وحید فرجی
وحید فرجی
خواندن ۷ دقیقه·۲ سال پیش

الفبای داده‌های افراد*> از شناسایی تا حل سوال درست

به لحاظ واژه شناسی ترجمه‌ای هست

از عبارت *People data

سؤال اصلی که قبل از نوشتن این مطلب با خودم مرور کردم این بود: زیرساخت، تحلیل و روایت داده‌های منابع انسانی چطور به ذهنیت رشد تیمی کمک می‌کنه؟ چه مسائلی رو باید توی اولویت قرار بدیم و چطور روی یادگیری علاقه مند بمونیم؟

جوابهایی کوتاهی هم به ذهنم رسید: مثل اتکا به داشتن ذهنیت رشد، استمرار روی حل مسائل واقعی، پایداری در دقت به جزئیات کنار جمع‌آوری و مصورسازی داده ها… اما این موارد هم کافی نیستند. اصل داستان، حل کردن مشکلات واقعی و یا تبدیل مشکل به مساله و مساله به راه حل هست. یعنی اصل تبدیل نرخ بهتر از هر چیزی کاربرد داره.

این مطلب حاصل فکر، مطالعه و عملیاتی کردن حداقل 367 ساعت و 35 دقیقه کار هست و امیدوارم ارزش خوندن رو داشته باشه. سوال طرح شده نیز یکی از مسائل واقعی شرکتی هست که فعلا مشغول به کار هستم.

پیشگفتار

بهتره بدونیم در تحلیل افراد، انرژی تیمی بر تخصص فردی ارجحیت داره. اینکه صرفا یک متخصص تمام عیار نمی تونه کل مسائل رو به بهترین شکل حل کنه. البته که نباید تخصص افراد رو دست کم بگیریم ولی باید حس کنیم این موضوع صرفا توی یک جاده یک طرفه اتفاق نمی افته و اگر تخصصی بلد هستیم، داستان حل مساله تمام نشده!

برعکس بهترین تیم تحلیل از نظر من، به‌کارگیری انرژی، علاقه و تخصص ترکیب افرادی هست که اول مساله را درست و خوب صیقل بدن، و در ادامه راه رسیدن به حل مساله رو با جزئیات بهتر، با در نظر گرفتن زمان بهینه دنبال کنند.

اصل موضوع باید حل مساله باشه تا صرفا خروجی گزارشهای شیک سازمانی برای سایر مخاطبان!. هر گزارش، داشبورد و یا نمایشی از گرافها و تصاویر باید حداقل وجود مساله و در ادامه رشد رو نشون بده. البته مشکلی هم نداره که این خروجی با جذابیت بصری منتشر بشه تا هم زحمات افراد دیده بشن و این تجربه در اختیار بقیه قرار بگیره، ولی اگر مساله‌ای رو توی شرکت حل نکنه تبدیل میشه به یک کاتالوگ یا محتوایی که تاریخ انقضاش فرا می‎‌رسه.

پس قبل از هر شروع به تحلیل داده در منابع انسانی، اصل رو روی مساله واقعی شرکت قرار بدین و اگر سخت و دور از ذهن به نظر می‌رسند، بلند مدت روی اونها کار کنید. نکته اصلی اینکه منابع و انرژی شما باید روی تقاطع دادههای افراد یا (منابع انسانی داخل و خارج شرکت)، هزینه و فایده‌های مالی و احتمالا فروش قرار بگیرن!

اخیرا با یک سری سؤال مواجه شدم که معمولا روی این نکته اشتراک دارند: «چطور میشه حداقل به یک تخصص متوسط منابع انسانی داده محور رسید». جواب قانع کننده ای برای این موضوع ندارم چرا که تجربه و زمان و سیر یادگیری افراد فرق داره. ولی یک تجربه سه ساله نمی تونه یک نسخه ایده آل رو تجویز کنه و پاسخ قطعی زمانی هم وجود نداره، ولی بدونیم زمانی به یک تخصص ایده آل میرسیم که روی یادگیری اشتراکی و با نیت خود-خواسته و استمرار قدم بذاریم. این تعریف چند نکته داره: علاقه با نیت عمل، در نظر گرفتن تخصص همه و حفظ پایداری یادگیری. یعنی یادگیری در حین کار، یادگیری فعال و مهم تر حس اینکه واقعا مساله رو به ساده‌ترین روش ممکن حل کنیم. پیچیده کردن مسائل و یا ربط دادن هر موضوعی به فناوری بدتر ذهن خود شما و بقیه رو گیج‌تر می‌کنه. اصل ساده‌سازی مسائل پیچیده واقعا لذت بخشه.

همه ما میدونیم در یک شرکت سخت اقتصادی قرار داریم. پس یک متخصص تحلیل کسب و کار می تونه نقش پررنگی در مدیریت هزینه، عملکرد و در نهایت بهتر کردن راندمان یک مجموعه، تیم و یا سازمان داشته باشه.

حالا با در نظر گرفتن این پیش زمینه، منطق حل مسائل بر اساس داده می تونه با در نظر گرفتن این عوامل باشه. قبل از شروع دوست دارم این نکات رو هم یادآوری کنم.

  • برخی موضوع ها ممکنه از نظر توالی برتری نداشته باشند و صرفا بر اساس تجربه شخصی باشه
  • این پیشنهادها صرفا تجربی هست و پایه کاملا عملی نداره
  • هر بخش با سؤال، پیش فرض و راه حل حداقلی آماده شده

از کجا شروع کنیم؟

به نظرم هر تعریف مساله و فرآیند حل و اقدام داده های منابع انسانی باید یک صافی درستی رو طی کنه.

پیش فرض مساله داده ها: دسته بندی، بهینه‌سازی یا جمع‌آوری داده‌های جدید و یا ترکیب با داده‌های موجود با اصل پدیده شناسی روند سیالیت داده... نقشه و یا مسیر ورودی و خروجی داده باید به جزئیات تصویر بشوند.

اصل نرخ ها: تعریف مساله مشخص و عینی که قابل لمس باشه (پارامترهایی مثل هزینه، فایده، سود، ضرر، درصد رشد و.... بهتره که توی اولویت قرار بگیرند).

تعریف مساله: ارتباط عملکرد فردی> تیمی و اثرگذاری روی خروجی افراد دیگه.

تحلیل و درک جزئیات بیشتر و دقیق‌تر: بازتعریف درست چرخه و رعایت برابری و صداقت در داده ها (عدم دستکاری داده و یا ایجاد پیچیدگی که فهم افراد رو مشکل کنه یا اصطلاحا نکته تاریک دانشی افراد باشه.)

روایت: باور درست به حل مساله و قضاوت غیر احساسی و غیر تعمیمی به مساله. (افراد قربانی یک روایت آماری نشوند. دوری از مبالغه و پوشاندن ضعف و یا زیاده روی در تحلیل مسائل)

اقدام: متأسفانه این مساله خیلی در تحلیل افراد ضعیف هست.

بهبود راه حل در گذر زمان: اگر حتی باور به اقدام داشته باشیم، بهبود مستمر نقطه فراموش شده در حلقه کلی چرخه می تونه باشه. متأسفانه ذهن انسان به بسته شدن سریع پرونده ها عادت داره.

قبل از شروع> منتظر تعریف سؤال از مدیریت نباشید.

قبل از حل مساله> خیلی و خیلی مشورت کنید. به تخصص همه افراد حتی یک فردی بی ارتباط به موضوع اهمیت بدهید.

بعد از شروع حل مساله> روی دانش و یا ابزار خاصی تعصب اضافی به خرج ندهید. صداقت روی داده رو اصل حل مسائل قرار دهید.

قرار نیست با این حل مساله حتما تشویق شوید، رشد فردی رو در کنار رشد سازمان گره بزنید.

اگر تشویق نشدید و مطمئن به حل مساله درست تر هستید، مدیریت رو قانع به شنیدن کنید. (روی این مساله مطلبی خوبی رو آماده می‌کنم).


شکل زیر چرخه یک سؤال ساده و بدون احساس نیاز سازمانی رو نشون می‎‌ده. طرح مساله از دل این موضوع اومد که هر هفته میزان فروش و نرخ لید یا پتانسیل مشتری در قالب داشبورد صافی یا Funnel بررسی می‌شد.

مدل شخصی به عنوان یک تحلیلگر کسب و کار با تقاطع دادهای مالی و منابع انسانی.
مدل شخصی به عنوان یک تحلیلگر کسب و کار با تقاطع دادهای مالی و منابع انسانی.


روند چرخه داده رو چطور ترسیم کنیم؟

حالا اگه این مراحل رو توی یک مثال ساده و کاربردی توضیح بدیم، می تونم این مساله واقعی که خودم روبرو شدم رو بسط بدم: چطور داده های مالی فروش و بازاریابی با منابع انسانی می تونند در یک نقطه تقاطع داشته باشند.

نقاط بهبود هم شناسایی و در نهایت حل بشوند. برای مثال آیا خطای انسانی رو میشه به کمک داده درست تحلیل و رفع کرد یا نه. منظور از خطا، اشتباه ارادی و یا تنبلی افراد نیست بلکه افشای نکته تاریکی هست که شاید افراد خبر ندارند.

در نظر بگیرید که بودجه یک شرکتی که ماهانه فروش سیصد میلیونی داره، روی دو میلیون تومن گوگل ادز پیش می‌ره و افراد بازاریابی و فروش در یک نقطه اساسی پاسخ گویی به مدیریت قرار گرفتند. یعنی نرخ تبدیل کلیک به پتانسیل مشتری و در نهایت فروش. مدیریت انتظار فروش بیشتر و افراد بازاریابی انتظار همدلی و فروش از سمت تیم فروش دارند. زیرسؤال رفتن رو تقریبا هر تیمی به سختی قبول میکنه و اتهام زدن به یک فرد نیز سخت و شاید غیر اخلاقی باشه، چون حل این تقاطع عملکرد سخت به نظر میاد.

سیر داده روی چند محور باید حرکت کنه. اصولا داده از کجا منتشر میشه و توسط چه فردهایی. ابعاد داده اهمیت خیلی خاصی دارن، چون باید کمیت و کیفیت داده ها رو هم چک بکنیم. برای مثال روی کیفیت و خروجی نسبت کلیک به هزینه، عملکرد یک نیروی بازاریابی اثر میذاره البته اگر عوامل خارجی رو کنار بذاریم. و نکته جالب تر اینکه این خروجی، میشه ورودی نیروی فروش که با یک کیفیتی لید دریافت می‌کنه. مساله اساسی در تحلیل بهینه‌سازی این نرخ هاست. پس این چرخه باید با جزئیات و اصل صداقت روی تحلیل دنبال بشه.

مساله ای که قرار حل بشه به صورت خلاصه اینه؟

چرا این داده به عملکرد یک یا چند نفر گره خورده؟ بدیهی ترین جواب ممکنه این باشه که چون عملکرد یک نفر روی عملکرد نفر بعدی تاثیر می‌ذاره و الزاما این رابطه هم دو طرفه نیست. برای مثال بازاریابی در تنگنا قرار می‌گیره چون نمی تونه عدم دریافت مشتری رو گردن عملکرد گوگل ادز بندازه! شاید هم اگر اینکار رو بکنه راحتتر زیر سؤال بره (گرچه میشه بودجه رو بهانه قرار داد!) ولی نیروی فروش به راحتی می‌تونه این ادعا رو داشته باشه که لید یا اطلاعات مشتزی بالقوه با کیفیت مطلوبی به دست‌اش نمی رسه.

تحلیل و روایت

من قطعا جوابهایی برای این سؤال دارم ولی قبل از نگارش اون توی یک مطلب دوست داشتم باهم روی این مساله فکر کنیم. شاید این مساله جز مسائل شرکت شما هم باشه... اون موقع اشتراک دانش تعاملی و دلچسب‌تره. من سعی میکنم توی ده روز آینده با جزئیات حل مساله رو باز کنم و اگر بازخورد خوبی به دستم رسید؛ در ادامه مطلب هم اضافه کنم.






منابع انسانیمنابع انسانی داده محورتحلیل افراد
تحلیلگر داده منابع انسانی که روی تقاطع داده های مالی، فروش و منابع انسانی کار می‌کنه
شاید از این پست‌ها خوشتان بیاید