onsdag den 24. september 2014

Målinger, HR analytics, big data og alt det frække

Målinger er på en måde et rigtigt spændende og frækt emne og på en måde ikke. For målinger er sjældent særligt interessante eller frække i sig selv. Det er til gengæld (nogle gange) det, som de viser, og det, som de kan bruges til. 

Jeg siger det up front: jeg er ikke statistiker, Business Intelligence ekspert eller datalog. Jeg er ikke uddannet revisor, jeg har ikke nogen speciel forkærlighed for matematik (men jeg afskyer det heller ikke - kun geometri) og jeg er ikke certificeret algoritmemester. Så du må tage det, som det kommer.

Men det her er vigtigt. Det ved jeg. Det er så vigtigt, at jeg ikke helt og holdent kan overlade det til nogle af de ovennævnte typer, selvom de er seje nok. 

Hvorfor skal vi måle?

Hvis vi vil videre med vores vigtigste projekt, som er at forstå og etablere forbindelsen mellem på den ene side de konkrete HR strategier og leverancer og på den anden side vores organisationers overordnede performance, skal HR metrics, predictive analytics, KPI, ROI, big data og så videre en gang for alle begribes og tages selvsikkert i anvendelse i HR afdelingerne. 

Jeg vil faktisk gå så vidt som til at sige, at de hårde målinger og de begrundede kalkuler er det, der udgør afsættet, ja forudsætningen, for HR's fremtid. 

Det er de kontinuerlige datastrømme, de svargivende algoritmer og de evidensbaserede beslutningsprocesser, der kommer til at løfte HR til en strategisk funktion - og ikke MUS skemaerne, tilfredshedsundersøgelserne og karrierecoachingen. 

Hvis vi er heldige, vil de udmærkede og velkendte HR gigs (se ovenfor) muligvis følge af analysernes og målingernes resultater og være en del af de løsningsmodeller og konkrete handlingsinitiativer, resultaterne afføder, men de vil helt sikkert ikke komme før. 

Målinger og modeller

Vi måler os selv og hinanden hele tiden. Vi måler vores puls, når vi er til spinning, vi sætter streger på væggen, når vores børn vokser fem centimeter, vi tager vores temperatur, når vi er sløje, vi vejer os, når bukserne strammer. 

Færdselspolitiet måler vores hastighed, læreren måler vores børns læsefærdigheder, optikeren måler vores syn og passiv-aggressive typer måler os med blikket. 

- nu i mere end én forstand

De fleste af disse målinger understøtter en beslutningsproces, nogle af dem har konsekvenser, som vi mere eller mindre kender på forhånd, og andre er bare fremstillinger af udsnit af virkeligheden, som måske ikke er særlig interessante i sig selv. 

Nu siger jeg udsnit af virkeligheden, for det meste kan i princippet (selv kærlighed og den slags fluffy business) være genstand for målinger, selvom mange nok vil mene, at dette indebærer en stærkt reduceret virkelighedsfremstilling. Stort set alt, hvad der er virkeligt, kan efter sigende være genstand for måling, men hele virkelighendes kaos kan trods alt ikke reduceres på én gang, i én model. 

Endnu. 

Vi har indtil videre kunnet bygge en række sideordnede eller måske rangordnede modeller, som hver især belyser udvalgte aspekter af virkeligheden, men ikke én model, der rummer alle nuancerne. Det er imidlertid en mangel, som big data vil hjælpe os af med. Big data evangelisterne mener nemlig, at den rigtige behandling og brug af data vil kunne anskueliggøre den fluktuerende, fragmenterede og uoverskuelige virkelighed i en både samtidig, sammenhængende og forståelig fremstilling.

Det er vildt.

Men uanset hvor begejstret jeg er for modeller, og det er du måske også, er det vigtigt at minde mig selv og dig om, at modeller er ekskluderende af natur, uanset hvor sofistikerede de er eller bliver. Det vil sige, at de udelukker ting og sager fra deres fremstillingsunivers, som kan være af enten uvæsentlig eller væsentlig karakter - og især det sidste er dårligt. 

Det vil derfor være en misforståelse at tro, at modeller er sømløse spejle, som neutralt indfanger og afbilleder alle virkelighedens facetter. 

Just as form follows function in architecture, the technical specifies of a model are often affected by its intended use.
James Guszcza & Bryan Richardson: Two dogmas of big data

Modeller har en tendens til ikke bare at afspejle virkeligheden, men også skabe den og desuden - og det er efter min mening et relevant aspekt af hele snakken om dataøkonomien, big data, internet of things og hele tekno-baduljen, der kommer og tager os alle med bukserne nede lige om lidt - er det altid værd at overveje, om:
v
  • alt kan reduceres til data/bits/fysiske enheder/molekyler/empiri?  
b
Er sjælen, som nobelpristageren i medicin Francis Crick udtrykte det:

- adfærden hos et kæmpemæssigt antal nerveceller og de dertil hørende molekyler

Vi måler vigtige og uvigtige ting

Sådan noget som vores børns vækst er noget, der tilsyneladende interesserer rigtig mange af os. For vækst er et tegn på sundhed og normalitet. Derfor måler vi vores børns højde med jævne mellemrum, indtil de når 10 års alderen eller der omkring. Efter 10 års alderen aftager vores pjevseri som regel og børnene får lov at vokse videre i fred.  

Når jeg konstaterer, at mine børn er vokset fem centimeter og at denne højdetilgang er i overensstemmelse med sundhedsplejerskens officielle anbefalinger og vækstdiagrammerne i børnemapperne, er det en indikation af, at deres fysiske udvikling er ok, og det er selvfølgelig godt at vide, men dette mål siger kun lidt om, hvorvidt de har det godt, trives, udvikles som mennesker, kender forskel på ret og vrang, er elskede.

Det ved du selvfølgelig godt, men det er vigtigt at huske, at der kan være mange væsentlige forhold, som en given måling ikke siger noget om, og at disse forhold nemt kan blive glemt, fordi de er for bøvlede at måle eller fordi ingen har tænkt på at stille spørgsmålet.

De rigtige spørgsmål

HR folk udvikler og driver HR programmer, som vi eller andre har en implicit opfattelse af, er nødvendige, og herefter måler vi effektiviteten - og hvis bølgerne går højt: effekten - af dem. 

I de fleste tilfælde er der sjældent nogen, der holder os op på det, vi går og laver, men hvis vi er meget uheldige, bliver vi af en eller anden emsig person, som åbenbart ikke har andet at lave, bedt om at formulere nogle KPI'er for vores programmers målopfyldelse.

Disse KPI’er er dog ofte afledt af ønsket om proceseffektivitet, for eksempel varigheden af en gennemsnitlig rekruttering eller omkostningerne forbundet med en gennemsnitlig rekruttering, fremfor et ønske om at overvåge kvaliteten af processen, eksempelvis andelen af nye medarbejdere med en gennemsnitlig performancescore over X eller andelen af nye medarbejdere med en gennemsnitlig performancescore over X, som stadig er i virksomheden efter Y måneder.

En beslægtet måde at komme lidt skævt ind på forståelsen af, hvad der er væsentligt, er den måde, hvorpå mange af os måler medarbejderomsætningen (og bare rolig: jeg er ikke bedre end andre).

Når vi måler medarbejderomsætningen, er det fordi, vi gerne vil se, hvor stort antallet eller andelen af medarbejdere er, som uopfordret, i modsætning til de såkaldt opfordrede, forlader os i en given periode, sammenholdt med det totale antal medarbejdere. Den fremkomne andel sammenligner vi måske med andelen, der forlod os året før, eller med afgangen fra sammenlignelige virksomheder. Og så kan vi se, om der er færre eller flere, der uopfordret forlader os end de andre, eller om der er færre eller flere, der uopfordret forlader os selv, sammenlignet med året før.

Og? fristes man til at sige, selvom det er et flabet og heldigvis uddøende udtryk.

Man kan selvfølgelig estimere, hvor meget det koster i rekruttering, oplæring og så videre, at medarbejderomsætningen er x%, og det er uden tvivl interessant i sig selv, men det virkelig sexede øjeblik opstår først i det moment, hvor vi begynder at interesserer os for HVEM, der forlader os, og HVEM der kommer ind til gengæld.

Hvis vores mere grundige undersøgelse, hvor vi muligvis kombinerer flere forskellige datakilder, viser, at der er en forholdsmæssig overvægt at top performers i blandt de medarbejdere, der forlader os, og samtidig en forholdsmæssig overvægt af average performers i blandt dem, der kommer ind til gengæld, har vi et alvorligt problem, som er større og koster langt mere (især på toplinjens udvikling) end det, den første beregning afslører. Den første beregning er med andre ord i risiko for at være lettere vildledende, fordi en top performer bidrager med op til ti gange mere til virksomhedens samlede resultatskabelse end en gennemsnitlig performer (hvilket naturligvis ikke afspejles i belønningen, men det skal du ikke fortælle dem).

Derfor er det ikke hip som hap, hvad der gemmer sig i dataene om medarbejderomsætningen. 

Målinger er ikke nødvendigvis relevante, fordi de er nemme at gennemføre, og det er heller ikke altid, at proceseffektivitet er så interessant, som man skulle tro.

At stille de rigtige spørgsmål og supplere effektivitet med effekt er de første skridt i retning af at etablere en decideret årsagssammenhæng mellem HR performance og business performance. Næste skridt er naturligvis predictive measures og big data, som kan forudsige og derfor på sin vis påvirke virkningerne på den organisatoriske performance af de forskellige HR investeringer og valg, vi går og overvejer. 

Og SÅ bliver vi i stand til at bemestre det hele. Intet vil længere komme bag på os og vi vil vide alt, før det sker.  

Vi bliver guder.   

Data is the new oil - og så til det frække omsider

Udover at udvindingen af olie har gjort mange lande, koncerner og mennesker rige, er olie en substans, som fastholder sin form, når den blandes med vand. De to væsker smelter ikke sammen, men lever så at sige separate liv, selvom de indfanges af den samme beholder. Spørgsmålet er, om olie og vand, data og mennesker, organisatorisk performance og HR leverancer skal fastholde deres separate livsverdener - eller om det er på tide, at vi flytter sammen og blander væsker.

For mig er der ingen tvivl om, at bemestring af metrics og analytics i kombination med de rigtige, kontekstbestemte HR strategier og indsatser, udgør en potentiel konkurrencefordel, som er langt større end noget af det, vi kender til i dag.

Hvis vi kommer dertil, at vi ved ligeså meget om vores medarbejdere som om vores kunder, er vi nået langt. Og nok også længere.

Det er en god idé at blive mere nøjagtige og mindre 'best' practice bundne i vores arbejde. Det er også en god idé at stoppe med at lave bestemte ting eller bestemte målinger, fordi de andre gør det. Lad de andre om det, de gør, og begynd at stil nogle af de frække spørgsmål i og til din egen organisation, som måske ikke er blevet stillet før. Dan herefter hypoteser og efterprøv dem.

Ofte vil dataene fortælle dig, at du tog fejl. Det er ind imellem ærgerligt, men andre gange er det godt. 

Tænk på alle de gange du er kommet til lægen med en mærkelig knop på hånden eller en udflydende plet på næsen og har fortalt din læge, at du på basis af det strengeste videnskabelige grundlag, nemlig din mors mening og dine Google resultater, har stillet diagnosen i form af hudkræft og lægen (røvsygt) siger: det er det ikke.

- Jamen, hvad er det så?
- Det er ikke noget.

Du var sikker i din sag, men det var alligevel forkert.
Derfor er efterprøvning nogle gange bedre end løse diagnoser.  

___________________________________________________


Selvom jeg fik lidt frækt ind her til slut, blev det slet ikke frækt nok, så jeg synes egentlig, at jeg skylder dig noget.

Derfor kommer der et ultra frækt indslag her:




Det, du ser på billedet, er et klassereglement. Det hænger i den 5. klasse, hvor jeg p.t. slår mine folder hver tirsdag aften for at lære engelsk for øvede.  

(Ja, det med øvet skulle med, så du ikke tror, at jeg er sinke. Til gengæld kan jeg godt røbe, at jeg ikke havde læst det chapter i bogen, vi skulle have læst hjemme til i går, så jeg holdt lav profil, da underviseren bad holdet om et resume. Heldigvis gik vi hurtigt over til scrabble, og så var jeg klar igen).
  
Mit spørgsmål til dig er nu: hvis 11 årige børn kan omgås hinanden på en ordentlig og respektfuld måde ud fra disse syv regler, hvorfor skal voksne så have en personalehåndbog på 150 sider for at gøre det samme?

Til vi ses igen, kan du tænke lidt over dette spørgsmål, hvis du gider, og ellers kan du melde dig til et engelskkursus ligesom mig eller se at få taget det der statistikkursus, så du kan komme i gang med noget big data og workforce analytics og slippe for at blive rendt over ende af alle de sammenhænge, du ikke har opdaget endnu.

Det sidste råd, jeg vil give dig, kommer egentlig ikke fra mig, men fra én af mine værdsatte Twitter relationer, som er langt skarpere end mig:


Ingen kommentarer:

Send en kommentar