Palaa takaisin
.jpg?width=2000&name=Alasivujen%20hero%2c%20taso%201%20(blogi).jpg)
Yrityksiin kertyy paljon dataa henkilöstöstä ja vauhti vain kiihtyy. Henkilöstödataa saadaan työhyvinvointikyselyistä, liiketoiminnasta, työterveydestä, seurannoista, kaikkialta. Mutta mitä sillä kaikella HR-datalla oikein pitäisi tehdä?
Henkilöstödatasta saa vastauksia kysymyksiin. Kun asiasta on dataa, meidän ei tarvitse enää veikkailla. Kun on dataa, teemme parempia päätöksiä ja pystymme toteuttamaan palvelevaa johtamista. Siksi data kiinnostaa. Mutta miksi HR-datasta ei aina sitten saada hyötyä irti?
Nämä kaksi kysymystä on ratkottava, jotta HR-data saadaan palvelemaan HR-ammattilaisen työtä. Tässä viisi vinkkiä, jotka auttavat vastaamaan datan hyödyntämiseen liittyviin kysymyksiin:
1. HR on liiketoiminnan funktio ja liiketoimintaa ohjataan vain luvuilla. Vai ohjataanko?
Tämän päivän HR on Dave Ulrichin mukaan ”arvoa tuottava liiketoiminnan funktio”. Ja vuosien ajan meille on uskoteltu, että kovaa liiketoimintaa ohjataan (vain) kovilla luvuilla. Pulinat pois ja luvut tiskiin.
Tähän sisältyy kuitenkin vaarallinen yksinkertaistus siitä, mitä data on. Jos HR-dataa pitää neutraalina, ei siitä saa hyötyä liiketoimintaan ja henkilöstön tuottavuuteen sen paremmin kuin työntekijäkokemuksen tai organisaatiokulttuurin kehittämiseen. Olemme nykyään innoissamme datasta ja sen mahdollisuuksista, jolloin välillä unohdamme käyttää dataa päätöksenteon välineenä.
2. Data on hyvä renki, mutta huono isäntä. Käytä dataa päätöksiin.
HR-datasta ja HR-analytiikasta on helppo vetää johtopäätös, että uskottava HR on dataohjattua HR:ää. HR-datan ja HR-analytiikan avulla pyrimme kohti objektiivisuutta. Hyvin hyödynnetty data auttaakin meidät pois mutuilusta kohti tasapainoisempaa päätöksentekoa.
Se ei tarkoita, että data automaattisesti kertoo, mitä tulisi tehdä ja miksi. Data ei ohjaa HR-työtä, sillä oikeat kysymykset, mittarit ja tulkinnat tekee ihminen. Ihminen kääntää luvut toimenpiteiksi. Vaikka luku tietokannassa on objektiivinen, miksi oikeastaan seuraamme juuri sitä lukua? Mistä ajattelemme sen kertovan? Ja mitkä oletukset ohjaavat tulkintaamme siitä, mitä nyt pitäisi tehdä?
Näitä piileviä päätöksiä ja tulkintoja emme pääse pakoon datan määrää lisäämällä. Liian suuri datan määrä pikemminkin tekee päättämisestä entistä vaikeampaa. Datan hyödyntämisessä ja datajohtamisessa ihminen on aina lopulta tekemässä päätökset, jotka tekevät datasta liiketoimintaa. Ja päätöksiä tarvitaan!
3. Älä aseta dataa ja inhimillistä päätöksentekoa vastakkain. Tuo ne yhteen.
Data auttaa ymmärtämään. Dataa on aina hyvä olla käytössä, kun päätöksiä tehdään. Silti helposti pohdimme tehdäkö päätökset dataan perustuen vai ilman dataa. Tällöin HR-dataa ja HR-analytiikkaa ja liiketoiminnan kehittämistä ei tuoda aidosti yhteen, vaan yhdellä yritetään korvata toista. Se ei onnistu.
Yksi esimerkki on datan hurja määrä organisaatioissa. Kun dataa on valtavasti ja valtavan monenlaisista asioista, jää se helposti hajanaiseksi. Tätä tuskailee meistä moni: tuntuu, että dataa on ”liikaa”. Hajanaisuudesta päästään selkeyteen vain osuvien tulkintojen ja oikeiden kysymysten kautta. Ne eivät nouse itsekseen datapisteiden merestä, vaan ytimessä ovat liiketoiminnan tarpeet, jotka HR tietää ja tunnistaa. Kun tavoitteemme datalle on selkeä, suurempi datan määrä on suurempi apu. Tätä on datajohtaminen.
4. Jaettu näkemys datasta on organisaation kehittämisen edellytys.
Datajohtaminen on kovaa työtä, koska siinä yhdistyvät HR-data, HR-analytiikka ja tiimityö. Kun raportoitua dataa käydään läpi sellaisenaan ilman pyrkimystä luoda jaettua näkemystä, jokainen kuulija tekee datasta vääjäämättä oman tulkintansa. Ja jos jokainen tiiminvetäjä lähtee oman käsityksensä kanssa yhteisestä pöydästä viemään asioita eteenpäin, ei organisaatio kehity yhteisen tavoitteen mukaiseen suuntaan kuin vahingossa. Ja salakavalinta tässä on, että voimme kuvitella oman tulkintamme olevan sama kuin toisten.
Vasta kun meillä on käytössä synteesi – aidosti jaettu näkemys datasta – voimme kehittää organisaatiota yhteen suuntaan!
5. Datan prosessi auttaa.
“Oikeastaan nyt on helpompi tehdä huonoa datatiedettä kuin koskaan aikaisemmin.” (John D. Kelleher, Datatiede, Terra Cognita 2020) Kelleher on MIT:n yliopiston datatieteen guru. Miksi ihmeessä hän sanoo tällaista datatieteen perusteoksessaan?
Kelleher haluaa muistuttaa perimmäisestä esteestä datan hyödyntämisen tiellä: dataa voidaan käsitellä tilastollisin menetelmin (ja algoritmein) hyvin hienostuneesti, mistä syystä siinä piilee iso riski. Koska datan käsittely on kehittynyttä ja data aina tuottaa vastauksen, emme välttämättä muista kysyä, mihin kysymykseen vastauksen saimme? Entä tarvitsimme? Moni meistä ei tunne tilastollisia menetelmiä riittävän hyvin voidakseen kyseenalaistaa analyysin. Siksipä olennaista onkin prosessi, joka tulee ennen data-analyysiä ja sen jälkeen.
HR-data käsittelee henkilöstöä, ihmisiä. Siksi sitä ei pidä käsitellä samalla tavalla kuin tilinpäätöksen lukuja, käyntejä verkkosivuilla tai yrityksen tilauskantoja. Vasta kun ymmärrämme datajohtamisen olevan prosessi, jossa inhimillinen kohtaa datan, saamme siitä hyödyn.
