เมื่อการใช้ Sense หรือ Gut Feeling ไม่ใช่วิธีที่ดีที่สุดในการพัฒนาและดูแลคน เทรนด์ด้าน People Analytics หรือ HR Analytics จึงเป็น HR Trend ที่มาแรงขึ้นเรื่อยๆ และจะกลายเป็น New Normal ในอนาคตอันใกล้อย่างแน่นอน
หาก HR Recruiter ต้องรับคนเข้ามาเป็น Sale ฝ่ายขาย คุณคิดว่าเขาควรเลือกคนที่เป็น Extrovert หรือ Introvert ?
คำตอบคือมันไม่ได้ Simple ขนาดนั้น เพราะการเป็น Extrovert อาจไม่ใช่ปัจจัยหลักที่ทำให้ยอดขายพุ่งทะลุเป้า และการเป็น Introvert ก็อาจมีข้อดีของการเป็นผู้รับฟังที่ส่งเสริมให้ลูกค้าไว้วางใจก็ได้ เรายังไม่สามารถสรุปอะไรได้เพียงแค่ข้อมูลนี้
นอกจากนั้น ความประทับใจแรกพบจากการสัมภาษณ์ แน่นอนว่าในมุมหนึ่งมันก็เป็นข้อมูลที่มีประโยชน์ในการตัดสินใจเลือกรับคน แต่งานวิจัยในหัวข้อ Effect of Gut Based Decision Making ก็ได้เผยออกมาแล้วว่ามีเพียงแค่ 14% ของการรับคนโดยใช้ Gut Feeling ที่ทำให้ได้คนที่มี Performance สูงกว่าค่าเฉลี่ย และมากถึง 57% ของการเลือกคนโดยใช้ Gut หรือสัญชาติญาณทำให้ได้คนที่ Perform ต่ำกว่าค่าเฉลี่ย
Data จะมาช่วย HR อย่างมหาศาล
นี่จึงเป็นที่มาว่าทำไม HR ยุคใหม่ถึงจำเป็นต้องหาวิธีใช้ประโยชน์จาก People Data และนำ Data มา Back Up การตัดสินใจต่างๆ เพื่อลด Bias ที่จะเกิดขึ้นจากสัญชาตญาณเพียงอย่างเดียว บริษัทใหญ่ๆ โดยเฉพาะฝั่งอเมริกาและแคนาดามีตำแหน่งอย่าง HR Analytics, HR Data Science
หรือแม้กระทั่ง CHRDSO (Chief Human Resource Data Science Officer) หลายๆ บริษัทมีทีมที่ถูกตั้งขึ้นมาเพื่อทำงานเฉพาะด้าน People Analytics ข้อมูลปี 2019 โชว์ว่า 22% ของบริษัทในอเมริกาเหนือ Report ว่ามีการใช้ HR Analytics ในองค์กร และ 11% มีการตั้งตำแหน่งด้าน HR Analytics ขึ้นมาเลย
UseCase ของ HR Analytics
ตัวอย่างของการใช้ Data Analytics & Data Science เพื่อเพิ่ม Productivity ให้กับ HR Department
1) Basic Metrics
HR สามารถวิเคราะห์ข้อมูลอัตราส่วนง่ายๆ แต่ทำให้เห็นภาพรวมของการดำเนินงาน HR เช่น
Cost Per Hire ต้นทุนการรับคนต่อหัว ซึ่งคำนวณโดยนำ ต้นทุนการ Recruit ทั้งหมด ไม่ว่าจะเป็นการไปออกบูธที่มหาวิยาลัย ค่าแรงพนักงาน etc. ใน Period นั้นๆ มาหารด้วยจำนวนหัวของพนักงานใหม่ที่ได้ Recruit เข้ามา
โดย HR สามารถนำข้อมูลที่ได้ไปเปรียบเทียบกับ Benchmark ในตลาดหรือเทียบรายปีเพื่อนำไปสู่ Action ต่อไป เช่น หาก Cost/Hire ของบริษัทเราสูงกว่าตลาดอย่างมีนัยยะสำคัญ หรือปีนี้สูงกว่าปีอื่นๆ อย่างมีนัยยะสำคัญ นั่นคือจุด Trigger Point ที่ HR ต้องไปสำรวจเพิ่มเติมถึงสาเหตุ และนำไปสู่การปรับปรุงประสิทธิภาพในการ Recruite ต่อไป
Revenue Per Employee กำไรต่อหัวพนักงาน คำนวณโดยนำกำไรของบริษัทมาหารด้วยจำนวนพนักงานทั้งหมด โดย HR สามารถนำข้อมูลที่ได้ไปเปรียบเทียบกับ Benchmark ในตลาดหรือเทียบรายปี เพื่อตรวจสอบความเหมาะสม หาก Revenue/Employee ต่ำ HR วิเคราะห์หาสาเหตุ
และอาจ recommend การเพิ่ม Productivity ในกรณีที่ Revenue/Employee น้อยกว่าอย่างมีนัยยะสำคัญและมีเหตุมาจากการ Utilize Human Resource ที่ไม่มีประสิทธิภาพ
Overtime Percentage หาโดยนำจำนวนชั่วโมงที่พนักงานทำ OT มาหารด้วยจำนวนเวลางานทั้งหมด ซึ่งผลลัพธ์ที่ได้สามารถนำมาสร้างการตัดสินใจต่อได้ เช่น หาก Percent ของการทำ OT ในแผนกใดเยอะเกิน Certain Point HR อาจค้นหาต่อถึงที่มาของการทำ OT ที่สูงเกินปกติ
หากเป็นเพราะภาระงานมีมากจริงๆ HR อาจแนะนำให้เพิ่มจำนวนพนักงานประจำในแผนกนั้นเพื่อลด Cost ของการทำ OT ลง (เนื่องจากปกติ OT มักให้อัตราค่าแรงสูง 1.5 -2 เท่าของค่าแรงปกติ)
2) Data Science
ใช้ช่วยทำนายแนวโน้มการลาออกของพนักงาน Talent Churn Model เป็นโมเดลการทำนายที่ Popular แทบจะมากที่สุดเวลาที่พูดถึง People Analytics นั่นเป็นเพราะเราต่างก็ไม่อยากสูญเสีย Top Talent เพราะ Cost ของการ Aquire คนเก่งๆ คนใหม่เข้ามานั้นสูงกว่าการรักษาเอาไว้หลายเท่าตัว
ด้วยข้อมูลที่เพียงพอ Churn Model สามารถช่วย HR ให้รับรู้ถึงสัญญาณและสาเหตุของการลาออก ช่วยแจ้งเตือน HR ถึงสถานะเขียวเหลืองแดงว่า Talent คนไหนมีแนวโน้มออกไปจากบริษัทในเวลาอันใกล้นี้ และ Recommend สิ่งที่ควรทำเพื่อยืดเวลาของเขาให้ยาวขึ้น
3) Social Network Analysis
ใช้ดู Company Branding ว่า Candidate Pool พูดถึงบริษัทของเราอย่างไร ภาพลักษณ์ของ Brand ต่อ Potential Candidate หรือผู้สมัครงานมีความสำคัญมากต่อการตัดสินใจสมัครงาน คนเราอยากทำงานในบริษัทที่เขาชื่นชม หรือมีประสบการณ์การสมัครที่ดี หากตลาดแรงงานมองภาพลักษณ์ของเราไม่ดี หรือหากผู้สมัครเจอ Experience การสมัครงานที่ไม่ดี ก็อาจทำให้เขาเลิกล้มความตั้งใจที่จะทำงานกับเราได้
Social Network Analysis เป็นวิธีหนึ่งในการดู Sentiment หรือความรู้สึกของผู้คนที่มีต่อแบรนด์ของเรา HR สามารถใช้เทคนิคนี้ในการดูว่ากลุ่มผู้สมัครงานในโลกอินเทอร์เน็ตพูดถึงบริษัทของเราหรือแม้กระทั่งพูดถึงประสบการณ์การการสมัครงานกับเราอย่างไรบ้าง หาก Sentiment ออกมาเป็นลบ เราจะได้หาทางแก้ไขปรับปรุง ผ่านความเห็นของผู้คนที่อาจจะเชื่อถือได้มากกว่าการใช้ Survey
ด้านบนเป็นตัวอย่างไม่กี่อันที่ Data สามารถช่วยเพิ่มศักยภาพให้กับ HR ได้
ต่อไปเราจะมาดูกันว่า การจะมุ่งสู่ Data-Driven HR นั้นมันมี Step ง่ายๆ อย่างไร ไปดูพร้อมๆ กันเลยค่ะ
การเดินทางไปสู่ DataDriven HR
การใช้ Data มาช่วย HR ไม่ใช่เรื่องที่ยาก เราอยากให้มองว่ามันไม่ใช่การ Disrupt ที่เทคโนโลยีจะมาแย่งงานเรา แต่ให้มองว่ามันคือโอกาสที่เราจะให้เทคโนโลยีมา ‘ช่วยงานเรา’ ทำให้ชีวิตเราสบายขึ้น มี productivity สูงขึ้นด้วยเวลาที่ลดลง HR ภาษา TECH ขอแบ่ง Step การเดินทางไปสู่ Data-Driven HR เป็น 4 หัวข้อ 4 Skill ดังนี้
1) Business Analysis
HR สามารถใช้ Metric ง่ายๆ อย่างที่ mention ไปด้านบนเพื่อตรวจสอบสุขภาพของบริษัท หรือดูมาตรวัด KPI ต่างๆ เช่น คำนวณอัตราส่วนการลาออกที่เป็น Bad Attrition/ All Atrrition คือดูว่าในการลาออกทั้งหมดนั้นมีจำนวนคนที่เราไม่อยากให้ออกเป็นจำนวน % เท่าไหร่ โดยอาจทำข้อมูลแยกรายเดือน
สิ่งที่ควรทำในส่วน Metric เหล่านี้คือการโชว์ข้อมูลแบบเปรียบเทียบ หากเราโชว์ยอดคนลาออกเดี่ยวๆ ข้อมูลนี้จะไม่ให้ sense ของการนำไปสู่ Action ต่อ แต่สมมติหากเราโชว์ข้อมูลการลาออกเป็นกราฟเส้น โดยแต่ละจุดแสดงถึงการลาออกแต่ละเดือนหรือแต่ละปี หากเส้นพุ่งขึ้นจุดพีคเราจะเริ่มเห็นแล้วว่ามันมีอะไรผิดปกติกว่าที่เคย
นอกจากนั้น การทำ Benchmark หรือสร้างเส้น Threshold ที่เป็นตัวบอกว่าหากเลยจุดนี้แล้วถือว่าสถานะเข้าขั้นสีแดงเป็นเรื่องที่ควรทำ โดยเราต้องเซตก่อนว่า เช่น ถ้า Cost/Hire สูงกว่า…..บาท แปลว่าเรากำลังแย่แล้ว ดังนตั้นในกราฟเส้นของเราจะมีเส้นนี้เป็น Reference ที่เวลา HR มาดูกราฟเราจะได้รู้ว่าตรงนี้ที่เราต้อง Take Action อย่างจริงจัง
จะเห็นว่าในข้อแรกนี้ การคำนวณ metric และสร้างกราฟเส้น + threshold สามารถทำได้ง่ายๆ ใน Excel เลย
2) Linear Regression
เชื่อว่า HR อย่างเราน่าจะเคยได้ยินชื่อ Linear Regression กันมาอยู่แล้วตอนทำ Thesis จบใช่ไหมคะ ถ้าไม่เคยหรือลืมไปแล้วก็อย่าตกใจเพราะมันง่ายมากและทำได้ง่ายๆ ใน excel ค่ะ สิ่งที่ Linear Regression ช่วยเราได้มีเช่น การหาปัจจัยที่ส่งผลอย่างมีนัยยะสำคัญต่อผลลัพธ์, การทำนายค่าที่เป็นตัวเลข
เช่น จำนวนคนลาออกในเดือนหน้าจะเป็นเท่าไหร่ โดยสิ่งสำคัญที่ต้องมีคือข้อมูลในอดีต และข้อมูล Factor ต่างๆ ที่เราเชื่อว่าส่งผลต่อผลลัพธ์อันนั้น Linear Regression จะช่วยทำนายผลลัพธ์ของเรา และบอกเราด้วยว่า Factor ไหนที่ส่งผลต่อผลลัพธ์มากที่สุด
3) SQL (ในกรณีที่ HR มีสิทธิเข้าถึง Database ด้วยตัวเอง)
ข้อมูลคือหน่วยพื้นฐานที่สุดของการทำ Analytic หรือ Data Mining SQL คือสกิลที่จะทำให้ HR สามารถดึงข้อมูล (Query) จาก Database กลางมาได้ ทำการคลีนข้อมูล และทำให้อยู่ในรูปแบบที่เราต้องการใช้ได้ การเข้าถึงข้อมูลได้ทำให้เราได้ Resource ที่เอามาคำนวณต่อ
เช่น ดึงข้อมูลมาทำ Linear Regression หรือเอามาคำนวณหา Metric แล้วทำกราฟ หรือทำการคำนวณข้อมูลจำนวนมากกว่าที่ Excel จะสามารถ Handle ได้
4) R หรือ Python
การเล่นกับข้อมูลด้วยวิธีที่ซับซ้อนขึ้น เช่นการทำ Data Mining สามารถทำได้ด้วย R และ Python ซึ่งเป็น Opensource ที่เปิดให้ใช้งานฟรีทั้งคู่ การทำ Data Mining สามารถทำให้เราเห็น Pattern ของข้อมูล เห็นความเชื่อมโยงของข้อมูล ทำให้เราสามารถใช้ความสามารถของ Machine Learning ในการเพิ่มศักยภาพให้ HR
เช่น การ Predict การลางาน หรือ Predict การลาออก การทำ Clustering ที่ช่วยเราแบ่งประเภทพนักงานเป็นกลุ่มต่างๆ เพื่อให้เราสามารถเห็นความแตกต่างของแต่ละกลุ่มและสามารถ Provide HR Service ที่เหมาะสมกับคนแต่ละกลุ่มมากที่สุด
มันสามารถช่วยเราทำ Recommendation System เช่น การแนะนำการเรียนรู้ที่เหมาะสมกับแต่ละคน แนะนำ Benefit ที่เหมาะสม เพื่อให้ตอบโจทย์ความต้องการในแบบ Employee-Centric มากที่สุด
KeyTakeaway
‘You cannot fully impact what you can’t measure’
เราไม่สามารถสร้าง impact ได้อย่างเต็มที่หากเราไม่สามารถวัดผลสิ่งนั้นได้ เราได้เห็นคร่าวๆ กันแล้วว่า Data Analytic & Data Science จะมาเป็นผู้ช่วยที่สำคัญให้กับ HR ได้อย่างไร และทำไมมันจึงเป็น Future of HR
อย่างไรก็ตาม มันไม่ได้หมายความว่า HR อย่างเราต้องละทิ้งความเป็นมนุษย์แล้วตัดสินใจด้วย Data เพียวๆ อย่างเดียวเท่านั้น แต่มันหมายความว่าเพื่อลด Confirmation Bias ที่จะเกิดขึ้น HR อย่างเราควรใช้ข้อมูลมาร่วมตัดสินใจ ควรใช้ข้อมูลมาหา Pattern ใช้ข้อมูลมาวิเคราะห์สถานการณ์ก่อนที่จะ Make Desicion
และใช้เครื่องมือและวิธีการทาง Data มาช่วยปลดล็อคเพิ่มพลังศักยภาพของเรา ให้ไปสู่การเป็น HR ในดวงใจที่สามารถตอบโจทย์องค์กร สร้าง Business Impact และสร้างความสุขให้กับพนักงานได้มากที่สุด
Written by
Meena Kittikunsiri (Minaa) | HR PASA TECH
นักสุขนิยมที่มีความฝันสูงสุดคือการได้ย้ายที่อยู่และ explore สิ่งใหม่ๆ ไปตลอดชีวิต มีแบคกราวด์ด้าน HR และ Computer Science สนใจเรื่องพฤติกรรมและความรู้สึกของมนุษย์ อยากนำ Technology & จิตวิทยามา leverage สายงาน HR เพื่อยกระดับความสุขของผู้คน
Written by
Cheer Tripornchaisak (Chayear)
| HR PASA TECH
เชียร์/ชะเยีย เป็น HR Practitioner ที่มี passion ด้านการร้องเพลง เชียร์มี background ด้านการสื่อสาร และขับเคลื่อนชีวิตในทุกๆ วันด้วยเสียงดนตรี
Written by
Meena Kittikunsiri (Minaa) | HR PASA TECH
นักสุขนิยมที่มีความฝันสูงสุดคือการได้ย้ายที่อยู่และ explore สิ่งใหม่ๆ ไปตลอดชีวิต มีแบคกราวด์ด้าน HR และ Computer Science สนใจเรื่องพฤติกรรมและความรู้สึกของมนุษย์ อยากนำ Technology & จิตวิทยามา leverage สายงาน HR เพื่อยกระดับความสุขของผู้คน
TALK HR PASA TECH | เพราะนวัตกรรมล้วนเกิดจากคน HR & Tech จึงต้องมาคู่กัน