נתונים גדולים משאבי אנוש (HR) נעשה שימוש נרחב יותר לגיוס, גיוס ושמירה על העובדים הטובים ביותר. הנה שלוש סיבות מדוע יותר חברות מאמצות ניתוח אנליטי לשיפור השורה התחתונה.

גיוס יעיל יותר

נתונים גדולים עוזר לגלות אילו מועמדים מתאימים ביותר למשרות פתוחות. חלק מתהליך כריית הנתונים עשוי לכלול איסוף מידע מקורות חיים ופרופילים של מדיה חברתית כדי לזהות בבירור אילו עובדים פוטנציאליים עשויים להיות פרודוקטיביים יותר ולהוסיף גיוון למקום עבודה. מנהלי גיוס יכולים לצמצם את מאגר המועמדים שלהם ולהחליט אילו תחומי הערכה עליהם להתמקד במהלך ראיונות. על ידי יישום אסטרטגיה זו, תהליך ההעסקה נע מהר יותר והאנשים הנכונים נשכרים לעתים קרובות יותר.

לדוגמה, בנק באסיה בעבר גייס את בוגרי הבכירים מן האוניברסיטאות נחשב מאוד עבור מילוי 8,000 תפקידים להפיץ מעל 30 סניפים. לאחר שהבנק עבר ארגון מחדש ארגוני, המוסד החל מידע על כריית מידע המכסה 30 נקודות בקטגוריות של ביצועי העובד, היסטוריה מקצועית, דמוגרפיה, קביעות, ומידע הסניף מהמשאבים הנוכחיים. הבנק החל להשתמש בניתוח נתונים לזיהוי העובדים הנוכחיים שסביר להניח שיצטיינו בתפקידם, ויצר תפקידים חדשים בארגון וישיג תובנות נוספות לגבי מה שמניע את ביצועי העובדים.

באמצעות ניתוח אנליטי, הבנק חשף תכונות משותפות בקרב שחקנים גבוהים ונמוכים ויצר פרופילים לעובדים עם אפשרות טובה יותר להצטיין בתפקיד מסוים. המידע הראה גם כי האופן שבו מובנים ענפים וצוותים משפיע על הצמיחה הכספית של המוסד. בנוסף, נתונים גדולים הראו כי תפקידים ספציפיים היתה השפעה רבה על ההצלחה של הבנק.

כתוצאה מכך, נוצרו מבנים ארגוניים חדשים סביב צוותים ספציפיים וקבוצות של עובדים. מאחר שהבנק החל להשתמש בניתוח נתונים לצורך גיוס ומדידת ביצועים, התפוקה בענף גדלה ב -26%, שיעור ההמרות של המגויסים החדשים עלה ב -80% והרווח הנקי עלה ב -14%.

פחות משוחד גיוס

אנליזה חזוי מפחית את כמות ההטיה כי נכנס קבלת החלטות המשפיעות על הביצועים של החברה. לדוגמה, מנהלי גיוס רבים מביאים מועמדים בעלי מאפיינים דומים לעובדיהם הבכירים. עם זאת, מאחר שהעובדים הקיימים נקלטו על ידי אותן שיטות משוחדות, ארגונים בדרך כלל בסופו של דבר חסר המגוון התרבותי והאינטלקטואלי, אשר עשוי להפחית את ההצלחה הכוללת של החברה. על ידי יצירת מודלים ואמות מידה להבקעת עובדים ואזורי עסקים, חברות יכולות לזהות טוב יותר את העובדים ואת התרומות היקרות ביותר לארגון ולהשתמש בניתוח אנליטי כדי לקבוע בבירור אילו עובדים יכולים להצטיין בתפקידם.

לדוגמה, עסק מקצועי שירותים שקיבל 250,000 בקשות עבודה בשנה רצה להפחית את הזמן והכסף שהושקע על סקירת קורות חיים, לשפר את האפקטיביות של תהליך המיון ולשכור יותר נשים עבור כוח העבודה שלה. באמצעות שימוש בניתוח ניבוי, האלגוריתם היווה קורות חיים של מועמדים קודמים, מרואיינים שהוצעו להם תפקידים ואלה שקיבלו. המודל קישר את הנתונים ליעדי ההעסקה של החברה, צמצם את רשימת המועמדים שסביר להניח להצטיין בפוזיציות הפתוחות והעביר את קורות החיים הללו לשלב הבא בתהליך הגיוס. כ -45% מקורות החיים הסתיימו בסקירה, 15% יותר נשים התקדמו בתהליך ההקרנה בהשוואה להקרנה ידנית והעסק הבין תשואה להשקעה (ROI) של 500%.

שיעורי שימור גבוהים יותר

נתונים גדולים מסייעים בשיפור שיעורי השמירה על ידי הצגת העובדים שעדיף לעזוב, ואילו מהם עשויים לדרוש לעבור לתפקיד אחר בארגון, להיות מקודמים או להשיג מנטור כמו עידוד להישאר עם החברה. שינויים אלה לעתים קרובות להגדיל את מעורבות העבודה, שביעות רצון העבודה ופרודוקטיביות כך עובדים להישאר עם הארגון.

לדוגמה, בנק אוף אמריקה (סימול: BAC

BACBank of America Corp. 67-0 54% Created with Highstock 4. 2. 6 ) עובדים לובשים כרטיסי זיהוי עם מוטבע חיישנים לניטור האינטראקציות הבין-אישיות בין עובדי המרכז. וולס פארגו ושות '(סימול: WFC WFCWells Fargo & Co56 14% 37% Created with Highstock 4. 2. 6 ) משתמשת בניתוח אנליטי לקביעת המועמדים המתאימים ביותר למשרות כצרכנים ובנקאים אישיים, על פי האם יש למועמדים מאפיינים של עובדים מעורבים ובעלי ביצועים גבוהים. לאחר שנה אחת של יישום התוכנית, שימור של מספרים בנקאים אישיים גדל ב 15 ו -12%, בהתאמה. השורה התחתונה

נתונים גדולים בתחום משאבי אנוש מסייע לחברות לחסוך זמן וכסף בעת גיוס, שכירת ושמירה על העובדים הטובים ביותר שלהם. עסקים נוספים יפעלו את הניתוח החזוי בשיטות העסקיות שלהם, כאשר ארגונים רואים יותר ויותר את הערך בתהליך ורוצים לשפר את השורה התחתונה.