Retentie en verloop van werknemers

Hoe data kan helpen retentie te verhogen en personeelsverloop te minderen

Datagedreven retentie van medewerkers

Nu de oorlog om talent als nooit tevoren woedt, zijn personeelsbehoud en verloop belangrijke thema’s voor bijna elke organisatie.

Als gevolg hiervan hebben veel (HR-)organisaties er hun prioriteit van gemaakt om het behoud van werknemers te verbeteren en het verloop van werknemers te verminderen. Ook halen veel (HR-)organisaties hun retentie- en verloopdoelstellingen niet.

Daarom is het tijd voor een nieuwe benadering van het behoud en verloop van werknemers; een datagedreven aanpak. Op deze pagina vindt u het volgende:

  1. Waarom een datagedreven benadering van het behoud en verloop van werknemers superieur is aan een conventionele aanpak
  2. Hoe een datagedreven aanpak van het behoud en verloop van werknemers moet worden geïmplementeerd
  3. Waar organisaties aan kunnen denken wanneer ze willen overstappen van conventionele retentiepraktijken naar datagestuurde retentie
  4. Case voorbeelden van succesvolle datagedreven initiatieven voor het behoud en verloop van werknemers
  5. Beantwoordt veel veelgestelde vragen (FAQ’s) over retentie en verloop met betrekking tot gegevens

De webex over personeelsverloop en behoud gemist? Download hier de presentatie

  • Dit veld is bedoeld voor validatiedoeleinden en moet niet worden gewijzigd.

Waarom is datagedreven retentie en verloop van medewerkers belangrijk

Data driven HR gaat natuurlijk over data. Hoewel data een prominente positie inneemt in data driven HR, is een ander belangrijk element van data driven HR (ook bekend als HR Analytics of People Analytics) het gestructureerd oplossen van problemen.

In de praktijk vertrouwen veel organisaties nog steeds op aannames, onderbuikgevoelens en komen ze niet verder dan kijken naar gemiddelden bij het beoordelen van een uitdaging. Een datagedreven benadering van retentie en verloop helpt om die werknemerssegmenten te beperken die risico lopen en aandacht vereisen. Het helpt organisaties om van een generieke, algemene aanpak over te schakelen naar een lasergerichte aanpak die kan variëren van het ene werknemerssegment tot het andere, waardoor een grotere impact wordt gemaakt met gelijke of minder kosten.

Hoe datagedreven retentie en verloop van medewerkers aan te pakken

Klinkt dit interessant? Het implementeren van een datagestuurde aanpak van het behoud en verloop van werknemers kan worden gedaan door middel van de volgende stappen:

1. Gegevens verzamelen:
De eerste stap is het verzamelen en opslaan van gegevens over het behoud en verloop van werknemers. Dit kunnen gegevens zijn uit operationele HR-systemen over werving, promoties, overplaatsingen, uitdiensttredingen en demografische gegevens van werknemers. Idealiter zou de dataset ook gegevens van werknemersenquêtes moeten bevatten, bijvoorbeeld uit de engagement-, onboarding- en exit survey.

2. Visualiseer de gegevens:
Zodra de gegevens zijn verzameld, moeten deze worden gevisualiseerd in een dashboard voor retentie en verloop van werknemers. Met een dashboard kan HR vaststellen in welke werknemerssegmenten retentie en verloop echt een probleem is. Hieronder vindt u een voorbeeld van een HR Retention and Attrition-dashboard:

Hulp nodig bij het bouwen van een Dashboard voor werknemersbehoud/verloop? Neem contact met ons op!

3. Definieer vereiste inzichten:
Zodra de werknemerssegmenten met een retentie- en/of verloopuitdaging zijn geïdentificeerd, kunnen voor elk segment analysevragen worden gedefinieerd. Of met andere woorden, welke inzichten zijn nodig om de retentie te verbeteren en het verloop te verminderen? Bijvoorbeeld:

  • Welke factoren zijn binnen de groepen met verhoogd verloop gerelateerd aan retentie/verloop?
  • Waarom verlaten mensen binnen deze groepen de organisatie?
  • Waar vertrekken deze mensen naartoe ?
  • Wat is het vluchtrisico van mensen binnen deze groepen? 
  • Welke teams kunnen in de toekomst ongezond verloop verwachten?
  • Wat zijn mogelijke mitigerende maatregelen voor de mensen die risico lopen?

4. Pas Data Science toe:
Met gedefinieerde werknemerssegmenten en analysevragen kunnen Data Scientists aan de slag. Data Scientists zullen Machine Learning-technieken gebruiken om de bovengenoemde vragen te beantwoorden, of ze gaan een stap verder en kunnen algoritmen bouwen die HR ondersteunen in de dagelijkse werking ervan. Met behulp van voorspellende of zelfs prescriptieve data science-technieken kunnen Data Scientists een algoritme bouwen dat aangeeft in welke teams de kans op verloop het grootst is en het algoritme kan zelfs suggesties geven aan HR over mogelijke interventies om verloop in het team te voorkomen.

5. Ontwikkel en implementeer retentiestrategieën:
Met behulp van de inzichten die zijn verkregen uit de data-analyse, moeten organisaties retentiestrategieën ontwikkelen die de geïdentificeerde risicofactoren aanpakken. Deze strategieën moeten worden afgestemd op de specifieke behoeften en voorkeuren van de verschillende werknemersgroepen. Zodra de retentiestrategieën zijn ontwikkeld, moeten ze in de hele organisatie worden geïmplementeerd.  Verander- en communicatiemanagement is belangrijk in deze fase. Deel de bevindingen, inzichten en plannen met alle betrokken belanghebbenden, inclusief werknemers en management, om buy-in, transparantie en verantwoording te garanderen.

6. Monitoren en evalueren:
De effectiviteit van de retentiestrategieën moet in de loop van de tijd worden bewaakt en geëvalueerd. Slagen we in onze opzet of moeten we onze aanpak bijstellen? Hier komt het Employee Retention/Attrition dashboard weer om de hoek kijken.

Klik hier om terug te gaan naar de inhoudsopgave.

Wat zijn voorbeelden van datagedreven medewerkersretentie en -verloopinterventies?

Omdat de redenen voor personeelsverloop per sector en zelfs per bedrijf kunnen verschillen, maar ook omdat organisaties zich in een andere HR Analytics volwassenheidsfase kunnen bevinden, variëren de oplossingen die (HR-)organisaties implementeren rond datagedreven werknemersretentie en -verloop ook. Hieronder vindt u enkele veelvoorkomende datagedreven praktijken voor het behoud en verloop van werknemers, georganiseerd in drie categorieën: surveys, analyse/data science en dashboarding/statistieken.

Surveys

Onboarding-enquête: Een goed ontworpen en effectief inwerktraject kan helpen om nieuwe werknemers klaar te stomen voor succes in hun nieuwe rol en kan hun betrokkenheid bij en inzet voor de organisatie vergroten. Dit kan op zijn beurt leiden tot een hogere mate van werknemersbehoud. Employee Journey Mapping in combinatie met een Onboarding-enquête levert de inzichten om het Onboarding-traject te verbeteren en daarmee indirect het behoud van werknemers en het personeelsverloop te beïnvloeden.

Employee engagement: zodra werknemers met succes zijn ingewerkt, is het belangrijk om hun betrokkenheid en retentie-intentie bij te houden, omdat dit kritieke leidende indicatoren zijn voor retentie/verloop. Hiervoor kan een engagementsurvey worden gebruikt. De gegevens die worden verzameld met een engagementsurvey kunnen worden gebruikt om drijfveren voor werknemersbetrokkenheid te identificeren, wat organisaties kan helpen bij het ontwikkelen van gerichte retentiestrategieën.

Het kan ook worden gebruikt om voorspellende algoritmen te ontwikkelen, bijvoorbeeld een model om het vluchtrisico van werknemers te voorspellen, dat HR kan gebruiken om een gerichte en zinvolle dialoog te voeren over het voorkomen van verloop.

Exit survey: ondanks alle inspanningen om verloop te voorkomen is het moeilijk/onmogelijk om al het personeelsverloop te voorkomen. Daarom is het belangrijk om ook een continue exit survey uit te voeren. De enquête is ontworpen om informatie te verzamelen over de redenen van de werknemer om te vertrekken, hun percepties van de organisatie en hun ervaring tijdens het werken bij de organisatie, maar ook informatie over waarheen of waarvoor ze vertrekken. Door inzicht te krijgen in deze problemen en trends en deze aan te pakken, kunnen organisaties de algehele werknemerservaring verbeteren en de kans op personeelsverloop verminderen.

Hulp nodig bij het opstellen van een employee retention/attrition survey? Neem contact met ons op!

Analyse / Data Science

Diagnostische modellering: Data Scientists kunnen gegevens gebruiken om diagnostische modellen te maken die de factoren identificeren die bepalend zijn voor personeelsverloop. Deze modellen kunnen worden gebruikt om actieplannen en beleid te formuleren.

Voorspellende modellering: Data Scientists kunnen gegevens gebruiken om voorspellende modellen te maken die de factoren kunnen identificeren die het meest waarschijnlijk leiden tot personeelsverloop. Deze modellen kunnen worden gebruikt om werknemers te identificeren die het risico lopen te vertrekken en om stappen te ondernemen om ze te behouden.

Clusteranalyse: Data Scientists kunnen clusteranalyse gebruiken om werknemers te groeperen op basis van vergelijkbare kenmerken, zoals functie, ambtstermijn of betrokkenheidsniveau. Dit kan organisaties helpen om patronen in personeelsverloop te identificeren en gerichte retentiestrategieën te ontwikkelen voor verschillende groepen werknemers.

Tekstanalyse: Data Scientists kunnen tekstanalysetechnieken gebruiken om tekst uit personeelsenquêtes en functioneringsgesprekken te analyseren om gemeenschappelijke thema’s of patronen in de feedback van werknemers te identificeren. Dit kan organisaties helpen gebieden te identificeren waar verbeteringen nodig zijn en stappen te ondernemen om problemen aan te pakken die kunnen bijdragen aan het personeelsverloop.

Netwerkanalyse: Data Scientists kunnen netwerkanalyse gebruiken om belangrijke beïnvloeders of connectoren binnen een organisatie te identificeren. Dit kan organisaties helpen om werknemers te identificeren die van vitaal belang zijn voor de organisatie en om stappen te ondernemen om hen te behouden en/of hen te gebruiken als ambassadeurs in veranderingsprogramma’s, waardoor de buy-in onder werknemers wordt gestimuleerd.

Deep learning: Data scientists kunnen deep learning-algoritmen gebruiken om (geanonimiseerde) ongestructureerde gegevens zoals e-mails van werknemers, chats en andere digitale interacties te analyseren om patronen in het gedrag van werknemers te identificeren die erop kunnen wijzen dat een werknemer overweegt het bedrijf te verlaten.

Hulp nodig bij data science over werknemersbehoud/verloop? Neem contact met ons op!

Dashboards/statistieken

Het bijhouden van belangrijke metrics voor het behoud en verloop van werknemers (zie hiernaast) kan organisaties helpen om gebieden met verhoogd personeelsverloop te identificeren en de effectiviteit van retentie-inspanningen te meten.

Idealiter zijn deze statistieken opgenomen in een visueel en interactief HR-dashboard waarmee HR-professionals snel kunnen identificeren of en waar uitdagingen bestaan (scroll naar boven voor een voorbeelddashboard).

Retentie- en verloopmetrics:

Onboarding tevredenheid
Betrokkenheidsniveau
Retentie intentie
Onvrijwillig verloop
Redenen voor onvrijwillig vertrek

NB: HR moet in staat zijn om de metrische waarden in verschillende dimensies te bekijken, bijvoorbeeld Business Unit, Business Line, Team; Regio, Land, Locatie; Leeftijdscategorieën; Dienstverband categorieën; enz.
Hulp nodig bij het definiëren van metrics of het bouwen van een Dashboard voor werknemersbehoud/-verloop? Neem contact met ons op!

Klik hier om terug te gaan naar de inhoudsopgave.

Voorbeelden van datagedreven retentie en verloop van medewerkers

General Electric (GE) gebruikt geavanceerde analyses om werknemers te identificeren die het risico lopen te vertrekken en om gerichte retentiestrategieën te ontwikkelen. Ze gebruiken gegevens uit werknemersenquêtes, prestatie-evaluaties en andere bronnen om de belangrijkste drijfveren voor werknemersbetrokkenheid en -tevredenheid te identificeren. Ze gebruiken ook machine learning-algoritmen om te voorspellen welke werknemers het risico lopen te vertrekken en om gerichte retentiestrategieën te ontwikkelen.

Amazon gebruikt datagestuurde inzichten om de retentie van werknemers te verbeteren. Ze voeren regelmatig enquêtes uit en gebruiken gegevens uit prestatie-evaluaties en andere bronnen om de belangrijkste drijfveren voor werknemersbetrokkenheid en -tevredenheid te identificeren. Ze gebruiken ook machine learning-algoritmen om te voorspellen welke werknemers het risico lopen te vertrekken en om gerichte retentiestrategieën te ontwikkelen.

Procter &Gamble gebruikte data-analyse om de betrokkenheid van werknemers bij te houden en patronen in omzet te identificeren. Ze ontdekten dat werknemers die een gevoel van “doel” in hun werk hadden, meer geneigd waren om bij het bedrijf te blijven. Op basis van dit inzicht hebben ze hun managementpraktijken aangepast om werknemers meer mogelijkheden te bieden om betekenis te vinden in hun werk.

Walmart gebruikte data-analyse om de betrokkenheid van werknemers bij te houden en patronen in omzet te identificeren. Ze ontdekten dat werknemers die een gevoel van “gemeenschap” op de werkplek voelden, eerder geneigd waren om bij het bedrijf te blijven. Op basis van dit inzicht hebben ze wijzigingen aangebracht in hun managementpraktijken om een gevoel van gemeenschap en verbondenheid onder werknemers te bevorderen.

Jumbo Supermarkten: heeft onboarding, engagement en exit surveys ingezet en voert data science uit om te ontdekken waarom mensen blijven en vertrekken en waar ze naartoe vertrekken. Vervolgens gebruikt Jumbo de inzichten die met deze technieken worden gegenereerd om data-geïnformeerde acties te ondernemen en beleid te implementeren gericht op het verminderen van verloop en het verbeteren van retentie. De impact wordt bijgehouden met verschillende HR Dashboards.

Klik hier om terug te gaan naar de inhoudsopgave.

Veelgestelde vragen met betrekking tot het behoud en verloop van werknemers

Hoe bereken je de retentie van werknemers?

Retentiepercentage = (Aantal werknemers aan het einde van de periode – Aantal nieuwe aanwervingen gedurende de periode) / Aantal werknemers aan het begin van de periode

Als een bedrijf bijvoorbeeld aan het begin van het jaar 100 werknemers had, gedurende het jaar 10 nieuwe werknemers had aangenomen en aan het einde van het jaar 92 werknemers had, zou hun retentiepercentage zijn: (92 – 10) / 100 = 0,82 of 82%

Dit betekent dat 82% van de werknemers die aan het begin van het jaar in dienst waren, aan het einde van het jaar nog in dienst waren.

Deze formule kan worden gebruikt om het retentiepercentage over elke periode te berekenen, zoals maandelijks, driemaandelijks of jaarlijks.

Het meten van het retentiepercentage helpt inzicht te krijgen in het percentage werknemers dat gedurende een bepaalde periode bij de organisatie is gebleven. Het is een goede manier om te begrijpen hoeveel personeelsverloop uw organisatie ervaart, maar het vertelt u niet noodzakelijkerwijs de redenen waarom werknemers vertrekken of hoe u het behoud van werknemers kunt verbeteren. Om deze factoren te begrijpen, kunnen onboarding, engagement en exit interviews worden gebruikt in combinatie met data science technieken.

Hoe bereken je het personeelsverloop?

Verlooppercentage = (Aantal werknemers dat in een periode is vertrokken / Gemiddeld aantal werknemers in die periode) x 100

Als een bedrijf bijvoorbeeld aan het begin van het jaar 100 werknemers had en 15 werknemers in de loop van het jaar vertrokken, zou het verlooppercentage zijn: (15 / 100) x 100 = 15%

Dit betekent dat 15% van de werknemers die aan het begin van het jaar in dienst waren, in dat jaar het bedrijf verlieten.

Deze formule kan worden gebruikt om het verlooppercentage over elke periode te berekenen, zoals maandelijks, driemaandelijks of jaarlijks.

Het is vermeldenswaardig dat het meten van het verlooppercentage u helpt inzicht te krijgen in het percentage werknemers dat de organisatie gedurende een bepaalde periode heeft verlaten. Het is een goede manier om te begrijpen hoeveel personeelsverloop uw organisatie ervaart, maar het vertelt u niet noodzakelijkerwijs de redenen waarom werknemers vertrekken of hoe u het personeelsverloop kunt verminderen. Om deze factoren te begrijpen, moet u andere statistieken gebruiken, zoals werknemersbetrokkenheid en -tevredenheid, exit-interviews en kosten voor personeelsverloop.

Is het toegestaan om het vluchtrisico van werknemers op individueel niveau te voorspellen?

Het is mogelijk om het vluchtrisico van werknemers op individueel niveau te voorspellen. Vluchtrisico kan worden voorspeld door gegevens te analyseren zoals werknemersbetrokkenheid, werktevredenheid, omzetgeschiedenis en andere factoren die wijzen op de waarschijnlijkheid van een werknemer om te vertrekken. Maar het is belangrijk om je bewust te zijn van de juridische en ethische overwegingen wanneer je dit doet.

Vanuit juridisch perspectief moeten werkgevers voldoen aan wet- en regelgeving met betrekking tot discriminatie, gegevensprivacy (GDPR) en gelijke kansen. Vanuit een ethisch perspectief moeten werkgevers rekening houden met de mogelijke negatieve impact op de privacy en het welzijn van werknemers. Werkgevers moeten rekening houden met de mogelijke impact op het vertrouwen en de betrokkenheid van werknemers en ervoor zorgen dat ze transparant zijn over het proces en hun intenties.

Als het voorspellen van vluchtrisico op individueel niveau niet de voorkeur heeft, kan het voorspellen van vluchtrisico op een hoger niveau (bijv. team) worden overwogen.

Is het toegestaan om responsgegevens van werknemersenquêtes te gebruiken voor data science-doeleinden met betrekking tot het behoud en verloop van werknemers?

Gegevens over de respons van werknemersenquêtes zijn een waardevolle bron van informatie om inzicht te krijgen in de betrokkenheid van werknemers, werktevredenheid en andere factoren die van invloed zijn op het behoud en verloop van werknemers.

Het is over het algemeen toegestaan om responsgegevens van werknemersenquêtes te gebruiken voor data science-doeleinden met betrekking tot het behoud van werknemers, zolang de gegevens worden verzameld en gebruikt in overeenstemming met de wet- en regelgeving inzake gegevensprivacy, discriminatie en gelijke kansen.

Bij het verzamelen van responsgegevens van werknemersenquêtes moeten werkgevers ervoor zorgen dat ze de juiste rechtsgrondslag hebben voor het verzamelen en verwerken van de gegevens, zoals het verkrijgen van toestemming van werknemers of een beroep op een legitiem belang. Ze moeten er ook voor zorgen dat de gegevens op een eerlijke en transparante manier worden verzameld en dat werknemers worden geïnformeerd over hoe de gegevens zullen worden gebruikt.

Het is ook belangrijk om ervoor te zorgen dat de gegevens worden gebruikt op een manier die geen beschermde groepen discrimineert en dat er passende maatregelen zijn getroffen om ongeoorloofde toegang tot of het delen van de gegevens te voorkomen.

Naast naleving van wet- en regelgeving moeten werkgevers ook rekening houden met de ethische implicaties van het gebruik van responsgegevens van werknemersenquêtes voor data science-doeleinden. Werkgevers moeten transparant zijn over hun intenties en de gebruikte methoden. Werkgevers moeten er ook voor zorgen dat de gegevens worden gebruikt op een manier die de privacy en het welzijn van werknemers respecteert.

Andere vragen over datagedreven werknemersbehoud en -verloop? Laat het ons weten!

Gerelateerde content

Hoe intern mobiliteitsbeleid kan bijdragen aan retentie en doorstroom van talent

Onderzoek naar de doorstroom van medewerkers binnen de organisatie

Read more
Develop & Grow: hoe ontwikkel je jezelf als medewerker?

Develop & Grow: hoe verbeter je de ontwikkeling en groei van personeel?

Hoe wordt D&G ervaren door onze medewerkers en waar liggen de verbeterkansen?

Read more
aantrekken en behoud medewerkers

Met de juiste positionering nieuw talent aantrekken en behouden

Met het opstellen en uitzetten van kwantitatieve vragenlijsten heeft AnalitiQs voor de gemeente uitgezocht hoe…

Read more

Interesse? Maak een afspraak!

Gido van Puijenbroek

Gedetailleerd Dienstenoverzicht

HR Analyses

Talent review
Beloning
Engagement
Inhuur
Kosten
Learning & Development
Management Development

Medewerkersegmentatie
Organisational Netwerk
Performance
HR Process Mining
Productiviteit
Recruitment

Reorganisatie/Herstructurering
Succession Management

Medewerkersonderzoeken

Arbeidsmarkt
Arbeidsmarktpanel
Arbeidsvoorwaarden Optimalisatie
Diversiteit
Gezondheid
Leiderschap
Medewerker Community/Panel
Persoonlijke Ontwikkeling
Retentie
Rolduidelijkheid

Sentiment
Strategic Alignment
Team Feedback
Thuiswerken
Vitaliteit
Werkbeleving
Werkdruk
Werkgeluk
Werksfeer
Werkstress

HR Transformatie

HR Analytics Strategie
HR Analytics Product Owner
HR Analytics Outsourcing
HR Academy

HR Dashboards

Zoek op deze website