La gestione dei big data relativi alla propria organizzazione è un fattore cruciale per il suo successo. Le metodologie di People Analytics, poi, forniscono ad HR una promessa unica: fornire strumenti oggettivi per dimostrare che il cambiamento personale produce risultati reali. Eppure, una recente ricerca dell’Harvard Business Review mostra come solo 5% degli investimenti sui big data siano relativi a People Analytics. Come mai una disciplina estremamente diffusa in altre funzioni aziendali, stenta a diventare altrettanto importante nella gestione delle persone? Per loro natura, un progetto People Analytics rischia di non essere user-friendly, in quanto una massa di dati può essere poco governabile, se non vengono usate alcune accortezze; questo è specialmente vero quando si parla di persone e dei loro comportamenti.

People analytics: un framework di riferimento

In questo articolo l’Harvard Business Review propone un framework per una presentazione dei risultati in modo che siano comprensibili, fruibili ed appetibili per chi li riceve. Questo framework è detto LAMP, che sta per Logica, Analytics, Misurazione, Processi.

Logica

Un’analisi di People Analytics può produrre centinaia di evidenze. La logica con la quale vengono presentati i numeri può fare la differenza. Si può infatti scegliere di esplicitare la connessione fra talento e successo, per evidenziare le condizioni che predicono i comportamenti individuali e organizzativi. Per esempio, anziché semplicemente illustrare la composizione demografica di una certa posizione, può risultare più utile mostrare come la differenza demografica abbia un impatto sull’innovazione o su come sia connessa al talento e al progresso di carriera. Esplicitare la connessione fra dato e performance di successo può permettere a chi riceve i dati di agire sui fattori che servono a migliorare i risultati.

Analytics

Molti detrattori dei metodi statistici sostengono che “ai dati si può far dire ciò che si vuole”. Non è così: usare correttamente strumenti statistici per trasformare i dati in insight rigorosi, attendibili e rilevanti è di fondamentale importanza. Per esempio, una correlazione fra engagement e performance non dimostra che il primo causa la seconda; è necessaria una analisi statistica più articolata, in modo da comprendere in che modo i due elementi siano effettivamente correlati fra loro e quali altri fattori influenzano questo legame (per esempio, con un’analisi della varianza).

Misurazione

Nessuno strumento di analisi può creare valore da misurazioni fatte male. Definire accuratamente le proprie modalità di misurazione, identificando KPI stabili ed oggettivi è un passaggio fondamentale per non trovarsi poi a metà dell’opera a dover buttare settimane o mesi di lavoro.

Processi

Come presenti i dati è importante quasi quanto come li hai analizzati. Per massimizzare l’impatto delle evidenze è fondamentale presentarli nel modo giusto, al momento giusto, alle persone giuste. Ad esempio, presentare dati sul legame fra competenze e risultati di vendita diventa particolarmente utile se fatto in prossimità della definizione dei budget di vendita (e di quelli di formazione), in modo da guidare l’allocazione delle risorse e l’assegnazione dei target commerciali.  Inoltre, sempre meglio presentare pochi dati, ma significativi e che raccontino una storia.

 

People analytics dal punto di vista degli utilizzatori

Avere uno schema come LAMP può aiutare a potenziare il ruolo strategico di People Analytics nelle organizzazioni, aumentando così la probabilità che gli insight che ne emergono raggiungano i decision maker. Essi devono:

• ricevere i dati nel momento e contesto giusto;
• fidarsi dell’attendibilità e del valore di questi dati ed essere in grado di utilizzarli a loro volta (per esempio per giustificare al CdA una scelta strategia presa in funzione di questi dati);
• capire che i risultati rappresentano concretamente il “mondo reale” in cui vivono
• percepire che l’impatto del loro utilizzo può essere molto significato e per questo valga la pena dedicarci tempo ed attenzione
• comprendere che i risultati possono avere significative implicazioni nel migliorare le proprie azioni e i processi decisionali.

La funzione Risorse Umane, responsabile della gestione dei sistemi di People Analytics, può aiutare i leader a comprendere la differenza fra i diversi dati trovati, evidenziando ed esplicitando quali di questi siano significativamente connessi ai risultati di business ed in che modo. E’ necessario quindi prestare una grande attenzione al modo in cui vengono interpretati da parte di chi li riceve (che ha poco tempo e spesso un approccio estremamente pragmatico, o scettico) e al quadro complessivo di informazioni che ha a disposizione, pena il rischio di arrivare a conclusioni affrettate solo perché “data driven”.

People Analytics come leva per il successo

Come mai dunque le tecniche di People Analytics sono ancora poco diffuse e quando presenti non portato i risultati sperati? L’Harvard Business Review fa emergere alcuni motivi possibili:

1. perché gli utilizzatori finali non credono nei risultati e nella loro attendibilità;
2. perché, pur credendoci, magari non ne vedono impatti o implicazioni utili per i propri obiettivi;
3. perché non sanno come agire sulla base questi risultati;
4. oppure una combinazione delle tre.

Per fare in modo che People Analytics, e i Big Data più in generale, diano risultati più efficaci, è necessario acquisire una prospettiva che si ponga dal punto di vista degli utilizzatori finali. La funzione HR deve prestare maggiore attenzione a quei fattori che determinano la comprensibilità dei dati e le potenzialità del loro utilizzo; ma per far questo devono governare fin da subito il processo di analisi. Solo in questo modo le tecniche di People Analytics serviranno per gestire il talento come leva reale per il successo del business di un’organizzazione, innalzando vertiginosamente l’importanza strategica della funzione HR in azienda.

 

Di seguito, riportiamo l’articolo originale:

 

HR Must Make People Analytics More User-Friendly

 

 

• John Boudreau

JUNE 16, 2017

 

Managing HR-related data is critical to any organization’s success. And yet progress in HR analytics has been glacially slow. Consulting firms in the U.S. and Europe lament the slow progress. But a Harvard Business Review analytics study of 230 executives suggests a stunning rate of anticipated progress: 15% said they use “predictive analytics based on HR data and data from other sources within or outside the organization,” while 48% predicted they would be doing so in two years. The reality seems less impressive, as a global IBM survey of more than 1,700 CEOs found that 71% identified human capital as a key source of competitive advantage, yet a global study by Tata Consultancy Services showed that only 5% of big-data investments were in human resources.

INSIGHT CENTER

Recently, my colleague Wayne Cascio and I took up the question of why HR analytics progress has been so slow despite many decades of research and practical tool building, an exponential increase in available HR data, and consistent evidence that improved HR and talent management leads to stronger organizational performance. Our articlein the Journal of Organizational Effectiveness: People and Performance discusses factors that can effectively “push” HR measures and analysis to audiences in a more impactful way, as well as factors that can effectively lead others to “pull” that data for analysis throughout the organization.

On the “push” side, HR leaders can do a better job of presenting human capital metrics to the rest of the organization using the LAMP framework:

• Articulate the connections between talent and strategic success, as well as the principles and conditions that predict individual and organizational behaviors. For example, beyond providing numbers that describe trends in the demographic makeup of a job, improved logic might describe how demographic diversity affects innovation, or it might depict the pipeline of talent movement to show what bottlenecks most affect career progress.
• Use appropriate tools and techniques to transform data into rigorous and relevant insights — statistical analysis, research design, etc. For example, understanding whether employee engagement causes higher work performance requires analysis beyond correlations that show the association, to be certain that the reason is not simply that better performers become more engaged.
• Create accurate and verified numbers and indices calculated from data systems to serve as input to the analytics, to avoid having “garbage in” compromise even with appropriate and sophisticated analysis.
• Use the right communication channels, timing, and techniques to motivate decision makers to act on data insights. For example, reports about employee engagement are often delivered as soon as the analysis is completed, but they become more impactful if they’re delivered during business planning sessions and if they show the relationship between engagement and specific focus outcomes like innovation, cost, or speed.

Wayne and I observed that HR’s attention typically has been focused on sophisticated analytics and creating more-accurate and complete measures. Even the most sophisticated and accurate analysis must avoid being lost in the shuffle by being embedded in a logical framework that is understandable and relevant to decision makers (such as showing the analogy between employee engagement and customer engagement), or by communicating it in a way that engages them through stories, analogies, and familiar examples. My colleague Ed Lawler and I compared the results of surveys of more than 100 U.S. HR leaders in 2013 and 2016 and found that HR departments that use all of the LAMP elements play a stronger strategic role in their organizations. Balancing these four push factors creates a higher probability that HR’s analytic messaging will reach the right decision makers.

On the pull side, Wayne and I suggested that HR and other organizational leaders consider the necessary conditions for HR metrics and analytics information to get through to the pivotal audience of decision makers and influencers, who must:

• receive the analytics at the right time and in the right context
• attend to the analytics and believe that the analytics have value and that they are capable of using them
• believe the analytics results are credible and likely to represent their “real world”
• perceive that the impact of the analytics will be large and compelling enough to justify their time and attention
• understand that the analytics have specific implications for improving their own decisions and actions

Achieving improvement on these five push factors requires that HR leaders help decision makers understand the difference between analytics that are focused on compliance versus HR departmental efficiency, versus HR services, versus the impact of people on the business, versus the quality of non-HR leaders’ decisions and behaviors. Each of these has very different implications for the analytics users. Yet most HR systems, scorecards, and reports fail to make these distinctions, leaving users to navigate an often confusing and strange metrics landscape. Achieving better “push” means that HR leaders and their constituents must pay greater attention to the way users interpret the information they receive. For example, reporting comparative employee retention and engagement levels across business units will naturally draw attention to those units where retention or engagement is lowest, middle, and highest (often depicted as red-yellow-green), and a decision to emphasize improving the “red” units. However, turnover and engagement do not affect all units the same way, and it may be that the most impactful decision would be to make a green unit “even greener.” Yet we know very little about whether users fail to act on HR analytics because they don’t believe the results, because they don’t see the implications as important, because they don’t know how to act on the results, or some combination of all three. There is virtually no research on these questions, and very few organizations actually conduct the sort of user “focus groups” needed to answer these questions.

A good case in point is whether HR systems actually educate business leaders about the quality of their human capital decisions. We asked this question in the Lawler-Boudreau survey and consistently found that HR leaders rate this outcome of their HR and analytics systems lowest (about 2.5 on a 5-point scale). Yet higher ratings on this item are consistently associated with a stronger HR role in strategy, greater HR functional effectiveness, and higher organizational performance. Educating leaders about the quality of their human capital decisions emerges as one of the most potent improvement opportunities in every survey we have conducted over the past 10 years.

To put HR data, measures, and analytics to work more effectively requires a more “user-focused” perspective. HR needs to pay more attention to the product features that successfully push the analytics messages forward and to the pull factors that cause pivotal users to demand, understand, and use those analytics. Just as virtually every website, application, and online product is constantly tweaked in response to data about user attention and actions, HR metrics and analytics should be improved by applying analytics tools to the user experience itself. Otherwise, all the HR data in the world won’t help you attract and retain the right talent to move your business forward.

John Boudreau is professor and research director at USC’s Marshall School of Business and Center for Effective Organizations, and is the author of the book Lead the Work, with Ravin Jesuthasan and David Creelman, and Global Trends in Human Resource Management, with Edward E. Lawler III.