Stel dat het een van je taken is om het personeelsbehoud van je bedrijf op te volgen. Met gegevens over medewerkers en kunstmatige intelligentie beschik je over de tools die kunnen helpen signaleren welke mensen mogelijk willen vertrekken. Deze tools kunnen je waarschuwen: je bedrijf loopt bijvoorbeeld mogelijk het risico een groep sterk presterende vrouwen te verliezen die klaar zijn voor een managementrol. 

Dankzij voorspellende analyses kun je stappen ondernemen waarmee je deze sterke medewerkers kunt behouden. Voorspellende analyses kunnen je ook waarschuwen wanneer je bijvoorbeeld onvoldoende medewerkers met de juiste vaardigheden hebt voor dat grote nieuwe project volgend jaar. Daarnaast kunnen ze voor meer eerlijkheid zorgen: voordat je een kandidaat een mooi voorstel doet, kunnen analyses je laten weten of je hiermee te ver van de loonschaal afwijkt, waardoor misschien mensen van kleur die vergelijkbaar werk doen te weinig worden betaald.  

"Je kunt jezelf afvragen of we in ons bedrijf glazen plafonds bouwen. Is er een plafond waarbij groepen onvoldoende worden vertegenwoordigd in vergelijking met andere niveaus? Dat kun je vaststellen met voorspellende analyses", zegt Trey Causey, Head of AI ethics en Senior Director of Data Science bij Indeed. “Sterker nog, ik kan geen andere manier bedenken waarop we dit zouden kunnen vaststellen zonder deze tools. Dit is een manier om deze vragen op een kwantitatieve manier te benaderen." 

De snelle toename van algemene analysetools is niet nieuw voor HR. Ze begonnen ergens in de tweede helft van de vorige eeuw aan terrein te winnen. Vandaag de dag vertrouwt de meerderheid van de grote bedrijven op analyses om gegevens over prestaties in het verleden te evalueren en betere beslissingen te nemen bij aanwerving, ontslag en de promotie van werknemers. 

Maar met de opkomst van big data en kunstmatige intelligentie (AI) is HR niet meer afhankelijk van indicatoren op basis van het verleden. Met voorspellende analyses en nieuwe, innovatieve AI-technologie kun je in de toekomst kijken. Wat voor effect zou het op mensen hebben als er voortaan geen vergaderingen meer zouden zijn op woensdagen? Wanneer moet je overwegen om medewerkers een bonus aan te bieden om hen bij het bedrijf te houden? 

Hoewel vooral big tech en financiële bedrijven als eersten met deze vernieuwende tools begonnen te werken, wordt tooling steeds populairder in verschillende sectoren, zegt Dr. Hallie Bregman van de Bregman Group, een HR-adviesbureau dat is gericht op datagedreven HR-methoden. "Dit is echt nog maar het begin, het gaat zich nog verder uitbreiden", zegt ze. "Over vijf jaar zien we hier veel meer van. Over tien jaar gebruikt iedereen het."

Als HR-teams deze tools optimaal willen benutten, moeten ze proactief en goed geïnformeerd zijn en verantwoord met gegevens omgaan, zodat technologie hen ondersteunt en niet ondermijnt. 

6 best practices om voorspellende analyses in te voeren

Volg deze zes best practices om ervoor te zorgen dat je bedrijf voorspellende analyses op de juiste manier implementeert.

#1 Weet welk probleem je probeert op te lossen

"Ik werk met zoveel klanten die niet weten welke vraag ze proberen te beantwoorden met voorspellende analyses", zegt Bregma. "Ze zeggen 'Ik hoor dit te doen', maar ze weten niet waarom." 

"De grote vraag die je jezelf moet stellen, is welk probleem je in de komende drie tot vijf jaar wil oplossen", zegt ze. Gaat het om het opzetten van een nieuw productteam? Het vergroten van de diversiteit? Het bevorderen van sterke groei? Als je niet helder voor ogen hebt wat je met voorspellende analyses wilt bereiken, besteed je misschien tijd en geld aan tools die jou niet helpen om je bedrijfsdoelstellingen te behalen. 

#2 Overleg met je juridische team

Het is ook belangrijk om je juridische team te raadplegen. Juridische medewerkers kunnen beoordelen of de tools gegevens delen op een manier die aan het bedrijfsbeleid en aan de privacy- en antidiscriminatiewetgeving voldoen. "Ik heb al bij te veel organisaties meegemaakt dat onbewerkte brongegevens werden verspreid onder groepen mensen die niet alle kenmerken nodig hebben in een rapport, wat risico's oplevert", zegt Bregman. 

#3 Verdiep je in de materie

Niet alle producten voor voorspellende analyses sluiten aan op de waarden en normen van je bedrijf. Het is cruciaal dat je medewerkers evalueert op basis van echte functievereisten en gegevens gerelateerd aan hun gedrag en prestaties. Baseer je beslissingen niet op persoonlijkheidsanalyses die de loyaliteit van medewerkers voorspellen op basis van het feit dat iemand van honden of katten houdt, of uit een klein dorp komt. 

"Er zijn veel leveranciers die pseudowetenschap verkopen als voorspellende analyses", zegt Causey. "Aarzel nooit om een tweede mening te vragen aan iemand die veel ervaring op dit gebied heeft."  Als je People Operations-team niet over deze kennis beschikt, kun je op zoek gaan naar services en consultants die HR-tools op een objectieve manier evalueren.

Onthoud ook dat je moet kiezen voor tools die grote datasets analyseren op trends. Vermijd het gebruik van granulaire gegevens, zoals de prestaties van één medewerker in een bepaald kwartaal, vooral wanneer er sprake kan zijn van onderliggende redenen waar de analysetool geen rekening mee houdt. 

“Denk aan de aandelenmarkt, je wilt geen daytrading", zegt Causey. "Je wilt niet overdreven reageren op kleine afwijkingen in de statistieken. Je wilt weten wat de trend op de lange termijn is en ervoor zorgen dat je ook rekening houdt met de context wanneer je beslissingen neemt."

#4 Neem het initiatief bij Diversiteit, Gelijkwaardigheid, Inclusie & Belonging (DEIB+)

Met voorspellende analyses kun je methoden voor DEIB+ die anders moeilijk te kwantificeren zijn, evalueren op basis van gegevens. Wanneer de privacy verantwoord wordt beschermd, kun je beslissingen over lonen en loonsverhogingen, opleidingsmogelijkheden en promoties op basis van gegevens analyseren. Het doel hiervan is ervoor te zorgen dat de vergoedingen en de ontwikkelingsmogelijkheden aansluiten op de prestaties en vaardigheden, en niet worden bepaald door het gevoel van een rekruteerder, dat kan worden beïnvloed door onbewuste vooroordelen. 

Door gegevens over medewerkers te analyseren, kunnen HR-teams er ook voor zorgen dat verschillende demografische groepen dezelfde kansen krijgen. "Als dat niet het geval is, wat is er dan aan de hand?" zegt Bregman. "Kun je dat doorbreken?" 

Met dit soort gegevens kun je gemakkelijker het belang van DEIB+ benadrukken, helemaal wanneer uit onderzoek het positieve effect van inclusief leiderschap op jobtevredenheid blijkt. "Als je met de gegevens kunt aantonen dat X, Y of Z plaatsvindt in plaats van dat je principes als argumenten geeft, is de kans veel groter dat je een verandering in gang zet dan als je een gepassioneerd betoog houdt omdat dat het juiste is om te doen", zegt Causey. 

#5 Controleer op vooroordelen

"Houd er rekening mee dat de gegevens die we gebruiken om algoritmen en AI-tools te trainen, bevooroordeeld kunnen zijn", zegt Dr. Salvatore Falletta, professor en programmadirecteur voor de ontwikkeling van Human Resources aan Drexel University.  "Bovendien is een AI-tool vaak net zo bevooroordeeld als een mens, en soms nog meer omdat de vooroordelen worden versterkt." 

Als je in-house tools hebt, controleer ze dan op vooroordelen. Als je tools van een externe leverancier aanschaft, vraag deze dan hoe de producten op vooroordelen worden geëvalueerd. 

“Vergeet niet dat gegevens maar een van de onderdelen vormen van het besluitvormingsproces”, zegt Causey. Als je het niet eens bent met de output van de machine, hoef je die niet klakkeloos op te volgen. Als uit voorspellende analyses te hoge rekruteringsdoelstellingen of te korte tijdlijnen volgen, kun je die aanpassen.

#6 Schrik mensen niet af

Wanneer voorspellende analyses op een positieve manier worden ingezet, kunnen ze tot een eerlijke werkomgeving leiden, recruitmentmethoden verbeteren en ervoor zorgen dat medewerkers zich gewaardeerd voelen. Maar als ze te ver worden doorgevoerd zonder de privacy in acht te nemen, kunnen voorspellende analyses behoorlijk afschrikwekkend zijn. Wat als deze tools berichten op sociale media controleren om te kijken of een medewerker van plan is om te vertrekken? Of volgen hoe mensen zich in het kantoor bewegen, om te zien met wie ze op een dag praten en hoe communicatief ze zijn? Of software op de computers van telewerkers installeren om hun productiviteit te scoren? 

Causey, Falletta en Bregman benadrukken alle drie dat het cruciaal is om open te zijn over welke gegevens je verzamelt en waarom. Niemand wil het gevoel hebben te worden bespioneerd. 
"De gouden regel is: hoe zou jij je voelen als je op deze manier werd beoordeeld?" zegt Causey. "Je wilt medewerkers zeker niet evalueren op een manier die je zelf niet fijn zou vinden."