پاورپوینت خلاصه کتاب مدیریت منابع انسانی هوشمند مبتنی بر داده ها

فصل اول
منابع انسانی مبتنی بر داده ها چیست؟

منظور ما از منابع انسانی داده محور چیست؟
منابع انسانی داده محور1، یا منابع انسانی هوشمند2، به استفاده­ی هوشمندانه از انفجار اطلاعات در منابع انسانی می­پردازد. این کار به منظور ایجاد بینش و دید مناسب، در جهت پیشرفت و بهبود نه تنها عملکرد افراد در سازمان (ازجمله تیم منابع انسانی) بلکه موفقیت کلی کسب وکار صورت می­گیرد. تیم های منابع انسانی می­توانند از داده­ها برای اتخاذ تصمیم­های بهتر در حوزه­ی منابع انسانی، درک و ارزیابی بهتر نقش افراد در موفقیت کسب­وکار، بهبود تصمیم­گیری مدیران در مسائل مرتبط با افراد، افزایش بازدهی و تاثیرگذاری فرآیندها و عملیات منابع انسانی و ارتقای سلامت و رفاه افراد و همچنین تاثیرگذاری آنان در سازمان، استفاده کنند؛ که همگی می­توانند تاثیر قابل توجهی دررسیدن سازمان به اهداف استراتژیک خود داشته باشند.
1.Data-driven HR
2. Intelligent HR

در حوزه منابع انسانی و مدیریت افراد، انقلابی در حال رخ دادن است و دریایی از داده­ها و تحلیل ها این حوزه­ها را در بر خواهد گرفت. آن بخش از فعالیت­های کسب­وکار که به طور سنتی بر بخش­های نرم مثل افراد، فرهنگ، آموزش و توسعه و جذب مشارکت کارکنان متمرکز بود، حالا با استفاده از تحلیل داده انجام می­گیرند. همان طور که در فصل دوم خواهیم دید، منابع انسانی یکی از بخش­های سرشار از داده­ها در بیشتر سازمان­ها است. کارفرمایان تا پیش ازاین نیز تا حدی از داده­ها و تحلیل آن برای اطلاع از برخی شاخص­ها مثل رضایت شغلی کارکنان استفاده می­کردند. ظهور داده های3 بزرگ باعث شتاب این روند و همچنین به کارگیری داده­ها در جهات متنوع و جذاب دیگری شد.

3. Big Data

آیا ماهیت کنونی منابع انسانی واقعاً برای تحقق اهداف آن مناسب است؟
تیم­های منابع انسانی نیازمند تجدید ساختار است و باید تغییراتی ایجاد شود تا مدیریت منابع انسانی بتواند ارزش بیشتری تولید کند. لذا من ساختار منابع انسانی را با پیشنهاد ایجاد دو تیم مجزا بازطراحی کردم: یک تیم پشتیبانی کارکنان1 و یک تیم تحلیل کارکنان2.
گروه پشتیبانی همان­طور که از نامش پیدا است، وظیفه پشتیبانی کارکنان در سازمان از کارکنان خط مقدم3 گرفته تا گروه مجرب مدیریت را بر عهده دارد. پشتیبانی شامل کمک به توسعه شخصی و شغلی افراد، ارتقا و پایش دل بستگی کارکنان، شناسایی مشکلات فرهنگ سازمان و به طورکلی تلاش برای ایجاد آسایش و آرامش برای کارکنان است. از سوی دیگر، تیم تحلیل کارکنان با گذر از بخش­های نرم­تر مدیریت کارکنان، به افراد با دید علمی­تر و تحلیلی­تری خواهد پرداخت و در تلاش است تا با ارائه بینش­های مهم و حیاتی به سازمان، عملکرد آن را بهبود بخشد.
people support team
2. people analytics team
3. Front-line Staff

چگونه تیم های منابع انسانی می­توانند از داده­ها به صورت هوشمندانه استفاده کنند؟
کسب­وکارها روش های بسیاری برای استفاده­ی مفید از داده­ها دارند، اما به طور کلی می­توان در چهار زمینه زیر از داده ها استفاده کرد:

به کارگیری داده­ها برای تصمیم­گیری بهتر
به کارگیری داده ها برای پیشرفت و بهبود عملیات و فرآیندها
به کارگیری داده ها برای درک بهتر مشتری
به کارگیری داده­ها برای کسب درآمد

1) تصمیم­گیری بهتر
ایده­ی منابع انسانی مبتنی بر داده یا منابع انسانی هوشمند، از ابتدا در پی هوشمندتر کردن منابع انسانی در حد ممکن و درنتیجه هوشمندتر کردن تصمیم­گیری­ها در بخش عمده­ای از فعالیت­های آن بود. داده­­ها به متخصصین مدیریت منابع انسانی کمک می­کنند تا تصمیمات بهتری را در رابطه با فعالیت­های خود (ازجمله استخدام و عملکرد هوشمندانه­تر) اتخاذ کنند. همچنین می­توان از این داده­ها برای ارائه گزارش به سایر بخش­های سازمان و حمایت از تصمیمات سطح بالاتر استفاده کرد. درنهایت، تیم راهبری سازمان در تصمیمات خود به داده­های منابع انسانی و افراد نیاز دارد و تیم هوشمند منابع انسانی است که برای پشتیبانی از این نیاز کاملاً مجهز است. در حال حاضر بیشتر این داده­ها به صورت موقت یا با روش­هایی پرهزینه مانند استفاده از نظرسنجی کارکنان تامین می شوند که کارایی خاصی ندارند.

2) بهبود عملیات و فرآیندها
دسته دوم یعنی بهبود عملیات و فرآیندها، شاید حتی برای کارکردهای منابع انسانی مهمتر باشد. داده ها راهی برای متخصصین منابع انسانی فراهم می کنند که به وظایف اصلی خود – مانند امنیت، سلامت/ رفاه و استخدام کارکنان – توجه کرده و به سوالات کلیدی در این حوزه «ما باید بیشترین وقت و تلاش خود را کجا صرف کنیم؟» و «چگونه می­توانیم فرآیندها و فعالیت­های منابع انسانی را ساده تر و موثرتر انجام دهیم؟» پاسخ دهند. با استفاده از تجزیه وتحلیل داده­ها می­توان حوزه های نیازمند بهبود را شناسایی و فرآیندهای ممکن را خودکار کرد تا با کارایی بیشتری انجام شوند.

3) شناخت و درک مشتریان
این حوزه یکی از متداول­ترین کاربردهای داده های بزرگ است. در اینجا، کسب وکارها برای شناخت بهتر مشتریان از داده هایی مانند رفتارها، ترجیحات و میزان رضایت آن ها استفاده می کنند. کسب­وکارها با استفاده از داده ها می توانند شناخت کاملی از مشتریان داشته باشند، ازجمله اینکه عوامل خشنودی آن­ها کدم اند، اقدامات بعدی شان چه خواهد بود و چه عواملی باعث می شود این سازمان را به دیگران پیشنهاد دهند. سازمان ها همچنین می­توانند با تجزیه وتحلیل بازخورد مشتریان در راستای بهبود یک محصول یا خدمات، با آنان تعامل و ارتباط بهتری داشته باشند.

4) کسب درآمد از داده ها
چهارمین کاربرد رایج داده­ها، کسب درآمد از آن برای ایجاد جریان درآمدی جدید برای سازمان است. کسب وکار جابون1 تولیدکننده مچ بندهای هوشمند ردیاب تناسب اندام یوپی2، یکی از مثال های خوب در این مورد است. جابون از میلیون ها کاربر، مقدار باورنکردنی از داده­ها را جمع آوری می کرد و طولی نکشید که دریافت ارزش داده های جمع آوری شده حتی از خود دستگاه نیز بیشتر است. تجزیه وتحلیل داده های جمع آوری شده، بینش هایی را به ارمغان می آورد که می تواند علاوه بر امکان ارائه بازخور به کاربران، به اشخاص ثالث علاقه مند فروخته شود و یک جریان درآمدی جدید حتی بیشتر از درآمد محصول اصلی ایجاد کند.

1.Jawbone
2. UP fitness tracker band

چگونگی دگرگونی کارکردهای منابع انسانی توسط داده ها
کنار گذاشتن حدس و گمان از فرآیندهای استخدام
درک و تقویت دلبستگی کارکنان
بهبود سلامت و ایمنی کارکنان
تحول در یادگیری و توسعه
ارزیابی و بهبود عملکرد کارمندان

1) کنار گذاشتن حدس و گمان از فرآیندهای استخدام
استخدام یک کارمند، به خصوص در پست­های مدیریتی و حرفه­ای، سرمایه گذاری عظیمی برای بیشتر شرکت­هاست. بنابراین در عصری که همه چیز قابل اندازه گیری، کمی کردن و تجزیه وتحلیل است، داده ها کمک می کنند تا و کارکنانی انتخاب شوند که بیشترین تناسب را با شغل و سازمان دارند و برای مدتی طولانی از خدمت در پست­ خود لذت می­برند و به کار ادامه می دهند.

2) درک و تقویت دلبستگی کارکنان
برخی از سازمان­ها برای توسعه دلبستگی کارکنان شروع به استفاده از ابزارهای هوشمند برای بررسی و تجزیه­وتحلیل محتوای ایمیل­ها، پست­های فیس­بوک یا توییتر کارکنان کرده­اند. بسیاری از سازمان ها نیز از نظرسنجی های کوتاه پالس ماهانه، هفتگی یا حتی روزانه برای ارزیابی احساس کارکنان استفاده می کنند. این نوع نظرسنجی به سازمان امکان سنجش درست دلبستگی کارکنان را بدون نیاز به نظرسنجی های سنتی پرهزینه و زمان بر می­دهد.
واضح است در رابطه با دسترسی به ارتباطات کارکنان بایستی ملاحظاتی را در مورد حریم خصوصی آنان در نظر گرفت که البته قوانین هر کشوری در این مورد متفاوت است.

3) بهبود سلامت و ایمنی کارکنان
سلامت و ایمنی کارکنان به کمک فناوری های پیشرفته مثل اوبیکوئیتیسویر فوجیتسو1 که داده های افراد را در حین کار به وسیله دستگاه هایی مانند حسگرهای شتاب سنج، فشارسنج ها، دوربین­ها و میکروفون­ها جمع آوری و تجزیه وتحلیل می کند، در حال بهبود است. به عنوان مثال می توان از داده­هایی مانند دما، رطوبت، حرکات و ضربان نبض برای تشخیص میزان فشار روانی کارکنان استفاده کرد.
1. Ubiquitousware Fujitsu

4) تحول در یادگیری و توسعه
افزایش تعداد دوره های آنلاین در حوزه یادگیری و توسعه، نحوه رشد و توسعه افراد توسط سازمان ها را متحول کرده و امکان سطح بالایی از یادگیری شخصی متناسب با هر فرد را فراهم نموده است. ازآنجاکه هر حرکتی که یادگیرنده در محیط دوره آنلاین انجام می دهد به راحتی قابل ردیابی است، ارزیابی نحوه واکنش آن ها به مطالب دوره ساده است. به عنوان مثال، آیا مدت زمانی که یک کارآموز برای تکمیل یک دوره صرف می کند بسیار طولانی تر از دوره­های قبلی است؟ در این صورت این امر به معنی نیاز آن­ها به اطلاعات و توضیحات بیشتر در آن دوره خاص است.
این موارد، تنها برخی از راه­های شخصی سازی یادگیری هستند.

5) ارزیابی و بهبود عملکرد کارمندان
داده­ها به سازمان­ها کمک می کنند تا عملکرد کارکنان را با سرعت و دقت بیشتر و به شیوه­ای هوشمندانه­تر بررسی و ارزیابی کنند. یک نمونه بارز در این زمینه شرکت زیراکس است. این سازنده تجهیزات دفتری و اداری از یک موسسه تحلیلگر خواست تا داده­های عملکردی کارکنان را بررسی و مشخصات یک کاندیدای ایده­آل برای مراکز تماس شرکت را پیدا کند. یافته های عجیب این موضوع نشان داد که داشتن سابقه قبلی در مرکز تماس به هیچ وجه شاخصی برای موفقیت نیست و داوطلبانی که دارای سوابق کیفری بودند اغلب عملکرد بهتری نسبت به افراد بدون سابقه داشتند. این آزمایش منجر به کاهش 20 درصدی ترک خدمت شد.

فصل دوم
تکامل منابع انسانی هوشمند و فوق هوشمند

انفجار داده­ها
اریک اشمیت1، رئیس اجرایی آلفابت شرکت مادر گوگل2، مدعی است میزان داده­هایی که هر دو روز یک بار تولید می­کنند، با مقدار داده ای برابر است که از ابتدای تاسیس تا سال 2003 تولید شده بود. برای لحظه ای به این فکر کنید: میزان داده ای که انسان ها تلاش می­کردند تا از زمان ظهور تمدن تا سال 2003 جمع آوری کنند را امروزه می­توان تنها در عرض دو روز تولید کرد. درحالی که برخی مخالف این ادعای اشمیت هستند، همچنان موافق اند که میزان داده­ای که ما تولید می کنیم به سرعت در حال افزایش بوده و این روند همچنان ادامه خواهد داشت. بر اساس برخی تخمین های ارائه شده تا سال 2025، این مقدار به 180 زتابایت خواهد رسید. درمجموع در سال 2013 چیزی بالغ بر 4 زتابایت تولید داده داشته­ایم.

1. Eric Schmidt
2. Google’s parent company Alphabet

معرفی اینترنت اشیاء
اصلی ترین علت وقوع انفجار داده ها/ اطلاعات اینترنت اشیاء می­باشد. اینترنت اشیاء به اشیاء روزمره مانند تلفن های همراه هوشمند، تلویزیون های هوشمند، دستبندهای هوشمند1 اشاره دارد که همگی قابلیت اتصال به اینترنت داشته و می توانند داده ها را جمع آوری و ارسال کرده و توسط دستگاه های دیگر شناسایی شوند. در بحث اینترنت اشیاء، داده ها توسط اشیاء ایجاد می شوند، نه انسان ها. مهمترین بخش اینترنت اشیاء این است که دستگاهی با دستگاه دیگر ارتباط گرفته، به طوری که بتوانند باهم حرف بزنند و فعالیت موردنظر را بدون دخالت انسان انتخاب کنند. برای مثال، در آینده­ای نزدیک هرگز عجیب نخواهد بود که یخچال شما بداند تاریخ انقضای شیر گذشته و به طور خودکار به گوشی هوشمندتان دستور می­دهد تا آن را در خرید آنلاین بعدی سفارش دهد.

1. fitbit bands

مبحث یادگیری ماشین، یادگیری عمیق و هوش مصنوعی فهم واژگان
هوش مصنوعی به تعریف کلی تری اشاره می کند که بر اساس آن، ماشین­ها قادرند امور را از طریق روش­هایی انجام دهند که ازنظر ما روشی «هوشمند» هستند، درحالی که یادگیری ماشینی یکی از اصلی ترین کاربردهای این مفهوم می­باشد. یادگیری ماشینی مبتنی بر این ایده است که ما باید بتوانیم دستگاه ها را تا حدی توانمند کنیم که به داده ها دسترسی داشته باشند و بتوانند به طور خودکار آن ها را بیاموزند.
باوجود اینکه یادگیری ماشین اغلب به عنوان یک زیرشاخه از هوش مصنوعی محسوب می شود، در حال حاضر بهتر است به عنوان برترین کارکرد هوش مصنوعی در نظر گرفته شود. درواقع این هوش مصنوعی است که امروزه بیشترین ظرفیت را برای کسب موفقیت در آینده در خود دارد.

یادگیری عمیق نیز به نوبه خود آخرین سطح پیشرفت در این امر به شمار می­آید. یادگیری عمیق، ایده های اصلی زیادی را از هوش مصنوعی دریافت می­کند و آن ها را در راستای حل مشکلات دنیای واقعی با شبکه های عصبی که برای تقلید نحوه تصمیم گیری ما طراحی شده اند، به کار می­برد. یادگیری عمیق بر زیرمجموعه ای از ابزارها و تکنیک­های یادگیری ماشین تمرکز بیشتری داشته و آن ها را برای حل تمامی مسائلی که نیاز به راه حل «فکری» – چه انسانی چه مصنوعی – دارند بکار می گیرد. سیستم آی­بی­ام واتسون1 نمونه بارز این عمل است. روند یادگیری سیستم، هم زمان با پردازش داده ها پیش می­رود، درنتیجه هرچه مقدار داده های ورودی به سیستم بیشتر باشد، آموخته­های آن نیز افزایش یافته و عملکرد دقیق تری خواهد داشت.

1. IBM’s Watson (International Business Machines Corporation)

نقش انفجار داده­ها در مدیریت منابع انسانی
انفجار داده ها به همان اندازه که در زمینه های مختلف زندگی ما رخ می­دهد، در دنیای کاری ما نیز نقش دارد. در شرایط کسب وکار تقریباً همه چیز باعث تولید داده می شود؛ مانند ارسال یک ایمیل توسط یک کارمند و یا سنسورهای موجود در ماشین­آلات خط تولید. این بدان معناست که کسب وکارها بیش از هر زمان دیگری برای کسب دانش/ بینش، به داده ها نیازمندند و بخش منابع انسانی در قلب این پدیده است.

ظهور منابع انسانی فوق هوشمند
بیشتر امور منابع انسانی را می­توان به طور کامل خودکار کرد. بنابراین منابع انسانی فوق هوشمند به معنای استفاده از تکنیک­های هوش مصنوعی مانند یادگیری ماشین و یادگیری عمیق نه تنها برای خودکار کردن فعالیت های مختلف منابع انسانی، بلکه همچنین انجام آن­ها بهتر، سریع تر و دقیق­تر از انسان است. این موضوع برای آن دسته از تیم­های منابع انسانی صدق می­کند که در کنار دستگاه ها و سیستم های هوشمند فعالیت می­کنند تا بتوانند تصمیمات بهتری اتخاذ و عملیات را کاراتر کنند.
تقریباً تمامی امور اداری پتانسیل خودکارسازی دارند اما منابع انسانی فوق هوشمند در امور مهمتری چون استخدام، دلبستگی یا مشارکت کارکنان نقش دارد. یادگیری ماشین نیز به طور ویژه­ای بر منابع انسانی تاثیرگذار است. برای مثال، در ارزیابی و ردیابی متقاضیان استخدام، ابزارهای یادگیری ماشین به تیم های منابع انسانی کمک می­کند تا مسیر پیشرفت متقاضیان را شناسایی و روند ارائه بازخورد به آن ها را تسریع کند. به عنوان نمونه، پلتفرم استخدام دیجیتالی پیپلیس1 می تواند نمره متناسب هر متقاضی را بر اساس ارزیابی دیجیتالی و نتایج مصاحبه های آنلاین محاسبه نماید و به متخصصین منابع انسانی و مدیران بخش استخدامی کمک می­کند تا بتوانند برای انتخاب فرد مناسب راحت تر تصمیم بگیرند.
1. Peoplise

انقلاب صنعتی چهارم یا صنعت نسل 4
در ابتدا سیستم بخار و دستگاه های اولیه باعث ماشینی شدن صنعت شدند. سپس دومین انقلاب صنعتی با اختراع برق رخ داد. کامپیوترها و سیستم های اتوماسیون نیز سومین تحول صنعتی را به وجود آوردند و اکنون ما در حال ورود به انقلاب صنعتی چهارم هستیم که در آن کامپیوترها و سیستم های اتوماسیون وارد مسیری شده اند که همراه با ربات ها و سیستم های هوش مصنوعی می توانند بیاموزند، کارکردها را کنترل کنند و با دریافت ورودی بسیار کمی از طرف اپراتورهای انسانی، تصمیم گیری نمایند. اگر برای لحظه ای فراتر از دیدگاه تیم منابع انسانی به انقلاب چهارم صنعتی نگاه کنیم، درمی یابیم که سیستم اتوماسیون در حال حاضر تاثیر زیادی بر مشاغل بسیاری از افراد در صنایع مختلف داشته و یا خواهد داشت. با افزایش اتوماسیون، کامپیوترها و دستگاه ها، جایگزین تعداد زیادی از کارگران در طیف گسترده ای از صنایع مختلف مانند رانندگان، حسابداران، نمایندگان املاک و بیمه خواهند شد.

بنابراین متخصصان منابع انسانی باید دانش و منابع لازم برای مواجهه با تاثیر این انقلاب در صنعت، سازمان و افرادی که برای آن سازمان کار می­کنند را داشته باشند. منابع انسانی باید در بحث های آماده­سازی سازمان در راستای افزایش اتوماسیون، کاملاً دخیل باشد. متخصصان منابع انسانی باید دانش خود را همگام با افزایش اتوماسیون به روز کنند و اهمیت و جایگاه آن را در کسب وکار و تیم منابع انسانی سازمان خود دریابند؛ زیرا با تغییر ماهیت کسب وکار، تیم های منابع انسانی باید پاسخگوی سوالات مهم تجاری تیم­های رهبری باشند؛ سوالاتی مانند: «ما برای کار با سیستم های اتوماسیون چه مهارت ها و توانایی هایی را باید کسب کنیم؟» متخصص تیم منابع انسانی با کمک مجموعه داده­های موجود، می­تواند به چنین سوالاتی پاسخگو باشد و سازمان را برای تغییراتی احتمالی آماده کند. به نظر من مهمترین قسمت منابع انسانی هوشمند و فوق هوشمند، حمایت از کسب وکاری است که در مسیر تغییر و تکامل قرارگرفته است.

چالش ها و فرصت ها
ازآنجایی که کارهای تکراری را می توان توسط رایانه ها انجام داد، نحوه ارائه خدمات تیم­های منابع انسانی مطمئناً طی چند سال آینده تغییر خواهد کرد. اتوماسیون می­تواند در امور مختلفی مانند تامین منابع و استخدام افراد مستعد یا پشتیبانی از یادگیری و رشد کارکنان، به صرفه جویی در وقت، افزایش کارایی و بهبود روند تصمیم گیری کمک کند. به این ترتیب وظایف منابع انسانی از انجام کارهای پیش پاافتاده و وقت گیر مرتبط با مدیریت روزمره به سمت تمرکز بر موضوعات استراتژیکی گسترده تری می­رود و این موضوع باعث خواهد شد تا حضور تیم منابع انسانی در مسیر موفقیت سازمان از اهمیت بالایی برخوردار شود. باوجود اینکه ممکن است بحث در مورد اتوماسیون باعث نگرانی متخصصین منابع انسانی (کارکنان، مدیران و سایرین) شود، اما این پیشرفت­ها را باید از بعد وسیع تری نسبت به منابع انسانی مشاهده کرد که باعث هوشمندتر شدن آن می شود و ارزش های زیادی برای سازمان فراهم می­سازد. علی رغم چالش های موجود، داده­ها، تجزیه وتحلیل ها و سیستم اتوماسیون، فرصت های بسیاری را برای بهبود کسب وکار ما، بهبود زندگی کاری کارکنان و افزایش سهم منابع انسانی در سازمان فراهم کرده­اند.

فصل سوم
استراتژی مبتنی بر داده­ها:
توجیه تجاری هوشمندانه­تر کردن منابع انسانی

همه چیز با استراتژی شروع می­شود
انفجار داده­ها تقریباً بر تمام ابعاد زندگی، ازجمله کار ما تاثیر می­گذارد. هنگام صحبت از اینکه باید با این داده­ها چه­کرد، بیشتر سازمان­ها و کارکردهای درون آن ها به یکی از این دو دسته تقسیم می­شوند: برخی بسیار مشتاق به سوار شدن بر قطار داده­ها و غوطه­ور شدن در آن ها هستند و چون توانایی آن را دارند شروع به جمع آوری تمام انواع داده­ها می­کنند؛ بدون اینکه فکر کنند آیا این داده­ها سودی هم برای کسب وکارشان دارد یا خیر؛ درحالی که گروه دیگر ترجیح می­دهند خود را به گمراهی بزنند؛ اغلب به این دلیل که نمی­دانند باید از کجا شروع کنند و غرق در این افکار شده­اند.

شناسایی داده­هایی که واقعاً نیاز دارید
جمع آوری داده­های کارکنان فقط به این دلیل که توانایی انجام آن را دارید ممکن است منجر به عدم اعتماد یا مشکلات اخلاقی شود؛ چراکه کارکنان احساس می­کنند تحت کنترل و نظارت شدید قرار گرفته اند، بدون اینکه دلیل یا منفعت آن را برای خود و سازمان بدانند؛ به همین دلیل باید در مورد هدفتان و مخصوصاً اینکه چه نوع داده­هایی به شما برای رسیدن به این هدف کمک می­کنند کاملاً آگاه باشید.

از کجا باید شروع کرد: پیوند راهبرد منابع انسانی با اهداف گسترده سازمانی
در یک دنیای ایده­آل برنامه استراتژیک سازمان یک سند ساده و مختصر است که هر شخصی در سازمان می­تواند آن را بخواند و درک کند – چیزی شبیه به طرح کسب وکار یک صفحه ای که به وضوح مشخص می­کند سازمان باید به کجا برود -با توجه به اهداف استراتژیک سازمان می­توانید شروع به تنظیم برنامه منابع انسانی خود کنید که در پیوند با آن اهداف است و آنچه را شناسایی کنید که برای کمک به موفقیت سازمان لازم دارید. به عنوان مثال فرض کنید که یکی از اهداف سازمان کاهش هزینه­های عملیاتی طی سه سال آینده است؛ این امر به وضوح بر اهداف خاص منابع انسانی و همچنین نوع داده­های موردنیاز تاثیر خواهد داشت.

آگاهی از استراتژی داده­ها با تدوین طرح کسب وکار یک صفحه ای یا تابلو راهبرد هوشمند
فهرستی با 100 هدف منجر به یک استراتژی داده آشفته (و احتمالاً پرهزینه) می­شود که ارزش افزوده کمی ایجاد می­کند. برای روشن کردن اهداف و اقدامات، ایجاد یک برنامه منابع انسانی یک صفحه ای1 یا چیزی که من به آن تابلو استراتژی هوشمند می­گویم، فکر خوبی خواهد بود. همان طور که در ادامه توضیح داده شده این طرح به شش بخش ساده تقسیم می­شود و هر بخش باید با توجه به اهداف کلی سازمان توسعه یابد.

1. HR plan on a page

هدف منابع انسانی
در این بخش چشم انداز خود را تعیین کرده و محتوای اصلی استراتژی را طراحی و ارائه می­دهید. به بیان ساده دقیقاً آن چیزی را تعریف می­کنید که واحد منابع انسانی قصد دستیابی به آن را دارد. یک راه خوب برای انجام این کار استفاده از بیانیه های چشم انداز و اهداف است. بیانیه هدف (یا ماموریت) باید یک بیانیه ساده و مختصر باشد که به طور دقیق هدف وجود تیم شما را توضیح می­دهد.

مشتریان شما
مشتریان اصلی هر تیم منابع انسانی، کارکنان سازمان هستند؛ لذا این بخش به شناسایی کارکنان سازمان می پردازد:
در حال حاضر درباره آن ها چه می­دانید.
چه چیزی را همچنان نمی­دانید.
اگر بخواهید اهداف را با موفقیت برآورده کنید، چه چیزی را باید بدانید.
مانند هر بخش، به یاد داشته باشید که این را هم به اهداف بزرگتر سازمانی و نحوه ارتباط آن­ها با کارمندان سازمان گره بزنید.

امور مالی
در این بخش باید به طور واضح خواسته­ها و اهداف مالی مرتبط با استراتژی سازمان را مشخص کنید. بخشی از این قسمت ممکن است درباره کاهش هزینه­ها باشد اما باید موضوعات مربوط به ایجاد ارزش افزوده برای سازمان؛ به عنوان مثال از طریق تقویت برند کارفرما و جذب بهترین استعدادها را هم پوشش دهد. می­دانیم که یافتن، آموزش و حفظ استعدادهای خوب برای سازمان هزینه­های زیادی دارد؛ بنابراین بسیاری از اهداف و خواسته های مالی ممکن است در این حوزه قرار گیرند.

عملیات منابع انسانی
در این بخش باید با دقت عملیات و هرگونه تغییری که برای تحقق اهداف نیاز دارید را لحاظ کنید. به عنوان مثال آیا باید با یک تامین­کننده خارجی شریک شوید و در این صورت آیا قبلاً با آن شریک ارتباط داشته­اید یا باید این رابطه را اکنون ایجاد کنید؟ علاوه بر این ظرفیت­های داخلی را هم بررسی کنید که آیا خلائی که نیاز به پر کردن داشته باشد در تیم وجود دارد یا خیر (و اگر وجود دارد چگونه آن را رفع خواهید کرد؟). سیستم ها و فرآیندهای منابع انسانی نیز زیرمجموعه این بخش قرار می­گیرند.

منابعِ منابع انسانی
در اینجا هدف تعیین دقیق منابعی است که برای رسیدن به اهداف خود نیاز دارید. این بخش شامل سیستم های فناوری اطلاعات، زیرساخت ها، کارکنان، استعدادها و فرهنگ ها، ارزش و رهبری است. واضح است که در مورد داده ها و چگونگی تاثیر آن ها بر منابع فناوری اطلاعات ملاحظات زیادی وجود دارد؛ ولی در این مرحله نیازی نیست وارد جزئیات شوید. به خاطر داشته باشید طرح کسب وکار یک صفحه ای برای روشن­سازی اهدافی است که می­خواهید به دست آورید و کارهایی که در این راه باید انجام دهید.

رقابت و تهدیدات
در این بخش باید توجه کنید که برای اجرای استراتژی خود وارد چه رقابتی خواهید شد و ممکن است در این راه با چه خطراتی روبرو شوید. از خود بپرسید رقیب اصلی شما چه­کسی است (به عنوان مثال خدمات منابع انسانی خارجی) و چرا؟ همچنین به عواملی که ممکن است موفقیت شما را تهدید کنند؛ مانند خطرات مربوط به بازار، مقررات نظارتی یا کارکنان نیز توجه داشته باشید. و اینکه با چه خطرات داخلی مالی، عملیاتی و استعدادی روبرو هستید؟ آگاهی از این تهدیدها قبل از شروع، بهترین راه کاهش آن­هاست.

بررسی نحوه استفاده بهتر از داده­ها
در مرحله بعد، قبل از اینکه به خود استراتژی داده بپردازیم، باید به بهترین شیوه استفاده از داده ها فکر کنیم. روش­های زیادی برای استفاده از داده­ها در کسب وکار وجود دارد؛ اما در کل این کاربردها به چهار دسته تقسیم می شوند:
بهبود تصمیمات
بهینه­سازی عملیات
شناخت مشتریان (در اینجا کارکنان)
کسب درآمد از داده­ها
به احتمال زیاد تمرکز اصلی شما در یک یا دو مورد از این دسته­ها باشد؛ اما بهتر است قبل از ترسیم استراتژی داده هر چهار دسته را در نظر بگیرید.

بهره گیری از داده­ها برای بهبود تصمیم­گیری­
در مورد تصمیم­گیری بهتر در حوزه منابع انسانی دو دیدگاه اصلی وجود دارد. اولین دیدگاه این است که خود تیم منابع انسانی، تصمیمات خوبی می­گیرد که اهداف سازمان و منابع انسانی و همچنین چالش­های مهم مربوط به کارکنان را برطرف می­کند. دیدگاه دوم معتقد است که تیم منابع انسانی به سایرین؛ از رهبری گرفته تا سایر واحدهای کسب وکار، کمک می­کند تا با استفاده از داده های مربوط به کارکنان تصمیمات بهتری بگیرند. در اینجا یک حرکت قوی به سمت دموکراتیک­سازی داده­ها و دسترسی گسترده (غالباً بلادرنگ) به داده­ها به منظور کمک به تصمیم­گیری در کسب وکارها صورت گرفته است.

استفاده از داده­ها برای شناخت بهتر مشتریان
واضح است که به عنوان یک متخصص منابع انسانی، مشتریان شما کارکنان سازمان (و تا حدی تیم رهبری) است. هرچه بیشتر درباره­ی مشتریان خود بدانید، می­توانید خدمات بهتری به آن ها ارائه دهید. این دسته هم جنبه داخلی و هم خارجی دارد. در داخل، تیم منابع انسانی می­تواند از داده­ها برای درک بهتر کارکنان و فرهنگ سازمان؛ ازجمله این استفاده کند که چقدر کارکنان احساس رضایت، مشارکت و امنیت در کار دارند. در خارج نیز داده­ها می­توانند به تیم منابع انسانی کمک کنند تا فراتر از سازمان نگاه کنند و ارزش برند کارفرمای شما را (با استفاده از پلتفرم­هایی ماند لینکدین و گلسدور) بشناسند. داده­ها می­توانند بینش­های ارزشمندی در مورد این ارائه دهند که سازمان شما از بیرون چگونه دیده می­شود و چگونه می­توان استعدادهای موردنیاز را با موفقیت جذب سازمان کرد. این دسته پیوند زیادی با اتخاذ تصمیمات بهتر دارد.

کسب درآمد از داده­ها
داده­ها ارزشمند هستند و سازمان­ها اکنون بیش ازپیش بر اساس داده­هایی که دارند ارزش­گذاری می­شوند. به عنوان مثال خرید مایکروسافت از لینکدین به ارزش 26.2 میلیارد دلار آمریکا، به مایکروسافت امکان دسترسی به بیش از 400 میلیون کاربر شبکه­های تخصصی و داده­های تولیدشده توسط آن ها را داد. این داده­ها با ابزارهای بهره­وری و مشارکت مایکروسافت ترکیب می­شوند و امکان شخصی­سازی بیشتر در محصولات مایکروسافت را فراهم می­کنند. این امر می­تواند به سازمان کمک کند تا در میان سایر سازمان­ها رقابتی­تر عمل کند.
امکان فروش داده­ها به یک شخص سوم یک حوزه رو به رشد در بیشتر کسب وکارها مانند فیس­بوک است. این شبکه اجتماعی برای کاربران رایگان است؛ اما از طریق فروش داده­های خاص به سایر کسب وکارها یک جریان درآمدی از داده­های کاربران ایجاد کرده است.

شناخت چهار لایه داده­ها
هنگامی که شروع به چینش استراتژی داده می­کنید باید چهار لایه داده­ها را بشناسید؛ زیرا یک استراتژی داده خوب باید به وضوح پیرامون این چهار لایه ترسیم شود

1. لایه منابع داده­ها
در این لایه داده­ها به دست تیم منابع انسانی می­­رسند. این لایه شامل هر چیزی از سوابق فروش (برای اهداف شاخص کلیدی عملکرد)، بازخورد مشتری، نظرسنجی­ها و بازخوردهای کارکنان، بایگانی ایمیل­ها، پرونده­های شخصی و هر داده حاصل از پایش یا سنجش ابعاد عملیات سازمان است. داده­ها همچنین می­توانند از طریق ابزارهای جمع آوری مانند گوگل آنالیتیکس یا رسانه­های اجتماعی، از خارج از سازمان نیز به دست آیند. یکی از اولین قدم­ها در تنظیم استراتژی داده ارزیابی آنچه اکنون دارید و سپس سنجش این اطلاعات در برابر چیزهایی است که برای پاسخ به سوالات مهم نیاز دارید. ممکن است همه­ی موارد لازم را داشته یا نیاز به ایجاد منابع داده جدید داشته باشید.

2. لایه ذخیره­سازی داده­ها
اینجا جایی است که داده­ها پس از جمع آوری از منابع در آن زندگی می­کنند. هم­راستا با انفجار عمومی در داده­های بزرگ، سیستم­ها و ابزارهای پیچیده اما در دسترسی برای کمک به این امر ایجاد شده­اند؛ مانند نرم­افزار محاسبه آپاچی هدوپ1. همچنین به عنوان سیستمی برای ذخیره­سازی داده­ها که برای سیستم رایانه شما قابل درک باشد (سیستم فایل)، به سیستمی برای سازمان دهی و دسته­بندی این داده­ها به گونه ای که برای کارکنان قابل درک باشد (پایگاه داده) نیاز خواهید داشت.

1. Apache Hadoop 2. file system

3. لایه پردازش/ تحلیل داده­ها
هنگام استفاده از داده­ها باید بتوانید آن ها را تحلیل و پردازش کنید. یک شیوه رایج استفاده از ابزار مپ­ردیوس1 است که عناصر داده­ای که می­خواهید تحلیل کنید را انتخاب می­کند و آن ها را در قالبی قرار می­دهد که می­توان از آن بینش کسب کرد. این روزها ابزارها و سیستم­های اختصاصی زیادی وجود دارند که می­توانید برای بررسی داده­ها استفاده کنید؛ بسیاری از این ابزارها برای استفاده افرادی غیر از دانشمندان داده طراحی شده­اند.

1. MapReduce

4. لایه خروجی داده­ها
در این لایه بینش­های به دست آمده از طریق تحلیل، به کارکنانی منتقل می­شود که به آن ها نیاز دارند؛ چه در تیم منابع انسانی یا تیم رهبری سازمان باشند و یا چه در سایر واحدهای سازمان که می­توانند از این داده­ها استفاده کنند. این خروجی می­تواند به صورت گزارش، نمودار، اشکال و توصیه­های کلیدی باشد. این اطلاعات در هر قالبی که ارائه شوند، باید روشن و مختصر باشند و تشخیص اقدامات مهم را تا حد ممکن ساده کنند.

تدوین استراتژی داده­ها: پرسیدن سوالات درست
با توجه به چهار لایه داده­ها، استراتژی منابع انسانی مبتنی بر داده­ها را می­توان به آسانی به بخش­ها یا سوالات واضح تقسیم کرد. در اینجا باید تمرکزتان را روی درک کاری بگذارید که می­خواهید انجام دهید. ممکن است برای تنظیم استراتژی خود و اجرای آن به برخی متخصصان نیاز داشته باشید. شش سوال زیر به شما کمک می­کنند کاری که می­خواهید انجام دهید را درک کرده و کاملاً مشخص کنید. این شش سوال اساس هر استراتژی داده خوبی را بنا می­نهند.

پرسش1- به چه سوالاتی باید پاسخ دهیم یا چه مشکلاتی را باید حل کنیم؟
طرح کسب وکار یک صفحه ای که قبلاً راجع به آن حرف زدیم را به خاطر دارید؟ در اینجا با شناسایی سوالات کلیدی مرتبط با آن طرح شروع می­کنید. لذا با تعیین اینکه می­خواهید به چه چیزی برسید لازم است سوالات مهمی را مشخص کنید که برای اجرای استراتژی باید به آن ها پاسخ داد. برخی از سوالات قبلاً حین کار روی طرح کسب وکار یک صفحه ای شناسایی شده­اند درحالی که برخی دیگر به دقت بیشتری در این مرحله نیاز دارند. تعریف این سوالات به شما کمک می­کند تا دقیقاً چیزهایی را مشخص کنید که باید بدانید؛ و با اطمینان از پیوند سوالات با اولویت­های سازمان خود می­توانید مطمئن باشید که آن ها مهمترین سوالات استراتژیکی هستند نه سوالات جزئی که دانستنشان خوب اما غیرضروری است.

پرسش2- برای پاسخ به آن سوالات یا حل آن مشکلات به چه داده­هایی نیاز داریم؟
به سوالاتی که در بخش سوال 1 شناسایی کردید نگاه کنید و سپس به این فکر کنید که به چه داده­ای برای پاسخ به آن ها نیاز دارید. بسیاری از این داده­ها در خود سازمان وجود دارند اما ممکن است نیاز به استفاده از ارائه­دهندگان خارجی نیز داشته باشید؛ مخصوصاً در موضوع استخدام. مشخص کنید که هم اکنون به کدام داده­ها دسترسی دارید و به کدام داده­ها خیر.

پرسش3- چگونه این داده­ها را تحلیل کنیم؟
بعد از اینکه نیازهای اطلاعاتی و داده­های مورد نیاز را مشخص کردید، در قدم بعدی باید شرایط تحلیل خود را بررسی کنید؛ یعنی اینکه چطور این داده­ها را تحلیل و به بینش­های ارزشمندی تبدیل خواهید کرد که به شما کمک می­کنند به سوالات خود پاسخ دهید و به اهدافتان برسید. در تحلیل، بیشتر قابلیت داده­ها مربوط به داده­های بدون ساختار است؛ مانند مکالمات ایمیلی، پست­های رسانه­های اجتماعی، محتوای ویدئویی، ضبط صدا و غیره. ترکیب این داده­های نامرتب و پیچیده با سایر داده­های سنتی مانند شاخص­های کلیدی عملکرد یا داده­های فروش، ارزش بسیار زیادی ایجاد می­کند.

پرسش4- چگونه بینش­های حاصل از داده­ها را گزارش و ارائه دهیم؟
توجه به مخاطب هدف شاید مهمترین نکته­ای است که باید در این مرحله به آن توجه کنید. پس باید مشخص کنید که مخاطب داده­های شما کیست و بهترین راه انتقال این اطلاعات به آن ها چیست. خود تیم منابع انسانی ممکن است بزرگترین مخاطب شما باشد؛ اما بدون شک لازم خواهد بود بینش­ها را به سایرین در دیگر نقاط سازمان نیز ارائه دهید.

پرسش5- زیرساخت­های لازم کدامند؟
. اساساً این مرحله به این می­پردازد که چه نرم­افزار و سخت­افزاری برای کسب، ذخیره و ابلاغ بینش­های حاصل از داده­های شناسایی شده لازم است. به عنوان مثال اگر به دنبال جمع آوری داده­های عملکرد بیشتری هستید، آیا فناوری فعلی ذخیره داده شما وظیفه ذخیره این داده­های جدید را دارد یا لازم است راه­حل­های دیگری را هم در کنار آن بکار بگیرید؟ در حال حاضر چه قابلیت­های گزارش­دهی و تحلیلی دارید و چه قابلیت­های دیگری نیز باید به دست آورید؟

سوال 6- چه اقداماتی باید انجام دهید؟
با پاسخ به پنج سوال فوق اکنون آماده­اید تا برنامه عملی برای تبدیل استراتژی داده منابع انسانی خود به واقعیت را تنظیم کنید. مانند هر برنامه عملی دیگری این برنامه نیز شامل مراحل مهم، اقدامات و عاملین آن ها خواهد بود. به عنوان بخشی از این مرحله، برای کمک به اجرای این برنامه و شناسایی جاهایی که ممکن است نیاز به کمک خارجی داشته باشید، باید نیازهای آموزشی و توسعه را نیز مشخص کنید.

تدوین طرح تجاری برای منابع انسانی مبتنی بر داده­ها
شکی نیست که مشارکت تیم رهبری و تصمیم گیرندگان اصلی به شما کمک می کند استراتژی داده قوی­تری تهیه کنید. نه تنها این، بلکه مشارکت تیم رهبری در این مرحله حساس اولیه به این معنی است که آن ها به احتمال زیاد از داده­های مربوط به کارکنان شما در تصمیم گیری های خود به خوبی استفاده می­کنند. بنابراین بخش مهمی از ایجاد یک استراتژی داده قوی، تدوین طرح توجیهی تجاری قوی برای رویکرد منابع انسانی مبتنی بر داده­ها است تا به جلب موافقت کارکنان (چه در داخل و چه در خارج از تیم) با ایده منابع انسانی مبتنی بر داده­ها کمک کند. هرچه کارکنان از قابلیت­های داده­ها بیشتر آگاه و هیجان­زده شوند، احتمال موافقت آن ها با این ایده نیز بیشتر می­شود.

رجوع به استراتژی در آینده
هیچ استراتژی همیشه ثابت باقی نمی ماند. شرایط تغییر می کند، بازار ها عوض می­شوند، اولویت های سازمان تکامل می­یابند و غیره؛ بنابراین بسیار محتمل است که نیاز باشد استراتژی داده خود را به طور منظم بازبینی کنید تا مطمئن شوید که همچنان با اولویت های کلی سازمان مطابقت دارد. حتی اگر هیچ چیز هم تغییر نکند بازبینی استراتژی به شما کمک می کند که همچنان کارآمد بمانید و تمرکز بر اهداف خود را حفظ کنید.

فصل چهارم
بهره­مندی از انفجار داده­ها:
شناسایی منابع کلیدی در منابع انسانی مبتنی بر داده­ها

وجه تمایز انواع مختلف داده­ها
قبل از اینکه به منابع مختلف داده­های مربوط به منابع انسانی بپردازیم، لازم است تا روش­های اصلی دسته­بندی داده­ها را بشناسیم. همان طور که در شکل نشان داده شده است، داده­ها، داخلی یا خارجی، ساختاریافته، بدون ساختار یا نیمه ساختار هستند.

داده­های داخلی
داده­های داخلی شامل تمام داده­های انحصاری متعلق به کسب وکار شما ازجمله تمام داده­های حال حاضر و داده­های آینده مانند داده­های شخصی کارکنان، داده­های ارزیابی عملکرد، داده­های مالی، فروش و نظرسنجی­های کارکنان است. داده­های داخلی می­توانند ساختاریافته، بدون ساختار یا نیمه ساختاریافته باشند. مزیت آشکار و عمده داده­های داخلی ارزان­تر و راحت­تر بودن کار با آن ها نسبت به خرید داده­های خارجی است.

همچنین این داده­ها معمولاً تناسب زیادی با کسب­وکار و صنعت شما دارند (برخلاف داده­های خارجی که ممکن است این گونه نباشند)؛ این امر داده­های داخلی را فوق­العاده مفید و ارزشمند می­کند. هرچند همین موضوع ضعف داده­های داخلی نیز به شمار می­آید؛ ازآنجاکه این داده­ها کاملاً مرتبط با کسب وکار هستند، تصویر کاملی برای دستیابی به اهداف استراتژیک ارائه نمی­دهند و ممکن است نیاز به استفاده از داده­های خارجی برای تکمیل آن ها و دستیابی به اطلاعات لازم باشد (مخصوصاً در موضوع استخدام). نکته مهم دیگری که در رابطه با داده­های داخلی باید به آن اشاره کرد این است که شما مسئول مراقبت و امنیت کامل این داده­ها، مخصوصاً داده­های حساس شخصی هستید (اطلاعات بیشتر در فصل ششم).

داده­های خارجی
داده­های خارجی شامل تمام داده­هایی است که خارج از سازمان شما وجود دارند؛ اعم از داده­های عمومی که به رایگان در دسترس هستند یا داده­هایی که به طور خصوصی در اختیار سازمان دیگری قرار دارند. این داده­ها شامل پست­ها و پروفایل­های رسانه­های اجتماعی، داده­های استخدام در سایت­هایی مانند لینکدین و گلسدور، داده­های اقتصادی، داده­های مربوط به روندهای اجتماعی و موارد دیگر است؛ مانند داده­های داخلی، داده­های خارجی نیز می­توانند ساختاریافته، بدون ساختار یا نیمه ساختار باشند.

داده های خارجی گاهی بسیار گران هستند همچنین در رابطه با اجازه دسترسی همیشه این خطر وجود دارد که ارائه­دهنده خارجی دسترسی را قطع کند یا قیمت را افزایش دهد.
باوجوداین ملاحظات داده­های خارجی مزایای زیادی دارند. آن ها اغلب غنی­تر و دقیق­تر از داده­های داخلی سازمان­های متوسط هستند و به تیم­های منابع انسانی امکان دسترسی به مجموعه داده­های گسترده و پیچیده­ای را می­دهند که هرگز نمی­توان امیدوار به تولید داخلی آن ها بود. مشکلات مربوط به ذخیره و مدیریت داده­ها، در کار با ارائه­دهندگان داده­های خارجی کمتر است؛ چراکه آن ها حفاظت و امنیت داده­های خود را تامین می­کنند.

داده­های ساختاریافته
عبارت داده­های ساختاریافته به معنی هر داده­ای است که می­تواند به شکل منظم در سطرها و ستون­های یک پایگاه داده یا صفحه گسترده سازمان دهی شود. این داده­ها ممکن است شامل داده­های شخصی کارکنان، داده­های فروش، داده­های حقوق، نمرات آزمون، نمرات ارزیابی عملکرد، داده­های غیبت، داده­های حاصل از سنسور و غیره باشد. زیرا این داده­ها به دلیل ماهیتشان، سازمان دهی، ساختار، ذخیره و یکپارچه سازی بسیار راحت­تری (نه ارزان­تر) دارند. یک مزیت بزرگ دیگر این داده ها این است که اغلب می توانند توسط افراد غیر تحلیلگر نیز مورد بررسی قرار گیرند؛ به عنوان مثال بیشتر کارکنان می توانند به یک پایگاه داده راه پیدا کنند.
اما نقطه ضعف بزرگ داده های ساختاریافته این است که تقریباً 20 درصد از داده­های موجود را تشکیل می­دهند و مابقی داده­ها بدون ساختار یا نیمه ساختاریافته هستند؛ یعنی اگر تنها بر داده­های سازمان دهی شده تمرکز کنید تعداد بینش­های موجود برای خود را به شدت محدود می کنید

داده­های بدون ساختار و نیمه ساختاریافته
اساساً داده های بدون ساختار شامل تمام داده­هایی است که به صورت منظم در صفحه گسترده یا پایگاه داده قرار نمی گیرند؛ چه داده های داخلی باشند و چه خارجی. داده­های بدون ساختار غالباً دارای متن­های سنگین هستند؛ اما می توانند داده های صوتی و تصویری را نیز در برگیرند؛ مانند پست­های رسانه های اجتماعی، ایمیل های کارکنان، بازخوردهای مشتریان و کارکنان، عکس­ها و فیلم­ها مانند فیلم دوربین­های مداربسته و صداهای ضبط شده مانند تماس های خدمات مشتریان. کار با این نوع داده­های نامرتب، معمولاً برای یک سازمان متوسط بسیار سخت و پرهزینه است؛ اما این شرایط طی سال­های اخیر دستخوش تغییراتی شده است. اکنون به لطف پیشرفت­های گسترده در ذخیره سازی و قدرت محاسبات، هرروز سازمان­های بیشتری از مزایای داده­های بدون ساختار بهره­مند می­شوند.

داده­های نیمه ساختاریافته، بین داده­های ساختاریافته و بدون ساختار قرار دارند. آن ها نوعی ساختار دارند (مانند برچسب­های توصیفگر) اما فاقد ساختار مشخص در پایگاه داده یا صفحه گسترده هستند. به عنوان مثال یک توئیت را می­توان بر اساس نویسنده، تاریخ، زمان، طول و حتی احساسات پشت آن دسته­بندی کرد؛ اما خود متن توئیت عموماً بدون ساختار است؛ لذا تحلیل آن کمی پیچیده خواهد بود.

ضعف اصلی داده­های بدون ساختار یا نیمه ساختاریافته پیچیدگی کار با آن هاست. این داده­ها تمایل به بزرگ بودن دارند پس به فضای ذخیره سازی بیشتری نیاز خواهند داشت؛ همچنین سازمان دهی و تحلیل آن ها نیز سخت­تر و نیاز به ابزارهای تخصصی تحلیل است. بدیهی است که این موارد بر هزینه­ها اثر می­گذارند؛ اما نباید مانعی برای استفاده از داده­های نیمه ساختاریافته یا بدون ساختار باشند؛ چراکه این داده­های مزایای مهمی به همراه دارند. یک مزیت بزرگ آن ها این است که با استفاده از این داده­ها نسبت به زمانی که تنها از داده­های ساختاریافته استفاده می­کنید (که همان طور که می­دانیم حدود 80 درصد از داده­های موجود را شامل نمی­شوند) دید بسیار وسیع­تری خواهید داشت. با ترکیب این داده­های نامرتب با داده­های ساختاریافته می­توانید تصویری بسیار دقیق­تر و غنی­تر داشته باشید.

شناسایی داده­های مربوط به منابع انسانی
اساساً این داده­ها را می­توان به صورت زیر دسته­بندی کرد:
داده­های فعالیت
داده­های مکالمات
داده­های عکس­ها و ویدئوها
داده­های سنسور
همه موارد بالا داده­های ساختاریافته، بدون ساختار یا نیمه ساختاریافته هستند و می­توانند داخلی یا خارجی باشند.

داده­های فعالیت
داده­های فعالیت، تاریخچه ای از فعالیت­ها و اقدامات انسان (آنلاین و آفلاین) را ارائه می­دهند و از نگاه منابع انسانی فوق­العاده ارزشمند هستند. به کارهایی که در یک روز معمولی انجام می­دهید فکر کنید، همه این­ها داده­های فعالیت را می­سازند. اگر در مسیر خود به محل کار، به کسی تلفن بزنید یا تماسی دریافت کنید، یا عکسی را در توئیتر منتشر کنید، داده فعالیتی تولید کرده­اید. حتی جستجوی آنلاین برای ایده­های تولد همسرتان در ماه آینده هم ازجمله داده­های فعالیت محسوب می­شود.
 

مزیت واقعی داده­های فعالیت این است که به شما اجازه می­دهند تا برخلاف کاری که کارکنان تصور می­کنند باید انجام دهند و آنچه شما فکر می­کنید انجام می­دهند، کاری را که واقعاً کارکنان انجام می­دهند ارزیابی کنید.
داده­های مربوط به عملکرد به طور ویژه­ای برای تیم­های منابع انسانی ارزشمند هستند. با ردیابی این نوع داده فعالیت، سازمان­ها می­توانند بر عملکرد کارکنان خود نظارت کنند و از این اطلاعات برای شناسایی افرادی استفاده کنند که بهترین عملکرد را دارند و یا آن­هایی که ممکن است نیاز به کمک داشته باشند.

استفاده عملی از داده­های فعالیت: استخدام و حفظ کارکنان
مطمئناً وقتی بدانید چه کسی عملکرد خوبی دارد و این افراد از چه ویژگی­هایی برخوردارند، قادر خواهید بود تا بر استخدام افرادی با این ویژگی­ها تمرکز کنید. ای­ولو1 یک شرکت ارائه دهنده نرم افزار در سانفرانسیسکو است که آزمایش­های آنلاین پیشگامانه­ای را برای کمک به اصلاح فرآیند استخدام ایجاد کرده است. نرم­افزارهای ای­ولو به کسب وکارها کمک می­کند تا داده­های تمام افراد متقاضی شغل در شرکت و تمام کسانی که استخدام می­شوند را جمع آوری کنند. ای­ولو با داشتن مجموعه داده­های بیش از 300,000 متقاضی شغل که اکنون ارزیابی­های آنلاین خود را انجام داده­اند، داده­های بسیار ارزشمندی در مورد عملکرد کارکنان در اختیار دارد. به عنوان مثال این شرکت با دقت بسیار بالایی می­تواند مشخص کند که کدام ویژگی­ها برای موفقیت خرده فروشان ضروری است.

1. Evolv

داده­های مکالمات
این نوع از داده­ها برای تیم­های منابع انسانی بسیار ارزشمند می­باشند؛ زیرا می­توانند بینش­های عمیقی درباره­ی میزان رضایت و مشارکت کارکنان و همچنین میزان مثبت بودن برند کارفرما ارائه دهند (به عنوان مثال از طریق تحلیل داده­های سایت گلسدور). به لطف پیشرفت­های حاصل در تحلیل­ها، اکنون می­توان مکالمات را هم ازنظر محتوا (آنچه گفته می­شود) و هم ازنظر متن (نحوه گفتن) مورد بررسی دقیق قرار داد. به عنوان مثال وزارت امنیت داخلی ایالات متحده از تحلیل صدا برای تشخیص دروغ گویی در افرادی استفاده می­کند که وارد کشور می­شوند.

استفاده عملی از داده­های مکالمات
نظرسنجی­های کارکنان به اینکه تا آخر تکمیل نمی­شوند یا صادقانه پاسخ داده نمی­شوند (به این دلیل که کارکنان احساس می­کنند باید آنچه سازمان می­خواهد بشنود را بگویند یا نگران عواقب پاسخ­هایشان هستند) شهره هستند. داده­های مکالمات به شما اجازه می­دهد تا برخلاف چیزی که کارکنان فکر می­کنند باید برای رضایت شما بگویند احساس واقعی آنان را ارزیابی کنید. این داده­ها برای درک دلایل ترک ( یا ماندن) کارکنان در سازمان بسیار مفید هستند. با تحلیل متن سوالات باز نظرسنجی ها و مصاحبه­های خروج و همچنین پست­های رسانه­های اجتماعی، ایمیل­ها و ارزیابی­های تیم، اکنون تیم­های منابع انسانی می­توانند به طور دقیق علت خروج یا ماندن کارکنان در سازمان را پیش­بینی کنند.

داده­های عکس و ویدئو
میزان داده­های عکس و ویدئو در سال­های اخیر به حد انفجار رسیده است. داده­های عکس و ویدئو می­توانند بزرگ باشند که در این صورت ذخیره­سازی و مدیریت آن ها پیچیده­تر (و احتمالاً گران­تر) خواهد بود. بااین حال ممکن است سازمان شما این داده­ها را به صورت روزمره (مثلاً از طریق دوربین­های امنیتی) جمع آوری کند؛ بنابراین یافتن راه­های جدید برای استفاده هوشمندانه­تر از این داده­ها چندان سخت یا گران نخواهد بود.

استفاده عملی از داده­های عکس و ویدئو
تیم تحلیل در هتل هاراز متوجه شد که لبخند دیلرها و پیشخدمت­ها بر رضایت مشتریان تاثیرگذار است. طبق گزارشات، هتل و کازینو اکنون لبخند دیلرها و پیشخدمت­ها را احتمالاً برای نظارت بر این ردیابی می­کنند که چه کسی می­تواند عملکرد بهتری در واحد لبخند داشته باشد. باوجود نرم­افزار تشخیص چهره اکنون افراد در عکس­ها ویدئوها به راحتی می­توانند شناسایی شوند. فیس بوک پیشتاز این جنبش بوده است و اکنون نرم­افزار تشخیص چهره آن در 98 درصد مواقع چهره افراد را به درستی شناسایی می­کند که بسیار دقیق­تر از فناوری تشخیص چهره اِف­بی­آی است.

داده­های سنسور
سنسورها روزبه روز در محصولات بیشتری تعبیه می­شوند؛ از ماشین آلات کارخانه­ها گرفته تا صندلی­های اداری و تشک­های یوگا. این سنسورها داده­های ارزشمندی را تولید می­کنند که می­تواند به واحدهای منابع انسانی در بهبود وظایفشان مثل عملکرد و ایمنی کارکنان کمک کند.

استفاده عملی از داده­های سنسور
واضح است که فناوری پوشیدنی نقش زیادی در بهره­مندی از داده­های سنسور دارد و بازار پوشیدنی­های محل کار در حال رشد و رونق است. نظرسنجی صورت گرفته توسط موسسه فارستر ریسرچ از بیش از 2,000 تصمیم گیرنده حوزه فناوری نشان داد که یک سوم از پاسخ دهندگان معتقدند دستگاه­های پوشیدنی در محل کار اولویت بالا یا مهمی دارند. راه­حل «کارگر متصل» شرکت هانی­ول یک نمونه از آن است. این راه­حل با استفاده از یک سری سنسورهای پوشیدنی متصل، ضربان قلب، تنفس، حرکات و وضعیت کارمند را اندازه­گیری می­کند تا ارزیابی کند که آیا آن ها تحت فشار جسمی یا خطر احتمالی قرار دارند یا خیر (به عنوان مثال می­تواند وجود گازهای سمی را شناسایی کند). این فناوری در آینده بیش ازپیش رواج خواهد یافت؛ به ویژه در مشاغل یدی یا کارگرانی که در مکان­های خطرناک یا به تنهایی کار می­کنند.

منبع­یابی و جمع آوری داده­های موردنیاز
تامین داده­ها از داخل

امروزه می­توانید داده­های فعالیت را تقریباً از تمام فعلیت­هایی که کارکنان شرکت انجام داده­اند جمع آوری کنید. از نمرات آزمون گرفته تا پاسخ­های مصاحبه و ارزیابی عملکرد، امکان جمع آوری داده­های ارزشمند عملکرد از هر نوع فعالیتی وجود دارد. داده­های عکس و ویدئو را می­توان به سادگی با استفاده از دوربین­های دیجیتال به دست آورد. به عنوان مثال خرده­فروشان می­توانند با استفاده از شبکه دوربین­های مداربسته خود، تاثیر حضور کارکنان در بخش­های خاصی از فروشگاه را بر احتمال خرید مشتری تحلیل کنند. واضح است که داده­های داخلی بخش اصلی هر استراتژی منابع انسانی مبتنی بر داده هستند؛ اما ممکن است لازم باشد این داده­ها را با برخی از داده­های خارجی ترکیب کنید تا تصویری کامل­تر به دست آورید که به سوالات استراتژیک شما به درستی پاسخ می­دهد.

تامین داده­ها از خارج
با توجه روزافزون شرکت­ها به داده­ها به عنوان یک کالای تجاری، بازاری در حال ظهور است که عملاً هر سازمانی می­تواند در آن داده­ها را مبادله و خریدوفروش کند (درواقع بعضی از شرکت­ها صرفاً برای تامین داده سایر شرکت­ها وجود دارند). لینکدین و گلسدور احتمالاً دو مورد از بزرگ­ترین منابع داده­های مربوط به منابع انسانی هستند. علاوه بر این تعداد بسیار زیادی از ارائه دهندگان کوچک­تر و متمرکز بر صنایع خاص نیز وجود دارند. بنابراین حتی اگر به دنبال داده­های کاملاً تخصصی هستید، احتمال زیادی وجود دارد که شخصی در خارج از سازمان آن ها را در اختیار داشته باشد.

شناسایی موثرترین نوع داده­ها
درنهایت هیچ نوع داده­ای بهتر از نوع دیگری نیست. این موضوع به هدف شما و یافتن داده­هایی برمی­گردد که به شما بیشترین کمک را می­کنند. داده­های بدون ساختار ذاتاً از داده­های ساختاریافته ارزش بیشتری ندارند و داده­های خارجی از داده­های داخلی به این دلیل بهتر نیستند که تعداد ­آن­ها بیشتر است. شگرد ما تمرکز بر یافتن داده­های دقیق و خاصی است که بهترین مزایا را برای سازمان شما به ارمغان آورند. به احتمال زیاد شما به ترکیبی از انواع مختلف داده­ها نیاز خواهید داشت که چیز خوبی است. اگر برای تصمیم­گیری­های مهم تنها به یک مجموعه از داده­ها تکیه کنید (به عنوان مثال پاسخ­های کارکنان به نظرسنجی­ها)، تصویر بسیار محدودی خواهید داشت. با ترکیب این داده­های نظرسنجی با سایر داده­ها (مانند داده­های فعالیت و داده­های مکالمات) می­توانید تصویری بسیار غنی­تر از اوضاع داشته باشید.

فصل پنجم
ابزارهای منابع انسانی مبتنی بر داده­ها:
استفاده از تحلیل­ها برای تبدیل داده­ها به بینش

نگاهی به آخرین فنون تجزیه­وتحلیل
برخی از روش­های اصلی برای تحلیل داده­ها ازاین قرار است: تحلیل متن، تحلیل احساسات، تحلیل تصویر، تحلیل ویدئو، تحلیل صدا و تحلیل پیش­بینی. در ادامه به نوبت به بررسی هر یک می­پردازیم.
 

تحلیل متن
تحلیل متن فرآیند استخراج ارزش از مقدار زیادی از داده­های متنی بدون ساختار است. بیشتر تیم­های منابع انسانی دارای مقدار زیادی از داده­های متنی ازجمله ایمیل­ها، پاسخ نظرسنجی­ها، تقاضانامه­های شغلی، فایل­های ارزیابی عملکرد، پست­های شبکه­های اجتماعی و غیره هستند یا امکان دسترسی به آن را دارند. تحلیل متن به ما کمک می­کند تا از متن اطلاعات بیشتری کسب کنیم؛ لذا می­توانیم تا چیزی فراتر از کلمات نوشته شده بر یک صفحه یا نمایشگر را درک کرده و الگوهای بیشتری را شناسایی کنیم. این امر باعث می­شود تحلیل متن در درک بهتر کارکنان بسیار مفید واقع شود. به عنوان مثال می­توان متن را برای کشف الگوهایی مانند افزایش یا کاهش بازخورد مثبت مشتریان مورد بررسی قرار داد؛ این موضوع می­تواند برای شناسایی نمایندگان خدمات مشتری که عملکرد خوبی دارند و آن­هایی که نیاز به حمایت بیشتر برای پیشرفت در شغلشان دارند، مفید باشد.

تحلیل احساسات
تحلیل احساسات ارتباط نزدیکی با تحلیل متن دارد؛ زیرا می­تواند به استخراج نظرات یا احساسات از متن کمک کند (همچنین می­توان از آن برای تحلیل داده­های تصویری یا صوتی برای ارزیابی احساسات پشت کلمات نیز استفاده کرد). هدف اصلی تحلیل احساسات، درک نگرش فرد یا گروه نسبت به یک موضوع خاص (مانند تغییرات پیشنهادی در طرح­های تشویقی سازمان) یا یک زمینه کلی (مانند فرهنگ گسترده­تر سازمان) و مثبت، منفی یا خنثی بودن این نگرش است. این گونه می­تواند به ما کمک می­کند تا به حقیقت واقعی پشت ارتباطات دست پیدا کنیم. اکثر قریب به اتفاق ارتباطات ما به صورت برداشت­های غیرکلامی و از طریق زبان بدن و لحن صداست و اکنون از طریق تحلیل احساسات می­توان آن ها را در مقیاس وسیع مورد تحلیل قرار داد.

تحلیل تصویر
تحلیل تصویر – فرآیند استخراج اطلاعات، معنی و بینش از تصاویری مانند عکس­ها، تصاویر پزشکی یا نگاره­ها- به شدت به تشخیص الگو بستگی دارد. در گذشته تنها تحلیل ممکن بر روی تصاویر از طریق چشم انسان انجام می­شد (مانند پزشکی که به اسکن بیمار نگاه می­کرد). رایانه­ها فقط می­توانند تصاویر را دسته­بندی کنند آن هم به کمک کلیدواژه­های توصیفگر (برچسب­ها)1 که توسط انسان­ها به هر تصویر داده شده است. پیشرفت در تحلیل تصاویر به این معنی است که رایانه­ها اکنون می­توانند محتوای تصاویر (به عنوان مثال چهره فرد) را درک کرده و تشخیص دهند؛ همچنین اطلاعات دیجیتالی مرتبط با تصویر (تاریخ ثبت تصویر، مکان و غیره) را تحلیل کنند. از تحلیل تصویر می­توان به صورت های مختلف مانند تشخیص چهره برای اهداف امنیتی یا تشخیص برند یا محصول خود در عکس­های به اشتراک گذاشته توسط کارکنان در شبکه­های اجتماعی استفاده کنید.

1. descriptor keywords (tags)

تحلیل ویدئو
تحلیل ویدئو فرآیند استخراج اطلاعات، معنی و بینش از فیلم­های ویدئویی است. تحلیل ویدئو شامل تمام قابلیت­های تحلیل تصویر به اضافه ی قابلیت اندازه­گیری و ردگیری رفتار است. یک مثال خوب از این مورد استفاده از دوربین­های مداربسته است که می­توانند عدم استفاده کارمند از تجهیزات ایمنی مناسب مانند کلاه ایمنی را تشخیص دهند. در مواقعی که می­خواهید سطح امنیتی را ارتقا دهید یا درک بهتری از رفتار کارکنان در محل کار داشته باشید، می­توانید از تحلیل ویدئو استفاده کنید. همچنین می­توانید از آن برای کاهش هزینه و خطرات، و کمک به تصمیم­گیری نیز استفاده کنید.

تحلیل گفتار یا صدا
فرآیند استخراج اطلاعات از مکالمات ضبط شده است. از تحلیل صدا می­توان برای تحلیل عناوین یا کلمات و عبارات واقعی به کار برده شده (محتوا) و همچنین احساسات پشت مکالمات استفاده کرد. با تحلیل گام و لحن مکالمه­هایی که در مرکز تماس صورت می­گیرد، می­توانید وضعیت احساسی و عملکرد نمایندگان خدمات مشتری را بسنجید و کارکنانی را شناسایی کنید که عملکرد بهتری دارند و آن­هایی که ممکن است نیاز به آموزش و آمادگی بیشتر داشته باشند.

تحلیل پیش­بینی
تحلیل پیش­بینی از داده­ها، مدل­سازی آماری و یادگیری ماشین استفاده می­کند تا احتمال نتایج آینده را بر اساس داده­های گذشته/تاریخی پیش­بینی کند. با درک هرچه بیشتر رویدادهای گذشته، امکان شناسایی الگوها و ساخت مدل­هایی برای بررسی وقایع آینده وجود خواهد دشت. تحلیل پیش­بینی برای بررسی اینکه یک رویداد چگونه به وقوع می­پیوندد و میزان خطر آن، برای مثال در تشخیص و تعیین زمان ترک شغل کارکنان کلیدی سازمان فوق­العاده مفید است. به عنوان مثال گوگل از این روش برای فهم این نکته استفاده کرد که کارکنان جدید فروش که طی چهار سال ارتقائی دریافت نکرده­اند به احتمال زیاد شرکت را ترک می­کنند.

نگاهی به تحلیل­های مهم منابع انسانی
انواع بسیار مختلفی از تحلیل کارکنان وجود دارد، اما برخی از آن ها ارزش بیشتری نسبت به بقیه دارند. موارد زیر مهمترین و مفیدترین تحلیل­های مربوط به کارکنان هستند که توسط تیم­ها و مدیران منابع انسانی به منظور درک بهتر کارکنان استفاده می­شوند:

تحلیل توانایی/ شایستگی
موفقیت هر کسب وکاری بستگی به میزان تجربیات و مهارت نیروی کار آن دارد. تحلیل توانایی فرآیند مدیریت استعداد است که به شما اجازه می­دهد توانایی­ها یا شایستگی­های اصلی مورد نظر و نیاز خود در کسب وکار را شناسایی کنید. هنگامی که از این توانایی­ها آگاه شوید می­توانید کارکنان خود را بررسی کنید تا ببینید آیا هیچ گونه خلا توانایی دارید یا خیر. توانایی فقط به معنی مهارت و صلاحیت نیست – بلکه توانایی­هایی که ممکن است به طور رسمی شناخته نشوند مانند توانایی توسعه و حفظ روابط را هم شامل می­شود.

نحوه استفاده از تحلیل­های توانایی
تحلیل­های توانایی را می­توان از طریق پرسشنامه و مصاحبه با فرد مورد ارزیابی و همچنین همکاران او انجام داد. به عنوان مثال بیایید فرض کنیم شما یک تولیدکننده فناوری اطلاعات هستید. سرعت تغییر در صنعت فناوری اطلاعات هم ازنظر توانایی­های فنی ماشین­آلاتی که استفاده می­کنیم و هم ازنظر رفتار خریداران، یک صنعت بسیار بی ثبات است. تا یک دهه پیش این صنعت با تولید رایانه­های بزرگ و همچنین ماشین­های کوچک­تر برای بازار استفاده شخصی، بسیار موفق بود؛ اما ظهور رایانش ابری به شدت بازار را تغییر داد. با انجام تحلیل دقیق خواهید دانست که توانایی­هایی که شما را به نیروی مسلط در دهه گذشته تبدیل کرده است قطعاً در دهه بعد منسوخ خواهند شد. برای جلوگیری از این نتیجه بالقوه فاجعه بار، باید یک چارچوب شایستگی برای کسب وکار خود ایجاد کنید که توانایی­های عمومی و خاص را به طور مختصر نمایش دهد.

به عنوان مثال ممکن است شما پی ببرید که همه افراد فعال در این کسب وکار باید توانایی مشتری مداری خود را بهبود بخشند. علاوه بر این ممکن است به این نتیجه برسید که مراکز تخصصی فناوری اطلاعات، باید بر توانایی­های داده­های بزرگ مثل هدوپ و مهارت­های رایانش ابری متمرکز شوند که در حال حاضر در کسب وکار وجود ندارند. این چارچوب شایستگی به تیم منابع انسانی کمک می­کند تا آموزش­های مناسبی ارائه دهد و یا کارکنان جدیدی برای شروع تغییر در مهارت­ها استخدام کند.

تحلیل کسب شایستگی
تحلیل­های کسب شایستگی فرآیند ارزیابی عملکرد سازمان در به دست آوردن استعدادهاست. این عمل با شناسایی شایستگی­های محوری که برای موفقیت کسب وکار شما ضروری هستند و سپس سنجش میزان کارایی شما در جذب آن شایستگی­ها صورت می­گیرد. شایستگی­ها ممکن است به دانش یا مهارت­های خاصی (مانند مهارت­های تحلیل داده) یا رفتار یا ویژگی­های خاص (مانند ویژگی­­های رهبری یا توانایی خوب کار کردن با دیگران) اشاره داشته باشند.

نحوه استفاده از تحلیل­ کسب شایستگی
یک نقطه شروع خوب، شناسایی شایستگی­های محوری کسب وکار در حال حاضر و آینده است تا بتوانید همچنان رقابتی باقی بمانید. این شناسایی را می­توان با استفاده از تعدادی ابزار و روش­ها مانند تحلیل متن، گروه­های کانونی، مصاحبه­ها و نظرسنجی­ها انجام داد. به یاد داشته باشید که در کنار دانش و مهارت­های خاص شغل، ویژگی­ها و رفتار هم (اگر بیشتر نباشد) به همان اندازه مهم هستند. بسته به یک شغل خاص و اهداف سازمان، این ویژگی­ها ممکن است شامل موارد زیر شوند:
مهارت­های ارتباطی
کار گروهی
کنار آمدن با تغییر
تفکر ادراکی
ویژگی­های مدیریتی مانند توانایی انگیزش و حمایت از دیگران

قدم بعدی ارزیابی سطح فعلی این شایستگی­ها در سازمان و اختلاف بین شایستگی­هایی است که می­خواهید داشته باشید و آنچه در حال حاضر دارید. نکته اصلی در تحلیل کسب شایستگی کارآمد، تمرکز روی مجموعه کوچکی از صلاحیت های کاملاً کلیدی است.
 

تحلیل ظرفیت
ظرفیت بر درآمد تاثیر می گذارد و آن را به کانون اصلی منابع انسانی هوشمند تبدیل می کند. تحلیل­ ظرفیت به دنبال تعیین میزان کارایی فردی کارکنان یک کسب وکار است؛ به عنوان مثال آیا کارکنان زمان زیادی را صرف امور اداری می کنند و برای کارهای سودآورتر وقت کافی ندارند، یا به دلیل کمبود منابع، افراد تحت فشار کاری شدید قرار دارند؟ همچنین تحلیل­های ظرفیت امکان تعیین ظرفیت رشد کسب وکار را فراهم می­کند و به تیم های منابع انسانی اجازه می­دهد الگو و روند عملکرد کارکنان را شناسایی کرده و از آن در بهبود استخدام یا آموزش و توسعه استفاده کنند.

نحوه استفاده از تحلیل ظرفیت
تحلیل ظرفیت به شما این امکان را می­دهند که زمان واقعی که کارکنان صرف کدگذاری می کنند و مدت زمانی که صرف کارهای دیگر می کنند را ردیابی کنید. این نسبت را می­توان در طول زمان دنبال کرد تا مطمئن شوید که زمان واقعی صرف شده برای برنامه نویسی1 (نسبت به خروجی قابل محاسبه) کاهش نمی­یابد. همچنین به سازمان اجازه می دهد که بداند چقدر ظرفیت برای انجام پروژه های جدید دارد. اگر همه در 100 درصد ظرفیت خود کار کنند، انجام هرگونه کار بیشتر توصیه نمی شود؛ مگر اینکه از طریق استخدام کارکنان جدید ظرفیت افزایش یابد.

1. program coding

تحلیل ترک شغل کارکنان
کارکنان شما مهمترین و اغلب گران ترین دارایی شما هستند. استفاده از تحلیل ها برای ارزیابی ظرفیت و استخدام کارکنانی با توانایی های مناسب تنها بخشی از فرآیند است. شما باید بتوانید آن ها را حفظ کنید. استخدام کارکنان، آموزش آن ها و سپس ادغام آن ها در کسب وکار هزینه بر و وقت گیر است. زمانی که این سرمایه گذاری به دلیل ترک شغل زیاد کارکنان از بین می رود، تاثیر مخربی بر کسب وکار می­گذارد. علاوه بر این جابه جایی زیاد کارکنان می تواند برای کارکنان باقی مانده به شدت آزاردهنده باشد و باعث کاهش انگیزه و بهره وری آن ها شود.

نحوه استفاده از تحلیل ترک شغل کارکنان
میزان ترک شغل کارکنان گذشته را می توان از طریق شاخص های عملکرد کلیدی سنتی مانند شاخص رضایت، سطح دلبستگی و میزان وفاداری کارکنان شناسایی کرد. علاوه بر این، نظرسنجی ها، مصاحبه های خروج، ارزیابی عملکرد و داده های رسانه های اجتماعی نیز می توانند به گردآوری اطلاعات بیشتر کمک کنند؛ که می توان از آن­ها برای استخراج بینش­های بیشتر (شاید با استفاده از تحلیل متن) استفاده کرد. نرخ ترک شغل کارکنان گذشته می تواند یک معیار مفید باشد اما ارزش واقعی در مقایسه کاسب و کار با میانگین صنعت است؛ لذا به دنبال شناسایی الگوهای ترک شغل کارکنان در کسب وکار خود و از همه مهمتر استفاده از فنون تحلیل مختلف برای درک چرایی ترک شغل کارکنان باشید.

تحلیل­ فرهنگ سازمانی
شناخت فرهنگ دشوار و تغییر آن دشوار­تر است. فرهنگ چیزی نیست که بتوان مانند بیانیه ارزش­ها آن را روی دیوار آویزان کرد، بلکه کنش های جمعی کارکنان در یک کسب وکار است. تحلیل فرهنگ سازمانی به شما کمک می کند تا ارزیابی و درک بهتری از فرهنگ سازمان خود یا فرهنگ­های مختلف موجود در سازمان داشته باشید؛ و سپس به شما اجازه می دهد تا:

تغییرات فرهنگی که دوست دارید ایجاد کنید را دنبال کنید.
از نحوه تغییر فرهنگ آگاه شوید.
یک سیستم هشدار زودهنگام ایجاد کنید تا فرهنگ های مضر در مسیر پیشرفت خود را شناسایی کنید.
مطمئن شوید افرادی که استخدام می­کنید در تقابل با فرهنگ سازمان نیستند.

نحوه استفاده از تحلیل فرهنگ سازمانی
شاید رایج­ترین ابزار برای تجزیه وتحلیل فرهنگ استفاده از نظرسنجی­ها، تحقیقات گروه کانونی و مصاحبه با کارکنان باشد. بدی این روش ها این است که کارکنان می توانند به شما همان چیزی را بگویند که فکر می کنند دوست دارید بشنوید؛ علاوه بر این ممکن است گران نیز باشند. امروزه ابزارهای تحلیلی زیادی وجود دارند که می توانند برای کسب بینش­های دقیق­تر و بهتر در مورد فرهنگ سازمان مورداستفاده قرار بگیرند. به عنوان مثال می­توانید داده­ها را از سایت های اینترانت داخلی، رسانه­های اجتماعی و مکاتبات داخلی جمع­آوری کنید و آن ها را با استفاده از تحلیل متن و تحلیل احساسات مورد بررسی قرار دهید. همچنین مکالمات خدمات مشتری می­تواند مجموعه­ای غنی از داده را برای ارزیابی فرهنگ سازمان فراهم کند.

تحلیل کانال استخدام
تحلیل کانال استخدام، فرآیند بررسی این است که بهترین کارکنان شما از کجا وارد سازمان می­شوند و موثرترین کانال­های استخدام کدام هستند. این امر می­تواند به شما کمک کند که از همان ابتدا افراد مناسب را استخدام کنید.

نحوه استفاده از تحلیل کانال­های استخدام
تحلیل­های استخدام شامل تعدادی ارزیابی تاریخی ارزش کارمند با استفاده از شاخص های کلیدی عملکرد استاندارد مانند نرخ بازده هر کارمند است. این شاخص­های کلیدی عملکرد به شما کمک می کنند تا بهره ورترین و باارزش ترین کارمندان خود را شناسایی کنید. سپس می­توانید از این داده­ها برای شناسایی الگوها یا ارتباطات بین کارکنانی که ارزش بالایی دارند با کانال های استخدام استفاده کنید. بهترین نتیجه از ترکیب بینش­های کمی و کیفی به دست می­آید. به عنوان مثال ترکیب میزان مراجعه، کیفیت کاندیدها، کیفیت استخدام و رضایت مدیر و کارمند با معیارهایی مانند هزینه استخدام و زمان استخدام.

تحلیل رهبری
رهبری ضعیف، چه در کل سازمان یا یک تیم خاص، هزینه­بر است و سازمان را از تحقق قابلیت­های بالقوه خود بازمی دارد. اگر یک رهبر در توانمند­سازی و جذب مشارکت کارکنان خود خوب نباشد، آنگاه تاثیر این امر بر دستاوردها، بهره­وری و سود نمایان خواهد شد. این جایی است که تحلیل رهبری به کار می­آید.

نحوه استفاده از تحلیل­های رهبری
داده­های مربوط به عملکرد رهبری را می­توان از طریق نظرسنجی­ها، گروه­های کانونی، مصاحبه­ با کارکنان و احتمالاً داده­های مکالمه آن ها به دست آورد. در جاهایی که مستقیماً از کارکنان اطلاعات می­گیرید توصیه می شود که داده­ها را به صورت ناشناس جمع­آوری کنید تا کارکنان نظرات واقعی خود را بگویند. شما می توانید رهبران موجود را مورد بررسی قرار دهید تا مشخص کنید که افراد موفق چه ویژگی دارند که دیگران ندارند. از این بینش ها می توان در آموزش مستقیم و برنامه های حمایتی و همچنین فرآیند استخدام استفاده کرد. تحلیل متن یک روش بسیار قدرتمند برای استخراج خصوصیات اصلی رهبری، هم از رهبران خوب و هم از رهبران ضعیف است. همچنین می­توانید از معیارهای مالی (به عنوان مثال گردش مالی و سود برای نشان دادن عملکرد مالی شرکت) و همچنین داده هایی مانند رضایت یا ترک شغل کارکنان در ارزیابی رهبران استفاده کنید.

تحلیل­ عملکرد کارکنان
کسب­وکار شما برای بقا و پیشرفت به کارکنان توانمند و با عملکرد بالا نیاز دارد. اگر عملکرد را اندازه­گیری نکنید، به راحتی ممکن است در کارهای روزمره کسب وکار گم شود. بار یک کارمند ضعیف می­تواند به دوش یک کارمند مولد ­بیفتد، که درنهایت باعث عصبانیت او می­شود. وظیفه شما این است که بدانید چه­کسی چه­کاری انجام می­دهد و چه کسی به حمایت احتیاج دارد تا آن حمایت را انجام دهید و عملکرد را در سطح گسترده بالا ببرید؛ اینجاست که تحلیل­ عملکرد کارکنان می­تواند به کمک شما بیاید.

نحوه استفاده از تجزیه وتحلیل عملکرد کارکنان
امروزه ما روش­های جدید زیادی برای جمع­آوری و تحلیل عملکرد داریم. این داده­ها می­توانند به روش­های مختلفی تحلیل شوند؛ ازجمله تحلیل متن، تحلیل احساسات و تحلیل صدا. چنین تحلیل­هایی ممکن است به شناسایی الگویی­هایی کمک کند که می­تواند برای بهبود عملکرد جاری استفاده شوند و قبلاً از آن ها آگاه نبوده­اید.
بااین حال توجه داشته باشید هر زمان که بر عملکرد کارکنان نظارت می­کنید، خود این نظارت نیز بر عملکرد تاثیر خواهد گذاشت. معمولاً وقتی کارکنان می­دانند که عناصر خاصی از شغلشان تحت نظارت است، مطمئن می شوند که به طور ویژه­ای در آن ها خوب عمل کنند. به همین دلیل روش­های مدرن ضبط داده مانند داده­های ویدئویی و سنسور بسیار مفید هستند.

ترکیب تحلیل­ها برای حصول بهترین نتایج
اغلب برای کسب بیشترین بازده از منابع انسانی مبتنی بر داده­ها، نمی­توانید فقط به یک ابزار تحلیل تکیه کنید. همان طور که در فصل چهارم دیدیم، گرچه معمولاً ترکیب مجموعه­ای از داده­های مختلف برای به دست آوردن یک تصویر کامل­تر فکر خوبی است، اما ارزش تحلیل منابع انسانی در بینش­هایی است که می­توان از ترکیب انواع تحلیل­ها به دست آورد. به عنوان مثال ممکن است تحلیل فرهنگ سازمانی به شما بگوید که فرهنگ شما در حال دور شدن از ارزش های اولویت­بندی شده­تان است؛ اما برای بیان دلیل این امر ممکن است به تحلیل متن و احساسات نیاز داشته باشید. ترکیب اطلاعات از بیش از یک منبع و استفاده از رویکردهای مختلف تحلیلی به شما اجازه می­دهد بینش­ها را از زوایای مختلف مورد بررسی قرار دهید.

تبدیل داده­ها و تحلیل­ها به بینش
داده­ها تنها در صورتی ارزشمند هستند که آن ها را به بینش و دانش عملی تبدیل کنید. با تحلیل داده­های مربوط به کارکنان از طریق تعدادی از روش­های تحلیل که در این فصل گفته شد باید بتوانید به بینش­های مختلفی دست پیدا کنید. ارائه این بینش­ها به گونه ای مفید برای افرادی که به آن ها نیاز دارند گامی اساسی در تبدیل بینش­ها به دانش عملی است. از این گذشته، کسب وکارها زمانی از مزیت رقابتی برخوردار می­شوند که اطلاعات مناسب در زمان مناسب به افراد مناسب تحویل داده شوند.

گزینه­های مختلفی برای انتقال داده­ها وجود دارد؛ از تصاویر ساده و گزارش­های کتبی حاصل از پلتفرم­های بصری سازی داده های تجاری گرفته که باعث جذابیت و درک آسان داده­ها می شوند، تا سیستم اطلاعاتی مدیریت که هر زمان که کارکنان بخواهند اطلاعات موردنیاز آن ها را فراهم می­کند. مخاطبان مختلف بسته به نوع داده­هایی که نیاز دارند و نحوه استفاده از آن ها نیازهای متفاوتی دارند. بنابراین هنگام فکر کردن به انتشار و انتقال داده­ها لازم است که تعیین کنید چه کسی به آن ها (یا بینش های حاصل از آن ها) دسترسی خواهد داشت و این افراد به چه­چیزی نیاز دارند.

انتقال و بصری­سازی بینش حاصل از داده­ها

فصل ششم
مشکلات بالقوه:
نگاهی به حریم خصوصی، شفافیت و امنیت داده­ها

بدانید چه داده­هایی دارید
اگر کاملاً ندانید که چه داده­هایی در اختیار دارید، نمی­توانید به درستی از آن­ها محافظت کنید یا حاکمیت داده­ای خوبی را اعمال کنید. این موضوع می تواند مخصوصاً برای تیم­های منابع انسانی چالش برانگیز باشد؛ زیرا داده­های مربوط به کارکنان می­توانند در انواع واحدها و سیستم­های خارج از خود تیم منابع انسانی قرار بگیرند؛ به عنوان مثال داده­های حقوق و دستمزد یا داده­های مربوط به عملکرد، اهداف و طرح­های تشویقی. بنابراین اولین گام مهم در حاکمیت داده­ها آگاهی و شناسایی کلیه داده­های مربوط به کارکنان سازمان ازجمله محل این داده­ها، شناسایی دقیق داده­ها (آیا داده­ها شامل اطلاعات هویتی و قابل شناسایی شخص است؟)، چه کسی این داده­ها را فاش می­کند، نحوه پردازش و تحلیل داده­ها و سپس چگونگی استفاده از آن­ها در سازمان است. فراموش نکنید که هر داده­ای که ممکن است توسط اشخاص ثالث (به عنوان مثال یک شرکت حقوق و دستمزد) مورد استفاده یا پردازش واقع شود یا هر چیزی که توسط تامین کنندگان برون سازمانی یا در فضای ابری ذخیره شده را هم لحاظ کنید.

موضوع پیچیده حریم خصوصی داده­ها
قوانین مربوط به حریم خصوصی داده­ها در هر جای دنیا متفاوت است. به عنوان مثال اتحادیه اروپا بی شک یکی از سخت گیرانه ترین قوانین را دارد، در ایالات متحده این قوانین می تواند در هر ایالت متفاوت باشد؛ بنابراین بسیار مهم است که تیم منابع انسانی اطمینان حاصل کند که جمع آوری داده­های حساس شخصی در چارچوب قوانین کشور صورت می­گیرد.

نیاز به کسب رضایت استفاده از داده­ها
با توجه به تغییرات، لازم است مطمئن شوید که مجوزهای لازم برای استفاده از داده­های کارکنان در موضوع موردنظرتان را دارید و باید تنها در همین موضوع از آن­ها استفاده کنید. درگذشته سازمان­هایی وجود داشته­اند که به دلیل استراتژی تهاجمی در جمع آوری داده­ها، تمام داده­های افراد که از قرار معلوم حتی مرتبط با محصول یا خدمتی هم نبوده است که کاربران از آن استفاده می­کردند، تعطیل شده اند. اسپاتیفای یکی از این شرکت­هاست.

در سال 2015 این شرکت سیاست حفظ حریم خصوصی جدیدی را اعمال کرد که بیشتر شبیه به خواسته­های یک همسر شکاک بود تا سرویس موسیقی. واکنش شدید در برابر این عدم شفافیت، مدیرعامل شرکت دنیل ای­کی را وادار به عذرخواهی و شفاف­سازی وضعیت و مقاصد شرکت کرد. او مجبور شد قول دهد که قبل از دسترسی به هر یک از این داده­ها از کاربران اجازه خواهد گرفت و تنها از آن­ها برای اهداف معین استفاده خواهد کرد که به کاربران اجازه می­دهد تجربه خود از اسپاتیفای را شخصی سازی کنند.

مسائل اخلاقی و لزوم شفافیت
علاوه بر رعایت مواضع قانونی، تیم­های منابع انسانی باید مطمئن شوند که استفاده از داده­ها در چارچوب اخلاقی تعیین شده توسط سازمان انجام می­شود. این روزها اکثر سازمان­ها بر فرهنگ گشودگی و صداقت تاکید دارند و فعالیت­های منابع انسانی مبتنی بر داده­ها نباید مقابل این فرهنگ بایستد. پروژه­های داده­ای نامرتبط یا پروژه­هایی که ناشیانه اجرا شده­اند می­توانند بیشتر از سود موجب ضرر شوند و آسیب جدی به اعتماد و روحیه کارکنان وارد کنند؛ بنابراین لازم است حواسمان را جمع کنیم و فریب جنبه مثبت این گونه پروژه­ها را نخوریم. به طورکلی بیشتر ما به دیدن مزایای داده­ها عادت کرده­ایم.

افزایش شفافیت با دموکراتیزه کردن داده­ها
یکی دیگر از ابعاد شفافیت، دموکراتیک­ سازی داده­ها می­باشد؛ یعنی اشتراک داده­ها با افراد درون سازمان در هر جا که امکان پذیر است. این امر چند سطح دارد. اول، اگر برخی از داده­های مربوط به عملکرد می تواند به بهبود تصمیم­گیری در سازمان کمک کند، منطقی است که این داده­ها در اختیار افرادی گذاشته شود که به آن نیاز دارند. دوم، به اشتراک گذاری داده­ها فرهنگ بازتری را به نمایش می­گذارد که به نوبه خود باعث مشارکت بیشتر کارکنان می­شود.
بنابراین اگر فرصت اشتراک گذاری داده­ها با بخش­هایی از کسب وکار که می­توانند از آن داده­ها سود ببرند و اجرای سیاست حاکمیت خوب داده­ای را دارید، باید این کار را انجام دهید؛ زیرا این یک وضعیت برد-برد است.

تاثیر مخرب دسترسی غیرمجاز به داده­ها
دسترسی غیرمجاز به داده­ها می تواند ازنظر هزینه­های قانونی، جبران خسارات مالی و همچنین آسیب به اعتبار شرکت، خسارات زیادی به سازمان بزند. اگر فکر می­کنید هیچ­کس علاقه­ای به سرقت اطلاعات کارکنان شما ندارد (مثلاً در مقایسه با اطلاعات کارت اعتباری مشتری)، بهتر است دراین باره تجدیدنظر کنید. اگر داده­های کارکنان حاوی اطلاعات هویتی شخصی باشند، هر نوع داده­ای می تواند ارزشمند باشد. در مورد انواع داده­هایی که یک تیم منابع انسانی متوسط به آن دسترسی دارد فکر کنید: نام، آدرس، شماره پاسپورت یا کارت ملی، اطلاعات حساب بانکی، سوابق اشتغال، اطلاعات مربوط به سلامتی و غیره؛ اگر این اطلاعات به دست افرادی نادرست بیفتد نه تنها می تواند موجب ضرر و زیان گردد و کارکنان را ناراحت کند، بلکه به طور جدی برند کارفرمای شما را هم لکه دار می­کند.

مدیریت یکپارچه همه این موارد زیر چتر حاکمیت خوب داده­ها
حاکمیت داده­ها به مدیریت و مراقبت کلی از داده­ها، پوشش قابلیت استفاده و یکپارچگی آن­ها (یعنی اطمینان از کیفیت خوب داده­ها و رضایت فرد برای استفاده از داده­های آن­ها در صورت لزوم) و امنیت اشاره دارد. اعمال حاکمیت خوب داده­ها به معنی آگاهی از الزامات اخلاقی و قانونی مربوط به هر جنبه از فعالیت­های مرتبط با داده­های شماست تا مطمئن شوید که هیچ قانونی را نقض نمی­کنید و به گونه ای باز، اخلاقی و شفاف عمل می­کنید. حاکمیت داده­ها همچنین شامل داشتن سیاست­هایی برای تعیین دقیق افرادی است که می­توانند به داده­ها دسترسی داشته باشند و کسانی که مسئولیت حفظ کیفیت و صحت این داده­ها را دارند. همواره باید بر مراقبت از داده­ها و برخورد با آن­ به عنوان یک دارایی ارزشمند تاکید داشت.

حفاظت و امنیت داده­های شما
راه­های حفاظتی خاصی وجود دارند که هر کسب وکاری می تواند برای ایمن سازی داده­ها و جلوگیری از افشای آن­ها به کار بگیرد. چنین اقداماتی می تواند شامل رمزگذاری داده­ها، داشتن سیستم­هایی برای شناسایی و متوقف کردن افشای داده­ها حین وقوع آن و آموزش کارکنان باشد تا هرگز اطلاعات امنیتی را فاش نکنند. به خاطر داشته باشید که امنیت داده ها یک زمینه تخصصی است و همیشه بهتر است با یک کارشناس امنیت داده­ها، چه در داخل یا خارج از سازمان خود مشورت کنید.

فصل هفتم
جذب و استخدام مبتنی بر داده­ها

سه حوزه اصلی در استخدام هوشمند و مبتنی بر داده­ها عبارت اند از:

تقویت برند کارفرما
شناسایی بهترین کانال­های جذب و استخدام
شناسایی و ارزیابی مناسب­ترین افراد برای سازمان

تقویت برند کارفرما
برند کارفرما به این معنی است که سازمان به عنوان یک کارفرما از نگاه کارکنان (فعلی، گذشته و آینده) چگونه دیده می­شود. همان طور که همکاران بازاریابی هم می­گویند، هنگام جذب و حفظ مشتریان (در اینجا کارکنان) برندسازی بسیار ضروری است و درواقع برند کارفرمای شما باید کاملاً همسو با برند کلی سازمان، خدمات و محصولات آن باشد. اگر این دو پیام­های متفاوتی منتقل کنند – به عنوان مثال تولیدکننده بااخلاق با کارکنانی با رفتارهای نه چندان اخلاقی – در جذب بهترین استعدادها به سازمان به مشکل خواهید خورد.
برند کارفرما به کارکنان می­گوید که شما به عنوان یک سازمان چه هستید، رسالت سازمان چیست، عضویت در سازمان چگونه است و چه چیز شما را از سایر کارفرمایان متمایز می­کند. هنگام ایجاد برند کارفرما برای سازمان باید در نظر بگیرید که به دنبال جذب چه استعدادهایی هستید یا به بیان دیگر چه کسانی بهترین تناسب را با فرهنگ و اهداف سازمان شما دارند.

شناسایی کانال­های جدید استخدامی
گاهی ممکن است لازم باشد کمی خارج از چارچوب استخدامی فکر کنید و به دنبال کانال­های کاملاً جدید برای استخدام کارکنان باشید؛ به ویژه در مناطقی که رقابت زیادی برای جذب بهترین استعدادها وجود دارد. دانشمندان داده یکی از این گروه­ها هستند که تقاضای زیادی برای جذب آن ها در تمام کسب­وکارها وجود دارد ولی به تعداد کافی، افرادی با مهارت­های موردنیاز برای کار با داده­های بزرگ وجود ندارد. یک نظرسنجی که اخیراً توسط محققان گارتنر انجام شد، نشان داد که بیش از نیمی از رهبران کسب­وکار مورد پرسش، احساس می­کنند که به دلیل مشکل در پیدا کردن استعدادهای مناسب، توانایی آن ها در تحلیل محدود شده است.

برای غلبه بر این مشکل وال­مارت یک تصمیم خلاقانه گرفت. به جای تبلیغ از طریق کانال­های سنتی برای یافتن استعدادهای مناسب، از کاگل استفاده کرد که یک پلتفرم جمع­سپاری برای رقابت بین تحلیلگران داده است. در کاگل لشکری از متخصصان داده مهارت خود را برای حل مشکلات تحلیلی سازمان­ها بکار می­گیرند و در پایان به طراح بهترین راه­حل پاداش­هایی بعضاً مالی اعطا می­شود – در مثال ما پاداش پیشنهاد کار در وال­مارت خواهد بود.

شناسایی و ارزیابی بهترین کارکنان برای کسب وکار
بسیاری از متخصصان منابع انسانی یا مدیران استخدام احتمالاً اعتراف می­کنند که بر اساس احساس شخصی خود و اینکه احساس می­کنند فرد برای پر کردن جای خالی مناسب است یا خیر تصمیم گرفته­اند. کارفرمایان در هر صنعی به داده­ها و ابزارهایی مانند ای­ولو و تلنت­بین روی آورده­اند که به آن ها اجازه می­دهد از داده­ها بیش از هر زمان دیگری برای یافتن افراد مناسب برای جایگاه شغلی متناسب با آن ها استفاده کنند. ابزارهایی ازاین دست به کارفرمایان این امکان را می­دهند تا بر اساس مهارت­ها، علایق و عملکرد اشخاص، بهترین فرد را برای هر شغل معینی پیدا کنند؛ خواه شخص در جستجوی آن جایگاه شغلی باشد یا نه.

یادگیری ماشین و هوش مصنوعی در استخدام
ابزارهای زیادی مبتنی بر هوش مصنوعی وجود دارند که می­تواند برای محدود کردن، آزمایش و ارزیابی متقاضیان، مورداستفاده قرار گیرند. با استفاده از یادگیری ماشین و تکنیک­های هوش مصنوعی روند جذب، تامین منابع، تطبیق، بررسی و ارزیابی متقاضیان با استفاده از داده­های انواع منابع مثل داده­های خود کارفرما، داده­ها شبکه­های اجتماعی، سوابق کارکنان و غیره به صورت خودکار انجام می­شود.

الگوریتم­های یادگیری ماشین و هوش مصنوعی مانند موارد ارائه شده توسط شرکت نرم­افزار منابع انسانی رستلس بندیت به سازمان­ها کمک می­کنند تا هنگام انتخاب متقاضیان، بسیاری از اختلالات را حذف کنند. خواندن تمامی رزومه­ها و دسته­بندی آن ها به گروه­های «بله»، «خیر» و «شاید» روند بسیار کندی داشت که توسط انسان­ها انجام می­شد؛ اما اکنون الگوریتم­ها می­توانند الگوهای استخدام را برای یافتن سریع و آسان افراد مناسب مدل­سازی کنند. مهمتر از همه، این فرآیند سوگیری و تعصبات انسانی را حذف می­کند که به طور اجتناب­ناپذیری در فرآیند استخدام دخیل می­شوند.

شناسایی نامزدهایی برای مناصب سطح بالا
درحالی که بیشتر تمرکز تحلیل استعدادها برای پر کردن موقعیت­های شغلی پایین یا متوسط است، اما داده­ها و تحلیل­ها قابلیت استفاده برای شناسایی بهترین نامزدها برای هر جایگاه شغلی حتی مدیرعامل را هم دارند. به عنوان مثال شرکت کالای خواب پرپل مستقر در آمریکا، هنگام جستجو برای استخدام مدیرعامل فعلی خود سَم برناردز از تحلیل استعداد استفاده کرد. مجموعه مدیران شامل مدیرعامل، مدیر مالی، مدیر بازاریابی و سایر روسای این شرکت افرادی هستند که قرار است راهنمای مسیر کسب وکار باشند. آن ها مسئولیت زیادی را به دوش می­کشند و در عوض قسمت عمده درآمد کسب­وکار به آن ها تعلق می­گیرد. وقتی در انتصاب افراد این سطح اشتباهی رخ دهد، احتمال فاجعه کاملاً واضح است. بنابراین منطقی است که انتصاب­های این سطح باید با کمترین حدس و گمان انجام شود.

یافتن کارکنان مجازی
امروزه در این جهان متصل به اینترنت و غنی از داده­ها، جذب استعدادها بدون استخدام واقعی آن ها بیش ازپیش رواج یافته است. ازآنجاکه به میزان زیادی کسب وکارها و متقاضیان شغل به سمت فضای ابری می­روند، توافق برای استخدام کارکنان دورکار هنگام نیاز به آن ها بسیار آسان­تر می­شود. درواقع یک نیروی کار از راه دور، می­تواند هزینه­های سربار سازمان را به شدت کاهش دهد. در انگلستان بیش از 5 میلیون نیروی کار آزاد وجود دارد، افرادی که به عنوان بخشی از اقتصاد گیگ و اغلب از طریق پلتفرم­های دیجیتال مانند کرودفلاور و آپ­ورک کار می­کنند. مزیت آشکار این کارکنان این است که می­توانند در هر کجا و هر زمان کار کنند که دوست دارند. برای کارفرما، این کارکنان مزیت بهره­مندی از مهارت­های آن ها بدون هزینه استخدام تمام وقت را به همراه دارد. این یک دنیای قشنگ و نو است.

اما این امر برای استخدام چه معنی دارد؟ تکنیک­های تحلیل که در این فصل درباره­ی آن ها صحبت کردیم می­تواند برای شناسایی و ارزیابی افرادی که ممکن است هرگز پا به دفتر شما نگذارند، فوق­العاده مفید باشند. همچنین وقتی فردی به صورت دور کاری فعالیت می­کند، ممکن است به اندازه یک کارمند داخلی به راهنمایی و ارشاد دیگران دسترسی نداشته باشد. این امر می­تواند به این معنی باشد که شما باید بر استخدام افراد باتجربه ای تمرکز کنید که از قبل تمام ویژگی­های لازم برای موفقیت در آن نقش را دارند. تحلیل­ها می­تواند به شما کمک کند تا به سرعت و آسانی چنین نامزدهایی را شناسایی کنید.

شناسایی و ارتقای نامزدهای مناسب درون سازمانی
اغلب گفته می­شود که ارتقا از داخل مقرون به صرفه تر از استخدام از خارج از سازمان است. یک مزیت آشکار این روش این است که نامزدهای داخلی از قبل با سیستم­ها، فرآیندها و فرهنگ سازمان آشنا هستند. بنابراین منطقی است که به مزایای استفاده از همان نوع تحلیل استعداد برای شناسایی نامزدهای مناسب در درون سازمان هم توجه داشته باشیم. فرصت رشد و پیشرفت در سازمان برای نسل هزاره­ها بسیار جذاب است؛ لذا ارتقا از درون سازمان می­تواند روش عالی دیگری برای تقویت برند کارفرمای شما باشد. تحلیل استعداد می­تواند به تیم­های منابع انسانی برای شناسایی بهترین عملکرد شغلی در سراسر سازمان و همچنین شناسایی کسانی کمک کند که هم اکنون در بهترین جایگاه شغلی مناسب خود هستند.

فصل هشتم
دلبستگی مبتنی بر داده کارکنان

در دلبستگی هوشمند یا مبتنی بر داده کارکنان، تیم­های منابع انسانی به دنبال برقراری ارتباط بی­سیم با کارکنان، سنجش و بهبود تجربه کار در سازمان و به نوبه خود افزایش رضایت کارکنان – و نیز افزایش بهره­وری و بهبود برند کارفرمای سازمان هستند. در این فصل سه جزء اصلی دلبستگی مبتنی بر داده کارکنان را بررسی خواهم کرد:
افزایش رضایت کارکنان ( یا شادی آن ها)
سنجش و بهبود وفاداری و نگهداشت کارکنان
بهبود سیستم جبران خدمات و مزایای کارکنان با استفاده از داده­ها

تعیین رضایت کارکنان – کارکنان شما چقدر خوشحال هستند؟
سنجش رضایت کارکنان کاری است که مدت هاست سازمان ها عمدتاً با استفاده از نظرسنجی و اطلاعات مقایسه­ای انجام می­دهند. بیش از 80 درصد سازمان ها از نظرسنجی کارکنان استفاده می­کنند اما این نظرسنجی، به اندازه کافی سریع و خوب نیست که بتواند بینش به موقع و دقیق لازم را برای بیشتر کسب وکارها جهت نظارت و بهبود دلبستگی کارکنان ارائه دهد. از این گذشته، نظرات کارکنان دائماً عوض می­شود لذا تغییر در بسیاری از سازمان ها می­تواند خیلی سریع اتفاق بیفتد. این مسئله نیز وجود دارد که بیشتر کارکنان از پر کردن این نظرسنجی­های طولانی متنفر یا بدتر از آن، نگران عواقب پاسخ­های خود هستند و آنچه را می­گویند که فکر می­کنند سازمان می­خواهد بشنود. لذا میزان مفید بودن بازخورد این نظرسنجی­ها جای سوال دارد.

شناخت نظر و احساس واقعی کارکنان
داده­ها و تحلیل­ها، به ویژه فناوری مربوط به هوش مصنوعی، نویدبخش کمک به سازمان ها در درک افکار و احساس کارکنان هستند. این ابزارها هنوز کامل نیستند، اما به سرعت درحال توسعه هستند و نویددهنده سنجش رضایت و شادی کارکنان به گونه ای دقیق­تر و سریع­تر هستند که کارکنان را کمتر به زحمت می­اندازد. علاوه بر بررسی میزان رضایت (یا عدم رضایت) کارکنان، داده­ها و تحلیل­ها به شما کمک می­کنند تا بفهمید کارکنان دقیقاً چه­کاری را انجام می­دهند و از چه­کاری امتناع می­کنند و بنابراین چه چیزی باعث افزایش دلبستگی آن ها می­شود. در حال حاضر سیستم های بسیاری در بازار وجود دارد که تعامل با کارکنان را آسان­تر و موفق­تر می­کند و سیستم­های بیشتری نیز پیوسته درحال توسعه هستند.

رضایتمندی کارکنان در عصر شکلک­ها
با استفاده از پایانه­های هپی اُر نات سازمان ها می­توانند از تجارب کارکنان خود بازخورد روزانه بگیرند. وقتی باجه­ها در مکان­های پرتردد مانند اتاق­های جلسات یا غذاخوری قرار می­گیرند، از کارمند یک سوال ساده می­پرسند، کارمند با یک انتخاب ساده و فقط با فشردن یک دکمه، به یکی از چهار صورت خندان پاسخ می­دهد که به بهترین شکل نشان دهنده میزان موافقت او با سوال است. سپس منابع انسانی می­تواند از داده­های جمع آوری شده (که همه آن ها ناشناس هستند) استفاده کند تا تصویری واضح از واکنش کارکنان به مواردی مانند ابتکارات جدید، سیاست­های سازمان، استراتژی و جهت گیری کلی، امکانات و تقریباً هر چیز دیگری به دست آورد.

اینکه شما دقیقاً چه چیزی را اندازه­گیری می­کنید، به شرکت و اهداف آن بستگی دارد اما برخی از معیارهای اصلی عبارت اند از:
میزان تایید رهبری توسط کارکنان.
چقدر از محیط کار خود راضی هستند.
چقدر احتمال دارد کارکنان سازمان را به عنوان محل مناسبی برای کار پیشنهاد کنند.
میزان درک و تایید ابتکارات، سیاست­ها و استراتژی­های جدید توسط کارکنان.

کارکنان خوشحال کارکنان بهره­ور هستند
یک پژوهش صورت گرفته توسط دانشگاه وارویک دریافت که خوشحالی منجر به 12 درصد افزایش در بهره­وری می­شود. بااین وجود و برخلاف شواهدی که نشان می­دهد کارکنان خوشحال عملکرد بهتری دارند، مطالعات نشان داده است که 71 درصد از کارکنان، خود را بدون انگیزه یا بدون دلبستگی در یک زمینه کاری توصیف می­کنند. دلبستگی می­تواند تاثیر قابل توجهی بر بهره­وری داشته باشد. یک مطالعه نشان داد که بین میزان غیبت کارکنان در سازمان­های با دلبستگی زیاد در مقابل سازمان­های با دلبستگی پایین، 30 درصد اختلاف وجود دارد. پیام واضح است: کارکنان شاد دلبستگی بیشتر و عملکرد بهتری دارند و سازمان­هایی که می­توانند از این دانش برای اطمینان از شاد ماندن کارکنان خود استفاده کنند، به نوبه خود عملکرد بهتری خواهند داشت.

سنجش و افزایش ماندگاری کارکنان در شغل
رضایت و ماندگاری کارکنان، ذاتاً باهم مرتبط هستند. داده­های گلینت از بیش از 500,000 کارمند نشان می­دهد نرخ کناره­گیری کارکنان با دلبستگی یا نمرات رضایت پایین، 12 برابر بیشتر از کارکنان با نمرات دلبستگی مثبت است. ما می­دانیم که از دست دادن کارکنان (حتی بدون توجه به اختلال در کار و اتلاف وقت) پرهزینه است. کسب وکارهای ایالات متحده سالانه حدود 11 میلیارد دلار به دلیل ترک شغل کارکنان متحمل زیان می­شوند. بنابراین اگر سازمان بتواند تشخیص دهد که چه کسانی و به چه دلایلی احتمال دارد که سازمان را ترک کنند، قادر است تا اقدامات لازم را برای حل مسئله و حفظ این افراد مهم انجام دهد که در معرض ترک سازمان هستند. با استفاده از داده­ها و تحلیل­ها، اکنون می­توان نرخ ماندگاری کلی را پیش­بینی کرد، ازجمله پیش­بینی زمان ترک شغل برخی کارکنان خاص، با توجه به عواملی مانند مدت زمانی که آن ها در آن شغل بوده­اند.

پیش­بینی ترک شغل کارکنان
برای بسیاری از سازمان­ها، امکان پیش بینی دقیق زمان ترک شرکت از سوی کارکنان، هدفی تحقق نیافته در حفظ و نگهداشت منابع انسانی است. اما اکنون ابزارهای زیادی در بازار وجود دارند که ادعا می­کنند قادر به انجام چنین کاری هستند. این ایده چیز جدیدی نیست. گوگل سال­هاست که از الگوریتم ها برای پیش­بینی این استفاده می­کند که چه کسی به احتمال زیاد سازمان را ترک خواهد کرد. رقابت بر سر جذب استعدادها در سیلیکون­ولی به طرز باورنکردنی شدید است و اگرچه گوگل همچنان یکی از محبوب­ترین کارفرمایان در ایالات متحده است، اما اگر می­خواهد جایگاه خود را در جذب استعدادها حفظ کند باید همچنان تلاش کند.

جبران خدمات و مزایای مبتنی بر داده­ها
ارائه بسته جبران خدمات و مزایای عادلانه، همچنان بخش مهمی از موفقیت در دلبستگی کارکنان است. پس از یافتن کارکنان مناسب، دیگر به شما بستگی دارد که با ایجاد بسته­ای مناسب نظر آن ها را جلب کرده و آن ها را به سازمان متعهد کنید. در این صورت به احتمال زیاد این کارکنان در سازمان باقی خواهند ماند. اگر با داوطلبان شغل برای پرداخت حداقل دستمزد ممکن چانه بزنید، آن ها را از خود می­رانید که دقیقاً نقطه مقابل وفاداری است. توانایی متناسب سازی بسته­های جبران خدمات و مزایا با افراد، بر اساس اطلاعات حاصل از تحلیل داده­های جمعیت­شناختی آنان، الهام­بخش ارتقای دلبستگی در طولانی مدت خواهد بود.
 

نمونه­های واقعی
برای مثال دانشگاه لینکلن، سیستم جدیدی را اجرا کرده است که منابع انسانی و حقوق و دستمزد را ادغام می­کند تا یک ابزار گزارش­دهی جامع ایجاد کند. ایان هادسون، مدیر پاداش و مزایای دانشگاه، در گفتگو با مجله منابع انسانی اظهار کرد: «داده­ها وقتی با اطلاعات دیگر تکمیل شوند قدرتمندتر می­شوند. سیستم جدید ما محرک­های داده را برای پوشش سایر سیستم­ها تغذیه می­کند و ما برای جمع آوری و تولید داده­ها، رویکرد چندوظیفه­ای بیشتری نسبت به گذشته داریم». با استفاده از این سیستم، هادسون و تیمش توانسته­اند بین حقوق و عملکرد مداوم و قوی ارتباط برقرار کنند.

نقش هوش مصنوعی در جبران خدمات و مزایا
یکی از جنبه­های مزایا که بسیار موردتوجه قرار می­گیرد، کار انعطاف­پذیر و امکان کار از راه دور است. اگرچه ممکن است این مورد برای همه جذاب نباشد، اما اقشار خاصی مانند والدین و هزاره­ها داشتن کار انعطاف پذیر را برتر از بسیاری دیگر از مزایا می­دانند. برای اینکه بتوانید اهمیت این ارزش را درک کنید، باید به شما بگویم که 59 درصد از هزاره­ها معتقدند که انعطاف پذیری، بهره­وری آن ها را بیشتر می­کند و 49 درصد هم بر این باورند که باعث افزایش خوشحالی آن ها می­شود.
به احتمال زیاد با انعطاف پذیری بیشتر محل کار، ساختارهای جبران خدمات و مزایا نیز منعطف­تر خواهند شد و برنامه­های سنتی با برنامه های انعطاف پذیر و متغیر جبران خدمات و مزایا، جایگزین می­شوند که تناسب بیشتری با نیازهای کارکنان دارند. پلتفرم­های مبتنی بر هوش مصنوعی، درک و پیش­بینی دقیق روندها و درک ارتباط و استفاده از مزایای مختلف در میان اقشار مختلف جمعیتی را امکان پذیر می­سازند و به آسانی راه حل هایی ارائه می­دهند که متناسب با هر فرد عمل می­کنند.

فصل نهم
سلامت و ایمنی

چگونه اینترنت اشیاء محیط­ کاری را ایمن­تر می­کند
امروزه اینترنت اشیاء در حال تغییر تفکر و نحوه تحقق ایمنی کارکنان است. یکی از چالش­ها در رابطه با ایمنی محل کار این است که کارکنان باید رفتار خود را مطابق با قوانین ایمنی موجود سازمان تغییر دهند یا با ابتکارات ایمنی جدید سازگار شوند. این امر می­تواند به ویژه در صنایع یا سازمان­هایی مانند صنعت ساخت­وساز مفید باشد که به کارکنان قراردادی یا موقتی متکی هستند. اینترنت اشیاء از طریق نظارت و ارائه بینش­های بسیار واضح­تر نسبت به رفتارهای مربوط به ایمنی، به تشویق کارکنان جهت سازگاری با ابتکارات ایمنی کمک می­کند. دستگاه­های اینترنت اشیاء به ویژه پوشیدنی­ها و همچنین سنسورها هم­اکنون می­توانند کوهی از داده­های لحظه­ای در مورد ایمنی محل کار و فعالیت­های کارکنان تولید کنند.

این داده­ها نه تنها می­توانند نشان دهند که آیا قوانین و ابتکارات ایمنی به درستی پذیرفته شده­اند یا نه، بلکه می­توانند منجر به بینش­هایی شوند که به بهبود برنامه­های ایمنی در آینده کمک می­کند و هرچه قدر این داده­ها برنامه­های ایمنی را بیشتر بهبود بخشند، مشارکت کارکنان نیز بیشتر می­شود و به احتمال زیاد در آینده پذیرای ابتکارات ایمنی جدید یا بهبود یافته خواهند بود. نکته مهم این است که چون از دستگاه­های اینترنت اشیاء می­توان جهت انتقال داده­های بلادرنگ برای تحلیل­های هم­زمان استفاده کرد، مدیران قادرند تا از انجام کارهای غیر ایمن مطلع شوند و اقدامات مناسب را اتخاذ کنند.

ایمن سازی رانندگی
رانندگی همچنان یکی از خطرناک­ترین کارهای بشر است؛ چه رانندگی برای رفت وآمد به محل کار و ملاقات با مشتریان باشد یا رانندگی ماشین آلات به عنوان بخشی از شغل. یک شرکت آمریکایی اکنون از فناوری اسکن عنبیه چشم برای ایمن سازی رانندگی استفاده می­کند. همکاری شرکت دلتا آی­دی با شرکت جنتکس معروف به فناوری آینه دید عقب، منجر به تولید آینه دید عقبی شده است که عنبیه چشم راننده را اسکن کرده و تایید می­کند که راننده مجاز به رانندگی با وسیله نقلیه است. گرچه در حال حاضر هدف اول این فناوری تامین امنیت است، اما در آینده این امکان وجود دارد که از این نوع فناوری اسکن راننده که در آینه­های عقب گنجانده شده است برای شناسایی این استفاده کرد که چه موقع راننده احساس خستگی می­کند یا تحت تاثیر دارو یا الکل است.

ایمن­سازی مکان­های ساخت­وساز
محیط­های ساخت­وساز خطرات زیادی برای کارکنان دارند و کارگران ساختمانی ممکن است درگیر مشکلات سلامتی ناشی از کار مثل قرار گرفتن در معرض اجسام، ارتعاشات و صداهای خطرناک شوند. شرکت استارتاپی اسمارت­سایت برای کمک به حل این مسئله یک راه­حل نرم­افزاری و سخت­افزاری ایجاد کرده است. این سیستم که در حال آزمایش در شرکت­های ساختمانی است، از سنسورها برای اندازه­گیری سطح صدا، نور فرابنفش و کیفیت هوا استفاده می­کند تا زمانی که کارگران ممکن است در معرض خطر باشند، به کارفرمایان اطلاع دهد. هدف، اندازه­گیری دقیق شرایط واقعی در محیط ساخت­وساز به جای شناسایی خطرات بر اساس مشاغل قبلی است.

بهبود سلامت جسمانی با استفاده از اینترنت اشیاء
علاوه بر تعیین اینکه چه زمانی کارکنان در معرض خطر جسمی هستند، یا از استرس یا اضطراب رنج می­برند، اکنون فناوری می­تواند به آنان کمک کند تا زندگی سالم­تر و فعال­تری داشته باشند. اینترنت اشیاء نقش گسترده­ای در این امر ایفا کرده است – برای مثال چند نفر را می­شناسید که دستبند ردیابی تناسب اندام می­پوشند یا از برنامه­های تلفن همراه برای پیگیری فعالیت­­ها یا تعداد قدم­های خود استفاده می کنند؟ شرط می­بندم که جواب شما خیلی زیاد است.

پیش بینی مسائل بهداشتی در آینده
گام بعدی در سلامتی کارکنان با استفاده از اینترنت اشیاء، استفاده از تحلیل پیش بینی برای پیشگیری از بیماری است. پلتفرم تحلیل سلامت شرکت اینتل، کووالانس با استفاده از ترکیب فناوری پوشیدنی با تحلیل­های پیش بینی­کننده، به سازمان­ها کمک می­کند تا علائم اولیه بیماری را شناسایی کرده و اقدامات لازم را انجام دهند. این پلتفرم از داده­های جمع آوری شده توسط ردیاب­های تناسب اندام (مانند ضربان قلب، میزان فعالیت، الگوی خواب و غیره) و همچنین داده­های مربوط به سوابق سلامت و داده­های گزارش شده توسط خود فرد استفاده می­کند. با تجزیه وتحلیل این داده­ها، سیستم می­تواند روندها را شناسایی و علائم هشدار مربوط به مشکلات بالقوه در سلامتی یا عدم پیشرفت در جهت اهداف سلامتی یک کارمند را نشان دهد. به کارکنانی که مشخص می­شود در خطر بیماری هستند، می­توان با حمایت و آموزش متناسب به از بین بردن مشکلات سلامتی یا به تاخیر انداختن آن کمک کرد.

بررسی نکات منفی بالقوه در ایمنی و سلامت مبتنی بر داده کارکنان
حجم زیاد داده­های سلامت شخصی، ازآنجاکه می­توانند برای کلاه برداری پزشکی مورد استفاده قرار گیرند، بسیار باارزش هستند و به دلیل اینکه کلاه برداری پزشکی معمولاً دیرتر از انواع دیگر مثلاً کلاه برداری بانکی، قابل شناسایی است، داده های سلامت به هدف چشمگیرتری برای مجرمان تبدیل می­شوند. علاوه بر این، از داده­های سلامت اغلب به اندازه داده­های کارت اعتباری یا سایر منابع آشکار کلاه برداری محافظت نمی­شود که همین امر این داده­ها را به هدف راحت­تری تبدیل می­کند. حال آنکه این مشکل بیشتر ارائه دهندگان خدمات درمانی است که اغلب با سیستم های قدیمی کار می کنند که نیاز مبرم به بروز رسانی دارند.

بررسی این چالش­ها
بنابراین یکی از چالش­های تیم­های منابع انسانی تشویق کارکنان به مشارکت در برنامه­های سلامت و استفاده از داده­ها جهت کمک به کارکنان در داشتن زندگی سالم­تر، بدون ایجاد ناراحتی برای آنان است (که به نوبه خود ازنظر اقتصادی نیز به نفع شرکت است). هنگامی که مشارکت در برنامه­های سلامتی اجباری شود، یا وقتی که کارکنان احساس می کنند ممکن است به نوعی از داده­های سلامت آن ها برای تنبیهشان استفاده شود، مشارکت در برنامه­های سلامت کاهش می­یابد. علاوه بر این، همان طور که در فصل ششم مشاهده کردیم، هنگامی که شما به کارکنان مشوقی در قبال جمع­آوری داده­هایشان ارائه می­دهید، احتمال بیشتری برای مشارکت آن ها وجود دارد.

فصل دهم
یادگیری و توسعه مبتنی بر داده

تاثیر هوش مصنوعی در مدارس
موارد زیر تنها بخشی از تغییرات مثبتی است که هوش مصنوعی در حیطه آموزش ایجاد می کند:

هوش مصنوعی می­تواند فعالیت­های تکراری و پایه­ای مانند تصحیح ورقه­ها را خودکار کند. امروزه نرم­افزارهای نمره­دهی به خوبی معلمان نیستند اما برنامه­های رایانه­ای می­توانند با دقت بالا به انواع تکالیف چندگزینه ای و آزمون­های جای خالی نمره دهند.
دانش­آموزان در هرکجا که باشند می­توانند به برنامه آموزشی دسترسی پیدا کنند. برنامه­های آموزشی می­توانند سرعت دوره را متناسب با سطح هر دانش­ تنظیم کنند، هنگامی که دچار مشکل می­شود کمک بیشتری به او ارائه کنند یا زمانی که سطح او جلوتر از کلاس است به او آموزش­های بیشتری دهند.

هوش مصنوعی می­تواند خارج از کلاس و در خانه هم از دانش­آموزان پشتیبانی کند. همان طور که هر پدر و مادری می­داند به مشکل خوردن کودک در حل تکالیف مدرسه می­تواند چالش بزرگی باشد. برنامه­های آموزشی که در خانه هم در دسترس هستند می­توانند در هر ساعت از شبانه روز از دانش­آموز پشتیبانی کنند و حتی می تواند تدریس خصوصی اضافی به دانش­آموزانی که به آن نیاز دارند ارائه دهد.
هوش مصنوعی می­تواند در ارائه تجربیات آموزشی بهتر به معلم کمک کند. چنانچه نرم­افزار آموزشی مشخص کند که درصد زیادی از دانش­آموزان به سوال خاصی جواب نداده­اند، باعث جلب توجه به آن سوال می­شود و برای معلم بازخورد مهمی است؛ چراکه ممکن است نیاز به ارائه جزئیات و توضیح بیشتر آن درس­ها باشد.
سیستم­های رایانه­ای می­توانند بازخورد ارزشمندی را به والدین، معلمان و مدیران ارائه دهند. این امر می­تواند نیاز به آزمون استاندارد مجزا را کاهش دهد و شرایط منصفانه­ای را برای کمک به ارزیابی عملکرد معلم و مدرسه فراهم کند.

یادگیری متناسب با هر کارمند
به لطف یادگیری آنلاین، داده­ها و تحلیل­ها یادگیری و توسعه تا حد زیادی برای فراگیران شخصی سازی شده است. فناوری یادگیری تطبیقی اجاره می­دهد تا دوره­ها، اجزای دوره، فعالیت­ها و سوالات آزمون متناسب با ترجیحات، سرعت یادگیری و بهترین شیوه یادگیری فراگیرنده شخصی سازی شوند. همچنین یادگیری آنلاین به افراد اجازه می­دهد تا متناسب با سرعت خود یاد بگیرند و همان مزایای بزرگی را فراهم می کند که در بخش آموزش هم دیده شد؛ یعنی توانایی اندازه­گیری میزان پیشرفت هر فرد، کیفیت حفظ و یادآوری اطلاعات و همچنین اینکه در کجا نیاز به ارائه اطلاعات و راهنمایی بیشتر است.

یادگیری خرد
استفاده از یادگیری خرد در آموزش کارکنان به موضوعی داغ در یادگیری و توسعه تبدیل شده است. یادگیری خرد شامل یادگیری مستمر و کوتاه است که اغلب از طریق ویدیوهای کوتاه چند دقیقه­ای ارائه می­شود. این نوع یادگیری معمولاً به عنوان بخشی از دوره­های گسترده­تر و برای کمک به فراگیران در حفظ سریع­تر و راحت­تر اطلاعات به کار می­رود.

یادگیری همراه
یادگیری همراه یکی دیگر از روندهای رو به رشد در یادگیری و توسعه است چراکه بیشتر ارائه دهندگان آموزش و یادگیری در آموزش­های خود از تلفن همراه پشتیبانی می­کنند. دسترسی به مطالب آموزشی از طریق تلفن همراه امکان انعطاف­پذیری در زمان و مکان مناسب یادگیری را برای هر کارمند فراهم می کند؛ برای مثال وقتی که کمترین عوامل حواس پرتی وجود دارند. همچنین با افزایش دورکاری که بسیاری از سازمان­ها در حال تجربه آن هستند همخوانی دارد.

یادگیری ترکیبی
سرانجام یادگیری ترکیبی – که معمولاً برای توصیف ترکیب یادگیری آنلاین و یادگیری در کلاس استفاده می­شود – با دور شدن سازمان­ها از مدل­های سنتی یادگیری و توسعه، بسیار محبوبیت یافته است. بنابراین به یاد داشته باشید که آنچه ممکن است برای سازمان شما مفید باشد می­تواند ترکیبی از دوره­های آموزشی سنتی و یادگیری خود راهبر باشد.

روندهای اصلی در یادگیری و توسعه مبتنی بر داده

یادگیری از راه دور و کلاس­های مجازی
مدرسه کسب وکار هاروارد کلاس دیجیتالی را به عنوان نمونه­ای از کلاس­های آینده ایجاد کرده است. در این کلاس مجازی مدرس در یک استودیو پخش درس می­دهد که به صورت ویژه طراحی شده است. حرکات مدرس توسط دوربین­های متصل به یک صفحه نمایش بزرگ از تصویر دانشجویان دنبال می­شود، این صفحه نمایش امکان ارائه محتوای زنده ویدیویی (همراه با صدا) از تمام دانشجویانی را فراهم می کند که به راحتی از طریق رایانه­ها و لپ تاپ های استاندارد در کلاس شرکت کرده­اند. اگرچه این دانشجویان می­توانند در هرجایی از دنیا باشند اما این گونه تصور می­شود که همگی در یک کلاس هستند. برنامه­ریزی و توسعه این کلاس مجازی که مدرسه کسب وکار هاروارد آن را اچ­بی­ایکس لایو نام گذاری کرده است، سه سال زمان برده و برای ادغام با برنامه­های تدریس آنلاین مدرسه کسب وکار هاروارد طراحی شده است

کاربرد هوش مصنوعی در یادگیری شخصی سازی شده
یادگیری آنلاین سنجش بسیار بیشتری را امکان پذیر می­کند؛ زیرا کارآموزان، ردی دیجیتالی از هر کاری که انجام می دهند، در پارامترهای دوره­ای که گذرانده­اند به جا می­گذارند. این آثار، سرعت یادگیری یک عنصر خاص از دوره توسط یادگیرنده، جایی که متوقف شده، کجا به سوالات جواب اشتباه داده و کدام مطالب را دوباره خوانده و حتی به طور بالقوه در چه ساعتی از روز اطلاعات را به بهترین شکل یاد می گیرد را شامل می­شود. سیستم­های مدیریت یادگیری به ارائه دهندگان اجازه می­دهد که این داده­ها را ردیابی و از بینش به دست آمده برای متناسب سازی دوره­ها با نیازهای افراد استفاده کنند. بنابراین این دوره­ها بسیار جذاب تر می­شوند.

هوش مصنوعی برای ارائه یادگیری تطبیقی و شخصی سازی شده ضروری است. فناوری هوش مصنوعی و به ویژه یادگیری ماشین به ارائه دهندگان امکان می­دهد تا تشخیص دهند یادگیرنده در کجا دچار مشکل است و چه زمینه­هایی نیاز به تاکید بیشتر برای آن فرد دارد. به عنوان مثال شرکت تحلیلی زومی از قابلیت­های هوش مصنوعی برای تحلیل رفتار، ترجیحات، مشارکت و فهم هر یادگیرنده به منظور بهبود محتوای آموزشی و ایجاد تجربه یادگیری منحصربه فرد استفاده می کند. زومی ادعا می کند راه­حل آن می­تواند ساعات آموزشی را تا 60 درصد کاهش دهد.

استفاده از موک­ها
موک­ها به علت گستردگی­(«گسترده» نکته اصلی این عبارت است) فرصتی منحصربه فرد برای تجزیه­وتحلیل داده­ها فراهم می­کنند. می­توان حجم زیادی از داده­ها را نه تنها از افراد بلکه از گروهی از فراگیران برای دستیابی به الگوها و بینش­های گسترده­تر جمع­آوری کرد. این دوره­ها به ارائه دهندگان اجازه می­دهد تا مسیر یادگیری افراد را ترسیم کنند، نقاط مشکل آفرین را شناسایی کرده و در صورت لزوم به صورت هدفمند مداخله کنند. موک­های شرکت­هایی مانند کورسروا و آکادمی خان، فرصت­های یادگیری قابل دسترس، از آموزش شغلی گرفته تا دوره­های تحصیلی را برای میلیون­ها نفر در سرتاسر جهان فراهم می­کنند. باوجود محتوای شخصی در موک­ها، فراگیران از یادگیری خود راهبر استفاده می­کنند، با محتواهای یادگیری ریز و جزئی مانند فیلم­های کوتاه، درگیر می­شوند و در بحث­های مشترک با سایر فراگیران شرکت می­کنند.

فناوری پیشرفته: ترکیب واقعیت مجازی و واقعیت افزوده در یادگیری و توسعه
واقعیت مجازی با ایجاد تصاویر واقع­گرایانه، اصوات و سایر احساسات، محیطی تعاملی ایجاد می کند تا کاربر را کاملاً در آن غوطه­ور سازد. البته این ایده جدیدی نیست. به عنوان مثال به شبیه­سازهای پرواز فکر کنید. اما اکنون کاهش روزافزون در هزینه سخت­افزاری واقعیت مجازی (هدست، دستکش و غیره) باعث شده است تا این فناوری در دسترس مخاطبان بسیار گسترده­تری قرار بگیرد. از فناوری واقعیت مجازی حتی می توان در تلفن­های هوشمند نیز استفاده کرد؛ اگرچه که قابلیت سه بعدی بودن آن کمتر از سخت­افزار واقعیت مجازی است.

برخی از کاربردهای فعلی واقعیت مجازی شامل پلتفرم آموزش مدیکال ریلیتیس برای دانشجویان جراحی است. این پلتفرم با استفاده از سیستم واقعیت مجازی آکولاست ریفت مجموعه­ای از ماژول­ها را ارائه می­دهد که هر کدام فیلم­های 360 درجه عالی از جراحی­های واقعی ارائه می­دهند. همچنین آموزش واقعیت مجازی برای نیروهای مسلح و کارکنان نیروی انتظامی در قالب سیستم واقعیت مجازی ویریتسم، محصول پیمانکار دفاعی ایالات متحده، رایثون، فراهم شده است. این سیستم شامل ضبط تمام حرکات بدن، هدست­های واقعیت مجازی و تفنگ­های غیرواقعی است و شبیه سازی هایی از محیط جنگ واقعی ارائه می­دهد که گرو­ه­های کارآموز در مقابل یکدیگر قرار می­گیرند.

ایجاد همزاد دیجیتال
فناوری همزاد دیجیتال ارتباط نزدیکی با واقعیت افزوده دارد زیرا دنیای مجازی و فیزیکی را به هم وصل می کند. مفهوم همزاد دیجیتال اکنون برای کسب وکارها ضروری است و به عنوان یکی از 10 روند برتر فناوری استراتژیک گارتنر برای سال 2017 نام برده شده است. به زبان ساده، همزاد دیجیتال یک مدل مجازی از یک فرآیند، محصول یا خدمت است که با تجزیه وتحلیل داده­ها و نظارت بر سیستم­ها امکان جلوگیری از مشکلات قبل از وقوع آن ها، جلوگیری از تعطیلی کار و حتی برنامه­ریزی برای آینده با استفاده از شبیه­سازی را فراهم می کند.

همزاد دیجیتال چگونه کار می کند؟ اول، اجزای هوشمند از سنسورها برای جمع­آوری داده­های لحظه­ای، شرایط یا موقعیت­های کاری استفاده می کند که با یک مورد فیزیکی ادغام شده­اند. دوم، این اجزا به یک سیستم مبتنی بر اَبر متصل هستند که کلیه داده­هایی که سنسورها پایش می­کنند را دریافت و پردازش می کند. سپس این ورودی تجزیه­وتحلیل می­شود و نکاتی آموخته و فرصت­هایی در محیط مجازی کشف می­شود که می­تواند در دنیای فیزیکی استفاده شود. همزادهای دیجیتال ابزارهای قدرتمندی برای پیشبرد نوآوری و عملکرد هستند.

مشکلات کلیدی که باید مراقب آن ها باشید
نقض داده­ها همیشه یک نگرانی منطقی است؛ و به­جا هم هست. در سال 2009 یک مدرسه در منطقه­ای از تنسی، ناخواسته نام، نشانی، تاریخ تولد و کد ملی 18,000 دانش­آموز را برای ماه­ها در یک سرور ناامن باقی گذاشت. بنابراین اطمینان از محرمانه و ایمن بودن داده­های کارکنان نگرانی اصلی هر تیم منابع انسانی است. این روزها ساده لوحانه است اگر فکر کنیم شما نگران محافظت از داده­های کارکنان خود نیستید. در صورت امکان گمنام بودن داده­های یادگیری و توسعه کارکنان مفید خواهد بود. در مواردی که گمنام ماندن داده­ها ممکن نیست، باید از امنیت آن­ها مطمئن شوید.

فصل یازدهم
مدیریت عملکرد
هوشمند/مبتنی بر داده ها

واضح است که ارزیابی عملکرد کارکنان با استفاده از داده­ها و تحلیل­ها مزایای زیادی به همراه دارد اما باید در استفاده از آن به دقت عمل کرد. بین بهبود عملکرد و نظارت بر کارکنان مرز باریکی وجود دارد و سازمان هایی که پا را از این مرز فراتر گذاشته­اند، با واکنش­های منفی روبرو شده اند. بیشتر کارکنان دوست ندارند که رئیسشان بر تمام حرکات آن ها نظارت داشته باشد، درواقع این امر می­تواند موجب تخریب روحیه کارکنان به ویژه افراد خودگردان شود. برای اجتناب از اینکه به عنوان یک سازمان مستبد شناخته شوید، باید کاملاً بااحتیاط رفتار نموده و داده های موردنیاز برای ارائه بازخورد سازنده به کارکنان را به­گونه­ای جمع آوری کنید که موجب نگرانی آن ها نشوید یا به برند کارفرمای خود لطمه نزنید.

اینترنت اشیاء و اینکه چگونه کارکنان خوشحال و در ارتباط باهم بهره­وری بیشتری دارند
ظهور دستگاه های مجهز به اینترنت اشیاء به ویژه وسایل پوشیدنی، نقش مهمی در توانایی منابع انسانی در سنجش موثر عملکرد بازی می کند. قابلیت­هایی مانند اندازه گیری حرکات فیزیکی مثل نحوه کنار آمدن کارکنان با شرایط چالش برانگیز جسمی یا نحوه تعامل افراد با یکدیگر از طریق دستگاه­های اینترنت اشیاء ممکن می شود. استفاده از فناوری برای بهبود کارایی چیز جدیدی نیست. در دهه 1990 شرکت ارتباطات از راه دور بل کانادا دستگاه­هایی را به تکنسین­های تلفن ارائه کرد که روی مچ آن ها بسته می­شد و به آن ها اجازه می­داد بدون نیاز به مراجعه به رایانه و در خودرو خود اطلاعات تعمیر را وارد کنند. طبق گزارش ها از این طریق هر تکنسین حدود یک ساعت در روز صرفه­جویی می­کرد. این فناوری هم امروزه همراه با توسعه دستگاه­های پوشیدنی توسعه یافته است.

رویکردهای جدید ارزیابی عملکرد
سیستم های جدید عموماً به جای رتبه­بندی کارکنان نسبت به هم یا مقایسه عملکرد با سایر کارکنان، بر نقش منحصربه فرد هر کارمند تمرکز می کنند. بسیاری از سیستم های ارزیابی عملکرد قدیمی برای ساده کردن کار ارزیابی از اعداد 1 تا 9 برای رتبه بندی یا دسته بندی عملکرد کارکنان استفاده می کنند. اما نسل جدید سیستم­های ارزیابی بر ایجاد دیدی دقیق­تر و غنی­تر از هر کارمند به منظور تسهیل بهبود عملکرد متمرکز است. همچنین این سیستم­ها اغلب بازخوردهای بیشتری ارائه می دهند. این سیستم­ها به جای انجام تنها یک ارزیابی در سال، تمایل به انجام ارزیابی مستمر، به عنوان مثال ارزیابی پس از پایان پروژه­های بزرگ یا ارزیابی­های ماهانه دارند. بررسی و ارزیابی مستمر به این معنی است که مدیر فرصت بیشتری برای هدایت کارکنان به سمت بهبود عملکردشان دارد. این ارزیابی­های منظم عموماً وقت کمتری هم می گیرند. به عنوان مثال شرکت دولویت از پرسشنامه هایی تنها با چهار سوال استفاده می کند که دو سوال آن پاسخ های بله و خیر هستند.

استفاده از هوش مصنوعی در ارزیابی عملکرد
کاهش تعصبات

بیشتر مشکلات ارزیابی عملکرد به دلیل مشکلات ناشی از تعصبات در محیط کار است. این رفتار کاملاً با دلیل، آگاهانه یا ناخودآگاه صورت می گیرد و می­تواند ناعادلانه بر ارزیابی مشارکت فرد در سازمان تاثیر بگذارد. نژاد و جنسیت شاید دو مورد از بارزترین منابع تعصب فردی باشند. خوشبختانه تشخیص آن ها اغلب بسیار آسان است؛ اما موارد موقت و زودگذرتری هم وجود دارند که ممکن است بلافاصله هنگام وقوع آشکار نباشند. یکی از این موارد خطای مقایسه است؛ یعنی ارزیاب تمایل دارد عملکرد یک فرد را با عملکرد همکاران او، نه استانداردهای مشخص شده برای موفقیت مقایسه کند. مورد دیگر خطای تازگی است که به آخرین و تازه­ترین اقدامات فرد اهمیت بیشتری داده می شود و به اقداماتی که قبل­تر اتفاق افتاده اند (اما هنوز در دوره ارزیابی عملکرد هستند) توجه کمتری می شود. این همان جایی است که هوش مصنوعی می­تواند وارد عمل شود؛ چراکه تعصب یک ضعف انسانی است که هوش مصنوعی فاقد آن است.

ماشین­ها انجام ارزیابی عملکرد را به تعویق نمی­اندازند

یک نکته جالب در مورد هوش مصنوعی این است که آن ها ارزیابی عملکرد را به عنوان کاری تلقی نمی­کنند که هر وقت فرصت داشتند انجام دهند و برخلاف بسیاری از مدیران انسانی آن ها ارزیابی را به آخرین لحظه موکول نمی­کند. کافی است به آن ها بگویید که یک دید 360 درجه مداوم از کارایی نیروی کار خود می­خواهید و (ازلحاظ تئوری) این همان چیزی است که دریافت خواهید کرد؛ و ازآنجاکه ارزیابی مبتنی بر هوش مصنوعی می­تواند در لحظه رخ دهد (با اهداف پایش سیستم­ها، سهم افراد و گروه­ها و نحوه تاثیرپذیری این عوامل از ارتباطات کارکنان)، مشوق­ها و پاداش­ها برای عملکرد خوب را می­توان بلافاصله اعلام کرد. اگر اهداف تحقق نمی­یابند یا استانداردهای عملکرد، ضعیف هستند، امکان مداخله پیش از بزرگ شدن مشکل و غیرقابل کنترل شدن آن وجود دارد.

افزایش دفعات ارائه بازخورد

ابزار مبتنی بر هوش مصنوعی شرکت بترورکس در افزایش تعداد دفعات بازخورد نیز پیشگام است. اجرای هوش مصنوعی این موسسه به وسیله ابزاری با نام «نمودار کار» ممکن می شود. نمودار کار یک نقشه از تمام ارتباطات مابین نیروی کار، نه فقط برحسب ارتباط شغلی کارکنان باهم، بلکه همچنین ازنظر وجود اهداف مشترک بین آن ها است. از الگوریتم های هوش مصنوعی نمودار کار می­توان برای ردیابی اهداف کارکنان و میزان پیشرفت آن ها استفاده و در صورت لزوم با ارائه نظرات، راهنمایی­ها و دیدگاه­های لازم به آن ها کمک کرد. سپس سیستم از افراد مربوطه مانند مدیر صف بازخورد می گیرد. نکته مهم اینکه این سیستم ترجیحات افراد را برای بازخورد و تعاملات مانند اعلان­های بازخورد بلادرنگ یا منظم تشخیص می دهد. این نوع بازخورد فوری یا بسیار منظم می­تواند راه حل ایده­آلی برای مشکل ارزیابی­های سالانه (مانند ارزیابی سالانه عملکرد) ارائه دهد که بر اساس داده­هایی منسوخ شده انجام می شود. مدیران می توانند عملکرد را ارزیابی کرده و بر اساس داده های بلادرنگ بازخورد ارائه دهند و کارکنان نیز می توانند این بازخوردهای سازنده را در لحظه­ دریافت کنند.

ارزیابی همکاران در محیط کار

بازخورد همکاران یکی دیگر از جنبه­های رو به رشد ارزیابی عملکرد است. شرکت استارتاپی زوگاتا نرم افزاری طراحی کرده که برای کمک به بهبود عملکرد کارکنان، بازخورد همکاران را به صورت مستمر و ناشناس به همراه توصیه های مربی به آنان ارائه می دهد. این سیستم تشخیص می دهد که افراد با چه کسانی کار می کنند و هر هفته به صورت ناشناس از آن همکاران درخواست ارائه بازخورد می کند. ابزارهایی ازاین دست به اعضای تیم امکان می دهد تا به صورت باز و منظم با یکدیگر ارتباط برقرار کنند و به کارکنان کمک می کند تا نقاط قوت و فرصت های رشد و پیشرفت خود را شناسایی کنند.

نمونه های مشکل ساز
به عنوان مثال ممکن است کارکنان دستگاه­هایی بپوشند که تعاملات آن ها را با مشتریان و سایر کارکنان ردیابی می کند. مدیر می­تواند از این اطلاعات برای شناسایی اینکه کدام یک از اعضای تیم برای شکایت از شرایط کاری به واحد منابع انسانی مراجعه کرده است، استفاده کند. سپس اگر مدیر آن کارمند را فقط بر اساس آنچه از داده­ها برداشت کرده و بدون هیچ دلیل دیگری اخراج کند، نمونه کاملی از یک اخراج ناعادلانه خواهد بود. یا اگر کارکنان از دستگاه های ردیابی تناسب اندام استفاده کنند، این خطر وجود دارد که از داده های سلامتی آنان برای تبعیض علیه افرادی که ازنظر جسمی ضعیف­تر هستند صرف نظر از عملکرد آن ها در شغلشان استفاده گردد.

درس­هایی از یو­پی­اس: چگونه عملکرد را بدون آزرده کردن کارکنان بهبود ببخشیم
شرکت یو­پی­اس استفاده از داده­ها و تحلیل­ها را به سطح کاملاً جدیدی رسانده است. به عنوان مثال رایانه دستی که سال هاست رانندگان با خود حمل می کنند (آن جعبه­های الکترونیکی که امضا می­کنید بسته خود را دریافت کرده اید) درواقع یک دستگاه پیچیده است که به رانندگان کمک می کند تصمیمات بهتری مثل انتخاب کارآمدترین شیوه تحویل سفارش بگیرند. اما درواقع این خود کامیون­های تحویل هستند که اطلاعات زیادی در مورد عملکرد راننده ارائه می دهند.

کامیون­های شرکت یو­پی­اس دارای بیش از 200 سنسور هستند که اطلاعات مربوط به همه چیز از اینکه راننده کمربند ایمنی بسته است یا درهای عقب باز هستند گرفته تا مدت زمانی که پس از هر بار طی مسیر کامیون استراحت کرده و تعداد دفعاتی که راننده اصلی با راننده کمکی تعویض شده است را جمع آوری می کنند. این شرکت تقریباً 100,000 وسیله نقلیه در جاده ها دارد که هرروز نزدیک به 17 میلیون بسته را به بیش از 9 میلیون مشتری تحویل می دهند و رانندگان به طور متوسط ​​120 توقف در روز دارند.

شش نکته حاصل از بهترین تجربیات برای سازمان شما
1. شفاف باشید
با کارکنان خود در مورد اینکه دقیقاً چه داده­هایی را جمع­آوری می­کنید و همچنین نحوه استفاده از آن ها شفاف باشید. مشخص کنید که چگونه این داده­ها به نفع خود آن هاست و به طورکلی به بهبود عملکرد سازمان هم کمک می کند. توضیح دهید که این کار نگاه به عملکرد است نه مراقبت از هر کار کوچکی که کارکنان انجام می­دهند و هرگز هم از این اطلاعات برای مجازات آن­ها استفاده نمی­شود.
 
2. داده های جمع آوری شده را به حداقل برسانید
جمع آوری داده ها را به حداقل برسانید و فقط داده­های اساسی که تاثیر واقعی بر عملکرد دارند را جمع­آوری کنید. همیشه باید بتوانید دقیقاً دلیل نیاز به داده های خاص را توجیه کنید. اگر دلیل خوبی برای جمع­آوری داده­های خاص وجود ندارد از آن ها صرف نظر کنید.
 

3. رضایت بگیرید
برای استفاده از داده­های عملکرد باید از کارمندان خود رضایت بگیرید و پس ازآن، از آن داده­ها فقط برای هدفی استفاده کنید که کارکنان رضایت داده­اند.
 
4. با اتحادیه همکاری کنید
اگر کارکنان شما مانند رانندگان یو­پی­اس عضو اتحادیه هستند، لازم است قبل از انجام اقدامات لازم با اتحادیه مشورت کنید و در مورد روش­های سنجش عملکرد به توافق برسید.
 
5. گفتگو را حفظ کنید
کارکنان خود را از ایجاد تغییر در نحوه جمع­آوری داده­ها و نحوه استفاده از آن ها مطلع کنید. فقط به این دلیل که آن ها را استخدام کرده­اید، به شما اجازه نمی­دهد که هر چیزی را که دوست دارید در آینده کنترل کنید.
 

6. منافع آشکار حاصل از داده­ها را نشان دهید
موفقیت­ها را با صدای بلند اظهار کنید و نشان دهید که چگونه اندازه­گیری و ارزیابی عملکرد مبتنی برداده می­تواند مانند شرکت یو­پی­اس نتیجه کار را بهبود ببخشد و به شرکت در دستیابی به اهدافش کمک کند. هنگامی که عملکرد بهتر کارکنان منجر به عملکرد مالی بهتر کل سازمان می شود، به کارکنان خود پاداش لازم را بدهید.
 

فصل دوازدهم
آینده منابع انسانی مبتنی بر داده­ها

چالش های آینده پیش­ روی منابع انسانی
یافتن نقش منحصربه­فرد منابع انسانی

ایجاد تعادل بین فناوری (به ویژه با افزایش اتوماسیون در شغل) و نقش انسان در سازمان­های آینده، برای تیم های منابع انسانی چالش برانگیز خواهد بود. به طور طبیعی در آینده چه در وظایف منابع انسانی و چه در سایر کسب وکارها اتوماسیون بیشتری وجود خواهد داشت. اما اگر همه کارها کاملاً خودکار و به کمک ربات­ها انجام شوند، دیگر چه نیازی به منابع انسانی است؟ بنابراین تیم­های منابع انسانی امروز باید راجع به آینده منابع انسانی و اینکه دقیقه چه بخش­هایی را می­توان خودکار کرد و چه بخش­هایی را نه، فکر کنند و سهم منابع انسانی در محیط کار آینده را بسنجند.

مهارت­های ضروری برای بقا در انقلاب صنعتی چهارم
امروزه با وقوع چهارمین انقلاب صنعتی نحوه زندگی و کار ما در حال تغیر و تحول است (فصل دوم). اکنون دنیای ما مملو از داده­ها و دستگاه­های متصل به اینترنت است که قادر به جمع آوری و پردازش مقدار بسیار زیاد اطلاعات هستند. همه کارکنان در هر شغل و هر صنعتی باید پیامدهای این تحول جدید و چگونگی تغییر شغل و چشم انداز اشتغال در سال های آینده را در نظر بگیرند. این موضوع فقط مختص تیم­های منابع انسانی نیست بلکه برای بیشتر افراد در هر سازمانی صدق می کند. هرچند برای تیم های منابع انسانی اهمیت ویژه ای دارد؛ چراکه نه­تنها متخصصان منابع انسانی راه خود را در این دنیای جدید پیدا می کنند بلکه باید افراد سازمان خود را هم به مهارت­های اساسی برای کمک به موفقیت کسب­وکار در آینده مجهز کنند. در ادامه به ذکر سه نکته اصلی برای متخصصان منابع انسانی می­پردازیم که از خود می پرسند چگونه می توان از این تغییرات در سطح فردی و برای توسعه شخصی استفاده کرد.

نکته اول: آینده شغلتان را در نظر بگیرید
خوب فکر کنید که چه میزان از وظایف روزمره­تان تکراری است و پتانسیل انجام از طریق ربات­های هوشمند و رایانه­ها را دارد. خودکار کردن تمام یا بخشی از وظایف منابع انسانی مانند ارزیابی متقاضیان شغل، مکاتبه با آنان، پاسخ به سوالات ساده کارکنان مانند در کریسمس چه موقع دفتر تعطیل خواهد شد؟ و حتی اندازه گیری رضایت کارکنان، امکان پذیر است. اما در حوزه­هایی مثل خلاقیت، حل­مسئله و برقراری ارتباط به­خوبی انسان­ها، رایانه­ها هنوز دچار ضعف و مشکل هستند. در این حوزه­ها است که منابع انسانی می­تواند ارزش واقعی به سازمان اضافه کند. پس عاقلانه است تلاش کنید مهارت­های خود در این زمینه­ها را افزایش داده و شکل کار خود را تغییر دهید تا کارهای بیشتری را انجام دهید که ربات­ها نمی­توانند.

نکته دوم: هوش اطلاعاتی خود را بالا ببرید
نیازی نیست که متخصصان منابع انسانی دانشمند داده شوند، اما باید درک خوبی از قابلیت­های داده­ها، نحوه کمک آن­ها به حل مسائل، مدیریت کارآمدتر سازمان و رضایت مشتریان (کارکنان) داشته باشند. اثبات توانایی شما در استفاده بدیع و اصیل از داده­ها برای حل مشکلات کلیدی، مسیر قطعی موفقیت در عصر حاضر است. استفاده راحت از داده­ها در شغل روزبه روز اهمیت بیشتری پیدا می کند.

نکته سوم: با همکاران هوش مصنوعی­ دوست شوید
هوش مصنوعی با سرعت باورنکردنی در حال گسترش و استفاده است. در زندگی شخصی، ما دستیاران هوش مصنوعی مانند سیری شرکت اپل، کورتانا ماکروسافت و الکسا آمازون را می بینم که برای ارائه خدمات بیشتر و کمک به زندگی ما به شدت در حال رقابت هستند. آن­ها می­توانند برنامه­ها را مدیریت کنند، تاخیر پروازها یا اخبار فوری را اطلاع دهند و ما را در جریان رویدادهای آینده مورد علاقه قرار دهند. بدون اینکه حتی به آن­ها گفته شود چه­کاری انجام دهند، تنها از طریق نظارت بر رفتار قادر به شناسایی و بررسی اطلاعات مربوط به ما هستند. این نوع فناوری به سرعت در محل کار در حال گسترش است و این موضوع به شدت کارکنان را نگران می کند. تیم­های منابع انسانی باید در پذیرش فناوری هوش مصنوعی پیشگام باشند و نشان دهند چگونه همکاری با سیستم­های هوش مصنوعی می­تواند به افزایش کارایی و موفقیت کسب وکار کمک کند.

روندهای اصلی فناوری و داده­ها که هر تیم منابع انسانی باید آن­ها را بشناسد

روند اول: دستگاه­های هوشمند، پیشرفته­تر و واقع هوشمند خواهند شد
به لطف یادگیری ماشین دستگاه­های هوشمندی مانند ساعت­ها، لوازم خانگی، سرگرمی و زیرساخت­هایی مانند روشنایی و سیم­کشی، همان طور که از نام­ آن­ها نیز انتظار می­رود هوشمندانه عمل خواهند کرد. اگرچه تاکنون حدود یک دهه است که تلفن­ها را «تلفن هوشمند» خطاب می­کنیم اما نام­گذاری آن­ها به «تلفن­های چندمنظوره» احتمالاً دقیق­تر (ولی نه چندان جذاب) خواهد بود. تعبیه هوش مصنوعی مانند سیری در سیستم عامل، اولین گام جهت هوشمند سازی کامل آن­ها بود و قطعاً می­توان انتظار داشت که در سال­های آینده شاهد موارد بیشتری از این قبیل خواهیم بود. ازنظر داده­های منابع انسانی همه این پیشرفت­ها به این معنی است که حجم داده­هایی که می­توانیم جمع­آوری کنیم و همین طور بینشی که از آن­ها کسب می­کنیم در آینده حتی بسیار بیشتر از حال خواهد بود.

روند دوم: سازمان­ها هزینه­های بیشتری صرف نرم­افزار داده می­کنند و توجه کمتری به سخت افزار نشان می­دهند
هزینه­های زیرساخت­های سازمان به مقدار زیادی صرف نرم­افزار داده می­شوند؛ چراکه ارائه دهندگان فضای ابری امکان ارائه خدمات بیشتری را فراهم می کند. به موازات این امر هزینه­های سخت­افزار کاهش می­یابند؛ بخشی به علت افزایش تعداد خدمات انجام شده در خارج از سازمان و بخشی هم به علت اینکه سخت­افزار ارزان قیمت و عادی مانند سرورها و فضای ذخیره­سازی بر راه­حل­های سخت­افزاری گران قیمت و سفارشی ترجیح داده می­شوند. این روندی است که در سا­ل­های آینده نیز ادامه خواهد داشت. برای تیم­های منابع انسانی این رونق نرم­افزار دنیای جدیدی از قابلیت­های تجزیه­وتحلیل را فراهم می کند؛ بدون اینکه مجبور به سرمایه­گذاری در سخت­افزارهای پرهزینه داخلی یا تعداد زیادی از دانشمندان داده باشند.

روند سوم: زمان کمتری در دنیای واقعی و زمان بیشتری صرف دنیای مجازی خواهیم کرد
فناوری پیشرفته تولید انبوه هدست های واقعیت مجازی، اکنون به راحتی به عنوان وسایل مصرفی از چندین سازنده در دسترس هسند. با در دسترس قرار گرفتن وسایل بازار انبوه و افزایش تعداد نرم­افزارهای باز که کاربران را قادر می­سازد دنیاها و واقعیت­های خود را طراحی کنند، انتظار می­رود دامنه واقعیت مجازی (و واقعیت افزوده) در چند سال آینده به طور قابل توجهی گسترش یابد. واقیت مجازی و واقعیت افزوده می­توانند مزایای واقعی در زمینه­های یادگیری و توسعه کارکنان و تقویت برند کارفرما برای جذب بهترین کارکنان به سازمان ارائه دهند.

روند چهارم: سازمان­های بیشتری همزاد دیجیتال خود را کشف خواهند کرد
اساساً ایده پشت این فناوری این است که به دلیل افزایش قدرت محاسباتی و مقرون به صرفه بودن و دقت فناوری سنسور این روزها می­توان با دقت بالایی، بسیاری از موارد را روی رایانه شبیه سازی کرد. کاربرد آشکار این مفهوم در منابع انسانی، کمک به یادگیری و توسعه است اما می­تواند کاربردهای بسیار بیشتری نیز داشته باشد. همزاد دیجیتال حتی می­تواند از کل یک سازمان با شبیه­سازی داده محور از تمام فرآیندهای آن ساخته شود و محیط آزمایشی مناسبی را برای آزمایش تغییرات شدید فراهم کند. همچنین داده­های مورد استفاده برای ساخت همزاد می­توانند به عنوان ورودی برای تحلیل­ پیش­بینی­های پیچیده مورداستفاده قرار گیرند و امکان بررسی نتایج احتمالی حاصل از تغییرات رویه­ها و فرآیندها را در یک محیط شبیه­سازی ایمن فراهم کنند.

روند پنجم: به این ایده که هم زمان در دو مکان باشیم توجه خواهیم کرد
حضور از راه دور، ایده­های واقعیت مجازی، واقعیت افزوده و مفهوم همزاد دیجیتال را ترکیب می کند تا امکان قرار گرفتن هم زمان یک فرد در دو مکان را به شکل موثر فراهم کند. امروزه به میزان زیادی از هواپیماهای بدون سرنشین و دستگاه­های کنترل از راه دور برای گسترش زمینه نفوذ سریع ما در خارج از محدوده دسترسی­مان استفاده می­شود. جراحی­ها را می­توان از راه دور توسط جراح کنترل کننده یک ربات یا تجهیزات جراحی کنترل از راه دور انجام داد و از وسایل نقلیه و تجهیزات بدون سرنشین برای دسترسی به مکان­هایی که برای سلامتی ما خطرناک است یا رسیدن سریع تر به مقصد استفاده کرد. ساده­ترین کاربرد آن­ها شرکت در جلسات از راه دور است که در یک محیط مجازی (مثلاً اسکایپ) و به کمک فناوری انجام می­شود.

روند ششم: سازمان­ها از داده­های خارجی بیشتر استفاده خواهند کرد
هیچ شکی نیست که داده­های داخلی به علت پیوند خاصی که با کسب­وکار، صنعت، چالش­ها، مشتریان و کارکنان سازمان دارند مزیت رقابتی خارق­العاده­ای ارائه می­دهند. با این وجود سازمان­ها به میزان زیادی به دنبال تکمیل داده­های داخلی خود با استفاده از داده­های خارجی هستند. تمرکز صرف بر داده­های داخلی مانند دیدن با یک چشم است؛ لذا استفاده از داده­های اضافی در کنار داده­های داخلی حایز اهمیت است. این امر بدان معنی است که تیم­های منابع انسانی در آینده باید تعادل بیشتری بین داده­های ارزشمند داخلی و داده­های فراوان موجود در خارج از سازمان برقرار کنند.

روند هفتم: تیم­های منابع انسانی از گزارش­دهی به سمت پیش­بینی حرکت می­کنند
به طور سنتی تیم­های منابع انسانی با استفاده از داده­های ماهانه، دوماهه یا دوازده­ماهه گزارش­هایی درباره آنچه در سال گذشته اتفاق افتاده است تهیه می­کنند. در آینده تا حد زیادی شاهد خواهیم بود که واحدهای منابع انسانی و سایر بخش­های کسب­وکار از تحلیل این داده­های قدیمی به سمت تحلیل داده­های بلادرنگ حرکت می­کنند. برای اینکه یک سازمان بتواند در این دنیای مبتنی بر داده همچنان رقابتی باقی بماند نیاز به تحلیل­های بلادرنگ بیشتری خواهد داشت. تجزیه وتحلیل بلادرنگ به معنی دانستن دقیق چیزی است که در این لحظه در حال وقوع است و همچنین اقدامات لازم برای اصلاح مشکلات قبل از ریشه دواندن آن­هاست. یک مثال عالی از این موضوع نظرسنجی­های کوتاه مدت پالس است که شروع به جایگزینی با نظرسنجی­های سالانه کارکنان کرده است.

روند هشتم: انقلاب محاسبات کوانتومی
تلفن­های هوشمند امروزی دارای قدرت محاسبه یک رایانه نظامی 50 سال قبل هستند که به اندازه یک اتاق بود. با این وجود و حتی با پیشرفت­های خارق­العاده­ای که در فناوری داشته­ایم، باز هم مسائلی وجود دارند که محاسبات استاندارد نمی­توانند آن­ها را حل کنند. در اینجاست که محاسبات کوانتومی وارد عمل می­شوند؛ یعنی حل مشکلات پیچیده فراتر از توانایی­های یک رایانه سنتی.

روند نهم: دموکراسی­­سازی بیشتر داده­های منابع انسانی
در سال­های اخیر شاهد موج جدیدی از دمکراسی­سازی داده­ها بوده­ایم و هرروز نیز نشانه­های بیشتری مبنی بر ادامه این روند را می­بینیم. در عمده پنج دهه گذشته، داده­ها متعلق به بخش فناوری اطلاعات بودند و توسط تحلیلگران و مدیران اجرایی برای اتخاذ تصمیمات تجاری استفاده می­شدند. با افزایش حجم داده­ها در سازمان و افزایش محدودیت­های ناشی از آن، مشخص شد که افراد بیشتری در کسب­وکار به این داده­ها برای کاوش در آن­ها و استخراج بینش­های لازم بدون نظارت فناوری اطلاعات نیاز دارند. اکنون سازمان­ها برای تسریع در تصمیم­گیری، تاثیرگذاری بر فروش و خدمات مشتری و کشف فرصت­ها، به کارکنان بیشتری اجازه دسترسی به داده­ها را می­دهند. این افزایش دسترسی همان چیزی است که به عنوان دموکراسی­سازی داده­ها شناخته می­شود ( گاهی آن را جامعه پذیری داده­ها نیز می­خوانند).

روند دهم: داده­های منابع انسانی در کسب­وکار ارزش بیشتری خواهند داشت
در بسیاری از سازمان­های مبتنی بر فناوری اطلاعات، انسان­هایی که سازمان را تشکیل می­دهند – و دارایی معنوی تولیدی آن­ها – جدای از سخت­افزار و نرم­افزارهایی که برای انجام کار خود نیاز دارند، ممکن است به معنای واقعی کلمه تنها دارایی سازمان باشد. بنابراین جای تعجب نیست که در بسیاری از بخش­های صنعت کارفرمایان بیش ازپیش در فناوری سرمایه­گذاری می­کنند که قادر به اندازه­گیری و تحلیل رفتار و عملکرد کارکنان – از فروشگاه­ها گرفته تا اتاق هیئت مدیره – باشد. از این گذشته سازمانی که بتواند کارکنان خود را درک ­کند بدون شک در موقعیت بهتری برای ایجاد انگیزه، شادی و افزایش کارایی آنان قرار دارد. با افزایش روزافزون مدیریت بخش­های مختلف کسب­وکار با استفاده از فناوری هوشمند مجهز به اینترنت اشیاء، حرکت مدیریت منابع انسانی به این سمت اجتناب ناپذیر است. به این ترتیب هنگام تنظیم استراتژی و تعیین اهداف، اطلاعات منابع انسانی به اندازه داده­های مالی مهم خواهد بود.

روند یازدهم: تیم­های هوشمند منابع انسانی به جای داده­ها بیشتر بر کارکنان متمرکز خواهند شد
دنیای داده­ها و اعداد چیزی نیست که باعث افزایش جذابیت کار برای متخصصین منابع انسانی می­شود. بیشتر آنان به این دلیل جذب این شغل می­شوند که ذاتاً افرادی علاقه­مند به کارکنان و تعامل انسانی هستند نه تجزیه­وتحلیل مجموعه داده­ها. بنابراین اگر این کتاب را خوانده­اید و احساس می­کنید برای حفظ شغل خود باید یک دانشمند داده شوید، بهتر است کمی آرام باشید. درواقع خلاف این موضوع صحت دارد. خبر خوب این است که بسیاری از ابزارهای تحلیل داده­ها که به بازار می­آیند به ما امکان تحلیل خودکار و کسب بینش از طریق هوش مصنوعی و قابلیت­های یادگیری ماشین را می­دهند. محاسبات کوانتومی قابلیت­های محاسباتی را متحول می کند و ما را قادر می­سازد تا الگوریتم های پیشرفته هوش مصنوعی را در کمترین زمان و با کمترین تلاش انجام دهیم.