Non è più un mistero ormai: in un contesto organizzativo sempre più complesso, caratterizzato da volatilità, incertezza e trasformazioni accelerate, la funzione HR è chiamata a svolgere un ruolo profondamente rinnovato: non più soltanto gestore operativo di processi, ma partner strategico in grado di contribuire concretamente agli obiettivi di business.
Come abbiamo mostrato in un recente caso studio, all’interno un simile scenario gli HR Analytics rappresentano una leva fondamentale per abilitare questa transizione.
La disponibilità crescente di dati, unita all’evoluzione degli strumenti di analisi e visualizzazione, consente oggi di trasformare le informazioni raccolte nel perimetro HR in insights ad alto valore aggiunto.
Dalla gestione del talento alla pianificazione della forza lavoro, dalla diversity all’engagement dei dipendenti, le decisioni possono essere supportate da evidenze oggettive, accorciando le tempistiche e aumentando così l’efficacia e la credibilità della funzione HR di fronte al business.
Lo stato attuale degli HR Analytics in ambito organizzativo
L’utilità e le potenzialità dei people analytics sono ormai evidenti lungo l’intero employee life cycle. Secondo un’ampia ricerca sul tema condotta da SHRM nel 2023, che ha coinvolto più di 3000 tra professionisti e dirigenti HR, le organizzazioni a livello globale stanno utilizzando i people analytics per affrontare alcune delle problematiche di maggiore rilevanza strategica per la funzione, come la Retention dei talenti e l’employee engagement (cfr. Figura 1).
Figura 1 Utilizzi dei People Analytics all’interno dei processi HR (Fonte: Society for Human Resource Management (SHRM). 2023. The Use of People Analytics in Human Resources: Current State and Best Practices Moving Forward. Alexandria, VA: SHRM. https://www.shrm.org/content/dam/en/shrm/research/use-of-people-analytics-in-hr.pdf.)
Tuttavia, dalla ricerca di SHRM emerge un altro dato fondamentale, che deve spingerci necessariamente ad una riflessione: nonostante il 71% dei dirigenti HR consideri i people analytics essenziali per la strategia HR della propria organizzazione, solo il 57% dichiara come questi ultimi abbiano generato profitti o risparmi per l’azienda.
Perché il ricorso ai people analytics riesce a produrre valore per alcune organizzazioni, mentre altre faticano ancora a sfruttarne appieno il potenziale?
Costruire un HR Analytics capability: gli ostacoli principali
La risposta a questa domanda risiede in 2 diverse tipologie di ostacoli, che le organizzazioni incontrano sulla strada verso la costruzione di una effettiva HR Analytics capability:
- Difficoltà a costruire una cultura pienamente data-driven
Grazie ai progressi tecnologici e all’aumento della potenza di calcolo, le organizzazioni di tutte le dimensioni possono sfruttare volumi crescenti di dati all’interno delle proprie funzioni organizzative. È oggi possibile utilizzare i dati, piuttosto che affidarsi alle intuizioni, per valutare l’efficienza dei processi HR; la produttività, la diversità o l’engagement rate del personale; insieme ad altri indicatori chiave di business.
Questa trasformazione richiede però un cambio di paradigma radicale: passare da una cultura dell’intuizione a una cultura del dato. In questo senso, ricorrendo ancora una volta alla ricerca condotta da SHRM, appare rilevante menzionare il divario di opinione tra dirigenti HR e professionisti della funzione in merito allo sviluppo di una cultura data-driven nelle rispettive organizzazioni.
Se infatti il 76% degli HR Executives intervistati assicura come la propria organizzazione sia fortemente impegnata nella costruzione di una data-driven culture, gli HR Professionals sono assai meno propensi (58%) a rilevare segnali di tale cultura all’interno delle loro organizzazioni.
Questo divario suggerisce che, in molte realtà, la transizione verso una cultura guidata dai dati sia ancora in corso, quando non esclusivamente allo stadio progettuale.
- Mancanza di competenze e di unità organizzative dedicate
Un secondo motivo che spiega la difficoltà di diverse organizzazioni a sfruttare appieno il potenziale dei people analytics riguarda la difficoltà a reperire (internamente o sul mercato) le competenze adeguate a un loro utilizzo proficuo. In particolare, consultando i risultati della ricerca di SHRM su questo punto, ciò che risalta maggiormente è la carenza di unità organizzative dedicate a questo scopo.
Infatti, solo il 30% delle organizzazioni che dichiarano di sfruttare i people analytics in ambito HR dispone di un dipendente, un reparto o una divisione dedicata esplicitamente a questa funzione.
Nello specifico, il 62% delle grandi organizzazioni (più di 5000 dipendenti) dispone di una funzione dedicata, percentuale che scende al 29% e 24 % se si considerano rispettivamente le aziende di taglia medio-grande (500-5000 dipendenti) e medio-piccole (0-500 dipendenti).
Costruire un HR Analytics capability: i livelli di maturità organizzativa
L’analisi degli ostacoli che si frappongono verso la costruzione di un HR Analytics capability deve tenere però necessariamente conto della presenza di diversi livelli di utilizzo e applicazione dei people analytics a livello organizzativo, che rappresentano stadi progressivi di maturità sulla strada che conduce a un utilizzo pienamente integrato e strategico degli strumenti di analisi dei dati.
In particolare, il modello di maturità reso popolare dal consulente americano Josh Bersin rappresenta sicuramente un ottimo punto di partenza per valutare il livello di avanzamento della propria organizzazione rispetto ad un utilizzo strategico dei People Analytics. Tale modello include 4 livelli progressivi di maturità:
- Reporting: è il livello di base, focalizzato sulla raccolta e presentazione di dati storici e indicatori chiave di performance (KPI), come tasso di turnover, tempo medio di assunzione o assenteismo. In altri termini, si tratta di utilizzare dati già disponibili per analizzare ciò che è accaduto nel passato.
- Advanced Reporting (analisi descrittiva): consente di comprendere fenomeni passati, individuando pattern e correlazioni utili a identificare le cause delle tendenze osservate. Ovvero, raccogliere deliberatamente determinati dati in modo regolare per analizzare le relazioni tra variabili o comprendere il verificarsi di determinati patterns (ad esempio, l’effetto della proposta di nuovi benefits sul tasso di turnover, o il legame tra un nuovo sistema di gestione delle candidature e la diversità nelle assunzioni effettuate).
- Analytics (analisi predittiva): sfrutta modelli statistici e algoritmi per anticipare scenari futuri. Ad esempio, stimare la probabilità di dimissioni nei prossimi mesi in base a comportamenti osservabili.
- Advanced Analytics (analisi prescrittiva): rappresenta il livello più evoluto, orientato a fornire indicazioni operative su “cosa fare” per ottenere determinati risultati, suggerendo azioni concrete basate su simulazioni e scenari.
Naturalmente, l’evoluzione lungo questa scala richiede visione strategica, investimenti mirati e un percorso di trasformazione organizzativa e di change management di lungo termine.
Tuttavia, se certamente i primi due livelli descritti dal framework di Bersin possono aiutare a rispondere a determinate domande e questioni organizzative, man mano che le tecniche analitiche diventano più complesse e aumenta il livello di integrazione nei processi degli strumenti di analytics, cresce significativamente anche la quantità e qualità di insight che si possono ottenere e l’impatto sul business che essi possono offrire.
Ad esempio, monitorare efficacemente metriche di base come il tasso di turnover può contribuire a descrivere i contorni del fenomeno, ma in termini di supporto alle decisioni non garantisce certamente gli stessi risultati di modelli analitici capaci di prevedere le tendenze nei comportamenti della forza lavoro.
Significativamente, l’applicazione del framework di Bersin alla ricerca già citata condotta da SHRM conferma come la maggior parte delle organizzazioni intervistate abbia appena iniziato il proprio percorso nell’integrazione dei people analytics: i risultati hanno infatti rivelato che il 77% delle organizzazioni si colloca ancora al livello 1 o 2 del modello appena descritto, mentre solo il 4% si colloca nello stadio più avanzato.
Quali sono dunque i passaggi fondamentali da seguire per progredire sulla scala dei livelli di maturità, e costruire una solida HR Analytics capability?
Un approccio integrato: costruire una capability di HR Analytics
La costruzione di un HR Analytics capability richiede un approccio olistico che include diverse dimensioni chiave. Non è sufficiente concentrarsi solo sull’aspetto tecnologico o sullo sviluppo delle competenze adeguate; è necessario un approccio sistemico e un impegno coordinato che coinvolga competenze, strumenti, processi e un allineamento con le esigenze aziendali. Tale approccio si fonda dunque su quattro dimensioni fondamentali:
- Competenze
La prima condizione abilitante è lo sviluppo delle competenze di analytics. Non essendo tali competenze nativamente parte della “cassetta degli attrezzi” degli HR, la volontà di sperimentare assume un’importanza cruciale per l’apprendimento e il miglioramento di questa tipologia di competenze. Tale atteggiamento non riguarda solo le eventuali figure da individuare per la creazione di una funzione di HR analytics, ma investe l’intera funzione HR, che deve acquisire familiarità con concetti statistici di base, capacità di lettura critica dei dati e comprensione degli strumenti di visualizzazione. La formazione, continua e contestualizzata, è un investimento imprescindibile per abilitare una cultura pienamente data-driven
- Strumenti e infrastruttura tecnologica
L’infrastruttura tecnologica naturalmente gioca un ruolo determinante. L’adozione di soluzioni di Business Intelligence, dashboard interattive, sistemi di integrazione dati (come i data warehouse) e strumenti di automazione consente di efficientare la raccolta, l’elaborazione e la distribuzione dell’informazione, migliorando significativamente anche la fruizione finale del dato da parte dei decision-makers, destinatari finali delle analisi.
Nonostante ciò, su questo tema all’interno delle organizzazioni esiste ancora una grande distanza tra intenzioni dichiarate e realtà dei fatti. L’ultima ricerca su questo tema condotta dal MIT Technology Review Insights nel 2024 conferma come il 78% delle aziende intervistate non riesca infatti a trarre valore dalle proprie applicazioni di intelligenza artificiale e data analytics proprio a causa di investimenti insufficienti per la costruzione di data infrastructures e data platforms.
- Data governance
Costruire una capability significa anche definire processi strutturati e meccanismi di governance dei dati. La data governance – comprensiva di ruoli, standard, privacy e sicurezza – è il fondamento di una gestione del dato affidabile e coerente. Pur trattandosi di un tema estremamente vasto, impossibile da esaurire in poche righe, è possibile individuare alcuni accorgimenti di carattere generale:
- Occorre partire da una chiara definizione di chi possiede e gestisce i dati HR. Ciò significa assegnare compiti specifici relativi alla qualità dei dati a individui o team dedicati, o prevederne la creazione quando non ancora presenti in organigramma.
- Successivamente, un passaggio fondamentale riguarda l’applicazione di standard di qualità per tutti i dati HR. In quest’ottica è importante definire cosa è accettabile in termini di accuratezza, completezza e tempestività per le diverse tipologie di dati e di analisi.
- In seguito, occorre sviluppare regole su come i dati HR vengono consultati, utilizzati e protetti. Questo include l’implementazione di accessi basati sui ruoli organizzativi e il rispetto delle normative sulla privacy. L’output finale del processo potrà essere un documento che esponga gli obiettivi della governance dei dati HR, le modalità di misurazione del successo e i diversi ruoli e responsabilità all’interno del team di governance dei dati.
Infine, un ultimo accorgimento utile riguarda l’implementazione di processi e strumenti per gestire i metadati relativi ai dati HR. Questo include la creazione di data dictionaries e il tenere traccia delle data sources utilizzate.
Naturalmente, la definizione di meccanismi di data governance non può prescindere dalla creazione di una cultura organizzativa che la valorizzi e ne comprenda la centralità per il funzionamento dell’intera pipeline di analytics. Da questo punto di vista, vi sono almeno due best practices da considerare:
- La creazione un gruppo di responsabili dei dati (data stewards) in tutta l’organizzazione per promuovere le pratiche di governance dei dati e supportare gli altri dipartimenti e funzioni a questo scopo.
- L’implementazione di programmi di riconoscimento per i dipendenti che dimostrano buone pratiche di governance dei dati o che contribuiscono a migliorare la qualità dei dati. Gli incentivi possono motivare il personale a dare priorità alla governance dei dati nel lavoro quotidiano.
- Dialogo con il business (in ottica di co-design)
Infine, un’efficace capability HR Analytics richiede un dialogo continuo e strutturato con il business. La co-progettazione delle analisi, l’ascolto attivo dei bisogni e la traduzione delle evidenze in azioni condivise rafforzano il legame tra funzione HR e direzione strategica. È necessario dunque comprendere innanzitutto quali saranno i destinatari principali delle analisi HR e comprendere le esigenze del cliente interno in termini di forma, profondità e frequenza delle analisi.
In quest’ottica, è un’operazione imprescindibile consultare i business leaders per la definizione delle domande di partenza dell’analisi e la costruzione di mock-ups da validare congiuntamente. Naturalmente, anche in questo caso è essenziale l’inquadramento di tale dialogo all’interno di un processo strutturato, con attori e responsabilità chiare e definite. In definitiva, una stretta collaborazione e comunicazione con il resto dell’azienda sono cruciali per sfuggire al pericolo dell’auto-referenzialità delle analisi, e garantire allo stesso tempo che gli sforzi di HR Analytics siano focalizzati sulla risoluzione di sfide aziendali strategiche e sulla fornitura di valore tangibile.
HR Analytics capability: quale valore strategico per la funzione?
Come abbiamo accennato in apertura, la costruzione di una solida HR Analytics capability, nelle modalità appena descritte, consente di ottenere un impatto significativo a livello organizzativo, in termini sia operativi (maggiore efficienza dei processi e ottimizzazione dei costi) che strategici (maggiore rapidità e accuratezza nelle decisioni di vertice).
Tuttavia, al di là di queste tipologie di impatti organizzativi, ciò che abbiamo constatato in un recente caso studio è la possibilità che l’adozione di un approccio pienamente data-driven in HR riesca a generare valore strategico per la funzione, rafforzandone fortemente la credibilità agli occhi del business e consentendogli di evolvere da erogatore di servizi interni ad un ruolo di advisor e partner strategico, capace di dialogare alla pari con le altre funzioni aziendali, offrendo soluzioni tangibili e insight utili per affrontare le sfide organizzative più rilevanti.
Conclusioni: la prossima frontiera dei People Analytics
In conclusione, il percorso verso una funzione HR realmente strategica passa oggi in modo imprescindibile attraverso lo sviluppo di una solida capability di HR Analytics. Non si tratta solo di adottare la necessaria infrastruttura tecnologica o creare data pipelines per la raccolta di grandi volumi di dati, quanto piuttosto di costruire una cultura organizzativa capace di valorizzare il dato (e la sua analisi) come principale riferimento per le decisioni, integrando competenze, processi e una visione condivisa con il business.
Le organizzazioni che sapranno compiere questo salto saranno in grado non solo di migliorare l’efficienza operativa, ma anche di orientare con maggiore consapevolezza le scelte aziendali, contribuendo alla creazione di valore sostenibile.
Tuttavia, stiamo assistendo a una nuova fase evolutiva, dove l’intelligenza artificiale entra prepotentemente nei processi di HR Analytics. L’AI-driven HR Analytics promette di automatizzare, amplificare e personalizzare le analisi, aprendo nuove possibilità previsionali e prescrittive.
Add a Comment