Verzuim verlagen en aanpakken met de juiste inzichten
Welke persoonskenmerken, werk- en organisatieomstandigheden leiden tot verzuim? Lees hoe AnalitiQs deze verzuimanalyse heeft aangepakt.
Situatie
Onze klant is een financiële dienstverlener met activiteiten in meer dan 20 landen. Nederland is een belangrijke markt voor dit bedrijf.
Bij de Nederlandse tak zijn ongeveer 4500 medewerkers in dienst en ruim meer dan de helft van de kosten zijn aan personeel gerelateerd. Medewerkers zijn dus niet alleen de sleutel tot succes, maar ook de belangrijkste kostenpost van het bedrijf.
Gezien het belang van de medewerkers voor de organisatie leeft de wens om meer datagedreven te gaan werken binnen HR.
Aan AnalitiQs is de vraag gesteld om de huidige situatie rondom datagedreven HR in kaart te brengen, om samen met het MT HR een ambitie te formuleren, om deze ambitie om te zetten in een roadmap én om de uitvoering van fase 1 van deze roadmap te begeleiden. In deze fase zit o.a. een HR-analytics pilot.
Aanpak
Ten eerste is gekeken of 1 van de businessvragen, die tijdens de nulmeting zijn opgehaald, gekwalificeerd is voor de HR-analytics pilot. Uiteindelijk is ervoor gekozen om met een klassiek HR-thema, verzuim, aan de slag te gaan. Enerzijds om het stakeholder landschap eenvoudig te houden, anderzijds om het afbreukrisico in de opstartfase van datagedreven werken te beperken.
Zodra het thema is geselecteerd is er een klein projectteam opgezet. Voor dit team leverde onze klant de HR-experts en Data-eigenaren. AnalitiQs heeft een Data scientist en een projectmanager ingebracht. Middels een agile project aanpak, in combinatie met inhoudelijke snelkooksessies, is het HR-analytics proces afgelopen (businessvraag bepalen, businessvraag omzetten naar analysevragen, data verzamelen, data prepareren, analyseren en inzichten genereren).
Het doel van de analyse is het verklaren van verzuim. Met andere woorden, welke persoonskenmerken, werk- en organisatieomstandigheden leiden tot verzuim? Hierbij is verzuim onderverdeeld in verzuimfrequentie en verzuimduur en is speciale aandacht uitgegaan naar lang verzuim.
Ten behoeve van de analyse zijn data verzameld uit verschillende operationele HR-systemen. Ook zijn data uit medewerkersonderzoek ingebracht. De totale data set bevat +/- 150 variabelen. Nadat de data set compleet is, zijn er verschillende statistische methoden ingezet om inzichten te genereren, onder andere:
- Variantie analyse
- T-toets
- Regressie analyse
- Random Forest Analyse
- CHAID analyse
Hiernaast is er gewerkt met software als Excel, SPSS, R en Tableau.
Resultaat
Het belangrijkste eindproduct is een MS PowerPoint document. In dit document worden verzuimoorzaken en risicogroepen voor zowel frequentie, duur als lang verzuim benoemd. Deze worden aangegeven voor het gehele bedrijf, maar zijn ook uitgesplitst naar andere dimensies, zoals bijvoorbeeld bedrijfsonderdeel en operationeel versus staf.
Met dit eindproduct is de financiële dienstverlener in staat om, op basis van feiten, doelgroep gerichte interventies in te zetten en beleid te ontwikkelen. Als gevolg van deze analyse weet de organisatie zeker dat ze zich op de juiste zaken richt om verzuim omlaag te krijgen en kan zij haar budgetten veel gerichter inzetten. Uiteindelijk moet dit leiden tot een significante daling van het verzuim en daarmee de niet-productieve arbeidsuren.
