I grandi dati sulle risorse umane (HR) stanno diventando più ampiamente utilizzati per reclutare, assumere e trattenere i migliori dipendenti. Ecco tre motivi per cui più aziende stanno adottando analisi predittive per migliorare la linea di fondo.

Reclutamento più efficace

I grandi dati aiutano a scoprire quali candidati sono più adatti per le posizioni aperte. Parte del processo di data mining può includere la raccolta di informazioni dai CV e dai profili dei social media per identificare meglio quali potenziali assunzioni possono essere più produttivi e aggiungere diversità a un posto di lavoro. I manager di assunzione possono quindi limitare il loro pool di candidati e decidere quali aree di valutazione dovrebbero concentrarsi durante le interviste. Attraverso questa strategia, il processo di assunzione si muove più rapidamente e le persone giuste vengono assunte più spesso.

Per esempio, una banca in Asia ha reclutato i primi laureati da università altamente qualificate per riempire i suoi 8.000 ruoli distribuiti su 30 rami. Dopo che la banca ha subito una ristrutturazione organizzativa, l'istituzione ha iniziato la sua attività di data mining che copre 30 punti nelle categorie di performance dei dipendenti, storia professionale, demografia, tenore e informazioni sulle filiali dalle sue risorse attuali. La banca ha iniziato ad utilizzare l'analisi dei dati per identificare i dipendenti attualmente in grado di eccellere nelle loro posizioni, creando nuovi ruoli all'interno dell'organizzazione e ottenere ulteriori informazioni su ciò che motiva le prestazioni dei lavoratori.

Utilizzando analisi predittive, la banca ha scoperto tratti comuni tra gli utenti alta e bassa e ha creato profili per i lavoratori con una maggiore possibilità di eccellere in un ruolo specifico. Le informazioni hanno anche mostrato che come i rami e le squadre sono strutturate influenza la crescita finanziaria dell'istituzione. Inoltre, i grandi dati hanno rivelato che i ruoli specifici hanno avuto la maggiore influenza sul successo della banca.

Di conseguenza, sono state create nuove strutture organizzative intorno a gruppi e gruppi specifici di lavoratori. Poiché la banca ha iniziato ad utilizzare l'analisi dei dati per reclutare e misurare le prestazioni, la produttività dei rami è aumentata del 26%, il tasso di conversione di nuovi reclute è aumentato dell'80% e il reddito netto è aumentato del 14%.

Assunzione meno stimata

L'analisi predittiva riduce la quantità di pregiudizi che entra a prendere decisioni che influenzano la performance di un'azienda. Ad esempio, molti manager di assunzione portano a bordo candidati dotati di caratteristiche simili ai loro migliori operai. Tuttavia, poiché i dipendenti esistenti sono stati assunti con gli stessi metodi pregiudizievoli, le organizzazioni finiscono in assenza di diversità culturale e intellettuale, che possono ridurre il successo complessivo di un'azienda. Creando modelli e benchmark per valutare i lavoratori e le aree di business, le aziende possono meglio identificare quali dipendenti e quali contributi sono più importanti per l'organizzazione e utilizzare analytics predittivo per determinare più chiaramente quali lavoratori possono eccellere nelle loro posizioni.

Ad esempio, un business di servizi professionali che ha ricevuto annualmente 250.000 richieste di lavoro ha voluto ridurre il tempo e il denaro speso per la revisione dei CV, migliorare l'efficacia del processo di screening e assumere più donne per la sua forza lavoro. Attraverso l'utilizzo di analisi predittive, l'algoritmo ha rappresentato i resoconti passati dei candidati, i soggetti intervistati che sono stati offerti posizioni e coloro che hanno accettato. Il modello ha collegato i dati agli obiettivi di assunzione della società, ha ridotto l'elenco dei candidati che più probabilmente si esprimono nelle posizioni aperte e ha spostato tali riprese alla fase successiva del processo di assunzione. Circa il 45% dei resumes è stato esaminato, 15% più donne avanzato nel processo di screening rispetto a passare attraverso la screening manuale e il business ha realizzato un ROI (Return on Investment) del 500%.

maggiori tassi di conservazione

I grandi dati aiutano a migliorare i tassi di ritenzione mostrando quali lavoratori sono più propensi a lasciare e quali potrebbero essere necessari trasferimenti in una posizione diversa nell'organizzazione, promuovendo o acquisendo un mentore come incoraggiamento a rimanere l'azienda. Tali cambiamenti spesso aumentano l'impegno del lavoro, la soddisfazione del lavoro e la produttività in modo che i dipendenti rimangano nell'organizzazione.

Ad esempio, i dipendenti indossano carte di identificazione con elementi embedded, come ad esempio Bank of America Corp. (67%, 54% ) creati con Highstock 4. 2. 6

sensori per il monitoraggio delle interazioni interpersonali tra i suoi operatori del call-center. Wells Fargo & Co. (NYSE: WFC WFCWells Fargo & Co56. 14-0.37% Creato con Highstock 4. 2. 6 ) utilizza analisi predittive per determinare quali candidati sono più qualificati per le posizioni come cassieri e banchieri personali, in base al fatto che i candidati posseggano le caratteristiche dei lavoratori impegnati e ad alto rendimento. Dopo un anno di attuazione del programma, la ritenzione dei creditori e dei banchieri personali è aumentata rispettivamente del 15% e del 12%. La linea inferiore I grandi dati in HR aiutano le aziende a risparmiare tempo e denaro quando assumono, assumono e mantengono i loro migliori lavoratori. Altre imprese implementeranno analisi predittive nelle loro pratiche commerciali, in quanto le organizzazioni vedono sempre più il valore nel processo e desiderano migliorare la linea di fondo.