Wanneer het gaat om verzuim, is makkelijk om in vooroordelen te vervallen. Onze populatie is relatief oud, de werkdruk is hoger dan bij andere organisaties, langdurig verzuim komt vaker voor bij vrouwelijke medewerkers… Maar zijn dit wel dé drivers van verzuim?
Omdat karakteristieken van medewerkers interacteren, is het niet makkelijk om de echte oorzaken van verzuim te ontdekken. Want de vrouwelijke medewerker, die zit net ook vaker op een functie met meer werkdruk, of is in de organisatie ook vaker ouder. Welke van die karakteristieken is dan de werkelijke veroorzaker van verhoogt verzuim?
Analytics kan de echte veroorzaker aanwijzen, aannames bevestigen of ontkrachten en nieuwe, meer verdiepende inzichten geven. Bedenk daarbij goed welke techniek past bij het vraagstuk. Black box-methodes met behulp van Kunstmatige Intelligentie zijn booming, maar in dit geval wil je juist weten wat er in die black box gebeurt: welke verbanden tussen karakteristieken worden gelegd? Zo komt ‘ouderwetse’ statistiek hier veel beter van pas.
Onderzoek door Erasmus Q-Intelligence heeft bijvoorbeeld voor een organisatie uitgewezen dat er aanzienlijk verschil bestaat tussen welke karakteristieken lang en kort verzuim veroorzaken en dat er grote verschillen zitten tussen organisatieonderdelen. Zo toont de figuur dat de hoeveelheid verzuim 25% hoger is dan de referentie bij de afdeling ‘klantcontact’, en juist 25% lager dan de referentie bij ‘data science’. Ook zien we dat beoordeling van de leidinggevende en medewerkersbetrokkenheid een grote rol speelt in de hoeveelheid verzuim.
De uitkomsten van het analytics-onderzoek zijn dan ook gebruikt om meer gerichte interventies in te zetten, op leeftijdsgroepen of op leidinggevenden met bepaalde leiderschapsstijlen.
Meer weten over passende technieken, bij voor de organisatie passende vraagstukken rondom HR-data? Lees hier meer over de 6-daagse HR Analytics opleiding van Erasmus Q-Intelligence.
