People Analytics-praktijken om de acquisitie en retentie van talent te verbeteren

Door Alex Hellemons

Definieer de benodigde inzichten

Wanneer de werknemerssegmenten met een retentie-/uitstroomprobleem zijn geïdentificeerd, kunnen voor elk segment analysevragen worden gedefinieerd. Of met andere woorden: welke inzichten zijn nodig om de retentie te verbeteren en het verloop te verminderen? Bijvoorbeeld:

- Welke factoren zijn binnen de groepen met verhoogd verloop gerelateerd aan retentie/verloop?

- Waarom verlaten mensen binnen deze groepen de organisatie?

- Waar gaan deze mensen naartoe?

- Wat is het vluchtrisico van mensen binnen deze groepen?

- Welke teams kunnen in de toekomst onnatuurlijk verloop verwachten?

- Wat zijn mogelijke verzachtende maatregelen voor de mensen die risico lopen?

Begin met People Analytics

Wanneer werknemerssegmenten en analysevragen zijn gedefinieerd, kunnen datawetenschappers beginnen met kraken. Data Scientists zullen Machine Learning-technieken gebruiken om bovenstaande vragen te beantwoorden, of ze gaan nog een stap verder en kunnen algoritmen bouwen die HR ondersteunen in zijn dagelijkse werking. Met behulp van voorspellende of zelfs prescriptieve data science-technieken kunnen Data Scientists een algoritme bouwen dat aangeeft in welke teams de kans op uitstroom het grootst is. Het algoritme kan HR zelfs suggesties geven over mogelijke interventies om verloop in het team te voorkomen.

placeholder

Diagnostische modellering

Datawetenschappers kunnen data gebruiken om diagnostische modellen te creëren die de factoren identificeren die het personeelsverloop aandrijven. Deze modellen kunnen worden gebruikt om actieplannen en beleid te formuleren.

Voorspellende modellering

Datawetenschappers kunnen data gebruiken om voorspellende modellen te creëren die de factoren kunnen identificeren die het meest waarschijnlijk tot personeelsverloop zullen leiden. Deze modellen kunnen worden gebruikt om medewerkers te identificeren die het risico lopen te vertrekken en om stappen te ondernemen om ze te behouden.

Clusteranalyse

Datawetenschappers kunnen clusteranalyse gebruiken om werknemers te groeperen op basis van vergelijkbare kenmerken, zoals functie, ambtstermijn of betrokkenheidsniveau. Dit kan organisaties helpen patronen in het personeelsverloop te identificeren en gerichte retentiestrategieën voor verschillende groepen werknemers te ontwikkelen.

Tekst analyse (via AI)

Data Scientists kunnen tekstanalysetechnieken gebruiken om tekst afkomstig van medewerkersonderzoeken en prestatiebeoordelingen te analyseren, om gemeenschappelijke thema’s of patronen in medewerkersfeedback te identificeren. Dit kan organisaties helpen gebieden te identificeren waar verbeteringen nodig zijn en stappen te ondernemen om eventuele problemen aan te pakken die kunnen bijdragen aan het personeelsverloop.

Netwerk analyse

Data Scientists kunnen netwerkanalyse gebruiken om belangrijke beïnvloeders of connectoren binnen een organisatie te identificeren. Dit kan organisaties helpen om medewerkers te identificeren die van vitaal belang zijn voor de organisatie en om stappen te ondernemen om ze te behouden en/of te gebruiken als ambassadeurs in veranderingsprogramma’s, waardoor de buy-in onder medewerkers wordt gestimuleerd.

Diep leren

Data Scientists kunnen deep learning-algoritmen gebruiken om (geanonimiseerde) ongestructureerde gegevens zoals e-mails, chats en andere digitale interacties van werknemers te analyseren om patronen in het gedrag van werknemers te identificeren die erop kunnen wijzen dat een werknemer overweegt het bedrijf te verlaten.

Gerelateerde inzichten

divider