SDy: De belangrijkste HR-statistiek waar je nog nooit van hebt gehoord

Stay on the leading edge of leading with human-centric AI. Create a free account.

Dit is het eerste artikel in een reeks artikelen waarin enkele grondbeginselen van HR worden uiteengezet. SDy vormt in het bijzonder de basis voor het nemen van goede beslissingen binnen je huidige en toekomstige HR-functies. Dus wat is SDy? SDy is een statistische methode om het prestatieverschil in dollars tussen kandidaten of huidige functiehouders te […]

Graphics of SDy: The Most Important HR Statistic You’ve Never Heard Of

Dit is het eerste artikel in een reeks artikelen waarin enkele grondbeginselen van HR worden uiteengezet. SDy vormt in het bijzonder de basis voor het nemen van goede beslissingen binnen je huidige en toekomstige HR-functies. Dus wat is SDy? SDy is een statistische methode om het prestatieverschil in dollars tussen kandidaten of huidige functiehouders te berekenen. Stel bijvoorbeeld dat je iemand voor een functie werft en je de keuze hebt teruggebracht tot twee kandidaten die het werk allebei kunnen doen en goed bij de functie passen, maar dat je de ene kandidaat liever hebt dan de andere. Je doet de eerste kandidaat een aanbod en die komt terug met de vraag om $10,000 extra salaris – SDy kan je helpen bij het nemen van deze beslissing.

Om SDy te berekenen heb je eerst een objectieve maatstaf nodig die geschikt is om toekomstige werkprestaties te voorspellen. Bij selectie kun je bijvoorbeeld een test voor algemene mentale vaardigheid, een gestructureerd interview of een beoordelingscentrum gebruiken, enzovoort – al deze beoordelingen leveren, wanneer ze correct worden uitgevoerd, een score voor elke kandidaat op. Met deze scores moet je de standaarddeviatie berekenen. Dat kun je doen door deze instructies te volgen (als deze niet duidelijk zijn, zijn er online genoeg uitlegbronnen te vinden; Google eenvoudigweg ‘standaarddeviatie berekenen’):
In dit voorbeeld hebben we 15 sollicitanten die we via een gestructureerd interview hebben beoordeeld en hebben we 15 beoordelingsscores verkregen. Je kunt de standaarddeviatie handmatig berekenen, of eenvoudig MS Excel gebruiken en deze instructies volgen

Voer eerst je 15 beoordelingsscores in Excel in, met elk getal in een eigen cel:

95, 68, 58, 64, 84, 68, 72, 75, 59, 90, 89, 78, 82, 65, 67,

Typ vervolgens onderaan deze lijst eenvoudig de formule =STDEV(voeg hier het bereik in, bijvoorbeeld =STDEV(A1: A15)), en je hebt je standaarddeviatie. In ons geval is de standaarddeviatie 11.61.

De standaarddeviatie vertelt ons in welke mate leden van een groep afwijken van het gemiddelde. Gewoonlijk valt 68% van onze steekproef binnen één standaarddeviatie van het gemiddelde. Dat betekent dat 68% van onze steekproef tussen 62.65 en 85.88 scoorde (wat wordt berekend door de standaarddeviatie bij het gemiddelde op te tellen voor de hoogste score (74.266 + 11.61 = 85.88), en de standaarddeviatie van het gemiddelde af te trekken om de laagste score te verkrijgen (74.266 – 11.61 = 62.65)).

Als je nog steeds bij me bent: geweldig. Je staat op het punt te begrijpen waarom ik vind dat SDy zo fundamenteel is voor het nemen van goede beslissingen binnen HR. SDy is een schatting van de werkprestatie van een medewerker op basis van 1 standaarddeviatie. Het schat voor ons het prestatieverschil in dollars tussen een gemiddelde medewerker en een zeer goed presterende medewerker, zoals bepaald door hun score op een beoordelingsmaatstaf. Hoe klinkt dat allemaal in gewone taal? Stel dat we twee kandidaten hebben: één die 75 scoorde (dus vrij dicht bij het gemiddelde van 74.266) en één die 89 scoorde (opnieuw vrij dicht bij een verschil van één standaarddeviatie ten opzichte van de score van 75). Hoeveel beter zal degene die 89 scoorde op het werk presteren? Dat is wat SDy voor ons schat. Het berekenen van de standaarddeviatie is het moeilijke deel, maar dat kan met behulp van MS Excel. Om SDy te berekenen, hoeven we alleen het jaarsalaris voor de functie met 40% te vermenigvuldigen; dat geeft ons SDy. Laten we voor het gemak $100,000 als het jaarsalaris voor de functie waarvoor we iemand werven gebruiken. SDy = 100,000 * 0.4, oftewel 40,000. Dit is behoorlijk interessant: we weten nu dat er een prestatieverschil van $40,000 tussen deze twee kandidaten bestaat. Deze informatie is bijzonder nuttig. Ze kan ons helpen bij het beoordelen van tegenaanbiedingen – hoeveel beter verwachten we dat onze eerste keuze is dan onze tweede kandidaat, en kunnen we rechtvaardigen dat we die persoon meer betalen dan we aanvankelijk in ons budget voor deze functie hadden gereserveerd, of moeten we voor onze tweede keuze gaan?

Ik moet op dit punt aangeven dat we niet slechts 1 standaarddeviatie hoeven te gebruiken. We kunnen bijvoorbeeld twee kandidaten hebben die slechts 0.5 standaarddeviaties van elkaar verwijderd zijn, of 0.3 standaarddeviaties. Om deze waarden te berekenen, vermenigvuldigen we 40,000 eenvoudigweg met het percentage van de standaarddeviatie, oftewel 40,000 x 0.5 = 20,000 of 40,000 x 0.3 = 12,000. Als we opnieuw het voorbeeld van onze twee beste kandidaten nemen, maar ze in dit voorbeeld slechts 0.3 standaarddeviaties van elkaar verschillen en onze beste kandidaat $10,000 extra salaris wil, zouden we onze beoordeling kunnen herzien en kunnen concluderen dat de beste kandidaat weliswaar beter is, maar niet zoveel beter dan onze tweede keuze dat een salaris dat $10,000 hoger ligt dan wat de tweede kandidaat waarschijnlijk zou accepteren, gerechtvaardigd is.

SDy wordt het vaakst toegepast op selectievraagstukken en opleidingen. Bij selectie kan het bijvoorbeeld worden gebruikt om te bepalen of het de moeite waard is om voor de functie waarvoor je iemand werft een extern beoordelingscentrum in te schakelen. Of neem dat opleidingsprogramma waar je naar moest kijken: zal het de prestaties van de deelnemers voldoende verbeteren om de aanvankelijke kosten ervan te rechtvaardigen?

Brendan Lys
Operating at the intersection of Human Resources and Data Science, I leverage extensive specialist experience within Human Resources, with the methodologies and approaches of Data Science. This focus on the discovery of actionable insights from data, has been applied to areas such as: remuneration & benefits, workforce planning, recruitment, health & safety, diversity, and training. But what does the application of data science to HR challenges and opportunities actually look like. Within an HR framework the data we work with typically comes directly from our HRMIS, an advantage of using data science methodologies is that we can bring in additional data either held within the organization or from external sources - data which is out of reach from a pure HR analytics approach. Consider for example position descriptions, these contain a wealth of data that we typically ignore as its not in a analysis ready format. A side project I'm working on currently (April 2019) is using text mining on job descriptions to provide insights into which job family the position may fit into. The insights of my work have been enjoyed by organizations across a diversity of sectors including: Government (Australia and New Zealand), ASX and NZX listed companies, utilities, not for profit and higher education.
Follow the author:

You may also like