Data Science & HR: alles over HR Analytics

Met data science gebruik je datasets om hierin patronen te herkennen. Zo kun je inzichten verzamelen en voorspellingen doen met als doel om besluitvorming en prestaties te verbeteren.

Data science wordt in toenemende mate binnen meerdere vakgebieden toegepast zoals finance, operations en marketing. Ook voor human resource management worden data science tools steeds vaker ingezet. HR data science wordt veelal HR analytics genoemd.

In dit blog benoemen we stap voor stap de belangrijkste onderdelen van HR analytics en gaan we in op de betekenis ervan.

• Wat is HR analytics?
• Waarom zou je HR analytics gebruiken?
• Welke data gebruik je?
• Hoe gebruik je de data?
• Hoe maak je de HR analytics transformatie?
• HR analytics voorbeelden
• Voordelen en uitdagingen

HR analytics is het toepassen van analyses, statistiek en modellen op data gerelateerd aan medewerkers om bij te dragen aan het succes van organisaties. Andere termen voor HR analytics zijn ook people analytics, talent analytics en workforce analytics.

Met HR analytics zijn HR professionals in staat om datagedreven keuzes te maken om medewerkers aan te trekken en te behouden.

Met HR analytics zijn HR professionals in staat om datagedreven keuzes te maken om medewerkers aan te trekken en te behouden. Dit met als doel een hoger rendement op de investeringen die een werkgever in een medewerker doet. Ook helpt het de leidinggevenden in een organisatie om betere keuzes te maken waardoor de productiviteit van medewerkers verhoogd kan worden en de werkomgeving geoptimaliseerd.

Met HR analytics maak je gebruik van HR data science tools om tot waardevolle inzichten voor je organisatie te komen. Dit doe je vaak door toepassing van de Python programmeertaal. Waardevolle inzichten kunnen geuit worden in de vorm van dashboards, rapportages en visualisaties.

Hierbij kunnen we binnen diverse HR gerelateerde werkgebieden voorbeelden benoemen van metrics en voorspellende inzichten die met behulp van data science gecreëerd kunnen worden. Onderstaande voorbeelden geven een beeld van waarom HR analytics een enorme meerwaarde is.

• Recruitment

  • Metrics: tijd om een positie in te vullen, acceptatiepercentage van aanbiedingen
  • Voorspellingen: beste eigenschappen die tot een succesvolle invulling leiden

• Performance review

  • Metrics: aantallen hoog / laag presteerders
  • Voorspellingen: het effect van bijvoorbeeld promoties of bepaalde coaching op prestaties

• Ontwikkeling

  • Metrics: uitgaven aan training per medewerker, efficiëntie van trainingen
  • Voorspellingen: de relatie tussen training en prestatie

• Tevredenheid 

  • Metrics: score uit medewerkerstevredenheidsonderzoek
  • Voorspellingen: de relatie tussen tevredenheid en productiviteit

• Waardering

  • Metrics: uitgaven per medewerker aan waarderingen
  • Voorspellingen: een gepersonaliseerd waarderingsprogramma voor optimale productiviteit

• Personeelsplanning

  • Metrics: percentage openstaande posities ten opzichte van alle posities
  • Voorspellingen: identificeer afdelingen met het hoogste risico op uitval of personeelstekort

Om de inzichten mogelijk te maken moeten diverse databronnen gebruikt worden. Denk hierbij bijvoorbeeld aan:

• Persoonsgegevens
• Performance reviews
• Enquetes
• Werkgeschiedenis
• Opleidingsgegevens
• Demografische data
• Aanwezigheidsdata
• Geografische data
• Salarisgegevens
• Recruitment data
• Talent management data
• Organisatie financiële data
• Organisatie operationele data

Deze data is over het algemeen niet vanuit één systeem of bron beschikbaar. Het is voor een HR professional die aan de slag wil met data science voor HR analytics belangrijk om een goed beeld te vormen van alle beschikbare relevante databronnen.

Om de data uit de verschillende bronnen te kunnen combineren tot waardevolle inzichten zullen diverse werkzaamheden verricht moeten worden. Nadat de data beschikbaar is, zal een HR analyst aan de slag gaan met modellen, algoritmes en andere data science tools om tot de waardevolle inzichten te kunnen komen.

• Doelen voor inzichten vaststellen
• Verzamelen van data
• Opschonen van data (data cleansing)
• Data analyseren
• Modellen (machine learning) toepassen waarin we bijvoorbeeld gebruiken: regressie, classificatie, of cluster-algoritmes
• Inzichten uit onder andere modellen en data genereren
• Doelen en KPI's evalueren
• Inzichten beschikbaar stellen voor de organisatie

Start met samenwerking en visie
Voor waardevolle HR analytics inzichten is veelal data uit meerdere bronnen nodig, ook van buiten de directe HR scope zoals operations en finance. Ook zullen de inzichten die gebruikt worden een effect hebben buiten het HR team. Om deze redenen is het aan te raden om initieel in een breder verband gezamenlijk te brainstormen over de HR analytics toepassingen en implicaties. Denk hierbij aan vertegenwoordigers van finance, operations en general management teams. Probeer hierbij gezamenlijk de volgende vragen te beantwoorden:

1. Wat heeft de business nodig en wat zijn de verwachtingen?
2. Wie zijn alle stakeholders en wat zijn hun belangen?
3. Wat is de toegevoegde waarde van HR analytics en data science?
4. Wat zijn de risico's?
5. Welke resources zijn er nodig?

Heb je hulp nodig bij een HR analytics en data science brainstormsessie? Wij kunnen je helpen met de begeleiding en projectvoering.

Werk samen met data scientists
Een data scientist is expert in het ontsluiten van waardevolle inzichten uit datasets door bijvoorbeeld statistische modelleringen en voorspellingen. Hierdoor is een data scientist een waardevolle toevoeging voor het succesvol implementeren van HR analytics in de organisatie. De data scientist zal hierbij aan de HR professionals richting kunnen geven, hen kunnen coachen in het begrijpen en toepassen van waardevolle data-gedreven inzichten, en de data scientist kan een bijdrage leveren aan het uitvoeren van de projecten om tot de HR analytics inzichten te komen.

Doe dit door een interne data scientist bij een project te betrekken, een externe data scientist in te huren of door bijvoorbeeld een HR analyst op te leiden tot data scientist. Deze data scientists kunnen in Python of R werken. Als je interne mensen wil opleiden tot data scientist, lees dan ook de blog 'hoe word je data scientist?'.

Of lees: Data Analyst vs Data Scienctist: overeenkomsten en verschillen

Begin klein
De beste manier om belanghebbenden van de meerwaarde van HR analytics te overtuigen is door snel waarde te tonen. Dit doe je het beste door als eerste project een kleinschalig maar succesvol project te kiezen. Denk hierbij aan een project wat binnen enkele weken tot maximaal enkele maanden gerealiseerd kan worden, met merkbare impact. Deze quick wins geven snel de mogelijkheid om feedback te ontvangen, en werken motiverend.

Succesvolle implementaties van data science in het HR werkgebied kunnen als inspiratie dienen om een project op te starten. In onderstaande voorbeelden en use cases benoemen we enkele toepassingen van HR analytics bij bekende bedrijven.

• Google heeft data van tienduizenden interviews gebruikt om meerdere machine learning modellen te trainen om zo slimme voorspellingen te doen tijdens het wervingsproces. Voorbeelden hiervan zijn onder andere het beste aantal kandidaten voor een functie en de eigenschappen die het best bijdragen tot succes in een functie. 
• Unilever past artificial intelligence toe in het recruitment proces waarbij een algoritme gezichtsuitdrukkingen, lichaamstaal en woordkeuzes van kandidaten vergelijkt met referentiewaarden die voorspellend zouden zijn voor succes in een bepaalde functie. Hiermee kan veel tijd van recruiters bespaard worden en kunnen meer data-onderbouwde beslissingen genomen worden.
• Danone heeft met met behulp van data en analytics een gepersonaliseerde leeromgeving geïntroduceerd waarmee medewerkers trainingen kunnen volgen die toegespitst worden op hun persoonlijke voorkeuren, leersnelheid en leervorm.
• IBM maakt gebruik van sentiment analyses om inzichten te krijgen uit berichten van medewerkers op een intern sociaal netwerk. Hiermee werd bijvoorbeeld feedback verkregen over de vervanging van het medewerker performance review systeem. 

Meer voorbeelden vind je in dit blog met 13 Python voorbeelden uit 5 toepassingsgebieden

De belangrijkste voordelen van HR analytics
Door data science in het HR werkgebied toe te passen kunnen de volgende voordelen behaald worden:

• Kwalitatief betere aannames
• Verhogen van de medewerkerstevredenheid
• Verbeteren van de productiviteit
• Automatiseren van werkzaamheden
• Verbeteren van processen
• Verlagen van verloop
• Verbeteren van personeelsontwikkeling

De grootste uitdagingen
De weg tijdens een succesvolle HR analytics transformatie is er echter niet een zonder uitdagingen. Zo kom je bijvoorbeeld voor de volgende uitdagingen te staan:

• Het vinden van geschikte data scientists
• De kwaliteit van data en het opschonen van de data
• Beschikbare kennis van data en databronnen
• Data privacy, compliance en andere regelgeving
• De link tussen HR analytics projecten omzet voor de verantwoording richting het management

Wil jij aan de slag met data science en HR analytics? Een van onze data scientists kan langskomen om kennis te maken. Ook is een incompany training een mogelijkheid. Daarin brengen we HR professionals in twee dagen op stoom in de wereld van data science door hen Python te leren.