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

Effect van thuiswerken op tevredenheid

By | #WijzerDoorWetenschap, Blog, HR | No Comments

Auteur: Linda Flöthe

#WijzerDoorWetenschap

Na vier jaar te hebben gewerkt op de universiteit weet ik vrij zeker: wetenschappelijk onderzoek wordt doorgaans alleen gelezen door andere wetenschappers en bereikt vaak niet de praktijk. Waardevolle inzichten blijven verborgen omdat ze verpakt zijn in lange teksten met moeilijke woorden. Zonde! Met mijn blogreeks ‘Wijzer door Wetenschap’ wil ik daar verandering in brengen. Hierin zal ik telkens de bevindingen uit wetenschappelijk onderzoek samenvatten in Jip-en-Janneke taal. Hopelijk verrijk ik zo de kennis van professionals en zorg ik voor meer zichtbaarheid van wetenschappers.

Thuiswerkeditie: Hoe beïnvloedt thuiswerken de tevredenheid van werknemers?

Vanwege de Corona maatregelen zijn veel mensen nu thuis aan het werken. Voor sommige werknemers is dat niks nieuws. Echter, hoewel veel bedrijven dit al sinds jaren mogelijk maken, is het nog niet standaard voor iedereen. Voor sommige werknemers en organisaties is dit nu even een uitdaging, want de transitie moest snel gebeuren. Maar misschien is dit ook een kans voor de tijd na de Corona maatregelen: thuiswerken kan zowel de tevredenheid verhogen als de intentie op vertrek verlagen. Dit blijkt uit een recentelijke studie van Claudia Kröll en Stephan Nüesch. Maar hoe komt dat?

Autonomie over manier van werken
Het hoofdmechanisme dat hier aan het werk is, is de autonomie van werknemers over beperkte middelen zoals tijd en energie. Volgens de auteurs zijn het werk domein en het niet-werk domein in strijd over deze beperkte middelen. Door flexibele werkpraktijken, zoals thuiswerken, hebben werknemers iets meer controle over dit soort middelen wat vervolgens de tevredenheid kan verhogen.

Bijvoorbeeld, tijdens het thuiswerken hebben werknemers meer controle over hun pauzes, hun kleding, maar ook dingen als licht en temperatuur. Vanwege de verhoogde autonomie over dit soort aspecten, ervaren werknemers meer plezier tijdens hun werk.

Hetzelfde geldt ook voor de intentie een organisatie te verlaten. Als werknemers het gevoel hebben dat hun middelen niet toereikend zijn voor het afhandelen van werkeisen, proberen ze hun situatie te veranderen, bijvoorbeeld door een organisatie te verlaten. Autonomie over wanneer en hoe werknemers hun werk doen, betekent dat ze hun middelen zelf kunnen managen. Daardoor hebben ze minder het gevoel dat ze deze middelen moeten beschermen en dus minder de behoefte een organisatie te verlaten.

Resultaten
De auteurs van de studie maken gebruik van representatieve panel data in Duitsland en laten inderdaad zien dat de optie van thuiswerken een positief effect heeft op de werktevredenheid. Daarnaast laten ze zien dat er een negatief effect is van thuiswerken op de intentie een organisatie te verlaten, dus de kans op vertrek is verlaagd.

Wat betekent dit voor de praktijk?
Het betekent vooral dat werkgevers niet bang hoeven te zijn, als hun medewerkers thuis zitten te werken. Organisaties zullen best profiteren van flexibele werkpraktijken zoals thuiswerken, want dat lijkt de tevredenheid van hun medewerkers te verhogen. Een hoge tevredenheid is goed, want dan hebben medewerkers ook een hogere bevlogenheid en presteren beter, aldus de auteurs. Daarnaast kunnen organisaties zo voorkomen dat medewerkers vertrekken, wat kosten kan besparen.

Dit onderzoek houdt er natuurlijk geen rekening mee, dat we vanwege de Corona maatregelen nu verplicht thuis moeten werken. Dat zal het effect van thuiswerken op tevredenheid best kunnen verzwakken. We hebben een gratis check-in survey ontwikkelt om achter te halen hoe medewerkers zich op dit moment voelen. Wil jouw organisatie ook onderzoeken hoe medewerkers het thuiswerken tijdens de corona maatregelen ervaren? Neem graag contact op via contact@analitiqs.com of bezoek www.analitiqs.com. Laat data voor jou werken!

Auteur:

Linda Flöthe

Linda Flöthe

Data Analist & Markt Onderzoeker - 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

Effect van sociale steun op expat succes

By | #WijzerDoorWetenschap, Blog, HR | No Comments

Auteur: Linda Flöthe

#WijzerDoorWetenschap

Na vier jaar te hebben gewerkt op de universiteit weet ik vrij zeker: wetenschappelijk onderzoek wordt doorgaans alleen gelezen door andere wetenschappers en bereikt vaak niet de praktijk. Waardevolle inzichten blijven verborgen omdat ze verpakt zijn in lange teksten met moeilijke woorden. Zonde! Met mijn blogreeks ‘Wijzer door Wetenschap’ wil ik daar verandering in brengen. Hierin zal ik telkens de bevindingen uit wetenschappelijk onderzoek samenvatten in Jip-en-Janneke taal. Hopelijk verrijk ik zo de kennis van professionals en zorg ik voor meer zichtbaarheid van wetenschappers.

Effect van sociale steun op expat succes

 

Voor multinationale bedrijven is het belangrijk om internationale medewerkers in te huren. Belangrijke redenen hiervoor zijn bijvoorbeeld de uitwisseling van kennis maar ook de kans de internationale strategie te verbeteren en nieuwe mogelijkheden te ontdekken. Ook voor medewerkers is het leuk want zij kunnen zich verder ontwikkelen en interculturele ervaring opdoen, wat belangrijk kan zijn als ze naar het topmanagement willen. Maar helaas zijn deze ‘expat opdrachten’ niet altijd succesvol. Dat is jammer want het kost veel geld voor een bedrijf en kan negatieve effecten hebben op zowel het welzijn van een medewerker als zijn of haar carrière.

Maar er is een oplossing die kan helpen om de kans van expat succes te verhogen: sociale steun. Zo blijk namelijk uit een recentelijke meta studie van Paul van der Laken, Marloes van Engen, Marc van Veldhoven en Jaap Paauwe waarin ze data van 84 onafhankelijken samples met rond de 18.000 expat opdrachten analyseren.

Wanneer is een expat opdracht een succes?

De auteurs kijken naar vier verschillende concepten van succes. Ten eerste kijken ze naar de aanpassing van expats in de interculturele context. Hier gaat het vooral om het psychologische comfort dat expats ervaren als ze in het buitenland wonen. Een tweede aspect is de inzet van expats en hiermee bedoelen de auteurs in hoeverre expats in de normen en waarden van hun organisatie geloven, maar ook in hoeverre medewerkers een deel van de organisatie willen blijven en een soort verplichting voelen. Ten derde kijken de auteurs naar de prestatie van de expats. Het gaat hier om de expertise en kennis, maar ook relatiemanagement en een pro sociaal gedrag. Het laatste aspect waar de auteurs naar kijken is de retentie, dus of een expat zijn of haar internationale opdracht voltooit of niet.

Hoe kan een sociaal netwerk hieraan bijdragen?

De auteurs maken voor hun meta studie onderscheid tussen familie, werkrelaties en vrienden/kennissen. In het algemeen vinden ze een positief effect tussen sociale steun en expat succes. Maar hoe komt dat en wie is er nu eigenlijk precies verantwoordelijk voor dat een expat opdracht een succes is?

Familie
Laten we eerst naar de familie kijken. De steun van de familie en vooral de partner heeft een positief effect op alle vier de aspecten van succes. De familie biedt emotionele steun en aanmoediging. Dit helpt vooral bij de aanpassing van expats en dit heeft vervolgens weer positieve neveneffecten naar de inzet, prestatie en retentie. Als er positieve ondersteuning vanuit de familie is, kunnen expats zich ook beter op hun werk focussen en vervolgens beter presteren.

Werkrelaties
Naast de familie heeft ook de steun van de werkrelaties een positief effect op alle vier de aspecten van succes. De steun van de organisatie zelf is het meest belangrijk voor succes. Het gevoel van erbij horen en zich gewaardeerd voelen heeft een sterk effect op de inzet van een expat. Ook interculturele trainingen en logistieke steun bij het verhuizen zijn belangrijk om een expat bij het aanpassen aan de nieuwe omgeving te ondersteunen. Verder is steun wat betreft carrièreontwikkelingen belangrijk voor de retentie van een expat. Daarnaast is de steun van de supervisor een belangrijk bron voor expat succes (onafhankelijk naar welk concept van succes we kijken). Zoals voor iedere medewerker is de supervisor een belangrijk bron voor feedback en sturing en een goede leiderschap-medewerker relatie is belangrijk voor zowel een goede inzet en prestatie als voor de retentie.

Wat verder opvalt is dat het effect van de werkrelaties op de inzet van een expat sterker is dan de steun van de familie. Een mogelijk reden kan zijn dat als expats steun, informatie, advies etc. van hun collega’s krijgen, ze iets willen teruggeven: en dat kan in de vorm van een goede inzet voor de organisatie waarvoor ze werken.

Vrienden en kennissen
Een derde bron voor sociale steun zijn vrienden en kennissen. Vriendschap, informatie voor het dagelijks leven en voor de specifieke, nieuwe context zijn belangrijke resources die expats kunnen helpen om zich aan te passen en van een opdracht een succes te maken. Ook hier vinden de auteurs positieve effect voor de aanpassing, de inzet en de prestatie (er zijn de weinig studies geweest om een effect voor retentie te bepalen).

Conclusies

Zo te zien is sociale steun dus belangrijk voor expat succes. Meest belangrijke bronnen van steun voor expat succes is de steun van de organisatie zelfs, de supervisor en de partner. Dat is goed om te weten want hier kunnen organisatie iets aan doen. De auteurs raden aan dat organisaties inzicht moeten krijgen in hoe het met hun expats gaat en wat hun verwachtingen en ambities zijn. Zodoende kunnen ze uitzoeken hoe een supervisor of de organisatie steun kan bieden in de ontwikkeling van de carrière. Verder is het natuurlijk altijd belangrijk het werk van de medewerkers te waarderen en aandacht te besteden aan een goede leiderschap-medewerker relatie. Daarnaast is het belangrijk voor organisaties steun te bieden voor de hele familie om zich aan te passen. Activiteiten met partners, ondersteuning bij het vinden van een huis of zelfs bij het verhuizen zouden opties kunnen zijn om het aanpassen makkelijker te kunnen maken. Maar ook hier geldt dat organisaties in gesprek moeten gaan met hun expats om inzicht te krijgen in waar de medewerkers en hun familie behoefte aan hebben.

Aan de slag met Voice of the Employee?

Wil jouw organisatie ook onderzoeken hoe het met jouw medewerkers gaat, hoe hun welbevinden de prestaties van de organisaties beïnvloeden en welke factoren hiermee samenhangen? Neem dan contact op via contact@analitiqs.com of bezoek www.analitiqs.com. Laat data voor jou werken!

Auteur:

Linda Flöthe

Linda Flöthe

Data Analist & Markt Onderzoeker - AnalitiQs

Terugblik HR-analytics Trends 2019

By | Blog, HR | No Comments

Zijn mijn voorspellingen uitgekomen?

Het is weer bijna dagelijks polonaise op de snelweg. De pepernoten liggen in de schappen. De mandarijnen zijn niet aan te slepen. In menig organisatie staat de sfeer onder druk vanwege budgetdiscussies. Kortom, het einde van het jaar is weer in zicht.

Eind 2018 heb ik enkele HR-analytics voorspellingen gedaan voor 2019. Laat ik eens doen wat we bij AnalitiQs altijd onze klanten adviseren: kijken in hoeverre bepaalde verwachtingen zijn gerealiseerd. Eens kijken of mijn voorspellende gaven die van de gemiddelde beursanalist overstijgen. Hoe ga ik dit doen? Middels een self-assessment.

1. Van AVG naar data-ethiek

Wat ik schreef
Eén van de grote thema’s in 2018 was de Algemene verordening gegevensbescherming (AVG). Langzamerhand is iedereen eraan gewend en hebben de meeste organisaties een weg gevonden die hen in staat stelt om de transitie naar een datagedreven organisatie te vervolgen. Dit maakt ruimte vrij om verder te kijken. Zodoende denk ik dat we van de vraag “wat is wettelijk toegestaan?” naar “wat is wenselijk?” gaan opschuiven.

Wat ziet AnalitiQs in de praktijk
De meeste organisaties hebben grote stappen gezet met het voldoen van de richtlijnen uit de AVG. Echter, nog niet alle organisaties zijn even ver. Sommige organisaties waren er laat bij en andere gaan door een verlammende privacy stammenstrijd. Voor allen geldt dat ethiek wordt meegenomen in een analysetraject. Bij de minder gevorderden wordt wet en ethiek gemixt. Bij de gevorderden is er een zuivere scheiding tussen wet en ethiek in de afweging.

Score: ●●●○○

2. Selectie aan de poort

Wat ik schreef
De organisaties die op weg zijn naar datagedreven HR-afdeling én organisatie-inrichting realiseren zich dat voor een succesvolle transitie een ander type HR-professional nodig is. Hierop zullen ze scherper gaan selecteren aan de poort. Immers, dweilen met de kraan open is nooit een goed idee. Mooi voorbeeld dat ik onlangs voorbij zag komen is deze vacature. Van zittende HR-professionals zal ontwikkeling gevraagd worden met betrekking tot data en analytics vaardigheden.

Wat ziet AnalitiQs in de praktijk
Geloof het of niet maar ik zie nog steeds veel, heel veel, HR-vacatures ‘oude stijl’. Zelfs bij organisaties die zichzelf als ambitie hebben gesteld om datagedreven te worden of al aardig op weg zijn. Verrassend, want selecteren aan de poort is een vrij effectieve manier om de HR-formatie op te schudden. Het goede nieuws is dat er aandacht blijft voor de ontwikkeling van de zittende arbeidskrachten met analytics skills. Daarbij houd ik de hoop dat deze tip uiteindelijk overgenomen wordt.

Score: ●○○○○

3. Vaarwel MTO, welkom Voice of the Employee

Wat ik schreef
Het traditionele medewerkertevredenheidsonderzoek (MTO) zal tegen de tijd dat december aanbreekt doodverklaard zijn. De ervaringen vanuit Marketing met Voice of the Customer programma’s zullen gekopieerd worden naar Voice of the Employee programma’s. Middels deze programma’s heeft HR een kans om de Employee Experience te verbeteren én via deze route een directe bijdrage te leveren aan de klantbeleving.

Wat ziet AnalitiQs in de praktijk
De beweging is zeker ingezet! Aandachtspunt is het creatieve vermogen. Voice of the Employee gaat mijns inziens verder dan engagement pulse, on- en offboarding surveys. Denk ook eens aan het gebruik van logdata uit websites en systemen, het analyseren van berichtenverkeer, het gebruik van steekproeven, thema’s als inclusiviteit en reboarding en het inzetten van medewerker panels. Bij Defensie is men verfrissend bezig.

Score: ●●●○○

4. Rapportage tooling wordt drastisch goedkoper

Wat ik schreef
Microsoft heeft in zeer korte tijd enorme stappen gezet met Power BI. Daarbij hebben ze de spreekwoordelijke knuppel in het hoenderhok gegooid. Power BI werd vele malen goedkoper in de markt gezet dan concurrenten als Tableau, Qlik en Microstrategy. De concurrentie is inmiddels wakker geschud en de nieuwe licentiestructuur van Tableau lijkt verdacht veel op die van Power BI. Door deze beweging komt een brede verspreiding van datagedreven inzichten vanuit analytics teams naar HR-professionals en de lijn een stap dichterbij! Toevallig aan het twijfelen tussen Power BI en Tableau? Lees dit artikel van mijn collega’s.

Wat ziet AnalitiQs in de praktijk
Tooling is zeker goedkoper geworden. De adoptie van professionele BI tooling in HR gaat echter te langzaam naar onze mening. In veel gevallen niet in de laatste plaats omdat BI afdelingen totaal overvraagd worden en HR achteraan mag aansluiten in de rij. Zonde, want een HR-dashboard biedt HR-professionals inzicht én overzicht.

Score: ●●●○○

5. Oeps… geen beoordelingsscores meer

Wat ik schreef
Eerst was er de opluchting: geen beoordelingsgesprekken meer. Toen was er de realisatie dat deze gesprekken toch ook zo z’n voordelen hebben. Bijvoorbeeld dat iedere manager een score had en er zodoende makkelijk een beeld te creëren was over de kwaliteit van de bezetting op managementniveau. Organisaties zullen op zoek gaan naar alternatieve vormen om medewerkers en managers in te delen in prestatiecategorieën zonder dat ze terug hoeven naar de gehate beoordelingsgesprekken.

Welke data kunnen als afgeleide voor manager performance worden gebruikt en welk algoritme maakt een goede inschatting? AnalitiQs is op zoek naar organisaties die dit vraagstuk herkennen en samen met ons een experiment willen ondernemen met betrekking tot het inschalen van manager prestaties met behulp van afgeleide variabelen. Interesse? Stuur me een e-mail en ik neem contact met je op.

Wat ziet AnalitiQs in de praktijk
Dit artikel van Gartner zegt eigenlijk alles over het afschaffen van performance reviews. Overigens, we zijn nog steeds op zoek naar vrijwilligers voor de oproep die Gido deed. Leestip: Microsoft tried the ‘Moneyball’ approach to coaching its leaders to be stronger — and 3 simple truths emerged

Score: ●●●●●

6. Analytics als positieve kracht

Wat ik schreef
In 2018 is het onderwerp data & analytics regelmatig negatief in het nieuws gekomen. De meest in het oog springende rel was die van Facebook en Cambridge Analytica. Dat het ook anders kan, zal worden aangetoond in 2019. Het inzetten van analytics om inclusie en diversiteit vraagstukken op te lossen zal bijvoorbeeld een vlucht nemen. Dit wordt gedreven door wet- en regelgeving en de maatschappelijke discussie. Concrete onderwerpen waar we vanuit AnalitiQs nu al aan bijdragen zijn analyses naar ‘gelijke beloning voor mannen en vrouwen’ en ‘het glazen plafond’.

Wat ziet AnalitiQs in de praktijk
Dit jaar zijn we meerdere malen ingehuurd om te helpen met diversiteitsvraagstukken. Binnen steeds meer organisaties besteden HR-analytics professionals regelmatig een deel van hun tijd aan inclusie en diversiteit vraagstukken. Het meest populaire onderwerp is equal pay (ook wel Pay Parity, Gelijk Werk Gelijk Loon). Andere populaire onderwerpen zijn:

  • Gender mobiliteit: is er een verschil tussen man en vrouw kijkend naar in-/door-/uitstroom?
  • Leeftijdsmobiliteit: is er een verschil tussen generaties kijkend naar in-/door-/uitstroom?
  • Recruitment bias: hebben niet-westerse sollicitanten minder kans om van de ene fase in het recruitment proces tot de volgende fase door te dringen?

Score: ●●●●●

7. Show me the money!

Wat ik schreef
Wellicht klinkt ‘show me the money’ niet congruent met ‘analytics als positieve kracht’, maar toch hoeft het niet conflicterend te zijn. Het is mijn stellige overtuiging dat HR-analytics tegelijkertijd voordelen kan bieden voor zowel medewerkers als werkgevers. Aangezien het nieuwe van HR-analytics er nu wel af is, denk ik dat er scherper gekeken gaat worden naar waarde creatie. Wat dus meer nadruk zal krijgen in 2019 is de business case achter analytics: Wat is de verwachte opbrengst? Wat is de verwachte besparing? Ook zal er meer aandacht komen voor het monitoren van de benefits (verwacht versus gerealiseerd).

Wat ziet AnalitiQs in de praktijk
Paradoxaal maar waar, aardig wat organisaties geloven in HR-analytics en vinden een business case zodoende niet nodig of een nice-to-have, laat staan dat benefits actief worden gemonitord. Wat we wel zien is een enorme toename in de vraag naar ROI analyses om de impact van zaken als Agile transformaties, talentprogramma’s, vitaliteitsprogramma’s en verzuiminterventies te meten.

Score: ●●●○○

8. Some things will never change

Wat ik schreef
Twee jaar na de dood van gangsta rapper 2Pac werd zijn single Changes uitgebracht. Deze single eindigt met de zin “some things will never change” Deze zin is van toepassing op strategische personeelsplanning. Er verandert een hele boel in de wereld en daardoor is strategische personeelsplanning een blijvertje.

Wat ziet AnalitiQs in de praktijk
Spot-on.

Voor veel organisaties blijft het wel een uitdagend onderwerp. Hoe pak je het aan? Is er tooling beschikbaar? Welke data is er benodigd? Wat is de rol van HR? Allen vragen waar AnalitiQs ideeën/oplossingen bij heeft en graag over in gesprek gaat.

Score: ●●●●●

De gemiddelde score van dit self-assessment is 3,5 uit 5,0. Binnenkort kom ik met mijn voorspelling voor 2020. Suggesties? Schroom niet en stuur ze door, ik ben benieuwd!

Ook aan de slag?

Wil jij ook het verschil maken met HR-analytics? Dan spreken we graag met je af om de mogelijkheden voor jouw organisatie te bekijken. Neem contact met ons op!

Auteur:

Gido van Puijenbroek

Gido van Puijenbroek

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

Effect van woon-werkverkeer op productiviteit

By | #WijzerDoorWetenschap, Blog, HR | No Comments

Auteur: Linda Flöthe

#WijzerDoorWetenschap

Na vier jaar te hebben gewerkt op de universiteit weet ik vrij zeker: wetenschappelijk onderzoek wordt doorgaans alleen gelezen door andere wetenschappers en bereikt vaak niet de praktijk. Waardevolle inzichten blijven verborgen omdat ze verpakt zijn in lange teksten met moeilijke woorden. Zonde! Met mijn blogreeks ‘Wijzer door Wetenschap’ wil ik daar verandering in brengen. Hierin zal ik telkens de bevindingen uit wetenschappelijk onderzoek samenvatten in Jip-en-Janneke taal. Hopelijk verrijk ik zo de kennis van professionals en zorg ik voor meer zichtbaarheid van wetenschappers.

Hoe beïnvloedt het woon-werkverkeer de productiviteit van werknemers?

Meer dan de helft van de Nederlandse werknemers werkt in een andere gemeente dan waar zij wonen en de gemiddelde woon-werkafstand in 2017 was 22,3 km. Maar hoe zit het eigenlijk met de impact van woon-werkverkeer op werk? Een studie van Liang Ma en Runing Ye (Journal of Transport Geography) analyseerde met behulp van survey data uit drie grote steden in Australië of en hoe woon-werkverkeer de productiviteit van een werknemer beïnvloedt. De studie bestaat uit drie onderdelen en laat onder andere zien dat mensen die een langere woon-werk afstand hebben langer verzuimen en een lagere job performance hebben.

1. Woon-werkverkeer en Verzuim

Een eerste analyse in de studie bekijkt de relatie tussen de afstand van woon-werkverkeer en verzuim. Er is inderdaad sprake van een positief verband: Hoe langer de woon-werkafstand, hoe hoger het aantal verzuimdagen.

Een mogelijke, niet-getoetste, reden kan zijn dat mensen met een langere woon-werkafstand een hogere verzuimfrequentie hebben. Mensen met een langere woon-werkafstand zijn meer tijd kwijt om hetzelfde salaris te verdienen, dus hun netto uurloon is relatief gezien lager. Dit kunnen redenen zijn om vaker te verzuimen.

2. Woon-werkverkeer en Job Performance

In een tweede analyse wordt gekeken naar een verband tussen woon-werkverkeer en job performance. Ook hier blijkt een verband te zijn: hoe langer de afstand van woon-werkverkeer, hoe lager de job performance. Verder is er een positieve relatie tussen werknemers die met de auto naar hun werk rijden en job performance.

Echter, de uitkomsten zijn allen marginaal significant. De auteurs noemen geen mogelijke oorzaken voor het laatste verband.

3. Mechanismen

In een derde analyse kijken de onderzoekers naar de mechanismen die een verband tussen woon-werkverkeer, job performance en verzuim kunnen verklaren. Ten eerste zien we dat de tevredenheid van woon-werkverkeer belangrijk is voor zowel verzuim en job performance. Hoe tevredener mensen over hun woon-werkverkeer, hoe hoger de productiviteit.

Maar wat maakt ze tevreden? Blijkbaar zijn mensen die met de auto, met de fiets of naar hun werk wandelen tevredener dan mensen die met het openbaar vervoer komen. Verder is er een negatief verband tussen afstand en tevredenheid: hoe langer de woon-werkafstand, hoe minder tevreden werknemers zijn. Dit hangt ook samen met een lagere job performance en langer verzuim. Ten slotte menen de auteurs dat het effect van woon-werkverkeer op job performance ook door de invloed van gezondheid komt: mensen die naar hun werk wandelen, zijn gezonder en dus ook productiever.

Conclusie

Wat zijn de praktische implicaties? Het is aangetoond dat wandelend, met de auto of de fiets naar werk gaan positief is voor de productiviteit (gemeten als verzuim en job performance). Dus moet er niet alleen aandacht besteed worden aan woon-werkverkeer strategieën om de productiviteit te verhogen (bijvoorbeeld flexwerken), maar ook aan strategieën om het woon-werkverkeer te beïnvloeden (bijvoorbeeld douches en kluisjes op kantoor zodat er gefietst kan worden).

Meer weten?

Wil je ook meer inzicht in productiviteit en welke factoren daarmee samenhangen? Dan spreken we graag met je af om de mogelijkheden voor jouw organisatie te bekijken. Neem contact met ons op!

Auteur:

Linda Flöthe

Linda Flöthe

Data Analist & Markt Onderzoeker - AnalitiQs