DEYNEKINA HR&BA
VK
Youtube
Telegram
contact@deynekina.ru
+7-916-571-91-94
deynekina hr&ba

Разбор проектов по HR-аналитике
премии HR-бренд 2020.
Часть 2

В 2020 году в премии HR-бренд приняли участие 190 проектов. 10 из них отнесены нами к HR-аналитике. Предлагаем рассмотреть некоторые проекты и почерпнуть идеи для внедрения в вашей компании.

Во второй части мы разберем проекты по автоматизации сбора информации о зарплатах на рынке труда и по использованию искусственного интеллекта для нужд HR-функции.
4. Проект «HR-мониторинг заработных плат» компании Пятерочка (российская сеть розничных магазинов в составе X5 Group).
Описание проекта
Реализация проекта заключалась в автоматизации процесса сбора информации о зарплатных предложениях на рынке труда в регионах. Проект внедрен в массовую эксплуатацию по всей сети и охватывает более 4000 населенных пунктов. Это позволяет устанавливать конкурентную зарплату сотрудников по отраслям, типам конкурентов, сегментам ритейла в разных регионах России и оперативно отслеживать изменения на рынке труда.

В итоге компания может быть уверена, что сотрудники получают рыночную заработную плату с учетом их должности, опыта, а также экономической ситуации в регионе.
Результаты проекта
  1. скорость найма в магазинах сократилась до 1 дня за счет установленной конкурентной заработной платы;

  2. срок принятия решений по изменению вознаграждений сократился с 10 до 3 дней;

  3. рост вовлеченности в 2020 году на 13%;

  4. eNPS превысил бенчмарк (показатель, на который ориентируется компания для сравнения своей результативности с конкурентами) по отрасли в России на 9%;

  5. снижение текучести до целевых значений;

  6. удовлетворенность заработной платой выросла на 1,5%.
Анализ результатов
Анализ ведется на основе имеющейся информации в описании проекта.

Результаты проекта оказали положительное влияние на различные HR-метрики: текучесть, вовлеченность и лояльность сотрудников, срок найма и тд. Можно сделать вывод, что это было достигнуто путем увеличения зарплаты сотрудников.

Обращаем внимание, что улучшение HR-метрик само по себе не означает улучшение бизнес-показателей компании. Соответственно рост оплаты труда должен стимулировать сотрудников работать эффективнее и в первую очередь влиять на бизнес-показатели, а не на HR-метрики.

В результатах проекта информации о бизнес-показателях нет, но предполагаем, что компания не стала публиковать конфиденциальную информацию об изменениях бизнес-показателей.

Какие дополнительные вопросы следует задать для анализа эффективности процесса повышения зарплаты в компании:
  1. Каким образом рост зарплаты повлиял на производительность труда сотрудников по различным категориям (например, на показатель розничного товарооборота, выработку на 1 сотрудника, количество единиц реализованной продукции на 1 сотрудника и т.д.)?

  2. Как изменились показатели подбора: увеличение количества кандидатов на 1 вакансию по регионам; сокращение стоимости подбора из-за сокращения срока закрытия вакансии?

  3. Как в среднесрочной перспективе (от 1 года) рост зарплаты отразился на среднем стаже работы сотрудников по категориям?
Рост eNPS превысил данные бенчмаркинга по отрасли. Это отличный результат. Напомним, что eNPS - это показатель лояльности, который измеряет желание сотрудников рекомендовать компанию в качестве работодателя. Подробнее HR-метрика eNPS разбирается в этой статье.

У eNPS есть недостатки, самый главный из которых - готовность рекомендовать работодателя сотрудник может проявлять только на словах. Чтобы подтвердить готовность на практике следует измерять показатели реферальной программы - рекомендации сотрудниками своих знакомых в качестве кандидатов на вакансии.

Обратим внимание на рост HR-метрики удовлетворенности уровнем зарплаты на 1,5%. Ориентироваться на данный показатель при анализе изменений рекомендуем с большой осторожностью по нескольким причинам:
  1. Опросы удовлетворенности чаще всего проводят на выборке сотрудников.
Это значит, что отвечают на вопросы не все сотрудники компании, а те, кто захотел. При повторном опросе для оценки изменений удовлетворенности компания не может обеспечить тот же самый состав выборки. Может оказаться так, что ни один человек не был в составе обеих выборок.

Следовательно, изменения в проценте удовлетворенности могут произойти потому, что опрашивали разных людей в первом и втором опросе. Именно поэтому ориентироваться на рост показателя на 1,5% я бы не рекомендовала.

С подобными нюансами можно работать, используя критерии статистической значимости при обработке результатов опросов. Мы разбираем эти критерии на практикуме "Исследование внутреннего бренда работодателя".
2. Опросы удовлетворенности зарплатой всегда имеют психологический фактор.
Во-первых, сотрудникам всегда хочется получать больше денег.

Во-вторых, даже при наличии ощущения соответствия уровня зарплаты содержанию работы, сотрудники не признаются в этом из-за страха, что руководитель не будет повышать им зарплату.

Что делать в таком случае? Использовать косвенные HR-метрики для оценки. Например, можно сравнить коэффициент текучести по причине неудовлетворенности зарплатой по разным категориям персонала до и после увеличения зарплаты.
Анализ результатов
Для формирования стратегии вознаграждения по регионам компания от традиционных обзоров зарплат провайдеров (ОЗП) пришла к созданию собственного инструмента.

В описании проекта не указаны конкретные инструменты и алгоритмы, написано лишь, что компания использовала возможности современных технологий — big data, машинное обучение, картографическую аналитику и роботизацию принятия решений.

Не имея возможности произвести анализ способа сбора данных, мы рассмотрим плюсы и минусы разработки собственного продукта для сбора зарплатных данных рынка труда в сравнении с использованием ОЗП. Разбор указанных плюсов и минусов осуществлен с учетом предположения, что система собирает и предоставляет информацию о зарплатных предложениях из разных источников по регионам России.

Кратко написать о том, что если компания обладает ресурсами для обоих вариантов и находится в процессе решения между ними, то следует обратить внимание на следующие особенности (плюсы, минусы, ограничения), знания которых упростят процесс выбора.

Ну что ж, давайте рассмотрим преимущества и недостатки двух вариантов анализа рынка зарплат:
  1. Обзоры зарплат провайдеров (ОЗП)

  2. Разработка собственного продукта (РСП) из доступных источников.
Плюсы РСП в сравнении с ОЗП:
1) Репрезентативность данных:
РСП: использование разных источников информации дает возможность получить более объективное распределение данных.

ОЗП: результаты представляют собой смещенные данные только тех компаний, которые предоставили свои зарплатные значения. То есть итоговые значения могут быть завышены или занижены.
2) Полнота данных:
РСП: возможность отслеживать информацию по зарплатным предложениям ключевых прямых и косвенных конкурентов.

ОЗП: ни один обзор не включает всех игроков отрасли: одни компании участвуют в одном обзоре, другие - в другом. Компании вынуждены выбирать обзор по составу наиболее релевантных участников. В случае, когда бюджет позволяет покупать несколько обзоров, компании высчитывают средневзвешенное значение медианы и квартилей зарплатных значений по отрасли.
3) Частота обновления данных:
РСП: возможность самостоятельно настроить частоту обновления данных из источников и всегда получать актуальные данные на текущую дату.

ОЗП: сбор данных осуществляется чаще всего 1 раз в году. Дальнейшая работа ведется с имеющимися данными, применяя методику так называемого "старения" данных - пропорционального изменения значений на определенный процент, исходя из данных изменения рынка труда за год. Эта методика создает искусственное расхождение данных, так как фактический рост зарплат в компаниях осуществляется не равномерно по году. Сравнить фактические и прогнозные значения рынка можно только при получении обзора за следующий год.
4) Стоимость:
РСП: требует единоразового вложения и дальнейшего поддержания алгоритмов без значительного ежегодного обновления. При этом стоимость можно снизить при наличии в команде разработчика или аналитика, владеющих Python, R, Ruby или другим языком программирования, пригодным для парсинга данных (автоматизированного сбора и систематизации информации с сайтов). В стоимость разработки также входят трудозатраты HR-специалиста, который создает списки источников по категориям должностей и по регионам.

ОЗП: стоимость зависит от провайдера и требует ежегодной оплаты для получения нового обзора. Затраты увеличиваются, если компания принимает участие в нескольких обзорах.
5) Объективность данных:
РСП: в качестве источника информации могут быть использованы как зарплатные предложения из описания вакансий компаний, так и пожелания из резюме кандидатов. Это позволит получить достоверную картину на основе спроса и предложения в разных регионах и сформировать стратегию вознаграждения.

ОЗП: собираются и отражаются только зарплатные данные компаний-участников обзоров.
Ограничения РСП в сравнении с ОЗП:
1) Универсальность применения:
РСП: не для всех категорий должностей можно настроить подобную систему. Если в источниках данных, к которым подключается система, нет информации о зарплате с указанием "по договоренности", то такие данные будут непригодны для сбора. РСП будет наиболее целесообразна в таких отраслях, как: производство, ритейл, клининг, строительство и тд, так как данные о зарплате линейных позиций этих отраслей является чаще всего доступной.

ОЗП: компании-участники вынуждены раскрывать свои данные для всех должностей, так как предоставление данных и заполнение отчета - условие получения общего отчета.
2) Структура данных:
РСП: в зарплатных значениях в описании вакансии не представлены данные о структуре вознаграждения: чаще всего в них содержится информация о диапазоне зарплат или "от" или "до". При этом информация о долях окладной и премиальной частях не указана. Кроме того, отсутствует информация о периодичности выплаты премии - раз в месяц, квартал или год?

ОЗП: информация более структурирована и позволяет сделать корректное сравнение по совокупному вознаграждению.
3) Требуемые навыки:
РСП: создание требует наличия навыка программирования. Даже если компания закажет разработку у подрядчика, потребуются навыки для поддержания и обновления алгоритмов, так как сайты могут изменить конфигурацию, токены могут обновиться и тд. При подобном развитии событий ваша система не сможет получать данные и перестанет функционировать.

ОЗП: требуются стандартные навыки специалиста функции компенсаций и льгот по сопоставлению должностей, подаче корректных данных о структуре оплаты труда по должностям, анализу данных по квартилям и медиане рынка, "старению" данных в течение года.
4) Хранение данных:
РСП: при большом объеме данных и частом обновлении потребуется дополнительное место для хранения данных - сервер. Оптимальная частота обновления - 1 раз в месяц. В особых ситуациях можно сделать более частое обновление.

ОЗП: обзоры рынка не требуют много места, так как чаще всего содержатся в формате .xls или .pdf.
5) Срок реализации:
РСП: чтобы настроить систему и научиться работать со всеми обновлениями сайтов, может понадобиться несколько месяцев корректировки.

ОЗП: позволяют использовать данные сразу же после приобретения.

Как видим, у каждого варианта есть свои преимущества и ограничения, которые нужно учитывать при работе с рынком зарплат.
Хотите так же?
К сожалению, реализовать подобный проект в Excel в полном объеме невозможно :) Если в вашей команде нет человека, умеющего парсить данные, такой проект по автоматизации сбора данных вы сделать не сможете.

В разборе проекта упоминаются два подхода компаний к сбору зарплатных данных: РСП и ОЗП. Что же делать тем, кто не пользуется ни одним из них? Такие компании могут реализовать ручной метод сбора зарплатных значений с разных сайтов по должностям.

Данный метод будет полезен, если:
  1. для компании это единственный способ получения информации о конкурентоспособности зарплат на рынке труда;

  2. компания не приобретает ОЗП, но хочет эффективно использовать бюджет на пересмотр зарплат;

  3. компания хочет быстро проверить гипотезу о причинах малого количества кандидатов на вакансию и низкого качества воронки подбора.
Однако, стоит учитывать, что у ручного метода сбора данных есть и свои минусы:
  1. большие трудозатраты на сбор данных, особенно при большом количестве позиций, источников информации и регионов присутствия компании;

  2. сбор данных по выборке из разных источников, что негативно влияет на корректность расчета медианы, первого и третьего квартилей рынка труда;

  3. отсутствие возможности оперативно отслеживать изменения.
Данный проект является хорошим примером применения аналитики и автоматизации процесса вознаграждения и наглядно демонстрирует тренд развития функции компенсаций и льгот.
5. Проект: «Искусственный интеллект в анализе внутренних коммуникаций для прогнозирования эмоционального выгорания сотрудников» компании Дом РФ
Описание проекта
Проект выполнен на базе готового решения – платформы Yva, которая позволяет анализировать характер, тональность и частоту контактов сотрудников, выявлять лидеров мнений и экспертов.
Результаты проекта
По результатам анализа составляются списки неформальных лидеров, а также сотрудников, находящихся на разных стадиях выгорания.

Данные должны предоставляться в виде дашборда с 20 факторами по каждому сотруднику.

В проекте указаны только ожидания от проекта: снижение текучести в первом полугодии 2021 года по сравнению со вторым полугодием 2020 года на 25% (не путать с процентными пунктами).

Фактических результатов по изменению текучести, изменению производительности труда, результатов от работы с неформальными лидерами в описании проекта не указано.
Анализ результатов
Фактических результатов по изменению текучести, изменению производительности труда, результатов от работы с неформальными лидерами в описании проекта не указано.
Хотите также?
Подобный проект реализовать самостоятельно сложно, т.к. в его основе лежит сбор объективных данных, которые получают непосредственно из коммуникации сотрудников.

На первый взгляд решение видится в проведении корпоративных опросов, но в данной ситуации они не сработают в должной мере по причинам:

а) сбора социально-желательных ответы сотрудников;

б) невозможности сбора аналитики по каждому сотруднику из-за соблюдения анонимности опросов.

Для реализации необходимы знания методов анализа ONA (Organizational network analysis), визуализация результатов которого встроены в интерактивный дашборд.
6. Проект: Проект «Искусственный интеллект на службе HR» компании Lamoda
Описание проекта
Для анализа потенциала кандидатов и сотрудников компания разработала успешные профили по компетенциям и прочим факторам оценки кандидата на соответствие корпоративной культуре, легкости адаптации и целевым результатам на разных ролях.
Результаты проекта
  1. на 43% снизилась текучесть по причине ошибок оценки soft skills при подборе и несовпадения с корпоративной культурой;

  2. на 35% сокращены трудозатраты бизнес-заказчиков в процессе подбора;

  3. средний срок закрытия вакансий сокращен на 20%;

  4. время на адаптацию нового сотрудника – на 34%;

  5. удовлетворенность процессом найма у кандидатов возросла на 15%;

  6. на 17% повысился индекс вовлеченности сотрудников;

  7. 83% уходящих сотрудников готовы вернуться в компанию, а более 95% уходящих готовы рекомендовать компанию в качестве работодателя.
Хотите так же?
Снизить трудозатраты в процессе подбора и сократить срок закрытия вакансий компания возможно и без применения искусственного интеллекта.

Можно начать с наиболее частых вакансий. Для этого нужно:
  1. оценить характеристики сотрудников, которые работают в компании продуктивно и долго. Выявить возможные эффективные каналы привлечения этих сотрудников. Сформулировать с нанимающим менеджером требования, которые они предъявляют к этим сотрудникам;

  2. включить эти детали в профиль должности, согласовать с нанимающим менеджером;

  3. проанализировать текущие воронки подбора по данным вакансиям: оценить трудозатраты вовлеченных в процесс подбора сотрудников, измерить скорость закрытия вакансий.
Эти действия помогут улучшить метрики подбора.