HR-dataanalyse: Sådan bruger du dine HR-data effektivt

Sådan indsamler du data

Lad os først gennemgå det grundlæggende. Jeg vil ikke bruge for lang tid på det her, bortset fra at sige, at du bør vælge din HR-software med rapportering for øje. HR-dataanalyse er mere effektiv med robuste HRMS-funktioner, der kan håndtere store informationsmængder.

Se efter HR-software med tilpasselig rapportering, analyse i realtid og datadrevne indsigter, der kan forbedre beslutningstagningen. Overvej også avanceret prædiktiv analyse, benchmarking i forhold til branchestandarder og integration med eksterne værktøjer til forretningsanalyse for at få dybere indsigter.

Brug af cloudbaseret HR-software kan også forenkle HR-dataanalysen ved at centralisere alle relevante oplysninger på én platform, der kan tilgås overalt (dette er en af mange fordele ved cloudbaseret HR-software).

Præsentation af data på en meningsfuld måde

Der er så meget data, vi kan indsamle, men lad os starte med den mest grundlæggende måling – antallet af medarbejdere. Det er nyttigt at angive det månedlige antal personer i organisationen.

428

Men måske er det mere relevant at vise, om tallet er steget eller faldet siden sidste måned/kvartal/år:

382, 418, 420, 428….

Men vent, en graf er vel bedre her, ikke?

Her har vi altså på det mest grundlæggende niveau en trendlinje, der viser, at antallet af medarbejdere stiger.

Vi har et par måneder, hvor antallet voksede hurtigere, og én måned, hvor antallet af medarbejdere faldt.  

Hvorfor?

Lad os tilføje de månedlige antal nyansatte og fratrådte medarbejdere; det vil give os et bedre billede.

Vi kan se en top dér, men det er ikke tydeligt at sammenligne 15 og 400 på den samme akse, så lad os justere igen.

Ved at ændre nyansatte og fratrådte medarbejdere til et søjlediagram, sammenligne dem side om side for hver måned og flytte dem til den højre akse har vi gjort det visuelt enkelt at forstå.

Antallet af medarbejdere vokser, men antallet af nyansættelser har varieret fra måned til måned, hvor september og maj skiller sig ud. Kan vi forklare det i vores beskrivelse?

Vi skal også gøre det tydeligere, at vores graf har 2 lodrette akser, og samtidig gøre titlen klarere.

Så hvad kan vi ellers se, eller hvad har vi ellers brug for at se i dette diagram? Det ser ud til, at der er flere fratrådte medarbejdere i de seneste måneder, men virksomheden er også vokset, så det er måske forventeligt. Hvis vi tilføjer medarbejderafgang til grafen, får vi et tydeligere billede.

Aha! Nu har vi skabt en omfattende samling af medarbejderdata om denne gruppe af medarbejdere, og vi har vist i én grafik, at antallet af nyansættelser varierer kraftigt, antallet af medarbejdere vokser, medarbejderafgangen stiger, og antallet af fratrådte medarbejdere øges.

Med begrænset tekst kan vi “tale” med interessenter om, hvad der sker i organisationen, og forhåbentlig få dem til at handle.

Dette er et godt eksempel på, hvordan vi ved at opbygge de grundlæggende datasæt (antal medarbejdere, nyansættelser, fratrædelser, personaleomsætning), som vi talte om tidligere, kan vise tendenser og udføre grundlæggende analyser ved hjælp af enkle værktøjer (du kan downloade disse ark her).

Ved at se på dine data i deres enkleste form og stille dig selv spørgsmålet “Hvilken historie forsøger jeg at fortælle her?”, kan du udvikle stikord til dig selv, eksperimentere med grafernes layout og skabe visuelt virkningsfulde budskaber til dine interessenter.

Datavisualisering er en vigtig del af HR-dataanalyse. Moderne HR-softwareløsninger leveres ofte med indbyggede analyseoversigter, som kan gøre denne opgave lettere.

Du kan endda eksperimentere med værktøjer som ChatGPT for at få hjælp til din analyse. Hvis vi for eksempel tager grafen ovenfor og blot siger, hvad vi ser, kan vi bede ChatGPT om at gøre det kort og præcist.

“Antallet af medarbejdere er steget fra 320 til 428 i løbet af de seneste 12 måneder. 2 måneder (september og oktober) havde det højeste antal nyansættelser med henholdsvis 63 og 28, november havde det højeste antal fratrædelser med 20, og personaleomsætningen er steget fra 27 % til 36 % i løbet af året.”

Som du kan se, kan du ved hurtigt at indtaste hovedpunkterne i et værktøj som ChatGPT generere en kort og præcis version af din kommentar på kortere tid, end det ville have taget dig selv at omskrive den, og dine interessenter vil blive imponerede (her er nogle nyttige ChatGPT-stikord til HR, der kan hjælpe).

Nu vi taler om det, så lad os bruge et øjeblik på at tænke over vores interessenter og udfolde dette eksempel lidt mere.

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

Opbygning af personaer for dine data

Hvis vi fortsætter med eksemplet ovenfor, hvilke yderligere data kan vi tilføje for at forklare, hvad der sker?

Et oplagt eksempel ville være typen, placeringen og demografien for de stillinger, der er blevet besat, særligt ved toppene (f.eks. kunne dette være en årlig optagelse af nyuddannede?).

Det andet oplagte område er, hvem der fratræder (stillinger, placering og demografi), hvad deres grunde til at fratræde er, og om de har ændret sig over tid, samt om de stemmer overens med det, medarbejderne hører i organisationen? 

Løn nævnes for eksempel ofte som en motivation for at fratræde, men måling af dette gennem fratrædelser er et forsinket mål (dvs. i høj grad efter begivenheden), eftersom medarbejderne allerede har søgt en anden stilling, fundet en, sagt op og arbejdet i deres opsigelsesperiode.

Så hvis du ser forsinkede mål blive fremhævet, er vi nødt til at finde måder at få mere realtidsdata gennem dine metoder til at lytte til medarbejderne.

Nu begynder det at blive lidt mere dybdegående og kompliceret, så vi er nødt til at tænke grundigt over ikke kun dataene, men også den samtale, vi forsøger at sætte i gang, og vores målgruppe. Det er her, brugen af interne personaer kommer ind i billedet.

Personaer bruges ofte af marketingteams til at tegne et billede af deres målkunder, når de udvikler marketingkampagner. De bliver ret komplicerede, men her bruger vi en enkel tilgang.

Jeg vil vise dig nogle eksempler på de personaer, der tidligere har fungeret for mig, hvilke antagelser du kan gøre dig om den pågældende gruppe, samt hvilke data de sandsynligvis ønsker at modtage, og hvordan de skal sendes.

Eksempler på interne personaer

Persona: Den øverste ledelsesgruppe

Denne gruppe har begrænset tid og har brug for at forstå den langsigtede betydning af, hvad vores medarbejderdata fortæller os om organisationens sundhed og fremskridt hen imod de vigtigste strategiske mål.

De er også ledere for et team eller en funktion, så de har også brug for et højt detaljeringsniveau på dette område.

Om	Tilpasninger
Travl	- Stol ikke på selvbetjeningsdata; indsæt dem i en præsentation og send den med en opfølgning. Brug tid på at give kommentarer og forklare - Vær kortfattet i det, du præsenterer, ved at sikre, at alt, hvad du inkluderer, er relevant, og hold det så kort som muligt.
Fokuseret på økonomi og et overordnet, bredt syn på organisationen	- Fokuser på de målepunkter, der relaterer sig til økonomien - Hvordan hænger målepunkterne sammen med bredere strategiske mål? F.eks. forsøger I at vokse? Forsøger I at reducere antallet af lederstillinger?
Fortrolig med data og forretning	- De er vant til, at komplekse oplysninger bliver præsenteret på en god måde, så brug mere tid på dette
Har brug for et detaljeret billede af sin funktion	- Detaljeret præsentation af funktionen, herunder nyansættelser, fratrædelser, personaleomsætning, ledelsesspænd, ledelseslag, diversitet, læring, engagement, demografi og medarbejderrelationer - Giv oplysninger, der er skræddersyet til funktionen, helst med resten af organisationen som sammenligningsgrundlag

Persona: Ledere

Ledere skal have et bredt kendskab til organisationen for at give dem kontekst om deres teams og rolle (altså mange data på højt niveau, som er let tilgængelige).

De skal byde nye medarbejdere velkommen i virksomheden og interviewe potentielle medarbejdere, så de skal kende det grundlæggende og lidt mere – nok til at kunne begynde at fortælle en historie.

Om	Tilpasninger
Gruppen er forskelligartet på tværs af lokationer, teams og anciennitet	- Har brug for solide data på højt niveau, som er let tilgængelige- Skal vide, hvor de kan finde mere specifikke data om teams, lokationer osv. - Giv nogle oplysninger, men du kan også benytte selvbetjening til dem, der søger specifikke oplysninger
Har brug for at være informeret	- Mindre fokus på at fortælle dem, hvad der skal ændres på organisationsniveau, men giv dem stadig oplysningerne, så de selv kan drage konklusioner
Har brug for at kunne styre interviews og introduktion af nye medarbejdere	- De skal vide, hvem vi er – de sjove fakta om organisationen, f.eks. demografi (se nedenfor)

Medarbejderpersona

De ligner ledere, idet de har brug for et bredt overblik, men sandsynligvis med færre detaljer.

Om	Tilpasninger
Gruppen er forskelligartet på tværs af lokationer, teams og anciennitet.	- Har brug for solide data på højt niveau, som er let tilgængelige  - Giv nogle oplysninger, men du kan også benytte selvbetjening til dem, der søger specifikke oplysninger
Har brug for at kunne styre interviews og introduktion af nye medarbejdere.	De skal vide, hvem vi er – de sjove fakta om din organisation

HR-personaer

Dit HR-team har brug for andre oplysninger end medarbejder- og ledergruppen, fordi de udvikler strategier og forklarer historien.

Virksomheden vil f.eks. gerne vide det gennemsnitlige antal jobansøgninger pr. ledig stilling eller det samlede antal ansøgninger i en given måned, men dit team for talentanskaffelse har brug for at se disse data pr. stilling og vil også gerne se de ufuldstændige ansøgninger og besøgene på karrieresiden, så de effektivt kan styre ansøgernes rekrutteringsproces.

De kan derefter se på den overordnede effektivitet af rekrutteringsmarkedsføringen eller de enkelte jobbeskrivelser for at se, om der er behov for at foretage justeringer.

Om	Tilpasning
HR-ledere og analytikere	- Har brug for adgang til de relevante data for at kunne drage konklusioner og udvikle indsigter
HR-forretningspartnere	- Har brug for adgang til data, der er specifikke for deres rolle/klientgruppe

Jeg har fundet det yderst nyttigt at opbygge personaer for at være tydelig om, hvorfor vi deler bestemte data, og hvad formålet med dem er.

Disse fire enkle personaeksempler ovenfor viser, at vi ud fra det samme kernedatasæt kan levere de samme data med passende kommentarer, opfordringer til handling og forskellige detaljeringsniveauer.

Hvis vi bruger vores tidligere eksempel med afgang, nyansættelser, fratrædelser og medarbejderantal, vil disse oplysninger være mest relevante for den øverste ledelsesgruppe (både for hele virksomheden og for deres funktioner), ledere (for hele virksomheden, men vis dem, hvor de selv kan finde oplysninger om deres teams, hvis det er relevant) og HR (adgang til selvbetjening efter rolletype). 

Ved at bruge personaerne på denne måde får du reel værdi ud af dem, og det sparer en masse tid og kræfter.

Hvis du tager de 40 KPI'er, vi så på tidligere, kan du knytte dem til personaerne – her er et hurtigt eksempel fra afsnittet om rekrutteringsmålinger i den artikel:

KPI-navn	EMT	Ledere	Medarbejdere	HR
Hvor mange personer ansætter I, og på hvilken lokation/i hvilken ledelsesafdeling?	Ja for virksomheden og funktionen Ja for den specifikke organisation, de leder, samt eventuelle yderligere oplysninger, hvis de findes	Ja for virksomheden og funktionen	Ja for virksomheden	Talentanskaffelse: alle detaljer Forretningspartnere: alle detaljer for deres funktion Øvrige: Ja for virksomheden og funktionen
Hvor lang tid tager det jer at ansætte nogen til specifikke roller?	Ja for relevante roller i forhold til organisationens strategiske mål Ja for tallet på højt niveau	Nej, men tillad selvbetjening	Nej	Ja for forretningspartnere og talentanskaffelse

Ved at gøre dette opbygger du en enkel database over, hvem der har brug for hvad og hvorfor. Jeg vil også gemme beregningsmetoden, datakilden, visualiseringen og den underliggende revisionsproces for hver af disse, så du har alt samlet på ét let tilgængeligt sted.

Lidt sjov

Jeg vil gerne dykke ned i endnu et eksempel her, som er relevant for alle jeres virksomheder og også for personer uden for dem – hvordan viser vi vores virksomheds demografi? 

Når jeg fortæller en historie om en virksomhed, har jeg altid fundet, at det, folk finder mest interessant, er »hvem vi er«, og den mest »mindeværdige« kendsgerning, jeg har fundet, var antallet af nationaliteter i en virksomhed.

Så lad os tage nogle enkle eksempler.

• Køn
• Nationalitet
• Alder
• Anciennitet

Lad os antage, at vi har dataene om dette (alle dataene, der vises her, er i øvrigt opdigtede).

• Køn. 45 % mænd, 55 % kvinder
• Nationaliteter. (13 i alt) Top 3: britiske 59 %, franske 12 %, italienske 8 %
• Alder. (Gennemsnit 34): <30 42 %, 31-40 28 %, 41-50 27 %, 51+3 %
• Anciennitet. <1 år 26 %, 1-2 24 %, 2-3 22 %, 3-4 12 % 4-5 6 %, 5+ 10 %

Alt er klart, men det er ikke særlig engagerende, vel?

Ved at bruge 4 grafer fra Google Sheets eller Slidesgo (begge gratis) kan du på få minutter omdanne en liste med tal til noget, der engagerer og fortæller en historie om din organisation.

Denne type visualiseringer kan bruges til en anden målgruppe – personer uden for din virksomhed – og kan offentliggøres på dit website og andre eksterne kanaler for at vise din organisation frem for omverdenen.

De kan også bruges internt og opdeles efter land/funktion/afdeling for at give dybdegående indsigt internt.

Billeder og grafer er nemme at lave på denne måde og kræver ikke megen erfaring. Du skal egentlig bare prøve dig frem, og der findes hundredvis af gratis videoer på YouTube eller demonstrationer på nettet, som viser, hvordan man gør.

Ved at udnytte HR-informationssystemers funktioner på denne måde til dataanalyse kan du forbedre beslutningstagningen og den strategiske planlægning.

Hvis du bruger dine data på denne måde, engagerer du dine brugere og får den feedback, du har brug for, til at gå videre til det næste.

HR-målinger og AI

Kunstig intelligens (AI) hjælper med at skabe mening i HR-målinger ved at opdage mønstre eller tendenser hurtigere, end mennesker kan. AI kan for eksempel forudsige, om en medarbejder måske forlader virksomheden, eller foreslå måder at forbedre rekrutteringsprocesserne på. Ved at bruge AI kan HR-teams træffe bedre beslutninger, som forbedrer medarbejdertilfredsheden og virksomhedens resultater.

Her er nogle eksempler på, hvordan AI kan bruges til HR-analyse:

• Forudsigelse af medarbejderafgang: AI kan analysere mønstre i medarbejdernes adfærd, såsom tilfredshedsscorer eller fravær, for at forudsige, hvem der måske forlader virksomheden.
• Forbedring af rekrutteringen: AI-værktøjer kan hurtigt gennemgå CV'er og rangere kandidater baseret på kvalifikationer, hvilket gør ansættelsesprocessen hurtigere og mere præcis.
• Analyse af medarbejderengagement: AI kan analysere undersøgelser, e-mails eller chatdata for at identificere medarbejdernes holdninger og give indsigt i, hvordan arbejdsmoralen kan forbedres.
• Opfølgning på resultater: AI kan overvåge resultatmålinger, såsom gennemførelsesrater for projekter, for at fremhæve de bedste medarbejdere og identificere dem, der måske har brug for støtte.
• Indsigt i diversitet og inklusion: AI kan hjælpe HR-teams med at analysere tendenser inden for ansættelser og forfremmelser for at sikre, at diversitetsmålene nås, og at bias minimeres.
• Anbefalinger til læring og udvikling: AI kan foreslå personaliserede træningsprogrammer til medarbejdere baseret på deres færdigheder og karrieremål.
• Prognoser for fravær: AI kan forudsige mønstre i medarbejderfravær og foreslå løsninger til at reducere problemer med fravær.
• Analyse af aflønning: AI kan hjælpe HR-teams med at gennemgå lønstrukturer for at sikre retfærdighed og konkurrenceevne på markedet.

Mange HR-systemer i virksomhedsklassen bruger AI-drevet analyse til at frigøre handlingsorienteret indsigt fra HR-data.

Vigtigste pointer

På tværs af de to artikler har vi altså gennemgået, hvordan man kan:

• Auditere og registrere vores data effektivt
• Bruge personaer til at identificere, hvem der har brug for at se hvad
• Tage tal og bruge enkle eller mere avancerede visuelle fremstillinger til at forenkle vores data
• Afprøve nye ting med vores visualiseringer for at gøre dem mere engagerende, herunder bruge gratis webressourcer
• Identificere bestemte vigtige dataelementer, som de fleste eller alle har brug for at se, selv hvis de opdeles en smule anderledes
• Identificere grundlæggende tendenser i vigtige data.

Du er nu et rigtig godt sted at begynde at være konsekvent i det, du fortæller dit publikum. Når du når dertil, hvor du kan:

• Beregn størstedelen af de 40 vigtigste nøgletal
• Gør personaleafgang, medarbejderantal, nyansættelser og fratrædelser visuelle, og opdel dem efter hver relevant gruppe
• Del vigtige demografiske data visuelt for hver målgruppe
• Distribuer disse oplysninger regelmæssigt (månedligt eller kvartalsvist afhængigt af dine behov)
• Opret en interaktiv HR-database/regneark til dine nøgletal, deres metode og hvem de deles med.

Du fortæller din virksomhed en interessant historie og stiller hver målgruppe et forskelligt sæt spørgsmål, som de har mulighed for at give dig tilbagemelding på.

Selv hvis du har komplekse problemer og spørgsmål, er det den rigtige fremgangsmåde at begynde med det grundlæggende og gradvist bygge videre på det. Måned for måned kan du tilføje nye datastykker og nye diagrammer for at fortælle en stadig mere nuanceret historie.

De samme principper gælder, hvis du har en lang række værktøjer og systemer, der genererer rapporter for dig; tag dig tid til at sikre, at beregningerne er ensartede og forståelige, og at det grundlæggende deles med de rigtige målgrupper på en ensartet måde.

Det vigtigste budskab er, at når du først beslutter dig for at gå i gang med nøgletal og analyse, kan du hurtigt nå langt uden at være dataekspert, og du har grundlaget for mere avanceret analyse af medarbejderdata i fremtiden.

Værktøjerne findes derude; du skal blot kombinere din faglige ekspertise om dataene og din forretningsforståelse for at finde ud af, hvordan de kan hjælpe.

Det vil hjælpe dig med at finde den rigtige måde at dele oplysningerne på, så de er så lette at forstå som muligt, og du vil uden tvivl have det sjovt undervejs og helt sikkert lære mere om din virksomhed.

Her er yderligere læsning, som kan hjælpe dig på din datarejse:

• Hvad er analyse af medarbejderdata: En introduktionsvejledning
• De bedste konferencer om analyse af medarbejderdata
• 29 HR-nøgletal, der hjælper dig med at nå strategiske mål
• De nøgletal, du bør følge for at forbedre din strategi for talentstyring
• De 15 bedste certificeringer inden for HR-analyse
• De 10 bedste programmer til analyse af medarbejderdata til arbejdsstyrkeanalyse
• Udløs kraften i HR-oversigter: Vigtige nøgletal inden for analyse af medarbejderdata, som du bør følge
• De 10 bedste programmer til HR-analyse for handlingsorienterede data om arbejdsstyrken
• De 10 bedste programmer til forretningsindsigt til dataanalyse