere datakwaliteit zou ons ook helpen om processen beter en meer betrouwbaar te laten verlopen.” HR ging bij MORE op deze drie gebieden – masterdata management, organisatiemanagement en reporting – aan de slag. “Op alle drie de gebieden hebben we verbeteringen doorgevoerd die de organisatie verder kunnen helpen en die voor ons de basis leggen om serieus aan de slag te gaan met People Analytics.”

Bij masterdata wordt onder meer gekeken  naar de compliancy van de data, dat wil zeggen of de data klopt met de businessregels. “Bij DSM hebben we tijdens een eerder project zes gebieden met ‘core’ datavelden gedefinieerd, waaronder employment, persoonlijke data, organisatiedata en salarisdata. Vervolgens hebben we op basis daarvan een actuele data dictionary opgezet, want de bestaande data dictionary was sterk verouderd. Die actuele data dictionary vormt nu het hart van onze dataorganisatie. En we hebben businessregels bepaald voor ieder dataveld, dat wil zeggen regels waar een dataveld aan moet voldoen, en deze vervolgens geautomatiseerd toegepast. Zodat we rapportages konden creëren over de datakwaliteit en aan datacleansing konden doen. Met het datakwaliteit dashboard kan HR nu maandelijks de status van de data meten en inspringen waar nodig. Dat gebeurde eerst in projectvorm, maar is inmiddels overgedragen aan de managed operationsorganisatie, HR shared services. Daar zit nu een team dat de wijzigingen bijhoudt, kijkt of er nieuwe velden nodig zijn en of dat er nieuwe businessregels van toepassing zijn. Daarnaast kunnen er ook nieuwe  waardes mogelijk zijn, bijvoorbeeld door de komst van een nieuw bedrijf of een nieuwe locatie.”

Het datakwaliteit dashboard is niet alleen toegankelijk voor HR. “Ook medewerkers van andere afdelingen kunnen ernaartoe. Qua communicatie focussen we echter wel op HR. We hebben per dataveld groepen mensen gedefinieerd die eigenaar zijn van dat dataveld. En we hebben gedefinieerd voor welke velden we problemen zelf kunnen oplossen en welke we moeten overdragen aan een HR businesspartner of misschien wel de medewerker zelf.”

Montens geeft een concreet voorbeeld: “We hebben bijvoorbeeld gekeken naar het mailadres van medewerkers. Dat moet voldoen aan bepaalde criteria, die zijn vastgelegd in een businessregel. Samen met IT hebben we gekeken naar een systeem om die regel te controleren en dat leidde tot een rapportage met een inventarisatie in hoeverre de mailadressen aan de businessregel voldeden.”

Een belangrijke les die HR tijdens dat traject leerde was dat het opzetten van businessregels een levend iets is. “Wat vandaag relevant is, kan morgen namelijk minder relevant zijn. En omgekeerd. Bovendien kunnen er ook businessregels bijkomen of verdwijnen. En het kan zo zijn dat door veranderingen binnen de organisatie er andere datavelden komen.”

Data Accuracy

Bij de masterdata werd niet alleen gekeken naar de compliancy, maar ook naar de accuracy van de data. “Dat was nodig, want je kunt wel voldoen aan de businessregel, maar dat wil nog niet zeggen dat de ingevulde waarde wel de juiste waarde is. In het voorbeeld van de mail: klopt het mailadres wel met de medewerker die het gebruikt?”

Maar wie kan het beste checken of data correct is? HR besloot deze vraag datagedreven aan te pakken en startte een pilot binnen de eigen afdeling: “We wilden weten van welke groep we de meeste respons kregen. Daarom hebben we HR opgedeeld in medewerkers, managers en HR business partners. Vervolgens hebben we de groepen gevraagd om bepaalde data te checken. Het bleek dat we van de medewerkers de meeste en beste respons kregen en dat we bij hen de grootste cleansing konden doen.”

Deze uitkomst leidde via scrumsessies met IT tot de komst van MyDataChecker, een applicatie waarbij vanuit de data dictionary werd gekeken welke velden de medewerkers zelf ‘schoon’ zouden kunnen houden en welke door anderen moesten worden opgepakt. “Daar kwamen zestien velden uit die zijn verwerkt in een tool, waarmee elke medewerker elk moment van de dag zijn data kan controleren. Vervolgens kan hij een change request aanvragen. Als HR hebben we gekeken of voor zo’n change request een kwaliteitscheck of informatieaanvraag nodig is en dat resulteerde erin dat we voor de wijziging van sommige velden hebben gevraagd om een paspoort- of identiteitscontrole. HR of een externe partner voert vervolgens de wijzigingen door.”

Tips

De eerste tip die Montens andere organisaties wil geven, is om gewoon te beginnen. “Ga niet ellenlang brainstormen. Ga aan de slag en stel bij waar nodig. Wij zijn in 2017 gestart en hebben ons oorspronkelijke plan ook bij moeten stellen. Dat is ook logisch, want de wereld verandert continu.”

Een tweede tip: “Zorg voor focus. Als je met data aan de slag gaat, zijn er namelijk zoveel topics die je aan kunt en wilt pakken. Je kunt echter beter een paar dingen goed doen dan heel veel dingen half.”

Een derde tip van Montens is om gebruik te maken van de beschikbare technieken en de scope te verbreden tot buiten HR. “Maak gebruik van de capaciteiten die er zijn binnen je bedrijf. Zorg voor complete, inter-functionele teams, zodat je alle kennis in je team hebt en snel kunt schakelen.”

Communicatie

In het team dat MyDataChecker ontwikkelde, zaten ook IT mensen die de connectie moesten maken vanuit de brondata om ervoor te zorgen dat de data van de juiste persoon werden opgehaald en communicatiemedewerkers om te zorgen voor een juist gebruik. “Dat laatste is cruciaal in zo’n proces. Het ontwikkelen is een, maar je moet er vervolgens duidelijk over communiceren en zorgen voor trainingen, zodat je mensen meeneemt in je project. Daarom zijn er informatiesessies geweest en is er een pagina gebouwd waar medewerkers informatie kunnen vinden over de applicatie en het gebruik. Verder zijn er nieuwsberichten geweest, filmpjes gemaakt en is er via het interne Yammer-platform gecommuniceerd.”

Live

MyDataChecker ging op 1 april 2019 live. In november 2019 volgde een  update met onder meer een video. De app is in het eerste half jaar inmiddels ruim 23.000 keer geopend. Meer dan 4.000 keer bevestigden medewerkers de juistheid van de data en ruim 800 keer leidde het tot een change request. Er wordt nu gekeken hoe MyDataChecker verder ontwikkeld kan worden. “Zo willen we dat er een jaarlijkse pop-up komt, waarbij vaste medewerkers gevraagd wordt hun data te controleren. En we willen dat nieuwe medewerkers die pop-up na twee maanden krijgen. Daarnaast kijken we of het aantal van zestien velden misschien uitgebreid moet worden.”

Organisatiedata

Bij organisatiedata werd er eerst voor gezorgd dat het model van medewerkers die organisatieveranderingen mogen inbrengen duidelijk werd. “Daarvoor hebben we een systeem gemaakt waarbij we basis users en advanced users hebben gedefinieerd en daarboven nog een expert. Daardoor hebben we bij complexe veranderingen duidelijke rollen. Daarnaast hebben we flink gewerkt aan het maturity-level van het HRSS OM-team.” Montens zag ook bij de organisatiedata dat communicatie belangrijk was. “Het helpt om medewerkers uitleg te geven en ze te leren hoe je organisatiemanagement moet bedrijven. Organisatiemanagement draait namelijk om het ‘vertalen’ van de vraag van de klant naar de juiste acties in het systeem.”

De afgelopen periode zijn er nog een aantal zaken toegevoegd binnen organisatiemanagement. “Zo hebben we een beslisboom ontwikkeld waarmee we vanuit een medewerkersactie komen tot een actie die in het organisatiemanagement moet gelden. Als ik een positie moet aanmaken, betekent dat vaak dat ik óf iemand in dienst neem óf dat er iemand van positie verandert. De personeelsdata hangen dus altijd samen met de organisatiemanagement data.”

Daarnaast is Montens bij organisatie data ook bezig met positiemanagement. “Daarbij kijken we kritisch naar het aantal op te voeren posities, volgens de afspraken die we hebben gemaakt, om zo datavervuiling te voorkomen.  Bovendien willen we dat ons systeem uiteindelijk de basis wordt voor de workforceplanning. En die workforceplanning willen we tevens koppelen aan het budgetproces.”

Valkuilen

Bij de masterdata kwam Montens in aanraking met een valkuil, die uiteindelijk werd omgebogen tot een succes: het splitsen van de kwaliteit van data in compliancy en accuracy. “Je kunt namelijk niet alleen focussen op een deel, je moet het alle twee meenemen.”

Een tweede valkuil is ownership. “Zorg dat je een duidelijk ownership creëert bij medewerkers en collega’s. Een papieren proces is leuk, maar als het in de praktijk niet werkt, heb je uiteindelijk nog niets.”

Succesfactoren

Ownership is daarom een belangrijke succesfactor volgens Montens om de kwaliteit van je data onder controle en op een hoog niveau te hebben. Een tweede succesfactor is het hebben van dedicated medewerkers die de data monitoren en waar nodig problemen signaleren, zodat deze kunnen worden aangepakt.

Een derde succesfactor is het hebben van een basisdocument, in het geval van DSM de data dictionary, waaraan de data en alle daaraan gelinkte informatie kunnen worden opgehangen.

Ook het hebben van een dashboard waarmee datakwaliteit inzichtelijk wordt gemaakt, is voor Montens een succesfactor. Evenals communicatie. “Het is belangrijk dat je de medewerkers uitlegt wat je van ze verwacht en waarom het zo belangrijk is. Neem het salarisniveau. Dat is belangrijk voor een medewerker, want als het niet klopt, krijgt hij een verkeerd salaris. En voor de manager is het belangrijk omdat hij wanneer het salaris niet juist is, verkeerde teamkosten krijgt.”

Trots

Terugkijkend op de afgelopen jaren is Montens vooral trots dat het gelukt is om HR op een hoger niveau te krijgen op het gebied van de kwaliteit van de data en op het gebied van reporting. De hoge data kwaliteit heeft geleid tot accurate rapportages en heeft ervoor gezorgd dat de HR processen soepeler verlopen en als betrouwbaar worden gezien. “We hebben nu een Workforce dashboard, waar een kleine 160 HR-medewerkers gebruik van maken. Via een survey (datagedreven!) krijgen we ook terug dat HR-medewerkers het van toegevoegde waarde vinden om zo via instant informatie de business te kunnen bedienen. Want we nemen niet langer beslissingen op basis van gut feeling, maar op basis van data. En we kunnen op basis van die data ook acties uitvoeren die daadwerkelijk leiden tot verbetering.”

Toekomst

“We kijken nu naar de volgende stap die we kunnen maken in onze People Analytics reis. Zodat we straks onze ambitie kunnen waarmaken om datagedreven informatie om te zetten in acties voor DSM. Om dat te bereiken wordt nu onderzoek gedaan en worden de eerste businessvragen met use cases in kaart gebracht. Hypotheses worden getoetst en eerste correlaties vanuit diverse personeelsdata zijn in beeld gebracht. Als bedrijf staan waarden en duurzaamheid hoog in het vaandel dat willen we ook tot uiting laten komen in hoe we verder met People Analytics om kunnen gaan. We hebben als DSM dan ook gekozen om een Ethical Framework op te zetten, zodat we op ethisch verantwoorde wijze en in overeenstemming met GDPR People Analytics binnen DSM kunnen neerzetten.”

Uitdagingen

Tijdens het proces waren er volop uitdagingen, zegt Montens. “Je stelt je allereerst de vraag: wat kun je, wat wil je en waar doe je het voor. Vervolgens moet je kijken hoe je met je resources om gaat en waar je je kennis vandaan haalt. Daarna moet je gewoon beginnen, want medewerkers zijn vaak voorzichtig en terughoudend als het om data gaat. Bovendien is zo’n proces levend en kun je het gaandeweg altijd aanpassen. Dat is met data net zo: wat je vandaag vastlegt, is morgen weer anders.”

Montens ziet dat de hogere datakwaliteit leidt tot een hogere tevredenheid bij medewerkers. “Daarnaast helpt het ons bij onderzoeken en de analyses die we aan het doen zijn. Het feit dat medewerkers vertrouwen op de data zorgt er namelijk voor dat processen gemakkelijker gaan en dat medewerkers vertrouwen op de uitkomsten van rapportages. Dat vertrouwen hebben we echter wel moeten opbouwen. Vandaar dat in het begin datacleansing ook zo belangrijk was.”

Een belangrijke uitdaging in het traject was de privacy. “Het gaat om het vastleggen van de juiste data en ook de dataprivacy op zich is de laatste jaren een topic geworden waar we rekening mee moeten houden. Als DSM zijn we ook nadrukkelijk bezig met privacy. Zo hebben we een ‘Center of Expertise (COE)’ voor privacy en bevat MyDataChecker een privacy statement dat juridisch gecheckt is. Onderdeel van People Analytics, zoals we dat binnen DSM aan het opzetten zijn, is het Ethical Framework waarin we 4 medewerkersrechten hebben gedefinieerd. Naast privacy speelt ook transparantie daarin een grote rol. Om erop toe te zien dat het Ethical Framework goed wordt toegepast, is er een Ethical Board benoemd, met daarin leden die de hele DSM organisatie vertegenwoordigen. ”

Montens raadt andere organisaties die aan de slag willen gaan met reporting en analytics aan om ervoor te zorgen dat de kwaliteit van de data op een acceptabel niveau is. “De twee disciplines kunnen overigens wel gelijk op gaan, want juist doordat je aan de slag gaat met reporting en  analytics en de resultaten laat zien, gaan gebruikers vragen stellen, omdat ze zien waar het aan schort. Daardoor kom je tot een betere datakwaliteit. Zelf zijn we daarom al tijdens MORE met het People Analytics project begonnen.”

Naast het feit dat HR zich richt op de medewerkers, is er ook aandacht voor de managers. “Zo kijken we momenteel hoe we ons budgetproces kunnen verbeteren met name als het gaat om informatie over het aantal FTE’s. We kijken daarnaast of we het Workforce Dashboard ook kunnen uitrollen voor managers.

Algoritmes zijn zo betrouwbaar als je ze zelf maakt

By | Artikelen | No Comments

Bij de groeiende kritiek op algoritmes, legt Irma Doze uit waarom data juist onze redding is, en hoe je algoritmes wel moet gebruiken.

Dit artikel is oorspronkelijk gepubliceerd op CHRO

Durft u kunstmatige intelligentie in te zetten om het kaf van het koren te scheiden in een sollicitatieprocedure, of voor talentmanagement? Best eng, maar zonder die data doen we het absoluut niet beter.

De resultaten logen er niet om toen het Amerikaanse marketingbedrijf Dialog Direct algoritmes inzette om nieuwe werknemers binnen te halen. Het bespaarde 75% aan interviewtijd en de retentie nam toe met 7 procentpunt. Zo bespaarde de organisatie miljoenen dollars. Ook de Franse glasproducent Saint-Gobain (met wereldwijd 180.000 medewerkers) plukte de vruchten van de inzet van algoritmes: zij spotten met behulp van een algoritme diverse interne talenten die anders buiten beeld gebleven zouden zijn.

Onterecht afgewezen

Hoe mooi die voorbeelden ook klinken, toch roepen algoritmes de laatste tijd veel discussie op. Want hoe eerlijk en rechtvaardig zijn ze nou eigenlijk? Wat als kandidaten onterecht worden afgewezen of gepromoot, alleen maar op basis van data? We lezen steeds vaker dat algoritmes onbetrouwbaar zouden zijn. Uit onderzoek blijkt dat HR-functionarissen wel HR-analytics willen gebruiken, maar tegelijkertijd grote reserves hebben. Want ja zijn algoritmes eigenlijk wel zoveel beter dan wij mensen? Of juist nog erger?

De verkeerde beslissing

Ik snap het als u het lastig vindt om op data te vertrouwen. En terecht, want een algoritme is niet 100% betrouwbaar. Maar dat zijn onze hersenen ook niet. Integendeel, vraag een groep van 25 mensen eens hoe groot de kans is dat 2 van hen op dezelfde dag jarig zijn. Ze zullen inschatten dat die kans héél klein is, maar in werkelijkheid is die kans bijna 60%. Op het gebied van statistiek laat onze intuïtie ons dus vaak in de steek. Dat toont Nobelprijswinnaar Daniel Kahneman aan in zijn boek ‘Ons feilbare denken’.

Bij het maken van een beslissing laten we ons deels sturen door vooroordelen. Stel, een sollicitant heeft een 6 als eindcijfer op zijn diploma. Je weet dat een cijferlijst niet veel zegt over iemands talent als werknemer, maar je hersenen registreren dit toch als iets negatiefs. Of je nu wilt of niet, tijdens het sollicitatiegesprek spookt die 6 door je hoofd. Onze hersenen zoeken automatisch naar bevestiging. Je ziet wat je verwacht te zien en alle signalen die dat gevoel tegenspreken, negeer je.

Wat stop je er in?

Een algoritme zou dat probleem niet hebben. Data heeft geen last van zelfoverschatting of emoties. Data is neutraal. Het is de combinatie met menselijk handelen die de technologie goed of slecht maakt. Er zijn namelijk 2 kenmerken waar je bij een algoritme rekening mee moet houden:

  1. Wat je er niet in stopt, komt er ook niet uit
  2. Wat je er in stopt, komt er ook uit 

Laten we beginnen met wat je er in stopt. Stel, je bent op zoek naar een nieuwe programmeur en je laat algoritmes zoeken naar de juiste kandidaat. Leeftijd en geslacht vind je niet relevant, dus die variabelen neem je niet mee. Wat stop je er dan wel in? Je zoekt talent en je wilt dus weten hoe goed de kandidaat in zijn werk is. Daarom laat je algoritmes stukjes programma analyseren die de kandidaat geschreven heeft.

Programmeertalent te pakken

Ook al weet je na deze exercitie niets van het geslacht, de leeftijd of het diploma van de kandidaat die hieruit rolt, één ding weet je wel zeker: je hebt een programmeertalent te pakken! Je neemt hem dus aan. Maar wat blijkt na een tijdje: deze collega past eigenlijk helemaal niet in het team. Daar heeft het algoritme geen rekening mee gehouden, want: wat je er niet in stopt komt er ook niet uit. Die variabele (match met het team) had je dus ook mee moeten nemen.

Het analyseproces begint dus met een belangrijk stukje menselijk handelen: zorgen dat het systeem met de juiste variabelen begint. Ga met elkaar om de tafel zitten en brainstorm vrijuit over alle variabelen die belangrijk zouden kunnen zijn. Denk breed en creatief, het mogen honderden variabelen zijn. Daarna is het de beurt aan de data: die analyseert op basis van statistiek welke variabelen de meeste impact hebben op wat je met het algoritme wilt voorspellen.

Het verleden voorspelt de toekomst

Maar ook aan het einde van de rit komt menselijk handelen om de hoek kijken. Want ook bij de data die ‘er uit komt’, loop je tegen een probleem aan. Algoritmes baseren hun voorspelling altijd op data uit het verleden. Die oude data is door mensen gegenereerd. En mensen zijn bevooroordeeld. Neem de programmeur in kwestie. Misschien is het wel zo dat vrouwen net een andere programmeerstijl hebben dan mannen. En dat jij in het verleden meer mannen in dienst had dan vrouwen. Dan wordt het een self fulfilling prophecy: de programmeerstijl die de data als ‘goed’ beoordeelt is vooral gebaseerd op de stijl van mannen. Dat betekent dat de data onbewust toch op sekse discrimineert. De data borduurt voort op menselijke keuzes uit het verleden.

Finetunen

Wat moeten we daar mee? Denk eens aan de automatische piloot van een vliegtuig – één en al algoritmes. De piloot vertrouwt daar in principe blind op. Maar als zijn intuïtie zegt dat de meters kapot zijn, zal hij toch echt wel zelf aan het stuur moeten trekken. Zo zullen wij dat ook moeten doen. Belangrijk om voor ogen te houden is daarom: automatiseer niet meteen volledig maar blijf zelf checken. Wees kritisch. Analyseer de data, toets de algoritmes op integriteit. Evalueer de resultaten, bekijk ook de kandidaten die het algoritme niet door heeft laten gaan. Kom je er achter dat de data onbewust toch discrimineert? Ga dan na hoe dat komt. Dan kun je het algoritme aanpassen, zodat dit in de toekomst niet meer voorkomt.

Eerlijker en betrouwbaarder

Door veelvuldig gebruik van algoritmes en analyses daarop kunnen we ze dus steeds verder finetunen. Zo worden ze nog beter, eerlijker en betrouwbaarder. Nu al selecteren algoritmes een stuk eerlijker en rechtvaardiger dan het menselijk brein. Met de weinige discriminatie die er nog wel in zit, gaan we heel bewust om. We evalueren, analyseren, checken en toetsen. Iets wat bij menselijke beslissingen vaak niet eens wordt gedaan. Voorheen waren we dus onbewust onbekwaam. Nu zijn we in elk geval bewust, en meestal ook nog bekwaam.

Ook aan de slag?

Ga je aan de slag met algorithmes? Wij zijn zeer benieuwd naar jouw ervaringen!

Auteur:

Irma Doze

Irma Doze

Managing Director AnalitiQs

Het potentieel van re-boarding

By | Artikelen | No Comments

Een kans om de Employee Experience te optimaliseren en kosten te besparen?

Als we de management guru’s mogen geloven leven we heden ten dage in een belevingseconomie. Een economie waarin organisaties niet louter producten aan klanten leveren, maar heuse belevingen.

Initieel draaide het in de belevingseconomie vooral om de beleving van klanten. Zodoende heeft Marketing dan ook het nodige pionierswerk verricht op concepten als Customer Experience (CX), Customer Journeys en Voice of the Customer (VoC).

Voice of the employee: huidige stand van zaken

Inmiddels is het inzicht ontstaan dat een organisatie niet alleen een goede beleving dient te bieden aan klanten, maar ook aan medewerkers. Een goede beleving is min of meer de standaard geworden, dus waarom zou je in je rol als medewerker genoegen nemen met een proces dat kapot is of een gammele user-interface? Daarnaast is bewezen dat een goede Employee Experience (EX) geld oplevert. Zo toonde AnalitiQs onlangs aan dat een retailer miljoenen kan besparen als de eNPS in alle winkels wordt opgetrokken naar het niveau van de 20% hoogst scorende winkels, doordat verzuim en verloop worden verlaagd en marge wordt verhoogd.

Aangezien organisaties inmiddels door hebben dat een goede EX belangrijk is, zijn veel organisaties aan de slag gegaan met het in kaart brengen van Employee Journeys en het meten van de Voice of the Employee (VoE).

Logisch startpunt voor HR was het (continu) monitoren van de medewerker engagement. Veelal wordt hier het concept eNPS voor gebruikt. Vervolgens is menig organisatie aan de slag gegaan met het meten van de ervaring met de HR-helpdesk, onboarding en vertrekredenen. Tegelijkertijd is er nog zoveel meer dat de EX beïnvloedt. Denk aan cultuur, arbeidsmarkt perceptie, werkdruk, etc.

Voice of the employee: het potentieel van re-boarding

Eén specifieke kans die ik er graag uitlicht is re-boarding, ofwel het terugkeren van medewerkers in het arbeidsproces. Volgens mij ligt hier een mogelijkheid om enorm veel te winnen in EX, maar ook te besparen in kosten.

Gezien de potentie van re-boarding ben ik hier tijdens de HR-analytics bijeenkomst van Rumbold (gehost door Pointlogic, met een inspirerende bijdrage van AIHR), samen met Ella de Laat van Stork, Simone Eeken van ANWB en Monica Trommelen van de Gemeente Den Haag dieper ingedoken.

Allereerst stonden we stil bij de vraag: wat zijn re-boarding journeys? We kwamen tot het volgende lijstje: (1) terugkeren na een expat opdracht, (2) terugkeren na verlof – sabbatical, ouderschap, re-integreren – en (3) switchen tussen zelfstandig opererende bedrijfsonderdelen met dezelfde moederorganisatie.

Vervolgens hebben we één van deze journeys gekozen om nader uit te werken. Aangezien re-integratie bij zowel ANWB, als Stork en Gemeente Den Haag speelt was dat een logische keuze. De journey ziet er op hoofdlijnen zo uit: plan van aanpak met bedrijfsarts > plan van aanpak met manager > gedeeltelijk aan de slag > volledig terug

Vanwege de beschikbare tijd (20 minuten) hebben we binnen deze journey specifiek gekeken naar het maken van een plan van aanpak met de bedrijfsarts. Welke data kunnen daar gebruikt worden om de EX te beïnvloeden?

• Vanuit de systemen kunnen we de volgende data halen: vindt het gesprek plaats, zijn er afspraken op alle minimaal vereiste punten, zijn de afspraken van voldoende kwaliteit, welke hulpmiddelen worden aangeboden.

• De systeemdata kunnen worden aangevuld met surveydata: hoe was de ervaring om tot een plan te komen, wordt het plan als helder ervaren, heeft de medewerker het gevoel dat zijn/haar behoeftes herkend worden, wat ging goed, wat mag er anders?

Uiteindelijk kunnen deze data gebruikt worden om de journey te optimaliseren en daarmee de EX te verbeteren, alsmede kosten te besparen. Immers, snellere terugkeer en minder terugval zal een positief effect hebben op de productiviteit.

Ook aan de slag?

Ga je aan de slag met re-boarding? Wij zijn zeer benieuwd naar jouw ervaringen!

Auteur:

Gido van Puijenbroek

Gido van Puijenbroek

Managing Director AnalitiQs

Werknemers bevelen werkgever in 2018 opnieuw vaker aan

By | Artikelen, eNPS, HR | No Comments

Auteur: Ramona Boes

In navolging van afgelopen jaar is de employer Net Promoter Score (eNPS) onder de werkende Nederlandse bevolking van 18 tot 64 jaar in 2018 opnieuw gestegen, blijkt uit ons jaarlijks, nationaal eNPS onderzoek. Waar de stijging vorig jaar echter vooral door een toename van het aantal promotors kwam, komt de stijging deze keer met name door een afname van het aantal criticasters: van 24% in 2017 naar 19% in 2018.

Werknemers bevelen werkgever in 2018 opnieuw vaker aan

De eNPS geeft weer hoe waarschijnlijk werknemers hun werkgever zullen aanbevelen en is vastgesteld volgens de Europese berekening (voor uitleg zie artikel eNPS 2017). De eNPS lijkt het meest samen te hangen met het consumentenvertrouwen: waar al sinds 2014 ieder kwartaal de economie groeit en de werkloosheid en het aantal faillissementen afneemt, is de echte toename van het consumentenvertrouwen, net als de stijging van de eNPS, zichtbaar vanaf eind 2016.

Figuur 1 - eNPS onder de werkende Nederlandse bevolking van 18 tot 64 jaar, voor 2014 - 2018

Figuur 1 – eNPS onder de werkende Nederlandse bevolking van 18 tot 64 jaar, voor 2014 – 2018

eNPS voor organisaties in alle branches gestegen in 2018

Qua ranking van de branches is er dit jaar weinig veranderd. De top drie best scorende branches is hetzelfde gebleven en de drie laagst scorende branches zijn t.o.v. vorig jaar alleen onderling van positie gewisseld.

3 hoogst scorende branches
Huidige ranking (ranking 2017)
1. Collectieve sector (1)
2. Gezondheidszorg (2)
3. Onderwijs (3)

3 laagst scorende branches
Huidige ranking (ranking 2017)
6. Kennisintensieve dienstverlening (7)
7. Overige dienstverlening (8)
8. Transport (6)

Verder zien we dat alle branches een vergelijkbare of betere eNPS hebben in vergelijking tot 2017. De grootste absolute stijging zit dit jaar in de branche overige dienstverlening. De eNPS in deze branche is met 17 punten toegenomen. Er waren in het afgelopen jaar dan ook fors minder faillissementen in deze branche en het aantal starters is licht toegenomen, zo blijkt uit de kwartaalmonitor van Graydon. De zakelijke, financiële en overige dienstverlening stuwen de bedrijvigheid: zij zijn samen verantwoordelijk voor bijna de helft van de netto-groei van de Nederlandse bedrijvigheid.

De kleinste absolute stijging is te zien in de branche transport. Deze branche vinden we mede daardoor dit jaar terug op de laagste plaats. Volgens de eerder genoemde kwartaalmonitor zijn alle branches in het afgelopen jaar in omvang toegenomen en ook nam in bijna alle branches het aantal starters toe. Echter, in o.a. de sector transport en logistiek nam het aantal starters juist af. Maar aan de zonnige kant, de positieve trend in eNPS voor deze branche is nog niet doorbroken!

Ook bij de collectieve sector vinden we sinds 2016 een positieve trend terug en dit is tevens de hoogst scorende branche in 2018. Dit zou goed samen kunnen hangen met de gemeentelijke CAO ontwikkelingen: de laatste CAO stamde uit 2015, maar in 2017 is er een tijdelijke CAO afgesloten waarin gemeenteambtenaren een verhoging van 3,25 procent structureel over 20 maanden zouden krijgen en in 2018 is een akkoord bereikt met de vakbonden over een nieuwe CAO bij het rijk met nog eens 7% meer loon in de komende 1,5 jaar.

Ten slotte valt op dat de branches gezondheidszorg, handel en overige dienstverlening een zogenaamde U-curve vormen: de eerste jaren was er een dalende trend zichtbaar maar na de dip in 2016 is de eNPS nu voor het tweede jaar op rij gestegen.

Figuur 2 - eNPS per branche voor 2014 - 2018 voor werkende bevolking 18-64 jaar

Figuur 2 – eNPS per branche voor 2014 – 2018 voor werkende bevolking 18-64 jaar

Werknemers in (zeer) grote vestigingen het meest positief

Wanneer we de eNPS vergelijken voor de verschillende vestigingsgroottes zien we dat vooral in (zeer) grote vestigingen tevreden werknemers zitten. Deze relatief hoge eNPS komt met name door een relatief laag aantal criticasters. Ook in 2017 was een dergelijk patroon zichtbaar en in eerdere jaren hebben wij dit aspect nog niet onderzocht. Alleen waar nu de laagste score van 23 is bereikt bij 251 t/m 500 medewerkers, lag het ‘dal’ in 2017 bij de vestigingen met een grootte van 101 t/m 250 medewerkers.

Het positieve effect van (zeer) grote vestigingen lijkt dus wel duidelijk, maar om te kunnen vaststellen of de middelgrote vestigingen door werknemers als minder positief worden ervaren, zullen we de komende jaren verder onderzoeken.

Figuur 3 - eNPS per grootte van de vestiging

Figuur 3 – eNPS per grootte van de vestiging

Werknemers ervaren meer tijd om te herstellen dan vorig jaar

Kijkend naar de mate van herstel buiten het werk valt in Figuur 4 op dat hoe meer werknemers het gevoel hebben dat zij voldoende tijd hebben buiten het werk te herstellen, hoe hoger hun eNPS is.

Figuur 4 - eNPS per mate van zowel fysiek als mentaal herstellen

Figuur 4 – eNPS per mate van zowel fysiek als mentaal herstellen

Tijdig en voldoende herstel van werk en werkstress zijn op langere termijn van groot belang voor de gezondheid, prestaties en inzetbaarheid van werkenden. Dit vertelde Sabine Geurts, hoogleraar arbeid, stress en herstel tijdens haar oratie: “Niet snel genoeg herstellen zorgt bijvoorbeeld voor slecht slapen. En mensen die slecht slapen beginnen de volgende werkdag met een achterstand. Dan moet iemand een extra inspanning leveren om dezelfde prestatie te leveren. Dat kan best enige tijd goed gaan, maar niet tot in het oneindige.”

Gelukkig zien wij dat werknemers beduidend meer het gevoel hebben dat zij genoeg tijd hebben om te herstellen dan vorig jaar. Er zijn relatief gezien zowel minder werknemers in 2018 die ervaren dat zij niet genoeg hersteltijd hebben (19% t.o.v. 26% in 2017), als meer werknemers die sterk het gevoel hebben dat zij genoeg tijd hebben om buiten het werk zowel fysiek als mentaal te herstellen (49% om 42%).

Figuur 5 - Mate van herstellen in 2017 en 2018

Figuur 5 – Mate van herstellen in 2017 en 2018

Concluderend is de eNPS in 2018 dus voor zo goed als iedereen verbeterd!

Auteur:

Ramona Boes

Ramona Boes

Data Scientist AnalitiQs