Waarom alleen een rapportage
nog geen analytics is

AnalitiQs is de nieuwe consultancypartner van het online platform #HRTech Review. Mark van Assema van #HRTech Review sprak met Gido van Puijenbroek over HR-tech partijen die ‘analytics’ leveren. Hoe kun je nu onderscheiden welke ‘analytics’ een aanbieder van HR-technologie levert en wat je daaraan hebt?

Gido van Puijenbroek onderscheidt vier niveaus van analytics, zoals ook Gartner Research die hanteert:

1. Beschrijvende analytics; dit is wat we meestal ‘rapportage’ noemen.
2. Diagnostische analytics; waarbij je gaat analyseren en diagnosticeren wat er gebeurd zou kunnen zijn.
3. Voorspellende analytics; waarbij je gaat voorspellen wat er in de toekomst kan gebeuren.
4. Voorschrijvende analytics; waarbij je door verschillende bronnen aan elkaar te koppelen een verandering kunt bereiken.

Gido: “Wanneer we deze niveaus ter illustratie koppelen aan het HR-topic ‘Recruitment’ kan het achtereenvolgens om de volgende 4 vragen gaan:

1. Hoeveel mensen met een hbo-profiel hebben we aangenomen in de laatste 12 maanden?
2. Is er een relatie tussen opleidingsniveau en performance?
3. Kunnen we, op basis van een veelvoud aan data punten bijvoorbeeld opleidingsniveau, voorspellen wat de kans is dat iemand succesvol wordt binnen organisatie in een bepaalde rol?
4. Wanneer iemand (niet) voldoet aan de karakteristieken om succesvol te zijn, laten we het systeem dan een advies uitbrengen over het al dan niet aannemen (decision automation) of voegen we nog een menselijke interpretatieslag toe (decision support)?

Bij een pakketselectie is het goed om grondig te onderzoeken wat er daadwerkelijk wordt geboden en welke randvoorwaarden er zijn om de functionaliteit te laten werken, bijvoorbeeld het vullen van een aantal standaard datavelden.”

Wat moet een leverancier van HR-technologie aanbieden voordat het ‘analytics’ zou mogen heten?

“In de markt wordt het modewoord ‘analytics’ veel gebruikt door marketeers om de rapportagemodule beter te laten klinken. Analytics is een soort verzamelterm geworden voor functionaliteit voor datamanagement, onderzoek/enquêtes, rapportage en analytics zelf. Persoonlijk zou ik het prettig vinden als Reporting niet als Analytics wordt verkocht aangezien het binnen het vakgebied van datagedreven werken twee verschillende domeinen zijn.”

Zijn er HRTech-aanbieders die echte analytics aanbieden?

“Die zijn er zeker. Veel aanbieders zijn begonnen met niveau 1 – descriptive analytics. Denk hierbij aan Crunchr, PurpleHRM, Orgvue die een applicatie voor dit doel hebben ontwikkeld. Of aan Cornerstone on Demand en Workday die rapportage bieden naast de operationele processen die in hun systeem zitten. Je ziet nu dat sommige partijen zich verder ontwikkelen. Zo kun je in sommige operationele systemen voorspellende analyses doen op voorgedefinieerde en typische HR-analyse vragen zoals de kans op verloop. Verder zie je dat leveranciers als Crunchr, Qlearsite en Visier zich verder ontwikkelen richting meer geavanceerde analytics. Tevens zie je dat onderzoekstools een analytics functie krijgen, een mooi voorbeeld hiervan is CultureAmp. Zij bieden bivariate analyse (relatietest tussen twee variabelen) en tekstanalyse van open antwoorden op hun platform.

Waarom zou een organisatie voor HR-analytics met generieke BI of Analytics tools willen werken?

“Uiteindelijk wil je HR-gegevens ook koppelen aan andere databronnen in de organisatie, zoals verkoopcijfers of klanttevredenheidscores uit het contactcenter. Soms moet je zelfs koppelen met data van buiten, denk aan Google Analytics data over het bezoek van de vacaturepagina. In mijn optiek is het niet aan te raden om dit in een HR specifieke tool te doen. Dan is het nodig meer generieke Reporting Business Intelligence/Analyticstools te gebruiken. Voor Analytics kun je denken aan SAS, SPSS, R of Python. En voor BI zijn Tableau, PowerBIi en Qlik veelgenoemde partijen.

Bedenk dus eerst welke businessdoelen je wilt bereiken en breng dan de data uit verschillende bronnen bij elkaar die voor dit doel nodig zijn. Soms is een oplossing specifiek voor HR handig, tegelijkertijd wil je generieke tools hebben voor specifieke en/of functie overstijgende vraagstukken.”

Welk succesvol traject kun je in dit kader benoemen?

“Onlangs heb ik gewerkt aan een project in de VS. Een organisatie heeft daar 5 callcenters en vroeg zich af hoe de prestaties van de 5 zich tot elkaar verhouden én welke medewerker eigenschappen samenhangen met de operationele performance van medewerkers (bv gemiddelde afhandeltijd, kanttevredenheid, etc). Door data uit Workday, Excel en callcenter systemen te combineren konden we inzichtelijk maken dat 1 van de 5 locaties significant minder presteerde. Tevens konden we inzichtelijk maken welke factoren de medewerker performance verklaarden. Toevalligerwijs was het minder presterende callcenter hetgeen dat men tot dan toe van plan was te gaan uitbreiden. De meerwaarde van data-gedreven werken was hiermee snel aangetoond.”

Wanneer is een HR-afdeling klaar om data-gedreven te gaan werken?

“Veel mensen denken dat de data perfect moeten zijn voordat ze kunnen starten, maar dat is een misvatting. Om succesvol met analytics te starten, werkt het meestal beter om klein te beginnen en aldoende te leren. Begin bijvoorbeeld met een businessvraagstuk in een bepaalde HR-hoek, bijvoorbeeld hoe kunnen we klanttevredenheid verbeteren door betere mensen aan te trekken of de engagement te verhogen? Breid later uit naar andere HR-onderdelen/vraagstukken. Zo word je vanzelf steeds volwassener.

Begin je met een groot project om de datakwaliteit te verbeteren, dan lever je tot de tijd dat het klaar is weinig businesswaarde. Plus, als data niet gebruikt wordt, is er ook geen noodzaak tot opschoning en zodoende zie je dergelijke datakwaliteit-trajecten regelmatig spaak lopen. Ook analytics zou je agile moeten aanpakken. Zo kun je uit iedere sprint de business het resultaat laten zien, wat enthousiasme en budget voor de volgende stap oplevert.”

Moet je een grote organisatie zijn om met analytics aan de slag te gaan?

“Nee, zeker niet. Mijns inziens is dit 1 van de grootste misvattingen rondom HR-analytics. Als kleine organisatie kun je wellicht niet de meest geavanceerde analyses doen, maar er is een aantal zaken die iedere organisatie kan oppakken.

Strategische Personeelsplanning, een vorm van analytics, kan ook bij kleine populaties. Zo heeft AnalitiQs een SPP-traject gedaan voor een financiële dienstverlener met circa 150 man. Een ander voorbeeld is kwantitatief onderzoek. Bij een klein IT-bedrijf hebben we bijvoorbeeld een medewerker engagement onderzoek uitgevoerd. En voor een organisatie die games produceert en publiceert, verzorgt AnalitiQs een HR-dashboard met ken- en stuurgetallen. Ook hebben we daar middels analytics uitgezocht waarom het verloop in een korte tijd was verdubbeld. Met deze inzichten heeft onze klant het verloop weer onder controle gekregen.”

Heb je nog tips voor organisaties die HR-analytics tools dan wel een Operationeel HR-systeem willen gaan gebruiken?

“De markt van HR-analytics ontwikkelt zich snel. Er zijn veel leveranciers die mooie oplossingen bieden. Ga dus niet voor de eerste de beste tool die voorbijkomt, maar start een selectietraject waarbij je je eerst breed en vervolgens op enkele leveranciers diep oriënteert. Net als je voor een nieuw ATS, LMS of Talent Management Systeem zou doen.

Als je een implementatie doet van een operationele HR-tool (ATS, LMS, PSA, Talent Management) is reporting/analytics vaak een ondergeschoven kindje in de project scoping en planning. Dit leidt ertoe dat menige systeemimplementatie niet de managementinformatie oplevert die vooraf was beloofd.  Ik raad iedereen aan om vooraf grondige specificaties op te stellen en/of aan te geven wat er als output verwacht wordt, bijvoorbeeld inzicht in aantal medewerkers die per recruitment funnel worden aangenomen. Indien het vooraf specificeren een uitdaging is, kun je ook een potje reserveren voor enkele agile sprints die je na technische oplevering uitvoert. Op deze manier is er wel budget en aandacht voor Reporting en/of Analytics en kun je werken vanuit de data die uiteindelijk in het systeem terecht zijn gekomen.”