Μεγάλα δεδομένα για τους ανθρώπινους πόρους (HR) χρησιμοποιούνται όλο και περισσότερο για την πρόσληψη, πρόσληψη και διατήρηση των καλύτερων εργαζομένων. Εδώ είναι τρεις λόγοι για τους οποίους περισσότερες εταιρείες υιοθετούν προγνωστικά για τη βελτίωση της κατώτατης γραμμής.

Περισσότερη αποτελεσματική πρόσληψη

Τα μεγάλα δεδομένα βοηθούν να ανακαλύψετε ποιοι υποψήφιοι ταιριάζουν καλύτερα στις ανοικτές θέσεις. Μέρος της διαδικασίας εξόρυξης δεδομένων μπορεί να περιλαμβάνει τη συλλογή πληροφοριών από τα βιογραφικά και τα προφίλ κοινωνικών μέσων για σαφέστερο προσδιορισμό των πιθανών προσλήψεων που μπορεί να είναι πιο παραγωγικές και να προσθέσουν ποικιλομορφία σε έναν χώρο εργασίας. Οι διαχειριστές μίσθωσης μπορούν στη συνέχεια να περιορίσουν την υποψήφια ομάδα και να αποφασίσουν σε ποιους τομείς αξιολόγησης θα πρέπει να επικεντρωθούν κατά τη διάρκεια των συνεντεύξεων. Με την εφαρμογή αυτής της στρατηγικής, η διαδικασία πρόσληψης κινείται πιο γρήγορα και οι κατάλληλοι άνθρωποι προσλαμβάνονται πιο συχνά.

Για παράδειγμα, μια τράπεζα στην Ασία είχε προηγουμένως στρατολογήσει τους κορυφαίους πτυχιούχους από πανεπιστημιακά ιδρύματα που αξιοποίησαν για την πλήρωση των 8, 000 ρόλων της σε 30 υποκαταστήματα. Αφού η τράπεζα υπέστη οργανωτική αναδιάρθρωση, ο οργανισμός άρχισε να περιλαμβάνει πληροφορίες σχετικά με την εξόρυξη δεδομένων που καλύπτουν 30 βαθμούς στις κατηγορίες των επιδόσεων των εργαζομένων, του επαγγελματικού ιστορικού, των δημογραφικών στοιχείων, της κατοχής και των πληροφοριών των καταστημάτων από τους τρέχοντες πόρους. Η τράπεζα άρχισε να χρησιμοποιεί στοιχεία ανάλυσης για τον εντοπισμό υπαρχόντων υπαλλήλων που είναι πιο πιθανό να υπερέχουν στις θέσεις τους, δημιουργώντας νέους ρόλους μέσα στον οργανισμό και κερδίζοντας πρόσθετη εικόνα για το τι ενθαρρύνει την απόδοση των εργαζομένων.

Με τη χρήση προγνωστικών αναλύσεων, η τράπεζα αποκάλυψε κοινά χαρακτηριστικά μεταξύ των υψηλών και χαμηλών επιδόσεων και δημιούργησε προφίλ για τους εργαζόμενους με μεγαλύτερη πιθανότητα να υπερέχουν σε συγκεκριμένο ρόλο. Οι πληροφορίες έδειξαν επίσης ότι η δομή των υποκαταστημάτων και των ομάδων επηρεάζει την οικονομική ανάπτυξη του ιδρύματος. Επιπλέον, μεγάλα στοιχεία αποκάλυψαν ότι οι συγκεκριμένοι ρόλοι είχαν τη μεγαλύτερη επιρροή στην επιτυχία της τράπεζας.

Ως αποτέλεσμα, δημιουργήθηκαν νέες οργανωτικές δομές γύρω από συγκεκριμένες ομάδες και ομάδες εργαζομένων. Επειδή η τράπεζα άρχισε να χρησιμοποιεί στοιχεία ανάλυσης για την πρόσληψη και τη μέτρηση των επιδόσεων, η παραγωγικότητα των κλάδων αυξήθηκε κατά 26%, ο ρυθμός μετατροπής νέων προσλήψεων αυξήθηκε κατά 80% και το καθαρό εισόδημα αυξήθηκε κατά 14%.

Μικρότερη μισθωμένη πρόσληψη

Η προγνωστική ανάλυση μειώνει το ποσοστό προκατάληψης που πηγαίνει στη λήψη αποφάσεων που επηρεάζουν την απόδοση μιας επιχείρησης. Για παράδειγμα, πολλοί διαχειριστές προσλήψεων φέρνουν στο σκάφος τους υποψηφίους που έχουν χαρακτηριστικά παρόμοια με τους κορυφαίους εργαζόμενους. Ωστόσο, επειδή οι υπάρχοντες εργαζόμενοι προσλαμβάνονται με τις ίδιες προκατειλημμένες μεθόδους, οι οργανισμοί συνήθως καταλήγουν να στερούνται πολιτιστικής και πνευματικής ποικιλομορφίας, γεγονός που μπορεί να μειώσει τη συνολική επιτυχία μιας επιχείρησης. Με τη δημιουργία μοντέλων και σημείων αναφοράς για τη βαθμολόγηση των εργαζομένων και των επιχειρηματικών τομέων, οι εταιρείες μπορούν να εντοπίσουν καλύτερα ποιοι εργαζόμενοι και ποιες συνεισφορές είναι πιο πολύτιμες για τον οργανισμό και χρησιμοποιούν προγνωστικά για πιο σαφή καθορισμό των εργαζομένων που μπορούν να υπερέχουν στις θέσεις τους.

Για παράδειγμα, μια επιχείρηση επαγγελματικών υπηρεσιών που έλαβε 250.000 αιτήσεις εργασίας ετησίως θέλησε να μειώσει το χρόνο και τα χρήματα που δαπανώνται για την επανεξέταση των βιογραφικών σημειωμάτων, να βελτιώσει την αποτελεσματικότητα της διαδικασίας εξέτασης και να προσλάβει περισσότερες γυναίκες για το εργατικό της δυναμικό. Μέσα από τη χρήση προγνωστικών αναλύσεων, ο αλγόριθμος αντιστοιχούσε σε προηγούμενα υποψήφια βιογραφικά σημειώματα, σε συνεντεύξεις που είχαν προσφερθεί θέσεις και σε εκείνους που αποδέχτηκαν. Το μοντέλο συνδέει τα δεδομένα με τους στόχους πρόσληψης της εταιρείας, περιορίζει τον κατάλογο των υποψηφίων που είναι πιο πιθανό να υπερέχουν στις ανοικτές θέσεις και μεταφέρει αυτά τα βιογραφικά στοιχεία στο επόμενο βήμα της διαδικασίας πρόσληψης. Περίπου το 45% των βιογραφικών σημειώθηκε, ενώ κατά τη διαδικασία εξέτασης προχώρησαν 15% περισσότερες γυναίκες σε σύγκριση με το χειροκίνητο διαγνωστικό έλεγχο και η επιχείρηση πέτυχε απόδοση επένδυσης 500%.

Μεγαλύτερες τιμές διατήρησης

Μεγάλα δεδομένα βοηθούν στη βελτίωση των ποσοστών διατήρησης, δείχνοντας ποιοι εργαζόμενοι είναι πιο πιθανό να φύγουν και ποιοι μπορεί να χρειαστούν να μετακινηθούν σε διαφορετική θέση στην οργάνωση, να προωθηθούν ή να αποκτήσουν μέντορα ως ενθάρρυνση η εταιρία. Τέτοιες αλλαγές συχνά αυξάνουν την αφοσίωση στην εργασία, την ικανοποίηση από την εργασία και την παραγωγικότητα, ώστε οι εργαζόμενοι να παραμένουν στην οργάνωση.

Για παράδειγμα, οι εργαζόμενοι φορούν αναγνωριστικές κάρτες με ενσωματωμένες κάρτες ταυτότητας, όπως η Bank of America Corp. (NYSE: BAC

BACBank της Αμερικής Corp27, 67-0,5%

που δημιουργήθηκε με την Highstock 4. 2. 6 αισθητήρες για την παρακολούθηση των διαπροσωπικών αλληλεπιδράσεων μεταξύ των εργαζομένων στα τηλεφωνικά κέντρα. Η Wells Fargo & Co. χρησιμοποιεί τα προγνωστικά για τον προσδιορισμό των υποψηφίων που είναι πιο κατάλληλοι για θέσεις ως διαχειριστές και προσωπικούς τραπεζίτες, ανάλογα με το αν οι υποψήφιοι διαθέτουν τα χαρακτηριστικά των εργαζομένων και των εργαζομένων με υψηλές επιδόσεις. Μετά από ένα έτος εφαρμογής του προγράμματος, η διατήρηση των ψηφοφόρων και των προσωπικών τραπεζιτών αυξήθηκε κατά 15 και 12% αντίστοιχα. Η κατώτατη γραμμή Τα μεγάλα δεδομένα στο HR βοηθούν τις εταιρείες να εξοικονομούν χρόνο και χρήμα κατά την πρόσληψη, πρόσληψη και διατήρηση των καλύτερων εργαζομένων τους. Περισσότερες επιχειρήσεις θα εφαρμόσουν αναλυτικές προβλέψεις στις επιχειρηματικές πρακτικές τους, καθώς οι οργανώσεις βλέπουν όλο και περισσότερο την αξία στη διαδικασία και θέλουν να βελτιώσουν την κατώτατη γραμμή.