People Analytic เป็นเรื่องที่บริษัทชั้นนำของประเทศไทยกำลังให้ความสนใจกันอย่างมาก การวิเคราะห์ที่ดีจะนำมาซึ่งข้อมูลอันมีค่าต่อผู้บริหารเพื่อใช้ในการตัดสินใจ และกำหนดกลยุทธ์ต่าง ๆ เกี่ยวกับการบริหารทรัพยากรมนุษย์และองค์การ การทำงานของฝ่าย HR จะไม่เป็นเพียงการใช้วิจารณาณบวกกับประสบการณ์อีกต่อไป ผลวิเคราะห์ที่นำเสนอต่อฝ่ายบริหารขององค์การจะมีประสิทธิภาพและน่าเชื่อถือเพราะประกอบด้วยองค์กรประกอบสำคัญคือ ข้อมูลที่ถูกต้องและเพียงพอ เทคโนโลยีที่มีประสิทธิภาพ และผู้ที่มีความรู้ในเรื่อง People Analytics อย่าง ดร.ทัศนาภรณ์ สัตย์เพริศพราย AVP ผู้จัดการวิเคราะห์เชิงกลยุทธ์ HR Analytic Division, Data Analytics Function, Chief Data Officer ธนาคารไทยพาณิชย์ จำกัด (มหาชน) ที่จะได้กล่าวถึงในต่อไปนี้ บทความนี้เป็นส่วนหนึ่งการมาบรรยายแลกเปลี่ยนความรู้เรื่อง People Analytic In Action ในงาน Thailand HR Day 2019
People Analytic คือ การนำข้อมูลจำนวนมากมาใช้อย่างมีระบบ เพื่อให้ได้ข้อมูลเชิงลึกในการกำหนดกลยุทธ์การพัฒนาทรัพยากรมนุษย์ (People Strategy) และแก้ไขปัญหาด้านการบริหารจัดการทรัพยากรมนุษย์ ซึ่งเป็นความท้าทายที่องค์กรต้องเผชิญทั้งจากภายในและภายนอกองค์กร โดยการทำ People Analytics นั้นจะประกอบไปด้วย 4 องค์ประกอบดังนี้ (เพื่อให้เห็นภาพที่ชัดเจนมากขึ้น เสมือนการทำอาหารที่ต้องเตรียมวัตถุดิบอุปกรณ์อะไรบ้าง เพื่อให้ได้อาหาร 1 จาน)
1 Data: ข้อมูลที่แตกต่างกันแบบ Big data เปรียบเหมือนวัตถุดิบในการประกอบอาหาร ซึ่งข้อมูลเหล่านี้ต้องมีลักษณะที่หลากหลาย มีปริมาณมาก และสามารถนำข้อมูลมาใช้ได้อย่างรวดเร็ว ทั้งนี้ ข้อมูลนับว่าเป็นพื้นฐานสำคัญในการทำ People Analytics เพราะข้อมูลที่ดีจะช่วยในการตัดสินใจที่ดีได้ ไม่ว่าจะเรื่องการบริหารคน หรือกลยุทธ์
2 Technology: ในการทำอาหารคงเปรียบเหมือนอุปรกรณ์เครื่องครัว เช่น หม้อ กระทะ สำหรับการทำ People Analytics มีเทคโนโลยีที่หลากหลายให้เลือกใช้ แต่ต้องพิจารณาใช้เทคโนโลยีให้ถูกต้องและตรงตามวัตถุประสงค์
3 Framework: การทำ People Analytics ต้องอาศัยความพร้อมทั้งจากคนและองค์กรที่มี Technology Capability และ Cultural Readiness ซึ่งถ้าเปรียบกับการทำอาหารก็คือการมีสูตรอาหารที่ดี
4 People: คนในการทำ People Analytics เปรีบเหมือนพ่อครัวในการปรุงอาหาร ที่เป็นหัวใจสำคัญในการทำ People Analytics โดยประกอบด้วยคน 4 กลุ่ม ได้แก่
4.1) Data Science มีหน้าที่วิเคราะห์ข้อมูลด้วยโปรแกรม เช่น SQL, R, Python
4.2) HR Analytics มีหน้าที่แปลความผลวิเคราะห์ที่ได้จาก Data Science โดยใช้โปรแกรม Power BI, Microsoft Excel, PowerPoint ช่วยในการวิเคราะห์นำเสนอผล
4.3) Business User เช่น Vice President หรือผู้บริหารที่ต้องการแก้ไขปัญหาการบริหารจัดการทรัพยากรมนุษย์
4.4) Leader พนักงาน ซึ่งเป็นคนสำคัญที่ HR ต้องตอบสนองต่อความต้องการให้ได้
ตัวอย่างการวิเคราะห์ข้อมูลด้วย 2 ระบบ 1) Traditional System คือ การนำข้อมูลมา Extract Transform Load เข้าสู่ Data Warehouse และประมวลผลด้วยโปรแกรม SQL ผ่านเครื่องคอมพิวเตอร์ และแปรผลออกมาเป็นกราฟ (Visual Graph) หรือรายงาน โดยตัวอย่างของข้อมูลที่ใช้กับระบบนี้ เช่น เงินเดือน ผลการประเมินของพนักงาน และ 2) Data Lake System คือ การนำข้อมูลมา Extract แล้ว Transform และ Load จัดเก็บไว้ที่ Data Lake พร้อมประมวลผลด้วยโปรแกรม เช่น Python, R และแปรผลออกมาเป็นกราฟ (Visual Graph Chart) หรือรายงานได้ทันที โดยไม่ต้องผ่านเครื่องคอมพิวเตอร์ ซึ่งระบบนี้จะเหมาะกับการวิเคราะห์ข้อมูลที่มีจำนวนมาก เช่น การวิเคราะห์ข้อมูลพนักงานแต่ละสาขา
นอกจากนี้ ยังได้ยกตัวอย่างการทำ People Analytics Road Map ของธนาคารไทยพาณิชย์ จำกัด (มหาชน) โดยขั้นแรกธนาคารเริ่มจากการวิเคราะห์แบบง่าย เช่น วิเคราะห์การเปรียบเทียบการลาออกของพนักงานจากหน้าที่งานที่มีลักษณะเหมือนกัน เช่น พนักงานขายในกลุ่มลูกค้า SME กับกลุ่มลูกค้าที่มีความมั่งคั่ง (Wealth) ผลการวิเคราะห์พบว่า อัตราการลาออกของพนักงานทั้ง 2 กลุ่มแตกต่างกัน จากนั้นนำข้อมูล เช่น ประวัติพนักงาน แนวโน้มต่าง ๆ ทำให้เป็น Big Data ที่เป็น Historical Trend และ Driven Analytics และเมื่อองค์กรมีความพร้อมทางเทคโนโลยีมากขึ้น ได้นำ Data Science และ Machine Learning มาทำนายคาดการณ์การลาออกของพนักงานรายบุคคล โดยสามารถคาดการณ์ระบุจำนวนเดือนได้ว่า พนักงาน หรือ Talent มีแนวโน้มจะลาออกใน 2 เดือนข้างหน้า
การทำ People Analytics Road Map ข้างต้น สามารถสรุปขั้นตอนการทำ People Analytics ซึ่งจะช่วยแก้ไขปัญหาและนำไปสู่การตัดสินใจผ่าน 6 ขั้นตอน ดังต่อไปนี้
1 Define Problem: การระบุปัญหาที่เกิดขึ้นอย่างชัดเจน และพิจารณาว่าปัญหานั้นมีความคุ้มค่าในการทำ People Analytics หรือไม่ ด้วยหลัก 3M (Man Money Material) เช่น อัตราการลาออกของพนักงานสูง
2 Conceptualize / Develop Hypothesis: การตั้งสมมติฐานที่ชัดเจน สอดคล้องกับปัญหา และสามารถทดสอบได้ รวมถึงการกำหนดตัวแปรต้นและตัวแปรตาม เช่น การลดอัตราการลาออกร้อยละ 90 จากปีที่ผ่านมา
3 Collect Data/ Metrics: การเก็บข้อมูลนั้นต้องทราบว่าจะเก็บจากที่ไหน ข้อมูลมีปริมาณเท่าใด และเป็นข้อมูลที่ถูกต้องน่าเชื่อถือหรือไม่ เช่น ข้อมูลประวัติพนักงาน ข้อมูลแสดงผลการปฏิบัติงาน และการกำหนด Metrics หรือตัวชี้วัดต้องวัดผลได้จริง เช่น HR Cost ในการดำเนินการสรรหาพนักงานลดลง ตัวอย่าง HR Metrics ด้านการสรรหา เช่น 1) Time to hire 2) Cost per hire 3) Early turnover 4) Time since last promotion ด้านค่าตอบแทน เช่น 1) Revenue per performance 2) Performance and potential ด้านอื่น ๆ เช่น 1) Cost of HR employee 2) Ratio of HR professionals to employee 3) Ratio of HR business partners per employee 4) Turnover
4 Analyze Data: การวิเคราะห์ข้อมูล โดยใช้ Machine Learning ประมวลผลข้อมูลทั้งข้อมูลนำเข้า (Input) และผลผลิต (Output) เพื่อได้โมเดลและทราบเหตุปัจจัย ทั้งนี้การแปรผลต้องแปรผลตามปัจจัยที่เกิดขึ้นจริงไม่แปรผลแบบอคติ เช่น ทราบว่ามีปัจจัยใดบ้างที่ทำให้พนักงานลาออก
5 Gain Insights: ผลวิเคราะห์ที่ได้ต้องมีความสอดคล้องกับปัญหา และสอดคล้องกับเป้าหมายกลยุทธ์ (Strategic Goal) ผลลัพธ์องค์กร (Business Outcomes) การลงทุนในทุนมนุษย์ (Investment in Human Capital) และตัวชี้วัด (HR Metrics) เช่น ผลวิเคราะห์พบว่า พนักงานที่มีเป้าหมาย (Target) ในการทำงานสูง จะมีแนวโน้มลาออกสูง
6 Communicate and Influence: การสื่อสาร นำเสนอ และตอบคำถามปัญหาข้างต้นให้กับผู้บริหารได้ โดยการสื่อสารนำเสนอนั้น ต้องสื่อสารแบบเล่าเรื่องมีที่มาที่ไป (Storytelling) ใช้การเปรียบเทียบเชื่อมโยงข้อมูล เพื่อให้น่าสนใจและผู้ฟัง Connect the Dots ได้ โดยการเล่าเรื่อง (Storytelling) มีองค์ประกอบที่สำคัญ 3 องค์ประกอบ ได้แก่ 1) Data 2) Narrative และ 3) Visual เช่น ภาพ กราฟ ซึ่งภาพที่ดีจะช่วยเพิ่มการสื่อสารให้มีประสิทธิภาพมากขึ้น และมีหลักในการนำเสนอภาพให้น่าสนใจ ดังนี้
> Quality Graphic ภาพที่นำเสนอมีคุณภาพ
> ไม่ใช้ Software Template ที่หลากหลายเกินไป
> เน้นที่ความเรียบง่ายสวยงาม
> 1-7-7 Rule คือ 1 ไสลด์ มี 1 ใจความหลัก มี 7 หัวข้อ และบรรทัดละ 7 คำ
> The CRAP Rule:
Contrast สีของตัวหนังสือและพื้นหลังมีสีที่ตัดกัน
Repetition การใช้รูปแบบตัวอักษรที่เหมือนกันในทุกสไลด์
Alignment การจัดวางหัวข้อให้ตรงกัน
Proximity การจัดกลุ่มเนื้อหาเดียวกันให้อยู่ในสไลด์เดียวกัน
> Layout and Flow and Prioritize การจัดวางข้อความเน้นการวางข้อความที่ด้านบนและด้านซ้ายให้มาก โดยใช้หลัก Rule of Third หรือ 9 Grids ที่คนมักให้ความสนใจภาพที่ด้านบนซ้ายและด้านล่างซ้ายมากกว่าด้านบนขวาและด้านล่างขวา
ดร.ทัศนาภรณ์ สัตย์เพริศพราย ได้เน้นย้ำว่า ขั้นตอนที่ 1 Define Problem ขั้นตอนที่ 2 Conceptualize / Develop Hypothesis และขั้นตอนที่ 3 Collect Data/ Metrics มีความสำคัญต้องทำให้ถูกต้อง มิเช่นนั้นขั้นตอนที่เหลือจะผิดพลาดตามไปด้วย และ 4 องค์ประกอบข้างต้น ถ้าองค์ประกอบตัวใดองค์กรยังขาดสามารถเพิ่มเติมเรียนรู้ได้ โดยเฉพาะความสามารถของ HR Analytics และ Data Science แต่กระนั้น การทำ People Analytics ยังมีข้อจำกัดเรื่องการยอมรับการเปลี่ยนแปลง ความพร้อมทั้ง Technology Capability และ Cultural Readiness และการยอมรับข้อมูลที่ได้จากการวิเคราะห์ด้วย Analytics ซึ่งฝ่าย HR ต้องสร้างความมั่นใจและทำให้คนในองค์กรยอมรับข้อมูลด้วยวิธีการดังกล่าวให้ได้
Comentarios