Одной из характерных особенностей современной цифровой среды является возникновение междисциплинарных областей исследования, интеграции различных рабочих процессов, а также создания новых должностей, соответствующих современным рыночным условиям. Параллельно с этим бизнес-процессы становятся консолидирующими центрами скопления различного рода данных, что детерминирует и возникновение нового подхода – data driven decisions [1, c. 11].
Смещая вектор изучения на особенности трансформации управления человеческим капиталом, стоит отметить, что в сфере HR также внедряются продвинутые аналитические инструменты. HR-аналитика может быть описана как процессуальный подход к имплементации методов обработки данных и инструментов бизнес-аналитики к HR-данным [2, c. 6].
Первое исследование, в котором затрагивалась тема HR-аналитики, было также проведено Deloitte в 2015 г. [3]. По результатам этого исследования было отмечено, что стремление к внедрению HR-аналитики в деятельность компании находится в стадии стагнации: с одной стороны, специалисты по управлению персоналом и руководители компании понимают, что современные условия детерминируют необходимость интеграции в деятельность организации HR-аналитических систем, с другой стороны, отмечают свою неготовность к этим изменениям.
Современной тенденцией в области HR-аналитики является то, что внедрение элементов предиктивного анализа в HR-аналитику поспособствовало решению не только проблем, ориентированных на работу с персоналом, но и оказало прямое или косвенное влияние на решение проблем бизнеса в целом. Данные, получаемые HR-специалистами, могут быть использованы для решения широкого круга бизнес-задач [4, c. 82].
Большое разнообразие определений понятия «HR-аналитика» приводит к разному пониманию ее сущности специалистами в области управления персоналом. Например, по данным исследования компании Deloitte, лишь 25% респондентов из России считают, что в компании «понимание принципов HR-аналитики является достаточным / глубоким» [5].
В связи с этим представляется целесообразным определить отличительные признаки современной HR-аналитики от простых методов статистического анализа данных, которые традиционно применяются при обработке информации о кадрах в службах управления персоналом.
В первую очередь, фундамент аналитических платформ строится на выстраивании мэтчинговой связи между бизнес- и HR-показателями. Более того, усиливающиеся data-flows детерминируют ещё одну специфическую черту HR-аналитики – использование Больших данных. Это означает, что информационный массив является максимально диверсифицированной по источникам выкачивания данных: используются как внешние (social network analysis, массовые опросы потенциальных сотрудников), так и внутренние источники (количество посещений корпоративной почты, активность разработчика в git репозитории, ключевые показатели эффективности, индексы удовлетворенности в лояльности сотрудников) [6].
Что касается самой обработки информации, то здесь стоит отметить, что в рамках данного подхода происходит не только количественный, но и качественный переход от классических статистических методов к инструментам математической лингвистики (Sentiment Analysis – анализ тональности текста, Text Mining – интеллектуальный анализ текстовой информации, NLP 1 – Natural language processing и т.д.), методы искусственного интеллекта (деревья решений, нейронные сети и т.д.). Также резонно отметить возникновение качественно новых форм визуализации выходных моделей.
И в заключение стоит подчеркнуть, что процедура decision making производится на основании качественного анализа предлагаемых рекомендаций, что позволяет избегать принятия опрометчивых решений, основанных исключительно на базе тех инсайтов, которые генерирует машина [7, c. 48].
Тем не менее продвинутые аналитические инструменты используют лишь единицы, в основном большинство компаний предпочитает фокусировать свою деятельность на инструментах описательной статистики, проводя бытовые операции над данными и не доверяя системам машинного обучения, либо же вообще не используя статистические инструменты, полагаясь на собственную интуицию [7, c. 50].
По результатам исследования компании Deloitte, «Международные тенденции в сфере управления персоналом в 2017 году» [8], в котором приняли участие более 10 тысяч руководителей компаний и экспертов в области управления персоналом из 140 стран, HR-аналитика в настоящее время является одним из десяти приоритетных направлений, на которых должны сфокусироваться компании, чтобы улучшить организацию, управление, развитие и вовлечение сотрудников.
Аналогичные результаты были получены и в ходе исследования, проведенного компанией ЭКОПСИ Консалтинг в отечественных организациях на тему «HR-Тренды»: направление HR-аналитики выросло за последние два года на 17% и является лидером роста среди всех остальных областей управления персоналом [9].
Таким образом, в условиях постоянных изменений и роста data-потоков возникает необходимость анализировать поступающую информацию и моделировать процессы, которые будут происходить с человеческим капиталом в организации. Несмотря на то, что такая область знаний как HR-аналитика только формируется, на данный момент уже стало понятно, что классические принципы построения бизнес-аналитических платформ должны корректироваться с учетом влияния человеческого фактора. Основываясь на данном подходе, было решено интегрировать soft- и hard-data в единое целое, создав тем самым возможность построения валидных дескриптивных, а впоследствии и предиктивных моделей.
Создание модели для внедрения предиктивной HR-аналитики проходило в три этапа:
– сбор социологических и несоциологических данных;
– анализ данных и спецификация модели;
– выработка рекомендаций к дальнейшей работе.
Главным аспектом работы на первом этапе выступило формирование индексов, которые в дальнейшем включались в единую модель с уже собранными KPI. Методика построения индекса EVPI (Employment Value Proposition Index) представляла собой следующую процедуру последовательных действий:
– качественный анализ показателей, предлагаемых для включения в те или иные блоки, путем проведения неформальных интервью с топ-менеджментом компании для выявления наиболее приоритетных областей ценностного предложения работодателя;
– далее на базе результатов, полученных в ходе анкетирования, были рассчитаны индивидуальные частные индексы для каждого сотрудника по каждой измеряемой латентной переменной (т.о., отдельно были рассчитаны: индекс конкурентных преимуществ компании – CAI: 2 показателя, 15 индикаторов, индекс соответствия сотрудника поведенческим ожиданиям компании – CLEI: 3 показателя, 9 индикаторов, индекс оценки возможностей построения карьеры в компании – CBI: 3 показателя, 12 индикаторов, индекс оценки мотивации и премирования – MAI: 3 показателя, 14 индикаторов) на базе калькуляции среднего арифметического (рис. 1).
В целом, по результатам теста Рамсея, было выявлено, что модель специфицирована правильно, и пропущенных данных в ней нет. Но для того чтобы понять, можем ли мы действительно использовать данную модель, нужно осуществить оценку наличия гетероскедастичности и мультиколлинеарности в данных. По результатам трех тестов на гетероскедастичность (Уайт, Глейзер, Харви) и мультиколлинеарность (тест VIF (фактор инфляции дисперсии)) было выявлено, что данных статистических явлений в модели не присутствует.
Из этого следует, что гипотеза о том, что отобранные переменные-регрессоры являются предикторами для зависимой переменной kpi.weight, подтвердилась.
Подводя итог, необходимо отметить, что в результате проделанной работы продемонстрирована возможность эффективного использования не только hard-, но и soft-data в рамках HR-аналитики, более того, компания может использовать подобную аналогичную методологию (с определенными модификациями) для моделирования других, не менее важных событий, например, процесса рекрутмента, что позволит заранее моделировать сценарии развития сотрудника в компании. Построенная модель поможет прогнозировать эффективность сотрудников на базе социологических данных, что позволяет заранее видоизменять кадровую политику, корректируя EVP компании, предлагая сотрудникам индивидуальные программы развития.
