HR gaat ook over cijfers

Cijfers hebben een toegevoegde waarde. We hebben een missie om die cultuurshift in gang te zetten

HR-analytics staat nog altijd in de kinderschoenen. Toch kunnen data en cijfers een bedrijf en zijn HR-afdeling vooruithelpen. Maar dan moeten HR-managers wel aandacht hebben voor de cijfers. Zeker wanneer ze strategisch in de pap willen brokken, zo luidt het bij de deelnemers aan de rondetafel.

Wat HR-analytics betreft, staan bedrijven zelfs nog niet in hun kinderschoenen, maar ervoor”, steekt David Stuer (Antwerp Management School) van wal. “Sommige bedrijven verzamelen al data, maar ze doen er niet veel mee. Ze hebben noch goesting noch skills om dat te doen. Ze verwarren een kwantitatieve aanpak snel met een koude aanpak, vaak omdat wat cijfermatig is in geld en niet in menselijkheid wordt uitgedrukt, denk maar aan KPI’s, verzuim of verloning.”

Analytics rond klanten en verkoop komen vaak eerst aan bod, pikt Kimberly Hermans (Ordina) hierop in. HR is vaak de laatste op de ladder die HR-analytics toepast. “De kwaliteit van de data is er niet altijd en ook het verzamelen ervan verloopt moeilijk. Omdat het over personeel gaat, zijn bedrijven snel bang dat het over heel gevoelige data gaat, maar dit hoeft niet per se zo te zijn. Je kan veel inzichten krijgen zonder bijvoorbeeld informatie over lonen en adressen te delen. Er bestaan ook technieken om de data te anonimiseren of zodanig te veranderen dat je niet meer kan herleiden over wie het gaat. Bedrijven vragen zich af of ze die data wel ter beschikking mogen stellen van een analist en wat die ermee zal doen?”

Tom Mentens (Flexso for People): “Als HR de basisheadcount kan opleveren, dan is dat vaak al voldoende. Drie of vier stappen verder zetten, is niet altijd een prioriteit. Banken en callcenters zijn wel typische voorbeelden in deze context: ze kunnen 'best practices' voorleggen, omdat er grote volumes aan data beschikbaar zijn. Bovendien hebben ze specifieke analyticsteams die ermee aan de slag kunnen. De meeste bedrijven weten niet waar ze moeten beginnen.”

Koen Van den heuvel (IPG Holding):“De heersende mentaliteit is dat HR over mensen gaat. Je mag je medewerkers zogezegd niet cijfermatig benaderen. Ik vergelijk het met de kleurplaten waarin nummers staan en waarbij ieder cijfer voor een kleur staat. Wel, als je die cijfers cijfers fout inkleurt, dan is de tekening volledig onherkenbaar. Dat is de beeldspraak die ik altijd gebruik: medewerkers zijn inderdaad geen nummers, maar door er cijfers aan toe te kennen, zorg je wel dat het duidelijker wordt over wie het gaat. Je kan je dienstverlening of aanbeveling doen in functie van die persoon en daarmee ga je hem of haar helpen.”

David Stuer:“Ik hoor HR-managers af en toe zeggen dat het moeilijk is om aan de strategische tafel te zitten, maar je kunt niet tegelijk zeggen dat je bang bent van cijfers. Het zijn de CEO en CFO die je moet overtuigen.”

Cultuurshift

Het grote probleem is dat HR-managers nog vaak te veel op hun buikgevoel vertrouwen, zo luidt het aan de rondetafel.
Koen Van den heuvel:”Veel HR-professionals zijn ervan overtuigd dat ze hun medewerkers door en door kennen. Maar als ik een analyse maak, dan hebben ze het vaak niet bij het rechte eind. Neem nu thuiswerken. De algemene tendens is dat thuiswerken goed is voor de medewerkers en dat het voor een reductie van het absenteïsme zorgt. Maar dat is niet altijd het geval. In ons bedrijf blijkt thuiswerken slechts voor een derde van de populatie bij te dragen aan de vermindering van het verzuim. Er zijn geen algemene uitspraken te doen, het is afhankelijk van bedrijf of cultuur.”

David Stuer sluit zich daarbij aan.“Sommige bedrijven maken er een punt van om evidence based HR te implementeren, tot de resultaten er zijn. We deden onlangs een literatuuronderzoek om bepaalde HR-praktijken zoals thuiswerken te evalueren. Bedrijven keken teleurgesteld naar ons omdat de effecten zo klein waren. Wat ze vergeten, is dat de sterkte van effecten heel erg afhangt van context en cultuur.”

Tom Mentens:“Vaak worden er assumpties genomen, die niet altijd op cijfers zijn gebaseerd, maar op buikgevoel of vanuit vooroordelen. Data kunnen hier een en ander objectiveren, maar het datamodel op zich moet voldoende geloofwaardigheid hebben. Soms zeggen bedrijven wel eens dat er iets aan het model scheelt, wanneer het resultaat tegenvalt. Als het resultaat meevalt, zijn ze goed bezig.”

Kimberly Hermans: “Hoewel managers vaak veel weten over hun werknemer en ook bijvoorbeeld een ontslag zullen zien aankomen, hebben cijfers toch een waarde. Tijdens een hackathon keken we bijvoorbeeld of we konden voorspellen wie het bedrijf zou verlaten. Managers kunnen vaak wel voorspellen of iemand in de komende maand hun team zal verlaten, maar kunnen ze dat ook zien 1 jaar op voorhand? Onze hackaton was succesvol, want de cijfers konden dat voorspellen.Daar kwamen heel wat inzichten uit. Pas dan beseffen bedrijven dat cijfers wel interessant kunnen zijn. We hebben eenmissie om die cultuurshift in gang te zetten.”

Data interpreteren

Iedereen heeft tegenwoordig zijn mond vol van big data en wil erin stappen”, zegt Koen Van den heuvel. “Bedrijven willen lopen vooraleer ze kunnen stappen. Terwijl het niets nieuws onder de zon is. Vergelijk het met de churnpredictie bij klanten van twintig jaar geleden. Wat wel relevanter is: hoe kan je ze op HR toepassen?”

De type analyses zijn misschien niet veranderd, maar er zijn intussen wel meer middelen, nuanceert Kimberly Hermans.“Bedrijven verwerken de data nu realtime en nemen er automatisch actie op. Het is wel belangrijk dat iemand in het team weet wat algoritmes zijn, wat ze betekenen en hoe je ze moet toepassen. Anders berokken je mogelijks veel schade.”

Koen Van den heuvel: “Er technisch mee omgaan is een ding, maar de data kunnen interpreteren is inderdaad ook belangrijk. Vaak zie je een ‘mismatch’: de technische profielen weten waarover het gaat, maar ze weten soms niet hoe het op de vloer werkt, wat de cultuur van het bedrijf is en welke processen daar invloed op hebben. Weinig medewerkers kunnen die vertaalslag maken.”

“Voorspellen is niet hetzelfde als verklaren”, vindt ook David Stuer.“Wanneer je een algoritme maakt van de medewerkers die nu succesvol zijn, dan is dat geen verklaring daarvoor. Je kunt erin steken wat je wil. Als je data gebruikt uit het verleden die niet oké waren, dan zijn je uitspraken over de toekomst waardeloos. Het is gevaarlijk om dat te bestendigen.”

Koen Van den heuvel:“Bedrijven moeten er eerst voor zorgen dat hun beschrijvende analytics in orde zijn, vooraleer ze zelfs de stap zetten naar verklarende of voorspellende. Als je voorschrijvende analyses wil doen waarbij je het gedrag gaat beïnvloeden – de ultieme droom – dan moet je wel het verklarende model hebben of je weet niet op welke knoppen je moet duwen. Wat ik doe, is modellen bouwen die tonen waar het bedrijf wil uitkomen op het vlak van de verdeling van het personeel en het type contracten om de flexibiliteit in de organisatie te houden die financieel haalbaar is en veilig voor de toekomst. Vanuit HR stuur je bepaalde zaken die het bedrijf vooruithelpen. De CEO vraagt dat ook van de HR-manager: leer ons iets bij.”

Ethische discussie

Analytics helpen om bijvoorbeeld de klantenervaring te verbeteren. Amazon en Netflix baseren zich op wat iemand in het verleden gedaan heeft om de voorkeur te bepalen. In de HR-wereld is dat moeilijker, vindt Tom Mentens. “Als medewerker wil je niet gepusht worden door zaken die van je bijgehouden worden. Vraag is of de medewerker daar blij mee zal zijn. Het is soms een dunne grens tussen het professionele en het privéleven. Ik zou niet willen dat HR naar me komt en zegt welke keuze sik moet nemen in het cafetariaplan of dat ik in een burn-out zit. Data kunnen wel leidend zijn in het verbeteren van bepaalde processen of services die HR aanbiedt.”

David Stuer:“Misschien heb je dat wel nodig, dat het bedrijf geïnteresseerd is in je welzijn. Dat is de moeilijke balans tussen verklaring en voorspelling. Vraag is inderdaad wat ze met de gegevens doen. Want het burn-outalgoritme, gebaseerd op loutere afwezigheid, voorspelt geen burn-out, maar langetermijnverzuim. Dat is iets fundamenteel anders.”

Koen Van den heuvel: “Als je dergelijke persoonlijke data begint te capteren, dan moet je de medische pathologie hebben en dat mag niet. Het is een moeilijke discussie. Ik kijk naar de cijfers, en het is aan de leidinggevende om de persoonlijke situatie van de medewerkers te kennen. Wat ontbreekt, is het verklarende stuk.”

Machine learning

Wat kan HR-analytics concreet betekenen voor rekrutering & selectie en leren? Volgens Tom Mentens kan rekruteren & selectie bijna tot het einde met data en AI worden opgevangen. “De praktijk volgt nog niet helemaal, maar het gaat een heel interessante richting uit. Als je op een jobsite je cv inlaadt, wordt dat via tekstherkenning gematcht met een vacature die het best bij je past. Dat vind ik sterk. Omdat de arbeidsmarkt verhit is, is het vinden van geschikte IT’ers bijna een onmogelijke opdracht. Het zijn nu vooral kandidaten die voor een bedrijf kiezen en minder andersom. In een eerste filtering om te zien of het bedrijf wel bij de kandidaat past, kun je AI inzetten door bijvoorbeeld met een bot te praten over cultuur, de dresscode of de praktijk rond thuiswerk. Als je echt een innovatief bedrijf bent, wil je ook dat het rekruteringsproces dat uitstraalt.”

Bedrijven staan voor een moeilijke tweesprong, vindt David Stuer. “Enerzijds heeft HR beperkte middelen om elke kandidaat te screenen, maar anderzijds wil het ook geen eenheidsworst selecteren. Ook bij leren en ontwikkelen kun je het principe van Netflix hanteren. Als je deze opleiding hebt gehad, dan is deze misschien ook relevant voor u? Of je kunt aanbevelingen doen die buiten het domein van de medewerkers ligt, als je wil inzetten op hun interne mobiliteit en inzetbaarheid.”

Ook in de consultancysector zijn ze bezig met zaken als automatische aanbevelingen voor trainingen, geeft Kimberly Hermans mee. "We kijken of we medewerkers en klanten beter kunnen koppelen. Hebben we de juiste persoon op de juiste opdracht? Medewerkers kunnen daarover ook meer inspraak krijgen. We zoeken een match op basis van het cv, informatie over de klant en het type opdrachten.”

“Met data werken, kost geld en workload, maar het levert ook iets op”, besluit Tom Mentens. “De businesscase voor een chatbot is niet zo moeilijk. Ook de mogelijkheden van machine learning zijn enorm. Je verzamelt data en zoekt via machine learning patronen en correlaties die je wellicht zelf niet had ontdekt.”