People Analytics e Predictive Analytics per l’Employee Retention

Glickon Blog

Problema: alto tasso di turnover. Come risolverlo con la People Analytics e la Predictive Analytics?

Il turnover dei dipendenti è una conseguenza naturale di tutti quei business poco attenti nei confronti dei propri collaboratori. Come ben sappiamo, un elevato tasso di turnover riduce l’efficienza complessiva di un’azienda e ne danneggia, nel lungo periodo, anche i profitti. Comprendere le cause e prevenire gli effetti di un alto tasso di abbandono dei dipendenti, deve divenire un obbligo per tutte quelle aziende che ambiscono a durare nel tempo.

scopri il nostro prodotto sulla people analytics

Nello specifico l’alto tasso di abbandono, consuma budget, esattamente tutto quel denaro investito per quel collaboratore per formarlo e per garantirgli dei benefit, oltre che il consueto compenso. Gli alti tassi di turnover, inoltre, costano all’azienda anche in altri termini; di fatti tutte le attività che prima venivano svolta dal dipendente che ha abbandonato l’organizzazione, dovranno essere svolte da un sostituto. Molto probabilmente il nuovo dipendente impiegherà almeno alcuni mesi per essere al passo con l’azienda e diventare autonomo ed operativo al 100%.

Tutto ciò rende l’attività di comprensione e di analisi della propria employee retention una priorità. Un’efficace strategia di fidelizzazione dei dipendenti ha, di base, due fattori chiave:

  1. Identificare i dipendenti a rischio abbandono.
  2. Indirizzare incentivi adeguati verso i dipendenti a rischio.

Lo scopo di questo articolo è quello di scoprire insieme degli interventi specifici su come migliorare la propria employee retention, attraverso l’utilizzo di strumento di analisi, nello specifico la People Analytics e la Predictive Analytics.

ApprofondimentoPeople Analytics: cos’è e perché è un vantaggio per l’azienda?

People Analytics e Predictive Analytics: l’obiettivo

Bisogna innanzitutto fare un’introduzione: non tutti i dipendenti meritano di essere “salvati”. Le aziende non dovrebbero dedicare tempo e risorse (ed anche budget) per cercare di trattenere proprio tutti i dipendenti. I motivi per cui non tutti i dipendenti andrebbero salvati sono semplici:

  • Alcuni dipendenti potrebbero sembrare a rischio abbandono, ma in realtà non lo sono. Magari per questioni caratteriali relative al dipendente stesso, si potrebbe cadere in questo errore.
  • Alcuni dipendenti potrebbero voler abbandonare per questioni che non sono legate ne al lavoro, ne all’azienda (ad esempio le persone che intendono trasferirsi)
  • Infine, ci saranno alcuni dipendenti che l’azienda stessa non vorrà mantenere a causa di scarse performance, poca attitudine, etc…

People Analytics e Predictive Analytics: i sondaggi

L’esempio seguente mostra i risultati di uno studio su employee satisfaction eseguito per una grande azienda. I risultati mostrano atteggiamenti che sono correlati positivamente e negativamente rispetto alla strategia di employee retention. Di seguito sono riportati gli atteggiamenti dei dipendenti che sono significativamente correlati alla soddisfazione che hanno nei confronti dell’azienda e del posto di lavoro:

Correlazioni positive

  • E’ divertente venire a lavorare
  • Consiglierei ad un mio amico una carriera all’interno della mia azienda
  • Sono orgoglioso di far parte di questa azienda
  • La maggior parte dello staff è felice di lavorare per questa azienda
  • Ricevo feedback regolari sulla mia prestazione

Ovviamente ci son stati anche degli atteggiamenti che erano negativamente correlati all’employee retention, che quindi identificano dei dipendenti a rischio abbandono.

Correlazioni negative

  • La comunicazione con il mio capo NON è aperta ed onesta
  • Il mio capo NON mi tratta in modo equo
  • I manager NON sono capaci di lavorare in team
  • NON sono stato ben formato per eseguire il mio lavoro

People Analytics e Predictive Analytics

Predicitive Analytics

Come abbiamo visto, i sondaggi mostrano un chiaro intento del dipendente a restare o ad andarsene dall’azienda. La missione dell’HR Manager, quindi, è di utilizzare l’analisi predittiva ed il “punteggio”  per classificare statisticamente l’intero database dei dipendenti e comprende chi è a rischio e chi no.

La maggior parte delle aziende ha una buona quantità di dati sui propri collaboratori, tra cui il ruolo in azienda, gli anni di lavoro, età, reddito, stato civile, congedo materno e numero giorni di malattia. Senza andare troppo oltre con la matematica, i dati vengono confrontati per dipendente, ogni riga è appunto un collaboratore ed ogni colonna è un record quantitativo di qualche tipo. Le tecniche di analisi predittiva possono includere la regressione logica, l’analisi discriminante, reti neurali e tree analysis. Queste funzioni inserite in un software di analisi  producono dei pattern predittivi. Come abbiamo detto, una volta definito il modello, il software potrà scansionarlo e quindi analizzare l’intero database di dipendenti e formulare appunto una previsione, che potremmo chiamare anche scoring o punteggio, sulla base della propensione di ogni singolo dipendente nel voler o meno abbandonare l’azienda. La delivery che si otterrà sarà una lista ordinata tramite uno scoring, in cui in cima verranno presentati i dipendenti con il più alto rischio di abbandono. 

In sintesi:

  1. Consolidiamo i dati aziendali sullo status e sul comportamento dei dipendenti
  2. In alcuni casi conduciamo dei sondaggi sulla soddisfazione dei dipendenti
  3. Il software esaminerà i dati
  4. Verrà prodotto un modello predittivo che può essere applicato ed aggiornato in tempo reale

People Analytics e Predictive Analytics: conclusioni

L’abbandono dei dipendenti e tassi di turnover sono solo uno dei tanti esempi in cui l’analisi predittiva può essere applicata per aiutare l’efficienza aziendale. Con strumenti odierni, come glickon, è possibile applicare metodologie come questa appena descritta per società di grandi, medie e piccole dimensioni.

Vuoi saperne di più sulla People Analytics e scoprire il nostro glickon X? Contattaci