Organisaties die al langer bezig zijn met voorspellende verloopanalyses (predictive employee turnover analytics of PETA genoemd in het originele artikel) ontdekten dat de resultaten van dergelijke analyses 20 tot 50% accurater waren dan de resultaten van traditionele, beschrijvende analyses. Op basis van de uitkomsten van voorspellende analyses kunnen uitspraken worden gedaan over wie de organisatie zal verlaten, wie goed zal presteren of wie promotie zal maken. Steeds meer organisaties en managers zullen dus gaan vragen om voorspellende analyses. Aan HR de taak om daar handen en voeten aan te geven en managers inzicht te bieden in bijvoorbeeld de motieven voor verloop.
In een recente Engelstalige blog gaat Prof. Dr. B. Baesens, expert in voorspellende HR analytics, dieper in op het thema van voorspellende verloopanalyse. In een eerste artikel vatte ik voor u de uitdagingen van dergelijke analyse samen. In dit tweede deel beschrijf ik de krachtige voordelen van voorspellende analyses.
5 redenen waarom PETA beter werkt dan traditionele analyse
1. Driedimensionale analyse
In plaats van het personeelsverloop van het afgelopen kwartaal of jaar per afdeling of business unit te rapporteren (eendimensionaal beeld), bekijkt PETA het personeelsverloop door een driedimensionale bril:
• 1e dimensie: historische patronen → hoe zagen patronen er de afgelopen jaren uit?
• 2e dimensie: veranderingen in deze historische patronen → wat was de ontwikkeling in deze patronen de afgelopen jaren?
• 3e dimensie: relaties in de gegevens → welke nieuwe/bestaande relaties zijn er tussen personeelsverloop en medewerkerfactoren?
Standaard eendimensionale rapportages geven een beeld van wat er gisteren gebeurde. Dit biedt weinig meerwaarde. Door voorspellende algoritmes te gebruiken krijg je driedimensionale inzichten in personeelsverloop die 20 tot 50% accurater zijn dan beschrijvende analyses van verloop.
2. Gebruiken van voorspellende software om historische datareeksen te analyseren
Bij traditionele analyses wordt het verloop in de afgelopen maand of het afgelopen jaar bestudeerd. Er wordt gebruik gemaakt van gemiddelden. Dit levert geen diepgaande inzichten op over verloop. Met behulp van voorspellende software kunnen de kenmerken van individuele medewerkers in relatie tot verloop worden geanalyseerd. Dat biedt lijnmanagers de inzichten om verloop te voorkomen.
3. Voorspellen van toekomstige risico’s op personeelsverloop
Steeds meer organisaties willen de toekomst voorspellen, willen organisatorische risico’s in kaart hebben. Helaas ontbreekt het de meeste HR-afdelingen aan expertise op dit vlak. Met voorspellende analyses zijn belangrijke organisatorische risico’s zoals verloop van talenten, arbeidsongevallen of absenteïsme veel beter te voorspellen dan met rapporten met historische data. Met behulp van predictieve analyses kunnen clusters gemaakt worden van groepen met een hoog risicoprofiel. Zo is snel te zien welke groep naar bijvoorbeeld leeftijd, salaris of geslacht een hoog risico heeft om snel te vertrekken. Op basis van PETA-voorspellingen kunnen organisaties specifieke campagnes opzetten om personeel te behouden.
4. Asymmetrische clustering
In plaats van de gebruikelijke rapporten per afdeling of divisie, vormt PETA asymmetrische groepen op basis van de risicoprofielen van automatisch gegenereerde groepen. Dit kan dus een groep zijn op basis van geslacht, salaris, contractduur, prestaties, etc. De risico’s uit het vorige punt worden hier gecombineerd met groepen met specifieke kenmerken. Op basis daarvan kunnen gerichte campagnes voor behoud van medewerkers worden opgezet. Bovendien is het zeer belangrijk inzicht te hebben in deze clusters in het kader van de strategische personeelsplanning.
5. Wat als-scenario’s
Deze geavanceerde analyses bieden besluitvormers de kans om modellen te ontwikkelen waarbinnen geëxperimenteerd kan worden met verschillende alternatieven en veronderstellingen. Veranderingen volgen elkaar steeds sneller op. Steeds vaker krijgen organisaties te maken met onverwachte gebeurtenissen. Dit vraagt om snelle besluitvorming, die ondersteund kan worden door scenario’s en voorspellende analyses. En daar ligt een grote uitdaging voor HR. Zij moet directie en management op het juiste moment de juiste scenario’s kunnen aanreiken.
Besluit
Voorspellende analyses zullen in de toekomst een belangrijke meerwaarde bieden voor HR directies. In tegenstelling tot beschrijvende analyses (lijstjes, rapporten, dashboards,…) bieden ze inzichten in patronen en risico’s die klassieke HRIS programma’s niet kunnen bieden. We zouden zelfs kunnen stellen dat het disruptieve innovatie is voor HR, die overigens de allerlaatste functie is die deze technieken gaan gebruiken. Aan de slag, dus!
Het originele Engelstalige artikel van Prof. Dr. B. Baesens vindt u hier. Het eerste deel van dit artikel over de uitdagingen van voorspellende analyses vindt u hier.
