Twaalf best practices bij People Analytics-projecten

Steeds vaker worden HRM-beslissingen gebaseerd op voorspellende modellen die ontwikkeld zijn op basis van historische data. In deze whitepaper, die u onderaan deze pagina kunt downloaden, bespreken we een aantal best practices die organisaties daarbij kunnen helpen.

Zo is het belangrijk om goed te letten op de oorsprong van gegevens. Objectieve meetgegevens zijn bijvoorbeeld vaak van grotere waarde dan subjectieve antwoorden uit enquêtes. Wanneer een organisatie data wil verzamelen voor een People Analytics-project, is het daarnaast belangrijk om zeker te weten dat er meetinstrumenten worden gekozen die ook echt meten wat ze
beogen te meten.

Soms worden bij onderzoeken de resultaten per groep gemiddeld om de privacy van betrokkenen te beschermen. Dat heeft niet altijd zin. Wanneer de onderzochte groep te klein is, kan de identiteit van medewerkers gemakkelijk geraden worden. Een ander risico van het samenvoegen van data is dat deze hun betekenis verliezen.

Best practices

Het is belangrijk om onderzoeksresultaten juist te interpreteren. Zo moeten oorzaak en gevolg niet verwisseld worden. Daarnaast is het goed om ook te kijken naar de absolute aantallen en niet enkel naar percentages. Ook wordt een gevonden effect waardevoller naarmate het een groter deel van de gevonden verschillen verklaart. Al met al is voorspellende analyse een tijdsintensieve taak. Organisaties moeten er daarom voldoende tijd voor vrijmaken, zodat data-onderzoekers de mogelijkheid krijgen
om goede hypotheses te formuleren over actuele thema’s die aansluiten bij de organisatiedoelen.
Op die manier vergroot People Analytics de wendbaarheid van organisaties en kan de kracht van medewerkers optimaal worden benut om de organisatie te vernieuwen.

Voorkant whitepaper twaalf best practices bij people analytics projecten