Пишут и говорят об HR-аналитике намного больше, чем понимают, чем она является на самом деле и какие задачи призвана решать.
Эта статья про то, каковы основные трудности в применении и с чего можно начать анализировать.
Пока в публичном пространстве под HR-аналитикой подразумевают или метрики и работу с цифрами, статистикой в HR, которые являются показателями локальных процессов либо подразделений, или делятся кейсами по поводу того, как подключить IT-департамент к созданию архивов HR-данных. На самом деле HR-аналитика решает задачи стратегического развития компании, определяет главные прогностические тенденции.
HR-аналитика является процессом, в котором методы обработки данных и бизнес-аналитики (BA) применяются к обработке HR-данных. Ее иногда также называют аналитикой талантов. Кроме того, интеллектуальный анализ данных (data mining) в этом контексте относится к практике изучения баз данных для создания новой информации.
Почему это так актуально сейчас, в свете глобальной диджитализации экономики, бизнеса, человека. Данные, друзья! Большие данные повсюду!
А тут и нейронауки подоспели, демонстрируя нам, насколько человеческие решения субъективны и наполнены эмоциями вместо рационального подхода.
Конечно, нужен другой способ принятия решений – чтобы все логично, разумно, на основании данных и с гарантированным результатом. Кто такое не хочет? Все хотят! А почему не делают?
Готовность к применению HR-аналитики остается серьезной проблемой. По данным отчета Deloitte 2017, после нескольких лет обсуждения этого вопроса только 8% респондентов сообщили, что у них есть полезные данные; только 9% считают, что у них хорошее понимание того, какие характеристики сотрудников приводят к успеху в их организациях; и только 15% в целом развернули системы HR и талант-показателей для линейных менеджеров.
«Это было загадкой на протяжении последнего десятилетия – почему при очевидной важности человеческого капитала организации не инвестируют в это и не требуют, чтобы лидеры принимали свои решения в отношении людей, используя аналитику на основе фактов?» («Аналитика человеческого капитала: почему мы еще не здесь?»).
Так в чем же дело? Почему говорят и пишут о пользе и необходимости использования аналитики гораздо больше, чем применяют в реальной работе?
Давайте посмотрим на это явление с разных сторон.
Прежде всего стоит рассмотреть глубинные, фундаментальные причины такого «торможения» со стороны лидеров компаний. Я опишу это в рамках модели, которую Пит Рамстад (Pete Ramstad) и Джон Бодро (John Boudreau) представили в работе «За пределами HR» («Beyond HR», Boudreau and Ramstad, 2007) и которая называется LAMP-моделью (LAMP – logic, analytics, measures and process).
Если упростить описанное в этой модели, то причины, по которым использование аналитики тормозится, следующие:
Логика: мы не можем объяснить, почему работают высокопроизводительные рабочие системы. Это все еще остается «черным ящиком». Мы понимаем, что есть определенная взаимосвязь между нюансами, но наверняка не можем сказать, что от чего зависит напрямую и что нужно делать с X, чтобы получить Y.
Аналитика: здесь традиционно ощущался недостаток в глубине и тщательности аналитических моделей. Лидеры Google и других ведущих компаний обращаются к таким отраслям, как, например, ракетостроение, где существуют модели, учитывающие огромное количество факторов. Проще говоря, это не выстроено методологически надежно.
Метрики: чаще всего массивы данных касаются текущего состояния занятости, расходов на сотрудников и программ управления персоналом. В лучшем случае, эти данные представляют собой оперативную или расширенную отчетность, а не стратегическую или прогностическую аналитику, которая включает анализы, сегментирование сотрудников, и которая тесно интегрирована со стратегическим планированием.
Процесс: это презентация аналитики лицам, принимающим решения. Здесь основные факторы успеха – это своевременность и степень визуальной привлекательности представленных данных. Речь идет о получении данных в режиме реального времени в доступном и понятном для принятия решений виде, а такие инструменты с применением искусственного интеллекта только разрабатываются. Например, большинство руководителей не имеют представления о том, как интерпретировать коэффициент текучести сотрудников, поскольку они обычно знают, что низкая текучка не всегда выгодна, и наоборот, они не знают, как определить, что лучше в той ситуации, с которой они столкнулись. С этой точки зрения – мы на стадии пересмотра HR-инструментов.
Думаю, из описанного выше комплексность и глубина проблемы представляются чуть более понятно. Итак, существуют объективные причины того, почему инвестирование в аналитику представляется делом довольно рискованным. Грубо говоря, у нас нет четких, надежных, однозначных инструментов для принятия решений на основе аналитики. Точнее говоря, для очень простых локальных областей есть, но они не стоят таких затрат. Затраты такого уровня имеют смысл, если мы сможем получить надежные прогностические тенденции, играющие ключевую роль для успеха бизнеса. А этого аналитика сама по себе гарантировать не может.
Мы же не хотим просто обрабатывать данные. Мы хотим иметь надежные инструменты для принятия бизнес-решений с более или менее гарантированным результатом. А в этом смысле – главное по-прежнему остается за человеком:
умение задавать стратегически релевантные вопросы и представлять их в логической структуре, показывающей взаимосвязь между инвестициями в сфере управления персоналом и критическими организационными результатами;
обладание глубокими знаниями своего бизнеса;
понимание логики аналитических моделей в смысле их применимости для объяснения жизненно важных процессов в организации и многое другое.
Если совсем простыми словами подвести итог, то основная сложность аналитики как способа работы с данными заключается в том, что сначала нужно определить, какие результаты мы хотим получить. А для этого нужно задать очень правильные вопросы, требующие глубокого понимания бизнеса, потом определить, с помощью какой аналитической модели мы можем на эти результаты выйти, в соответствии с этим определить, какие именно данные и в каком объеме нам нужны, и только потом придумать, как нам их получить именно в таком виде, в котором требуется.
Чтобы проиллюстрировать комплексность подхода, посмотрите на картинку, показывающую состав команды специалистов по HR-аналитике:
Это еще не все. Очень важно помнить, что вообще словосочетание «HR-аналитика» сегодня встречается крайне редко в работах исследователей и авторов. Это такой привычный русскоязычный термин. В английском же сейчас используется понятие People Analytics – аналитика людей. Это не простой синоним. Наоборот. От локальных областей, связанных исключительно с HR – текучка, метрики рекрутинга, состояния занятости и т.п., на Западе перешли к глобальной «аналитике людей» или «человеческой аналитике». Все данные о людях имеют значение – их передвижения, состояние здоровья, активность в соцсетях и т.д. Только используя полный объем данных, можно говорить о приемлемой степени достоверности прогнозов и стратегических решений. Для сбора таких данных, компании должны внедрять новые инструменты на основе мобильных приложений и не только, и привлекать специалистов, которые могли бы с этим работать.
Но это далеко не конец проблем, это только их начало.
Решающее значение приобретает контекст. Что это значит? Это значит, что кроме больших данных нам необходимы т.н. плотные данные: это вся та ценная информация от людей — истории, эмоции, общение – которую нельзя представить количественно, но она несет в себе значение невероятной глубины. Глубокими их делает опыт правильного восприятия того, что рассказывают люди, – именно это помогает распознать пробелы и прорехи в прогностических моделях. Плотные данные погружают вопросы бизнеса в проблемы человека – проясняют контекст. Поэтому совмещение больших и плотных данных дают более глубокую картину. Вы работаете как с собранными, так и с несобранными данными: это дает возможность задать правильные вопросы «почему?» Почему так происходит?
Чтобы проиллюстрировать важность контекста, я приведу два примера: негативный и позитивный.
Негативный пример – это история Nokia, ставшая уже печальным образцом того, как можно вылететь из рынка на пике формы. Суть главного стратегического просчета состояла в том, что лидеры компании проигнорировали плотные данные, которые не могли сравниться по массиву с большими данными, но совершенно точно предсказывали огромный интерес к смартфонам даже у самых малообеспеченных слоев населения.
А позитивный пример тоже у всех на виду. Это фантастический рост Netflix. Там как раз наоборот, увидели прорехи в аналитических моделях и пригласили технологического этнографа (есть уже такая специализация), чтобы поработать с плотными данными. И он выяснил нечто, чего не было видно в больших данных. Этнограф заметил, что люди любят «залипать» у телевизора, они не чувствуют своей вины за это, а просто получают удовольствие. И совместив большие данные с плотными, они сделали кое-что простое, но эффективное: вместо того, чтобы показывать разножанровые сериалы, они начали крутить одни и те же, чтобы облегчить людям «залипание». Но это было не все, они изменили саму практику трансляций в соответствии с этими выводами. Сведя вместе большие и плотные данные, они не только улучшили свой бизнес, но и изменили способ потребления людьми медиа-информации. Ожидается, что их акции вырастут вдвое в ближайшие несколько лет.
Данные – ничто. Контекст – все!
Мы постепенно продвигаемся в рассмотрении нашей проблемы и если вы до сих с нами, впереди – последний бастион.
Это ресурсы. Как видно из всего вышеописанного, для серьезной работы с данными нужно «тяжелое» и дорогое ПО, высококвалифицированные специалисты и много времени. Все это складывается в затраты, фактически неподъемные для большинства организаций. Если вы следите за темой, то могли заметить, что бОльшая часть опубликованных кейсов – это кейсы огромных компаний, описывающая глобальные исследования. При этом нужно помнить о т.н. ошибке выжившего.
Опубликованные кейсы – в основном те, в которых получилось. А сколько тех, в которых не получилось при таких же затратах? Пока малозатратных и относительно простых инструментов и моделей нет. Но рынок есть рынок и скорее всего, через какое-то время они появятся в результате накопленного опыта. Поэтому большие компании сейчас пробуют, а все остальные ждут, когда в результате деятельности первых появится что-то более доступное.
Вот, собственно, основные причины, по которым только 8% респондентов сообщили, что у них есть полезные данные; только 9% считают, что у них хорошее понимание того, какие характеристики сотрудников приводят к успеху в их организациях; и только 15% в целом развернули системы HR и талант-показателей для линейных менеджеров.
Но необходимость и польза работы с данными очевидна и обсуждению не подлежит. Так что же делать?
People-аналитика – направление масштабное в силу глобальности решаемых задач и довольно новое. Однако среди аналитических подходов уже существуют разделы давно и хорошо разработанные. Они предоставляют мощный и в то же время доступный инструментарий и могут дать компании значительные инсайты. Один из таких подходов – организационный анализ сетей (ONA, Organizational Network Analysis). Что это такое?
Цель ONA – измерение и отображение отношений и потоков между людьми, группами или организациями. Уникальность ONA заключается в том, что никакими другими способами невозможно увидеть реальные связи между людьми в организации. Фактически это рентгеновский снимок вашей организации или отношений вашей организации с внешним рынком, или вашего персонала, или пула кандидатов. Короче говоря, те отношения, которые вам необходимы, и можно анализировать.
ONA возник на стыке социометрии и анализа сетей и представляется крайне полезным инструментом.
Огромным плюсом этого подхода является его визуальность.
Например: анализ руководителей в подразделении разведки и добычи крупной нефтяной компании дал следующую разницу между формальной и фактической организационной структурой (рис. из блога Роба Кросса):
Из правого рисунка видно, что в компании существует один из менеджеров среднего звена, некий Коул (Cole, см. левый рисунок), который практически незаметен в официальной иерархии, но на самом деле именно через него идут все потоки информации и фактическое распределение работы. Он является главным информационным узлом и он решает, кому какую информацию передавать. Вице-президент находится на очень далекой периферии и, фактически, никакого влияния на операционное управление не оказывает.
Я думаю, вы уже начали догадываться, какую роль подобная схема может сыграть, например, в управлении изменениями.
Следующая большая отрасль применения ONA – это, конечно, управление знаниями. Если на входе задавать вопросы типа: «Кто самый крутой эксперт в работе?», то картинка на выходе покажет основных носителей экспертизы в организации.
Как здесь не поговорить о задаче создания информационного поля в компании? Любой менеджер по коммуникациям просто обязан иметь у себя подобного рода анализ, если он не хочет продвигаться вслепую. Такой анализ может показать как отношения и информационные потоки между подразделениями, между компанией и другими заинтересованными сторонами, так и между людьми. В нашем обучающем курсе «HR без прикрас» мы подробнее касаемся этой темы.
Вот как, например, в вашей компании реально происходит взаимодействие между финансами и маркетингом? Через кого идет вся информация (рис. из блога Роба Кросса)?
То же самое касается любых инноваций, лидерства, развития талантов и т. д.
Мы рассмотрели перспективы использования ONA внутри организации, но с таким же успехом этот инструмент можно применять и для анализа внешних отношений – с конкурентами, поставщиками и подрядчиками и т.д.
ONA – это искусство получения полезных результатов: вы получаете карты и показатели, которые приводят вас к действительно хорошим вопросам. То есть ONA, как и любой аналитический инструмент, не дает ответа на вопрос «Почему?», этот ответ может дать только человек. Но карты делают две вещи:
Они обеспечивают индикаторы того, где может быть что-то интересное, чтобы исследовать.
Они предоставляют интересные визуальные результаты для поддержки историй о результатах.
Разумеется, в реальности это все не так просто, как кажется на первый взгляд. За всей этой вдохновляющей красотой и видимой простотой стоит серьезный математический аппарат и фундаментальные исследования, но это намного проще, чем то, что есть в «большой аналитике» сегодня. ONA прямо сразу даст вам крайне полезные результаты и сэкономит ресурсы.
Виктория Бузник и Лилия Грабовская, авторы ресурса Talent Management.com.ua и обучающего курса «HR без прикрас»
Источник
Читайте нас в фейсбуке, ВКонтакте и телеграме
Эта статья про то, каковы основные трудности в применении и с чего можно начать анализировать.
Пока в публичном пространстве под HR-аналитикой подразумевают или метрики и работу с цифрами, статистикой в HR, которые являются показателями локальных процессов либо подразделений, или делятся кейсами по поводу того, как подключить IT-департамент к созданию архивов HR-данных. На самом деле HR-аналитика решает задачи стратегического развития компании, определяет главные прогностические тенденции.
Итак, что такое HR-аналитика?
HR-аналитика является процессом, в котором методы обработки данных и бизнес-аналитики (BA) применяются к обработке HR-данных. Ее иногда также называют аналитикой талантов. Кроме того, интеллектуальный анализ данных (data mining) в этом контексте относится к практике изучения баз данных для создания новой информации.
Почему это так актуально сейчас, в свете глобальной диджитализации экономики, бизнеса, человека. Данные, друзья! Большие данные повсюду!
А тут и нейронауки подоспели, демонстрируя нам, насколько человеческие решения субъективны и наполнены эмоциями вместо рационального подхода.
Как теперь с этим жить?
Конечно, нужен другой способ принятия решений – чтобы все логично, разумно, на основании данных и с гарантированным результатом. Кто такое не хочет? Все хотят! А почему не делают?
Готовность к применению HR-аналитики остается серьезной проблемой. По данным отчета Deloitte 2017, после нескольких лет обсуждения этого вопроса только 8% респондентов сообщили, что у них есть полезные данные; только 9% считают, что у них хорошее понимание того, какие характеристики сотрудников приводят к успеху в их организациях; и только 15% в целом развернули системы HR и талант-показателей для линейных менеджеров.
«Это было загадкой на протяжении последнего десятилетия – почему при очевидной важности человеческого капитала организации не инвестируют в это и не требуют, чтобы лидеры принимали свои решения в отношении людей, используя аналитику на основе фактов?» («Аналитика человеческого капитала: почему мы еще не здесь?»).
Так в чем же дело? Почему говорят и пишут о пользе и необходимости использования аналитики гораздо больше, чем применяют в реальной работе?
Давайте посмотрим на это явление с разных сторон.
В чем сложность?
Прежде всего стоит рассмотреть глубинные, фундаментальные причины такого «торможения» со стороны лидеров компаний. Я опишу это в рамках модели, которую Пит Рамстад (Pete Ramstad) и Джон Бодро (John Boudreau) представили в работе «За пределами HR» («Beyond HR», Boudreau and Ramstad, 2007) и которая называется LAMP-моделью (LAMP – logic, analytics, measures and process).
Если упростить описанное в этой модели, то причины, по которым использование аналитики тормозится, следующие:
Логика: мы не можем объяснить, почему работают высокопроизводительные рабочие системы. Это все еще остается «черным ящиком». Мы понимаем, что есть определенная взаимосвязь между нюансами, но наверняка не можем сказать, что от чего зависит напрямую и что нужно делать с X, чтобы получить Y.
Аналитика: здесь традиционно ощущался недостаток в глубине и тщательности аналитических моделей. Лидеры Google и других ведущих компаний обращаются к таким отраслям, как, например, ракетостроение, где существуют модели, учитывающие огромное количество факторов. Проще говоря, это не выстроено методологически надежно.
Метрики: чаще всего массивы данных касаются текущего состояния занятости, расходов на сотрудников и программ управления персоналом. В лучшем случае, эти данные представляют собой оперативную или расширенную отчетность, а не стратегическую или прогностическую аналитику, которая включает анализы, сегментирование сотрудников, и которая тесно интегрирована со стратегическим планированием.
Процесс: это презентация аналитики лицам, принимающим решения. Здесь основные факторы успеха – это своевременность и степень визуальной привлекательности представленных данных. Речь идет о получении данных в режиме реального времени в доступном и понятном для принятия решений виде, а такие инструменты с применением искусственного интеллекта только разрабатываются. Например, большинство руководителей не имеют представления о том, как интерпретировать коэффициент текучести сотрудников, поскольку они обычно знают, что низкая текучка не всегда выгодна, и наоборот, они не знают, как определить, что лучше в той ситуации, с которой они столкнулись. С этой точки зрения – мы на стадии пересмотра HR-инструментов.
Думаю, из описанного выше комплексность и глубина проблемы представляются чуть более понятно. Итак, существуют объективные причины того, почему инвестирование в аналитику представляется делом довольно рискованным. Грубо говоря, у нас нет четких, надежных, однозначных инструментов для принятия решений на основе аналитики. Точнее говоря, для очень простых локальных областей есть, но они не стоят таких затрат. Затраты такого уровня имеют смысл, если мы сможем получить надежные прогностические тенденции, играющие ключевую роль для успеха бизнеса. А этого аналитика сама по себе гарантировать не может.
Мы же не хотим просто обрабатывать данные. Мы хотим иметь надежные инструменты для принятия бизнес-решений с более или менее гарантированным результатом. А в этом смысле – главное по-прежнему остается за человеком:
умение задавать стратегически релевантные вопросы и представлять их в логической структуре, показывающей взаимосвязь между инвестициями в сфере управления персоналом и критическими организационными результатами;
обладание глубокими знаниями своего бизнеса;
понимание логики аналитических моделей в смысле их применимости для объяснения жизненно важных процессов в организации и многое другое.
Если совсем простыми словами подвести итог, то основная сложность аналитики как способа работы с данными заключается в том, что сначала нужно определить, какие результаты мы хотим получить. А для этого нужно задать очень правильные вопросы, требующие глубокого понимания бизнеса, потом определить, с помощью какой аналитической модели мы можем на эти результаты выйти, в соответствии с этим определить, какие именно данные и в каком объеме нам нужны, и только потом придумать, как нам их получить именно в таком виде, в котором требуется.
Комплексный подход
Чтобы проиллюстрировать комплексность подхода, посмотрите на картинку, показывающую состав команды специалистов по HR-аналитике:
Но это далеко не конец проблем, это только их начало.
Контекст. Совмещение больших и плотных данных
Решающее значение приобретает контекст. Что это значит? Это значит, что кроме больших данных нам необходимы т.н. плотные данные: это вся та ценная информация от людей — истории, эмоции, общение – которую нельзя представить количественно, но она несет в себе значение невероятной глубины. Глубокими их делает опыт правильного восприятия того, что рассказывают люди, – именно это помогает распознать пробелы и прорехи в прогностических моделях. Плотные данные погружают вопросы бизнеса в проблемы человека – проясняют контекст. Поэтому совмещение больших и плотных данных дают более глубокую картину. Вы работаете как с собранными, так и с несобранными данными: это дает возможность задать правильные вопросы «почему?» Почему так происходит?
Чтобы проиллюстрировать важность контекста, я приведу два примера: негативный и позитивный.
Негативный пример – это история Nokia, ставшая уже печальным образцом того, как можно вылететь из рынка на пике формы. Суть главного стратегического просчета состояла в том, что лидеры компании проигнорировали плотные данные, которые не могли сравниться по массиву с большими данными, но совершенно точно предсказывали огромный интерес к смартфонам даже у самых малообеспеченных слоев населения.
А позитивный пример тоже у всех на виду. Это фантастический рост Netflix. Там как раз наоборот, увидели прорехи в аналитических моделях и пригласили технологического этнографа (есть уже такая специализация), чтобы поработать с плотными данными. И он выяснил нечто, чего не было видно в больших данных. Этнограф заметил, что люди любят «залипать» у телевизора, они не чувствуют своей вины за это, а просто получают удовольствие. И совместив большие данные с плотными, они сделали кое-что простое, но эффективное: вместо того, чтобы показывать разножанровые сериалы, они начали крутить одни и те же, чтобы облегчить людям «залипание». Но это было не все, они изменили саму практику трансляций в соответствии с этими выводами. Сведя вместе большие и плотные данные, они не только улучшили свой бизнес, но и изменили способ потребления людьми медиа-информации. Ожидается, что их акции вырастут вдвое в ближайшие несколько лет.
Данные – ничто. Контекст – все!
Ресурсы
Мы постепенно продвигаемся в рассмотрении нашей проблемы и если вы до сих с нами, впереди – последний бастион.
Это ресурсы. Как видно из всего вышеописанного, для серьезной работы с данными нужно «тяжелое» и дорогое ПО, высококвалифицированные специалисты и много времени. Все это складывается в затраты, фактически неподъемные для большинства организаций. Если вы следите за темой, то могли заметить, что бОльшая часть опубликованных кейсов – это кейсы огромных компаний, описывающая глобальные исследования. При этом нужно помнить о т.н. ошибке выжившего.
Опубликованные кейсы – в основном те, в которых получилось. А сколько тех, в которых не получилось при таких же затратах? Пока малозатратных и относительно простых инструментов и моделей нет. Но рынок есть рынок и скорее всего, через какое-то время они появятся в результате накопленного опыта. Поэтому большие компании сейчас пробуют, а все остальные ждут, когда в результате деятельности первых появится что-то более доступное.
Вот, собственно, основные причины, по которым только 8% респондентов сообщили, что у них есть полезные данные; только 9% считают, что у них хорошее понимание того, какие характеристики сотрудников приводят к успеху в их организациях; и только 15% в целом развернули системы HR и талант-показателей для линейных менеджеров.
Но необходимость и польза работы с данными очевидна и обсуждению не подлежит. Так что же делать?
С чего компании могут начать?
People-аналитика – направление масштабное в силу глобальности решаемых задач и довольно новое. Однако среди аналитических подходов уже существуют разделы давно и хорошо разработанные. Они предоставляют мощный и в то же время доступный инструментарий и могут дать компании значительные инсайты. Один из таких подходов – организационный анализ сетей (ONA, Organizational Network Analysis). Что это такое?
Цель ONA – измерение и отображение отношений и потоков между людьми, группами или организациями. Уникальность ONA заключается в том, что никакими другими способами невозможно увидеть реальные связи между людьми в организации. Фактически это рентгеновский снимок вашей организации или отношений вашей организации с внешним рынком, или вашего персонала, или пула кандидатов. Короче говоря, те отношения, которые вам необходимы, и можно анализировать.
ONA возник на стыке социометрии и анализа сетей и представляется крайне полезным инструментом.
Огромным плюсом этого подхода является его визуальность.
Например: анализ руководителей в подразделении разведки и добычи крупной нефтяной компании дал следующую разницу между формальной и фактической организационной структурой (рис. из блога Роба Кросса):
Я думаю, вы уже начали догадываться, какую роль подобная схема может сыграть, например, в управлении изменениями.
Следующая большая отрасль применения ONA – это, конечно, управление знаниями. Если на входе задавать вопросы типа: «Кто самый крутой эксперт в работе?», то картинка на выходе покажет основных носителей экспертизы в организации.
Как здесь не поговорить о задаче создания информационного поля в компании? Любой менеджер по коммуникациям просто обязан иметь у себя подобного рода анализ, если он не хочет продвигаться вслепую. Такой анализ может показать как отношения и информационные потоки между подразделениями, между компанией и другими заинтересованными сторонами, так и между людьми. В нашем обучающем курсе «HR без прикрас» мы подробнее касаемся этой темы.
Вот как, например, в вашей компании реально происходит взаимодействие между финансами и маркетингом? Через кого идет вся информация (рис. из блога Роба Кросса)?
Мы рассмотрели перспективы использования ONA внутри организации, но с таким же успехом этот инструмент можно применять и для анализа внешних отношений – с конкурентами, поставщиками и подрядчиками и т.д.
Основные области применения ONA
Они обеспечивают индикаторы того, где может быть что-то интересное, чтобы исследовать.
Они предоставляют интересные визуальные результаты для поддержки историй о результатах.
Разумеется, в реальности это все не так просто, как кажется на первый взгляд. За всей этой вдохновляющей красотой и видимой простотой стоит серьезный математический аппарат и фундаментальные исследования, но это намного проще, чем то, что есть в «большой аналитике» сегодня. ONA прямо сразу даст вам крайне полезные результаты и сэкономит ресурсы.
Виктория Бузник и Лилия Грабовская, авторы ресурса Talent Management.com.ua и обучающего курса «HR без прикрас»
Источник
Читайте нас в фейсбуке, ВКонтакте и телеграме
Комментариев нет:
Отправить комментарий