Datagedreven HR
Blog
4 februari 2014
Voorspellende analyses bieden, in tegenstelling tot beschrijvende analyses (zoals tabellen, rapporten en ratio's), organisaties de kans om vooruit te kijken en trends te ontdekken in factoren die samenhangen met bv. verloop en absenteïsme. Voorspellende modellen van personeelsverloop bijvoorbeeld bieden organisaties de mogelijkheid om clusters van medewerkers te identificeren die mogelijk weg zullen gaan en verschaft inzicht in hoe de risico's verdeeld zijn over de organisatie.

Voorlopers als Google werken al langer met voorspellende HR analytics. Echter, steeds meer organisaties volgen dit voorbeeld en gaan gebruik maken van voorspellende analyses.

Personeelsverloop vormt een probleem voor veel organisaties. Het is dus belangrijk om te ontdekken wat de redenen van dit (ongewenste) verloop zijn. Met voorspellende analyses kan een veel dieper inzicht verkregen worden in toekomstige risico’s en kunnen zodoende doelgerichte campagnes opgezet worden om personeel te behouden.

In een recente blog gaat Prof. Dr. B. Baesens, expert in voorspellende HR analytics, dieper in op het thema van voorspellende verloopanalyse. In een eerste artikel vat ik voor u de uitdagingen van dergelijke analyse samen.  

4 uitdagingen bij voorspellende analyses van het personeelsverloop

Bij het voorspelbaar maken van personeelsverloop wordt in eerste instantie vaak uitgegaan van historische gegevens, zoals leeftijd, behaalde diploma’s, burgerlijke staat, salaris en promotiegerelateerde informatie (voorspellende variabelen). Deze voorspellende variabelen staan mogelijk in relatie tot de doelvariabele (wel of niet de organisatie verlaten).  

Uitdaging #1: Datakwaliteit

Een eerste belangrijke uitdaging is het verzamelen van de juiste variabelen en ervoor zorgen dat deze de vereiste datakwaliteit hebben. Op basis van slechte gegevens kun je immers niet voorspellen (garbage in, garbage out). Het doel van de voorspellende analyse is het bouwen van een model waarbinnen de voorspellende variabelen gerelateerd worden aan de doelvariabele. Hiervoor kunnen verschillende statistische technieken gebruikt worden, zoals lineaire regressie, beslisbomen en neurale netwerken.

Het bouwen van een analytisch model is een arbeidsintensief proces. Eerst worden historische data verzameld en worden de voorspellende variabelen en de doelvariabele bepaald. De dataset wordt vervolgens in tweeën gesplitst. De ene helft wordt gebruikt om een model te ontwikkelen. De andere helft wordt gebruikt om te testen of het ontwikkelde model klopt. Vervolgens wordt het model toegepast op data van het huidige personeelsbestand om voorspellingen te kunnen doen over verlooprisico’s.

Uitdaging #2: Voldoen aan 3 analytische prestatiecriteria

Een analytische model om het personeelsverloop te voorspellen moet voldoen aan drie criteria: 

  1. In de eerste plaats moet het accuraat en statistisch zinvol zijn, door relaties zo wiskundig mogelijk te vatten in de data.
  2. De strategische impact van een dergelijk model is groot. Het is daarom van groot belang dat het model makkelijk te begrijpen is door de HR manager. Een makkelijk te begrijpen en werkbaar model is de beslisboom. Deze is compact en transparant en verklaart duidelijk waarom bepaalde werknemers de organisatie verlaten en andere niet.
  3. Het model moet operationeel efficiënt zijn. De analyse moet tenminste maandelijks of 1 keer per kwartaal uitgevoerd (kunnen) worden om in een vroegtijdig stadium mogelijke opstappers te kunnen identificeren.

Uitdaging #3: Ervoor zorgen dat er met de resultaten iets kan worden gedaan

Het bouwen van het analytisch model is niet het eindstation. Integendeel. Dan begint het pas. De uitkomsten van het model vormen de basis voor campagnes om personeel te behouden. Daarbij kan onderscheid gemaakt worden naar medewerkers die de organisatie perse wil behouden en medewerkers die voor de organisatie niet cruciaal zijn.

Uitdaging #4: Het monitoren van de kwaliteit van het voorspellende model

Personeelsverloop is een dynamisch fenomeen en de factoren die verloop bepalen zouden na verloop van tijd kunnen veranderen. Verloopmodellen moeten daarom voortdurend getest worden. Daarbij worden voorspellingen getoetst aan de werkelijkheid om te bepalen of het model nog valide is. Er moet ook een actieplan klaarliggen in het geval dat het model haar validiteit verliest.

Samenvattend

Bij het ontwerpen van een model voor het voorspellen van verloop moet gebruik gemaakt worden van kwalitatief goede data. Het moet een model zijn dat makkelijk te begrijpen is en waar iedereen mee kan werken. De uitkomsten van het model moeten direct toepasbaar zijn in de praktijk. Tenslotte is het belangrijk in de gaten te houden of het model nog actueel is. Modellen die aan bovenstaande voorwaarden voldoen zullen van grote waarde zijn voor organisaties die er gebruik van maken.

Het originele Engelstalige artikel van Prof. Dr. B. Baesens vindt u hier.  Deel 2 van dit artikel over de voordelen van voorspellende modellen, vindt u hier. Reacties op deze artikelen zijn uiteraard altijd welkom.