Analisis prediktif adalah tren yang akan datang dalam Sumber Daya Manusia (SDM). Alat rekrutmen memprediksi karyawan berkinerja tinggi, dan semakin banyak perusahaan yang mampu memprediksi karyawan mana yang kemungkinan besar akan keluar. Dalam artikel ini, kami akan menjelaskan apa itu analitik prediktif SDM dan bagaimana mereka bisa menjadi pengubah permainan yang nyata untuk departemen SDM.
Kami juga akan membahas tujuh contoh kehidupan nyata analitik prediktif dalam SDM, dua di antaranya adalah studi kasus terperinci.
Logika di balik analitik prediktif SDM
Tahukah Anda apa kesamaan skor kredit pribadi Anda, manajer tim bisbol Oakland Athletics Billy Beane dari film Moneyball dan profil Match.com Anda? Mereka semua menggabungkan data besar dan analitik prediktif untuk memprediksi masa depan.
Analisis data prediktif ada di mana-mana. Ini pada dasarnya adalah teknologi yang belajar dari data yang ada, dan menggunakan ini untuk meramalkan perilaku individu. Ini berarti bahwa prediksi sangat spesifik. Dalam film Moneyball, analisis prediktif digunakan untuk memprediksi potensi keberhasilan pemain bisbol individu.
Dengan cara yang sama, skor kartu kredit pribadi Anda menggunakan data historis dari jutaan orang di masa lalu untuk memprediksi apakah Anda dapat membayar kembali pinjaman yang ingin Anda ambil untuk mobil baru Anda.
Jadi bagaimana cara kerja analitik prediktif ini? Analisis prediktif melibatkan serangkaian teknik statistik (penambangan data) yang menganalisis data historis dan hasil. Teknik-teknik ini kemudian mencoba membuat formula, atau algoritme, yang paling meniru hasil historis ini. Algoritma ini kemudian menggunakan data saat ini untuk memprediksi hasil di masa depan.
Analisis prediktif dalam praktik
Katakanlah ada taman bermain di sebelah rumah Anda. Selama dua minggu terakhir, Anda menuliskan apakah ada anak-anak yang bermain di taman bermain atau tidak. Anda juga menuliskan apakah cuaca cerah, hujan atau berawan, suhu dan kelembabannya. Berdasarkan data yang Anda kumpulkan, apakah Anda dapat memprediksi apakah anak-anak akan bermain di taman bermain pada hari tertentu?
Ini adalah pertanyaan yang rumit. Jelas, kondisi cuaca ini ada hubungannya dengan apakah anak-anak bermain di luar atau tidak. Jika prakiraan cuaca hujan, kemungkinan akan turun hujan, artinya anak-anak cenderung tidak bermain di luar. Saat panas, anak-anak mungkin akan bermain di luar. Tetapi apakah spreadsheet Anda dengan informasi empat belas hari berturut-turut menyimpan data yang cukup untuk membuat prediksi yang akurat tentang apakah anak-anak akan bermain di luar atau tidak?
Membuat prediksi menggunakan pohon keputusan
Metode umum dan agak sederhana untuk membuat model prediktif adalah pohon keputusan. Pohon keputusan adalah model seperti pohon yang terdiri dari keputusan dan kemungkinan konsekuensinya. Dalam pohon keputusan, setiap simpul mewakili pengujian pada atribut tertentu, dan setiap cabang mewakili hasil yang mungkin dari pengujian ini.
Saya membuat pohon keputusan pada kumpulan data cuaca kami dengan menerapkan beberapa teknik penambangan data sederhana. Pohon keputusan dihitung menggunakan algoritma pohon keputusan tertentu, yang disebut C4.5. Model pohon keputusan ini sangat cocok dengan data: mampu memprediksi apakah anak-anak akan bermain di taman bermain dengan akurasi 71%. Ini jauh lebih baik daripada menebak, yang memiliki akurasi 50%.
Pohon keputusan sudah cukup jelas jika Anda melihat lebih dekat. Saya meminta desainer kami untuk membuat ini gambar yang cantik – keluaran aslinya adalah versi hitam-putih yang jauh lebih membosankan.
Ada dua prediktor kuat di pohon keputusan. Prospek adalah prediktor pertama. Anak-anak akan bermain di taman bermain 4 dari 5 kali saat cuaca cerah. Saat ramalan hujan, anak-anak tidak bermain di luar. Jika prospeknya mendung, kelembaban adalah prediktor kedua. Anak-anak tidak mungkin bermain di luar jika kelembabannya tinggi (biasanya saat hujan). Namun, ketika kelembaban normal, anak-anak cenderung bermain di luar.
Dengan kata lain: ramalan cuaca dan kelembaban dapat digunakan untuk memprediksi apakah anak-anak akan bermain di taman bermain di luar secara akurat. Tentu saja, dalam sebuah organisasi, Anda tidak tertarik untuk memprediksi hasil spesifik ini. Sebaliknya, Anda akan menggunakan metrik SDM untuk memprediksi hasil bisnis.
Contoh sederhana ini adalah contoh yang sangat baik tentang cara kerja analitik prediktif. Semuanya bermuara pada algoritma yang belajar dari data yang ada untuk membuat prediksi tentang masa depan. Eric Siegel (2013) membandingkan ini dengan seorang tenaga penjualan. Interaksi positif dan negatif mengajarkan seorang tenaga penjualan teknik mana yang berhasil dan mana yang tidak. Dengan cara yang sama, analitik prediktif memungkinkan organisasi untuk belajar dari pengalaman atau data sebelumnya.
Bagaimana analitik prediktif SDM diterapkan dalam praktik
Sekarang, bagaimana analitik prediktif berlaku untuk SDM? SDM memiliki data orang dalam jumlah besar, biasanya dikelola dalam Sistem Informasi Sumber Daya Manusia. Dengan menerapkan analisis prediktif pada data ini, HR mampu menjadi mitra strategis yang mengandalkan model prediksi yang terbukti dan berbasis data, alih-alih mengandalkan firasat dan soft science. Analitik prediktif SDM memungkinkan SDM untuk memperkirakan dampak kebijakan orang terhadap kesejahteraan, kebahagiaan, dan kinerja bottom-line. Contohnya adalah peran yang dapat dimainkannya dalam mencegah pergantian karyawan yang mahal.
Namun, hanya sedikit organisasi yang mampu menghasilkan model prediktif untuk SDM. Menurut Model Kematangan Analisis Orang 2018 Deloitte, hanya 17% organisasi di seluruh dunia yang dapat mengakses dan menggunakan data SDM. Ini naik dari 8% pada tahun 2015, dan 4% pada tahun 2014.
Dari 17% ini pada tahun 2018, hanya 2% yang memenuhi syarat sebagai memiliki data terintegrasi bisnis, yang berarti mereka menggunakan alat bantu AI canggih secara real-time untuk mengumpulkan, mengintegrasikan, dan menganalisis data. 15% lainnya mampu melakukan analisis prediktif secara ad-hoc.
Ini berarti bahwa banyak organisasi masih memiliki jalan panjang di depan mereka sebelum mereka dapat menerapkan analisis orang prediktif. Meskipun demikian, pengadopsi awal sudah menunjukkan beberapa hasil yang sangat menarik. Mari kita lihat lebih dekat beberapa di antaranya.
Contoh nyata dari analitik prediktif di HR
1. Memprediksi dan mencegah turnover di HP
Hewlett-Packard (HP) adalah perusahaan dengan lebih dari 300.000 karyawan dan selalu menjadi pemimpin di bidang analitik prediktif SDM. Manajemen HP mengalami tingkat pergantian karyawan yang tinggi. Tingkat perputaran 20% tidak jarang terjadi di beberapa divisi penjualannya. Ini berarti bahwa orang tinggal rata-rata antara 4-5 tahun.
Perputaran yang tinggi umumnya menyebabkan biaya perekrutan yang tinggi dan kehilangan pendapatan karena hilangnya produktivitas dan orientasi. Selain itu, karyawan yang keluar membawa pengetahuan, jaringan, dan terkadang bahkan pelanggan bersama mereka. Diperkirakan bahwa biaya penggantian karyawan tingkat menengah lebih dari 150% dari gaji tahunan mereka. Ini dapat merugikan perusahaan seperti HP jutaan dolar.
Dua ilmuwan memutuskan untuk mencoba dan memecahkan masalah ini. Mereka menggabungkan data dua tahun sebelumnya dan mencoba memprediksi siapa yang akan meninggalkan organisasi. Dengan menggunakan model prediktif, mereka menghasilkan apa yang mereka sebut skor “Risiko Penerbangan”. Skor ini memprediksi kemungkinan keluarnya masing-masing dari 300.000 lebih karyawan HP.
Temuan mereka sangat inovatif. Berdasarkan data tersebut, mereka dapat melihat alasan karyawan keluar dari HP. Gaji yang lebih tinggi, promosi, dan peringkat kinerja yang lebih baik di mana, misalnya, berhubungan negatif dengan risiko penerbangan. Namun, ternyata ada hubungan yang rumit antara temuan tersebut. Misalnya, ketika seseorang menerima promosi tetapi tidak mendapatkan kenaikan gaji yang besar, orang ini masih akan lebih mungkin untuk berhenti.
Seperti yang dapat Anda bayangkan, ada sejumlah masalah praktis dan terkait privasi dengan skor Risiko Penerbangan ini. Inilah sebabnya mengapa akses ke data ini hanya diberikan kepada kelompok manajer tingkat tinggi tertentu.
Para manajer ini hanya bisa melihat skor bawahan mereka. Mereka juga menerima pelatihan dalam menafsirkan skor Risiko Penerbangan sehingga mereka akan memahami potensi konsekuensi dan masalah kerahasiaan yang menyertai data ini.
Selain itu, sistem memberi tahu para manajer ini apa faktor risiko utama dari pengurangan karyawan. Dengan cara ini, sistem memberikan tekanan pada manajer untuk mengembangkan strategi untuk mempertahankan staf mereka. Ini membantu mengurangi biaya dan menjaga kelangsungan bisnis.
Mempertimbangkan semua faktor berbeda yang dapat dipertimbangkan perusahaan saat melakukan analisis prediktif, mudah untuk tersesat dalam detail. Oleh karena itu, akan sangat bermanfaat untuk membuat dasbor dengan ikhtisar metrik yang paling penting.
Pada akhirnya, skor Flight Risk bertindak sebagai sistem peringatan dini. Ini mendorong manajer terlatih untuk campur tangan sebelum terlambat. Atau, ketika kehilangan seorang karyawan tidak dapat dihindari, untuk bereaksi sesuai dengan itu. Menurut Siegel (2013), HP dapat menghemat sekitar $300 juta dengan menerapkan analitik prediktif untuk menghitung risiko penerbangan ini.
2. Memprediksi keberhasilan perekrutan di Google
Dalam bukunya Work Rules!, Laszlo Bock, Senior Vice President of People Operations (HRM) di Google, menulis bahwa instrumen terpenting dari People Operations Google adalah statistik. Pertanyaan yang diajukan kepada orang yang diwawancarai dalam proses perekrutan Google semuanya sepenuhnya otomatis, dibuat dengan komputer, dan disesuaikan untuk menemukan kandidat terbaik.
Selain itu, Google memperkirakan kemungkinan orang meninggalkan perusahaan dengan menerapkan analisis prediktif SDM. Salah satu temuan Google adalah bahwa tenaga penjualan baru, yang tidak mendapatkan promosi dalam waktu empat tahun, jauh lebih mungkin untuk meninggalkan perusahaan.
Ada banyak metrik relevan lainnya dalam perekrutan yang harus Anda pantau untuk melihat apakah Anda mempekerjakan orang yang tepat. Ini termasuk metrik lanjutan seperti waktu untuk produktivitas dan biaya untuk mencapai tingkat produktivitas yang optimal.
3. Memprediksi pendapatan menggunakan nomor pertunangan
Keterlibatan karyawan sering dilihat sebagai cawan suci SDM. Karyawan yang terlibat bekerja lebih keras, memberikan kualitas yang lebih baik, lebih sedikit absen dan lebih kecil kemungkinannya untuk berhenti.
Best Buy, pengecer elektronik, ingin mengetahui bagaimana keterlibatan memengaruhi penjualan di toko mereka. Mereka menganalisis data mereka dan menemukan bahwa peningkatan 0,1 poin persentase dalam keterlibatan menghasilkan peningkatan pendapatan sebesar $100.000 per toko.
Setelah menemukan dampak yang menakjubkan ini, Best Buy memutuskan untuk mengukur keterlibatan beberapa kali dalam setahun. Ini juga memungkinkan mereka untuk mengukur pendorong keterlibatan. Ini membantu menghasilkan intervensi SDM yang akan meningkatkan keterlibatan dan, pada gilirannya, pendapatan toko.
4. Wikipedia
Editor Wikipedia, atau Wikipediawan, membuat dan mengedit artikel untuk menjaga ensiklopedia terbesar di dunia tetap mutakhir. Setiap hari, lebih dari 800 halaman baru dibuat, dan 3.000 suntingan dibuat di Wikipedia bahasa Inggris saja (>3 per detik di seluruh dunia). Wikipedia mampu memprediksi siapa dari 750.000 editornya yang kemungkinan besar akan berhenti berkontribusi.
Saya tidak yakin bagaimana Wikipedia bertindak atas informasi ini, tetapi email semacam ‘terima kasih atas kontribusi Anda’ dapat melakukan keajaiban dalam menghargai dan melibatkan kembali para Wikipediawan ini.
5. Membuat keputusan perekrutan yang lebih baik menggunakan Facebook
Apakah perekrut Anda memeriksa halaman Facebook pelamar? Mungkin mereka harus. Sebuah penelitian mengungkapkan bahwa adalah mungkin untuk memprediksi kepribadian seseorang dan kinerja masa depan berdasarkan profil Facebook mereka (Kluemper, Rosen & Mossholder, 2012). Dalam penelitian ini, sejumlah partisipan memberikan peringkat hirability berdasarkan profil Facebook. Peringkat ini memprediksi 8% kinerja pekerjaan yang dinilai manajer untuk orang-orang ini.
8% mungkin tidak terdengar banyak. Misalnya, tes kepribadian standar memiliki nilai prediksi kinerja yang lebih tinggi dibandingkan dengan melihat profil Facebook seseorang. Namun, literatur menunjukkan berulang kali bahwa model prediksi terbaik untuk kinerja pekerjaan masa depan menggabungkan berbagai prediktor, seperti tes IQ, wawancara terstruktur, dan tes kepribadian bersama-sama. Melihat melalui profil Facebook bisa menjadi instrumen tambahan untuk memindai kandidat.
6. Memprediksi dampak di Nielsen
Nielsen, sebuah perusahaan analisis data, memiliki masalah serupa dengan HP. Setelah berbicara dengan salah satu presiden salah satu bisnis, SVP People Analytics, mengetahui bahwa retensi adalah masalah yang perlu diselesaikan.
Setelah melakukan analisis dampak keuangan, tim People Analytics mengetahui bahwa setiap penurunan satu poin persentase dalam gesekan menghasilkan pengurangan biaya bisnis sebesar $5 juta.
Tim People Analytics kemudian dapat mengidentifikasi 120 individu kunci yang bekerja dengan risiko keluar. Melalui gerakan lateral untuk 40% dari kelompok, tim mampu mengurangi tingkat gesekan menjadi nol selama enam bulan pertama setelah implementasi.
Melalui berbagai inisiatif yang ditujukan untuk mengurangi omset, tim mampu mengurangi pengurangan sebesar dua poin persentase untuk perusahaan global, menghasilkan pengurangan biaya sebesar $10 juta. Setelah implementasi yang sukses ini, proyek ini diluncurkan ke tujuh negara lain (sumber).
7. Jangan pernah mempekerjakan orang beracun
Contoh terakhir adalah dari studi kasus oleh Cornerstone tentang karyawan beracun. Cornerstone mempelajari dampak karyawan beracun di tempat kerja. Karyawan beracun adalah karyawan yang paling mungkin terlibat dalam perilaku beracun. Contoh perilaku ini adalah penipuan, penyalahgunaan obat-obatan atau alkohol, dan pelecehan seksual.
Orang-orang ini tidak hanya merugikan perusahaan; mereka sangat beracun bagi lingkungan kerja umum. Penelitian sebelumnya menunjukkan bahwa satu karyawan yang beracun dalam sebuah tim akan menyebabkan produktivitas menurun 30% hingga 40%. Selain itu, karyawan yang baik lebih mungkin untuk berhenti ketika mereka harus bekerja sama dengan rekan kerja yang beracun.
Perusahaan menggunakan kumpulan data 63.000 karyawan. Dalam kumpulan data ini, mereka menandai karyawan mana yang diberhentikan secara tidak sukarela karena kekerasan di tempat kerja, pemalsuan dokumen, penyalahgunaan obat-obatan, dan alkohol, dan pelanggaran kebijakan lainnya. Berdasarkan kriteria ini, sekitar 4% dari semua karyawan dapat diklasifikasikan sebagai ‘beracun’.
Setelah menganalisis kumpulan data, Cornerstone mengidentifikasi sejumlah karakteristik utama dari orang-orang beracun.
Orang beracun:
1. memproklamirkan diri sebagai pengikut aturan;
2. skor kehadiran dan ketergantungan yang rendah;
3. dan memiliki orientasi pelayanan yang rendah.
Hebatnya, penelitian ini tidak menemukan tingkat kehilangan produktivitas yang dilaporkan sebelumnya dalam jangka pendek. Namun, ternyata perilaku beracun itu menular. Orang-orang yang bekerja sama dengan rekan kerja yang beracun juga lebih mungkin untuk berhenti. Selain itu, penelitian ini berhipotesis bahwa rekan kerja yang beracun berkontribusi terhadap stres dan kelelahan jangka panjang di antara karyawan lain.
Pada akhirnya, Cornerstone membuktikan bahwa mempekerjakan karyawan yang beracun akan merugikan majikan rata-rata $ 12.800, dibandingkan rata-rata $ 4.000 untuk karyawan yang tidak beracun. Ini tidak termasuk kerugian produktivitas jangka panjang (dan mahal) karena kelelahan dan efek negatif lainnya. Dengan menyempurnakan proses perekrutan, perusahaan dapat mencegah perekrutan kandidat yang cenderung menjadi racun dan menciptakan lingkungan kerja yang lebih sehat.
Pengubah permainan untuk HR
Seperti yang ditunjukkan oleh contoh-contoh sebelumnya, hasil penerapan analitik orang prediktif bisa sangat mencengangkan. Departemen SDM berpotensi menghemat (atau menghasilkan) jutaan dolar bagi perusahaan mereka. Selain itu, SDM dapat membantu manajer dan eksekutif mereka membuat keputusan yang lebih baik dengan menerapkan analitik prediktif dan menggunakan metrik SDM yang tepat.
Potensi analitik orang prediktif yang ditunjukkan oleh kasus bisnis ini (dan studi kasus analitik SDM lainnya) memperjelas bahwa analitik SDM prediktif akan tetap ada. Mereka adalah pengubah permainan yang memungkinkan HR untuk tidak hanya menilai cara kerja karyawan, tetapi juga memprediksi dan mengoptimalkan dampak kebijakan sumber daya baik bagi karyawan maupun bisnis.
