1. De vraag: wij onderzochten bij een klant wat het effect van leeftijd is op verzuim. Je weet dat leeftijd een rol speelt, maar hoe precies?
2. Structureer je data? Wij combineerden verzuimdata (frequentie en aantal dagen) met gegevens uit het employee management systeem (leeftijd).
3. De hypothese was de grootste impact maken we bij medewerkers ouder dan 50. In de afbeelding zie je de uitkomst bij deze klant:
▪️ ▪️ 20-30 jaar: kort verzuim, maar frequent. Spijbelen of katers?
▪️ 30-40 jaar: weinig verzuim en kort. Hier gaat iets goed, wat je nader wilt onderzoeken.
▪️ 40-50 jaar: lang en frequent verzuim. Dit is de groep waar de impact het grootste is. En je op basis van een ziekmelding langverzuim ziet aankomen.
▪️ 50-60 jaar: niet frequent, maar met een hoge gemiddelde verzuimduur. Dit is ook een risicogroep.
4. Duiden data bij doelgroep: Bij de groep van 40-50 jaar is het welzijn probleem het grootst. Op basis hiervan organiseer je een workshop voor zes medewerkers tussen 40-50 jaar: vier die recentelijk verzuimd hebben en twee die niet verzuimd hebben. Tijdens deze workshop bespreek je de zorgen over frequentie en verzuimduur, en achterhaal je wat beter kan. Hierdoor behandel je medewerkers als mensen en zoek je naar het verhaal achter de data. Het is data ondersteunend werken.
Door concreet te weten wat je met elke leeftijdsgroep moet doen, kun je verzuim effectief verminderen.
Behandel iedereen als mens, en niet hetzelfde.