banner large

Cara efektif menggunakan keputusan SDM berbasis data dengan analitik SDM

Comment
X
Share

Kami sangat antusias untuk menghadirkan Transform 2022 kembali secara langsung pada 19 Juli dan 20 – 28 Juli secara virtual. Bergabunglah dengan AI dan pemimpin data untuk pembicaraan yang berwawasan luas dan peluang jaringan yang menarik. Daftar hari ini!


Tahun 2020 dan 2021 telah menyebabkan organisasi secara global memikirkan kembali strategi SDM mereka. Sementara 2020 memiliki profesional SDM yang bergulat dengan perombakan kebijakan kerja dan manajemen operasi jarak jauh yang disebabkan oleh COVID, 2021 melihat sekitar 47 juta orang berhenti dari pekerjaan mereka, menguji kemampuan tim SDM untuk melibatkan sumber daya yang ada sambil mencari yang baru di tengah Pengunduran Diri Hebat.

Selama periode transisi ekstrem ini, fungsi SDM telah berevolusi untuk mengandalkan data dan analitik – mulai dari informasi karyawan dan organisasi hingga data seputar bagaimana dilema SDM secara historis ditangani. Ada juga peningkatan ketergantungan pada teknologi dan otomatisasi bertenaga AI untuk mengubah data menjadi wawasan berharga selama proses SDM.

Menurut Fortune Business Insights, pasar teknologi sumber daya manusia global diproyeksikan tumbuh dari $24 miliar pada tahun 2021 menjadi $36 miliar pada tahun 2028, dan perusahaan kemungkinan akan memprioritaskan investasi dalam kecerdasan buatan (AI) untuk mengoptimalkan proses bisnis dan mengurangi biaya. Selain itu, laporan Mercer menemukan bahwa 88% perusahaan secara global menggunakan beberapa bentuk AI dalam bentuk chatbot cerdas, sistem keterlibatan kandidat, mesin rekomendasi, dan banyak lagi.

Ketergantungan yang berkembang pada wawasan yang didukung data dapat disesuaikan dengan kebutuhan untuk membuat keputusan SDM secara efisien yang mempertimbangkan kebahagiaan karyawan dan pertumbuhan bisnis. Namun, untuk berhasil menggunakan keputusan SDM berbasis data, bisnis harus memahami langkah-langkah penting untuk proses mengubah data dan analitik menjadi wawasan yang berharga. Diuraikan di bawah ini adalah beberapa pertimbangan utama tersebut.

Jenis data SDM

Ada banyak sekali data dan sumber data di dunia digital saat ini, dan langkah pertama untuk membuat keputusan berdasarkan data yang cerdas adalah memahami jenis data yang relevan dengan SDM.

Profesional SDM menangani keduanya tersusun dan tidak terstruktur data. Data terstruktur adalah informasi yang dapat diterjemahkan ke dalam program seperti spreadsheet dan dapat dengan mudah dianalisis atau dihitung. Misalnya, nama karyawan, usia, jenis dan jumlah keterampilan, jenis kelamin dan ras semuanya dikategorikan sebagai data terstruktur.

Data tidak terstruktur mengacu pada informasi yang disimpan dalam format yang paling mentah. Data ini biasanya terdiri dari dokumen tekstual. Misalnya, evaluasi kinerja karyawan, survei kesehatan mental, atau ulasan perusahaan di situs web pihak ketiga.

Kedua tipe data ini sama-sama relevan dengan HR. Misalnya, jika seorang profesional SDM ingin menghitung usia rata-rata dan demografis perusahaan mereka, mereka dapat melihat data terstruktur mereka seperti usia, alamat, dan ras karyawan. Demikian pula, jika mereka ingin menilai kebutuhan untuk membuat keputusan perekrutan yang lebih beragam, mereka dapat melihat data demografis dan umpan balik berbasis teks dalam ulasan dan survei perusahaan. Selanjutnya, jika ada lowongan pekerjaan, profesional SDM dapat memastikan kebutuhan untuk mencari kandidat di luar organisasi mereka dengan memetakan keahlian karyawan yang ada, dan melihat inisiatif peningkatan keterampilan dan waktu yang dibutuhkan untuk mengisi posisi tersebut.

Di antara data karyawan organisasi hingga survei yang dikirim untuk memahami bagaimana karyawan memandang atasan mereka, tim SDM mendapat manfaat dari banyak tipe data. Tetapi sementara berbagai jenis data menjanjikan wawasan yang dapat ditindaklanjuti, tim SDM tidak dapat mulai memahami data tanpa alat manajemen data yang kuat.

Mengumpulkan dan mengelola data yang relevan

Data SDM secara intrinsik terdiri dari informasi sensitif. Segala sesuatu mulai dari latar belakang dan riwayat kesehatan karyawan hingga gaji dan lintasan pertumbuhan harus diperlakukan dengan kerahasiaan dan tingkat etika tertinggi.

Seringkali, tergantung pada ukuran organisasi, tim SDM mengalihdayakan pengumpulan jenis data tertentu, seperti survei kesehatan mental atau penyedia data pihak ketiga pada ulasan perusahaan.

Terlepas dari apakah organisasi menggunakan sumber daya internal atau pihak ketiga, kemampuannya untuk membuat keputusan tentang data bergantung pada bagaimana data bersumber dan dikuratori. Itu tergantung pada bagaimana organisasi membedakan antara informasi sukarela dan informasi yang dikumpulkan dari sumber daya yang tidak disadari oleh karyawan sedang dipantau atau dilacak, seperti grup obrolan, email, media sosial, forum eksternal, dll.

Cara organisasi menyimpan, mengumpulkan, dan mengelola informasi SDM-nya juga sering kali ditentukan oleh undang-undang dan peraturan di daerah asalnya. Namun, secara proaktif membuat standar data untuk tim SDM dapat membantu tidak hanya pada tingkat proses, tetapi juga menghasilkan budaya yang mengutamakan karyawan.

Mengubah data menjadi keputusan dengan analitik SDM

Setelah organisasi memiliki proses pengumpulan dan manajemen data, langkah terakhir dan paling kritis adalah memahami data dengan cukup baik untuk mendasarkan keputusan padanya. Di sinilah analitik data SDM masuk.

Pada intinya, analitik SDM adalah pendekatan formula atau berbasis algoritme untuk menguraikan segala sesuatu mulai dari perencanaan sumber daya, perekrutan dan manajemen kinerja hingga kompensasi, perencanaan suksesi, dan retensi. Analisis SDM memberdayakan tim SDM untuk menggunakan data untuk memetakan secara strategis kisah organisasi.

Sementara organisasi sering berpikir analitik SDM harus menggunakan AI dan algoritme berbasis pembelajaran mesin, spreadsheet sederhana dan proses analisis manual juga bisa menjadi langkah pertama yang baik. Faktanya, menurut Deloitte, 91% perusahaan menggunakan alat analisis data dasar, seperti spreadsheet, untuk mengelola, melacak, dan menganalisis metrik keterlibatan karyawan, biaya per perekrutan, dan tingkat perputaran. Namun, untuk benar-benar membuat analisis berbasis data dalam SDM dapat diskalakan, berinvestasi dalam alat berbasis AI yang canggih adalah penting.

Beberapa area analisis data dapat menambah nilai langsung untuk mengukur kepuasan karyawan, memahami kebutuhan pembelajaran karyawan, dan memprioritaskan umpan balik budaya perusahaan. Tim SDM dapat menggunakan campuran data terstruktur dan tidak terstruktur, termasuk data historis, untuk memahami kelelahan, ketidakpuasan gaji, moral tim, dan permintaan akan keragaman atau praktik berkelanjutan.

Kesimpulan

Tim SDM siap memanfaatkan data dan keputusan yang didukung analitik, tetapi ini hanya dapat dimungkinkan dengan pemahaman yang jelas tentang jenis data yang memberikan wawasan, cara mengelola data, dan data mana yang dapat dianalisis secara efektif dengan investasi di bidang yang berdampak teknologi.

Untuk masa depan SDM yang didukung oleh data, integrasi manusia dan mesin yang berhasil adalah kuncinya. Ini akan sangat penting untuk memastikan etika data dan mencegah bias yang dapat diperkenalkan oleh model AI dan manusia yang kurang terlatih.

Di atas segalanya, untuk berhasil memasukkan analitik data ke dalam struktur sistem SDM organisasi adalah dengan menumbuhkan budaya yang mengutamakan data. Pendekatan berbasis data ini membantu organisasi beralih dari disiplin SDM operasional menuju disiplin yang lebih strategis.

Sameer Maskey adalah CEO di Fusemachines dan profesor AI di Universitas Columbia.

DataDecisionMakers

Selamat datang di komunitas VentureBeat!

DataDecisionMakers adalah tempat para ahli, termasuk orang-orang teknis yang melakukan pekerjaan data, dapat berbagi wawasan dan inovasi terkait data.

Jika Anda ingin membaca tentang ide-ide mutakhir dan informasi terkini, praktik terbaik, dan masa depan teknologi data dan data, bergabunglah dengan kami di DataDecisionMakers.

Anda bahkan mungkin mempertimbangkan untuk menyumbangkan artikel Anda sendiri!

Baca Lebih Lanjut Dari DataDecisionMakers

Leave a Reply

Your email address will not be published.