Skip to content

Datu analīzes dzīves cikls

Biznesa analītika un lielie dati pamazām ienāk arī uzņēmumu personālvadības ikdienā. Šajā rakstā Motify apskatīs kā iedalās datu analīzes pieejas – aprakstošā analīze, diagnosticējošā, prognozējošā un ieteicošā – un ko katra no tām varētu nozīmēt darbinieku vadīšanā personālvadības speciālistiem.

Aprakstošā analīze

Šī ir datu administratīvā pieeja un ir pazīstama kopš korporatīvās ēras pirmsākumiem. Šī analīzes pieeja apraksta, kas ir noticis kādu laiku iepriekš. Piemēram, šie dati jums var pastāstīt, cik daudz darbinieku ir aizgājuši, cik daudz slimojuši, cik ir notikušas darba traumas, cik daudz atgriezta produkcija sliktas kvalitātes dēļ iepriekšējā pārskata periodā, utt. Datus var aplūkot pa segmentiem, nodaļām, periodiem utt. Šie ir uzņēmuma rīcībā esošie dati, kas parasti tiek apkopoti un analizēti administratīvo vai finansu resursu analīzei un secinājumu veidošanai.

Diagnoticējošā analīze

Šī pieeja cenšas noskaidrot cēloņus situācijās, kuras esam konstatējuši aprakstošajā analīzē. Ja zināt cēloni vai hipotēzes par iespējamajiem cēloņiem, jūs apzināt problēmu un varat plānot, kur koncentrēt savus resursus, lai uzlabotu situāciju. Piemēram, aprakstošajā posmā esam konstatējuši, ka, salīdzinot ar iepriekšējo pārskata periodu, no uzņēmuma ir aizgājuši vairāki pārdošanas darbinieki vai esam konstatējuši, ka pieaudzis klientu sūdzību skaits par kvalitāti. Jautājot darbinieku viedokli par iespējamajiem kvalitātes krišanās iemesliem, mēs varētu saņemt šādas atbildes – darbinieku pārslodze, neuzmanība, neieinteresētība, darba procesu apraksta  iztrūkumus/novecošanās, materiālu piegādes pārtraukumi utml. Piemēram, mēģinot izzināt, kāpēc esam zaudējuši darbiniekus pārdošanas nodaļā, varam analizēt tā dēvētos “exit” (aiziešanas) intervijas datus. Vai, ja mums tādu datu nav (neesam vaicājuši aizejošajiem darbiniekiem šos iemeslus), tad varam restaurēt situāciju, un jautāt pārdošanas nodaļas vadītājam iespējamos iemeslus, kāpēc šie darbinieki pameta darbu.

Prognozējošā analīze

Šī analīzes pieeja ir gudrāka un tā vairāk skatās, vai un ko varam ietekmēt nākotnē.  Tā koncentrējas uz nākotnes situācijas ietekmēšanu, balstoties uz pagātnes datiem. Piemēram, šī analīzes pieeja ļauj mums prognozēt, kuri darbinieki varētu pamest organizāciju tuvāko trīs mēnešu laikā. Prognozējošie dati tiek iegūti izmantojot mūsu rīcībā esošo datu modelēšanu, algoritmus un nākotnes vīzijā arī mākslīgo intelektu.  Piemēram, mēs ar šīs analīzes palīdzību varam identificēt, kuri no mūsu darbiniekiem un ar kādu varbūtību, varētu pamest organizāciju. Izmantojot šo darbinieku uzvedības signālus (nevis pašu darbinieku aptaujas datus, bet novērojuma apsekojumus), mēs laicīgi varam izvērtēt, kuri gatavi pamest uzņēmumu, un vai tieši šie darbinieki ir kritiski svarīgi uzņēmumam. Tad, zinot šādu informāciju, varam pārdomāt un nolemt, kādas tieši darbības mums kā vadītājiem jāuzsāk, lai viņus ne vien noturētu uzņēmumā, bet arī vairāk motivētu.

Ieteicošā analīze

Lūk , tieši ar šo pieeju lietas var kļūt jaudīgas! Ieteicošā analīze iesaka iespējami labākos lēmumus un darbības, ko vajadzētu veikt, lai sasniegtu vēlamo rezultātu. Tā, tāpat kā prognožu pieeja, balstās uz pagatnes datu analīzi, taču šeit ir pievienots gan vēlamais rezultāts, gan konteksts, gan iespējamie lēmumu un darbību varianti. Atšķirībā no tīri cilvēciskiem lēmumiem, kas bieži vien ir pakļauti neloģiskai neobjektivitātei (personiskai patikai vai nepatikai), ieteicošās analīzes lēmumi balstās tikai uz datiem un objektīvi labākajiem (“nekā personiska!”) risinājumiem. Modelējot risinājumu, tiek ņemts vērā gan situācijas konteksts, gan individualitātes, gan vēlamais nākotnes rezultāts (piemēram, ne tikai noturēšana, bet arī darbinieka iesaiste un produktivitāte).

Modelēšanas sistēma strādā līdzīgi kā Netflix piedāvājums “tieši jums.” Tas tiek balstīts uz visiem pieejamiem datiem par konkrētu darbinieku un dažādos kontekstos. Atgriežoties pie mūsu piemēra par “aiziet no darba gataviem darbiniekiem”, analīzes sistēma, balstoties uz konkrētā darbinieka profilu – mūsu jau ievāktajiem datiem, piemēram, jau viņa izietās apmācības, darbinieka paša norādītās profesionālās prioritātes, vērtības utml. – izstrādā un piedāvā noturēšanas un motivācijas plānu.

Analīzes vērtības eskalators

Un kur jūs šobrīd atrodaties?