Veel meer talent vinden met HR Analytics: de voorwaarden voor succes

Multinational Saint-Gobain is eind 2017 gestart met een HR Analytics-programma om talent beter te identificeren. 20 Procent van de 180.000 werknemers van het wereldwijd opererende bedrijf werd meegenomen. “Het gaat om leidinggevenden en mensen met specifieke verantwoordelijkheden”, vertelt Group HR Efficiency Manager Jan Billekens. “Binnen deze populatie zijn wij op zoek naar talenten, naar mensen die zouden kunnen doorgroeien naar een functie op een hoger niveau.”

Het programma biedt de ‘region HR-directeuren’ van het bedrijf de gelegenheid om veel meer talenten te beoordelen dan voorheen, legt Billekens uit: “Het klassieke proces was dat de HR-directeur van een regio of een land met heel veel mensen praat en op basis van die gesprekken op zoek gaat naar talenten. Maar het gaat hier om een enorme groep van wereldwijd zo’n 30.000 medewerkers. Onze directeuren kunnen onmogelijk al die mensen zien.”

Speciaal ontwikkelde algoritmes

Met de komst van het HR Analytics-programma kunnen de HR-directeuren talenten sneller identificeren op basis van speciaal ontwikkelde algoritmes. Ten opzichte van de traditionele situatie, waarin het draaide om de persoonlijke ontmoeting, is de vijver waaruit talent kan worden geselecteerd daarmee enorm toegenomen, en dat is de grote winst van het programma, aldus Billekens: “We kunnen nu echt mensen spotten die anders buiten beeld gebleven zouden zijn. Op basis van de eerste analyses hebben we gezien dat veel meer mensen geïdentificeerd kunnen worden. Dat is voor ons heel belangrijk want misschien zit de volgende CEO wel tussen die mensen. Hoe groter die pool van talenten, hoe beter het voor ons is.”

In de werkgroep die in 2017 aan de slag ging met de ontwikkeling van het programma zaten naast HR twee data  scientists en mensen van de legal- en finance-afdelingen, vertelt Billekens. “We zijn begonnen met ons personeelsinformatiesysteem voor kaderleden, waar we al tien jaar gegevens in hadden verzameld. We hebben algoritmes losgelaten op de populatie talenten en zijn begonnen om op basis van informatie uit het verleden met die algoritmes elementen te identificeren die we bij onze talenten zien. Vervolgens hebben we die algoritmes losgelaten op de huidige populatie en zijn we gaan finetunen.”

Kwaliteit van de data

Het toetsen van de kwaliteit van de data was in de beginfase een groot issue, vertelt Billekens: “We hebben meer dan een jaar besteed aan het verbeteren van de data. Er waren ook grote verschillen per land. In sommige landen waren de data heel correct ingevoerd, maar andere landen nemen het niet zo nauw. Daarvan vonden we heel veel voorbeelden: loon dat niet correct was ingevoerd, functieklassen die niet goed waren, het adres van werknemers dat niet klopte. Dat laatste is belangrijk, want we wilden ook vanuit de talent-populatie kijken voor welke mensen we het risico liepen dat ze het bedrijf zouden gaan verlaten. Een van de elementen die we daarbij wilden bekijken was de woon-werk-afstand.”

Nadat de data op orde waren en de eerste tests met algoritmes waren gedaan besloten de ontwikkelaars van het programma om ook tekstanalyse toe te voegen. “Dat is een mooi voorbeeld van voortschrijdend inzicht tijdens zo’n proces”, zegt Billekens: “Uit de eerste resultaten met het programma bleek dat we op basis van de data goede voorspellingen konden doen over de hard skills. Het enige dat we niet konden voorspellen waren de soft skills, en die soft skills willen we gaan identificeren op basis van tekstanalyse.”

Het team zit nu middenin het toevoegen van die tekstanalyse, en ook die slag is een uitdaging, vertelt Billekens: “Er zijn bijvoorbeeld woorden die zowel een positieve als een negatieve connotatie kunnen hebben. Neem het woord ‘risico’. We gaan dus kijken naar clusters woorden, zoals ‘risico vermijden’. Met tekstanalyse maak je zulke clusters van woorden, zowel van hele operationele woorden als van woorden die vaktechnisch zijn of met visie te maken hebben.”

Voldoende kritisch zijn

Er zijn een aantal voorwaarden om het programma tot een succes te maken, legt Billekens uit. Het belang van betrouwbare data is al genoemd. Maar er speelt meer: “Allereerst moeten de mensen die de analyses gaan gebruiken voldoende kritisch zijn. Je moet zo’n lijst niet zomaar naar iemand sturen, want er zijn mensen voor wie het lastig is de resultaten te interpreteren. Het is niet de bedoeling dat mensen gaan denken ‘Die naam staat op de lijst, dus het is een talent’. Wij zien zo’n lijst als een hulpmiddel om sneller en makkelijker talenten te vinden. Vanwege het belang van zo’n kritische houding is het ook belangrijk om het aantal mensen dat de lijsten krijgt te beperken. Bij ons gaan die lijsten alleen naar de region HR-directeuren.

Een tweede voorwaarde voor succes ligt op het niveau van de Shared Service Centers. Mensen die in zo’n center werken moeten zich bewust worden van het belang van de kwaliteit van de data die ze in het systeem zetten: Hoe beter die kwaliteit, hoe groter de winst die we kunnen maken. Zo’n bewustwording op het Shared Service Center is iets dat langzaam groeit. We hebben in 2016 een project afgerond waarmee alle lokale systemen in een grote database zijn gekomen en waarmee we een dashboard hebben met informatie over alle 180.000 werknemers. Dat project heeft ertoe bijgedragen dat onze mensen lokaal zich al meer bewust worden van het belang van kwaliteit van de data.

Een derde aandachtspunt is het draagvlak. Ik heb het gevoel dat het project lokaal nog te veel wordt gezien als iets van het hoofdkantoor. Men realiseert zich de mogelijkheden van analytics nog onvoldoende. We communiceren en laten zien wat de trends en ontwikkelingen bij ons en bij anderen zijn. Op die manier proberen we ze meer en meer te sensibiliseren en te laten zien dat analytics mensen lokaal kan ondersteunen met het oplossen van hun probleem.”