Meetbare resultaten in rapportages en analyses zijn nu belangrijker dan ooit. Ook HR-goeroe Dave Ulrich verlegt zijn aandacht van metrics naar analytics. HR metrics leggen de focus op het verzamelen en rapporteren van statische HR-data. Bij analytics gaat het om het in kaart brengen van de business impact van HR-activiteiten door deze te combineren met andere data, bijvoorbeeld finance, payroll en resultaten uit medewerkertevredenheidonderzoeken.

Een betrekkelijk nieuwe methodiek hiervoor is predictive analytics op basis van data mining. Data mining en predictive analytics stellen een onderneming in staat de HR-data te gebruiken om te voorspellen wat er in de toekomst zou kunnen gebeuren. Dit kan betrekking hebben op personeelsverloop, verzuimbeheer, secundaire arbeidsvoorwaarden; bijna ieder aspect van HR kan voordeel behalen bij dit soort analyse.

Data mining heeft betrekking op het extraheren van informatie uit bijvoorbeeld ERP-systemen als SAP en Oracle. Predictive analytics gaat hierop verder. De data wordt ontleed en gecombineerd met marktgegevens zodat trends in het personeelsbestand inzichtelijk worden en gericht betekenis krijgen. Een voorbeeld hiervan is succession planning: de analyse van het personeelsbestand in relatie tot de beschikbaarheid van resources in de markt. Met predictive analytics versterkt de HR-manager de reguliere managementinformatie. De verkregen informatie wordt doelgericht geanalyseerd, waarbij patronen opvallen die anders wellicht waren weggevallen tussen de enorme hoeveelheid aan statistieken en cijfers.

Predictive analytics geeft tevens inzicht in allerlei verborgen kosten. Als voorbeeld het Recruitment, Retention and Labour Turnover-onderzoeksrapport van CIPD uit 2008. Dit rapport stelt de gemiddelde vertrekkosten per medewerker op 7.000 euro. Dit cijfer bevat alleen de zichtbare kosten die komen kijken bij zaken als administratie, recruitment en training. Maar de kosten van vaardigheden en ervaring van een medewerker zijn hiermee niet inzichtelijk.

Het rapport berekent ook de gemiddelde kosten van ziekmeldingen op 800 euro per medewerker per jaar. Predictive analytics stelt een onderneming in staat om in de geschiedenis van dit cijfer te duiken en op die manier het management te voorzien van de gegevens die ze nodig heeft om te voorspellen wat er binnen de onderneming gaat gebeuren. HR-managers kunnen op deze manier meer betekenis geven aan harde getallen en het HR-beleid waar nodig bijstellen en successen of tegenvallers opsporen.

Struikelblok Waarom is predictive analytics het best bewaarde geheim van de HR-afdeling? Een groot struikelblok voor veel organisaties is het feit dat er niet voldoende en vaak niet de gewenste data beschikbaar is. Als je de resultaten van competentiemanagement wilt analyseren, dan moet je ze ook registreren. Een andere reden waarom HR niet vaker overgaat op predictive analytics ligt in het feit dat dataservers vaak vol staan met databases die ofwel nooit worden gebruikt of een niet-toegankelijk format hebben. In een ideale situatie zou informatie binnen handbereik van de HR-afdeling moeten liggen. Oude records zouden automatisch gearchiveerd moeten worden zodat nieuwe data eenvoudig kan worden toegevoegd en geüpdatet. Ondernemingen worden vaak ontmoedigd door deze taak, omdat ze geen tijd en resources aan deze taak willen besteden. Zelfs wanneer ze de capaciteit hebben, is het mogelijk dat managers de voordelen van de technologie niet herkennen die helpen om processen te vereenvoudigen.

Bovendien moeten de HR-managers wennen om pro-actief om te gaan met analyses op data. Het vraagt een groot vermogen van conceptueel en analytisch denken en creativiteit, naast de kennis van HR-accounting. HR-accounting is pas recent een minor op HBO P&A-opleidingen.; Het kan in eerste instantie beangstigend zijn om problemen en issues te accepteren die mogelijk boven water komen. Maar hoe meer we uit de recessie komen, des te belangrijker het wordt gebruik te maken van business intelligence-technologie die kritieke data verzamelt.

Een praktijkvoorbeeld Een organisatie ziet dat er nagenoeg geen uitstroom van medewerkers is. Hierdoor komen de interne doorstroom- en doorgroeimogelijkheden stil te staan. Het gemiddelde dienstverband ligt rond de 12 jaar. Hoewel doorgroeimogelijkheden ontbreken, blijven de medewerkers bij de organisatie. Uit de HR-gegevens blijkt dat 85% van de medewerkers binnen een straal van 15 km van de organisatie woont. Hiervan woont 68% in de gemeente zelf en komt met de fiets naar het werk. Van reistijden en files is men wars. Door de geringe uitstroom ontwikkelen de gemiddelde loonkosten zich zodanig dat er een ruit in de loonkosten ontstaat in plaats van de bekende piramide. Uit de functioneringsgesprekken blijkt dat de mensen gemiddeld genomen goed functioneren (87%), tevreden zijn (79%) maar ook toe zijn aan een nieuwe uitdaging en functie (67%). Om uitstroom te creëren en de loonkosten in de hand te houden, besluit het management om de arbeidsvoorwaarden tot het minimum te versoberen. Na een jaar heeft dit geen enkel resultaat opgeleverd. Het functioneren is nog steeds goed (87%) en de mensen zijn ondanks de versobering van de arbeidsvoorwaarden nog steeds tevreden (75%). Ondertussen blijven de loonkosten zich verder in een ruit ontwikkelen. Een berekening van de loonkosten naar drie jaar laat een zorgelijke situatie zien. De ruit wordt nog meer van onderen afgevlakt. De actie van versobering heeft niet geleid tot de gewenste uitstroom. Wat kan dan wel leiden tot uitstroom en instroom aan de onderkant?

Uit gesprekken met het UWV blijkt dat de lokale arbeidsmarkt voor de medewerkers van de organisatie op slot zit. De medewerkers zijn weliswaar goed opgeleid, maar niet voor de externe arbeidsmarkt. Salaristechnisch past het plaatje wel. In de regio zijn er op zich voldoende vacatures. Medewerkers moeten zich dan wel omscholen en bereid zijn om een half uur te reizen. De organisatie zet met regionale opleidingspartners en collega-bedrijven een mobiliteitspool op waarin gerichte (om)scholing plaatsvindt. Bij elkaar kan stage worden gelopen en vacatures worden eerst bij elkaar opengesteld. Daarnaast is men met een aantal medewerkers die vlak voor hun pensioen zitten in gesprek gegaan om eerder gebruik te maken van de pensioenrechten. Hoewel dit in eerste instantie geld kost, wordt dit snel terugverdiend door de vacatures op te vullen met jongere en relatief goedkopere nieuwe medewerkers. Door de interne data te verrijken met die van de lokale arbeidsmarkt is inzicht verkregen in het daadwerkelijke probleem; predictive analytics op basis van data mining. De oplossing laat zich met enige creativiteit en lef aandragen.