I Big Data per la gestione delle risorse umane in Industria 4.0: la workforce analytics

Cosa si intende per “workforce analytics” e quali sono i suoi livelli di utilizzo?


Mai come oggi abbiamo a disposizione una così ingente quantità di dati: essi sono prodotti in tutti i contesti sociali e produttivi, in una mole tale da rendere inadeguate le tradizionali modalità di analisi. È qui che entra in gioco la tecnologia Big Data (si veda l’articolo Big Data: una panoramica per la trasformazione digitale): diventa possibile trattare questa ingente mole di dati simultaneamente e di estrarne informazioni di grande importanza, che istituzioni ed aziende possono sfruttare nei loro processi organizzativi e decisionali. Stiamo in sostanza parlando di modalità innovative di gestire l’organizzazione del personale che le tecnologie abilitanti Industria 4.0 possono rendere praticabili in modo sempre più pervasivo.

Non stupisce, quindi, che molte recenti analisi abbiano eletto i Big Data a fattore qualificante della trasformazione digitale del lavoro [2] e che le aziende stiano destinando risorse sempre maggiori alla data analytics (si veda l’articolo Analytics: una visione d’insieme dell’analisi dei dati), al fine di utilizzare le informazioni derivanti per prendere decisioni nei diversi ambiti di operatività, dalle politiche di business agli aspetti organizzativi e di gestione del personale nel nuovo paradigma di Industria 4.0.

Quest’ultima pratica, ovverosia quella dell’utilizzo dei Big Data a fini di gestione delle risorse umane, viene definita, tra gli altri modi, come workforce o people analytics [5]. L’idea è quella secondo cui l’analisi dei dati permetta non solo di conoscere al meglio il funzionamento dei processi produttivi e le performance dei lavoratori, ma anche di prevedere le potenzialità di un candidato, o la possibile resa di un lavoratore all’interno di un determinato gruppo di lavoro, o ancora i comportamenti futuri (es. possibilità di successo, assenteismo, tasso di retention). Dal momento che si tratta di una pratica in via di diffusione e che un crescente numero di decisioni, tanto in fase pre-assuntiva quanto durante il rapporto, si baseranno su informazioni ottenute tramite l’analisi di Big Data, si ritiene importante cominciare ad interrogarsi su quali siano le caratteristiche di queste attività e su come i modelli organizzativi possano usufruirne.

È possibile distinguere tre livelli di utilizzo dell’analisi dei dati rispetto al decision making, come emerge da un’analisi pubblicata da Harvard Business Review:

1) Utilizzo reattivo: corrisponde all’utilizzo più diffuso (circa 40% delle imprese che adottano la workforce analytics) e consiste nella produzione di report ad hoc in relazione a situazioni di emergenza e di imprevisto per analizzarne le conseguenze relativamente alle azioni/scelte dei collaboratori.

2) Utilizzo proattivo: consiste o nella produzione di report operazionali relativi ai processi ordinari per il monitoraggio dell’andamento e dell’efficienza al fine di ottimizzarli (26% delle imprese) o di report che analizzino le performance e le prestazioni dei singoli lavoratori e che possono essere richiesti dal management ove necessario (15% delle imprese).

3) Utilizzo predittivo: consiste nell’utilizzo dei Big Data relativi alla forza lavoro per realizzare azioni di predizione di comportamenti, in particolare in merito alla possibilità in un tempo dato di dimissioni di lavoratori che ricoprono ruoli e mansioni fondamentali e per i quali i costi di turnover sono maggiori. Tale utilizzo è presente al momento in un numero ridotto di imprese (9% secondo HBR) ed è quello che più sembra caratterizzare l’evoluzione verso Industria 4.0.

Queste diverse modalità di utilizzo corrispondono ad una evoluzione della tecnologia disponibile a partire dalla prima metà degli anni Novanta. Si è passati dalla creazione di data warehouse, il cui sviluppo era molto costoso e che contenevano tutte le informazioni disponibili relativamente alle caratteristiche dei collaboratori, all’utilizzo vero e proprio dei Big Data in chiave predittiva, come illustrato in Figura 1.

Figura 1 – Curva dell’evoluzione della workforce analytics (fonte Deloitte)

Sono diversi i fronti riguardo ai quali la workforce analytics può aiutare a migliorare il ruolo dell’HR Management all’interno dell’impresa. Tra i principali:

– procedure di recruiting (su questo si veda l’articolo Workforce analytics per il recruiting in Idustria 4.0);

– anticipazione di possibili dimissioni e riduzione dei costi di transazione derivanti da turnover non previsto;

– miglioramento della produttività individuale attraverso l’analisi delle performance e dell’individuazione delle mansioni in cui un collaboratore fornisce risultati migliori;

– miglioramento dell’engagement dei collaboratori e maggior efficacia nella costruzione dei team;

– previsione dei rischi di conflitto tra le parti attraverso il monitoraggio delle tensioni e dei procedimenti disciplinari;

– previsioni di possibili incidenti sul lavoro;

– individuazione dei percorsi formativi e di riqualificazione necessari in occasione di innovazioni di prodotto e processo;

matching tra figure mature e figure giovani per costruire percorsi di accompagnamento e crescita basati sull’analisi delle competenze e delle attività.

Alcuni esperienze di utilizzo possono aiutare a chiarire meglio le opportunità derivanti dall’applicazione della workforce analytics.

La Lockheed Martin ha sviluppato un sistema di gestione e analisi delle performance dei singoli lavoratori al fine di allinearle il più possibile agli obiettivi organizzativi dell’impresa. Il sistema raccoglie informazione durante tutto l’anno e le paragona a quelle che i database aziendali possiedono, riguardanti i singoli lavoratori, per valutare l’apporto di ciascuno ai risultati complessivi. Questo avviene ad esempio paragonando le performance effettive dei lavoratori che hanno svolto programmi di formazione aziendali, per valutare la loro efficacia al fine di confermarli o per modificarli/migliorarli.

Un diverso utilizzo della workforce analytics è stato messo in pratica da Dow Chemical, che ha mappato i dati storici relativi ai profili dei suoi 40mila dipendenti, al fine di individuare i fabbisogni di forza lavoro futura nel tentativo di prevedere le necessità in base ai mutamenti del ciclo economico del settore di riferimento. La forza lavoro è stata segmentata in cinque gruppi in base all’età e questi a loro volta in 10 gruppi calcolando la necessità delle figure a seconda degli scenari interni (ad es. promozioni e/o cambi di mansioni) e esterni (congiunture politiche ed economiche che possano avere impatti sulla domanda). Attraverso questo tipo di analisi è stato possibile prevedere le conseguenze di alcuni scenari come il pensionamento di diverse figure chiave prima che questo effettivamente avvenisse.

Vi sono due requisiti principali per poter intraprendere una evoluzione come quella illustrata. In primo luogo il superamento dello scetticismo spesso presente rispetto al ruolo che la funzione HR può avere nella comprensione delle esigenze dei lavoratori e nella valutazione delle loro performance, scetticismo che, come mostrano alcuni rilevazioni, è diffuso in oltre la metà dei CEO [5]. Fornire l’HR manager delle tecnologie di cui abbiamo parlato è proprio una delle modalità per incidere su questo scetticismo.

Il secondo requisito riguarda le competenze necessarie per l’utilizzo della workforce analytics, che spesso risultano assenti o non vengono considerate quali essenziali per chi si occupa di risorse umane. Ciò non significa che chi lavora nell’area HR debba acquisire complesse competenze in data analytics, ma che risultano necessarie competenze in grado di consentire la comprensione dei dati per poterli utilizzare al meglio.

Un ulteriore requisito riguarda i profili giuslavoristici connessi all’utilizzo di questa tecnologia, che possono risultare un grave ostacolo in mancanza di una adeguata preparazione. Se infatti si sostiene, da un lato, che le analisi dei dati e la predictive analytics siano in grado di ridurre le problematiche connesse alla valutazione umana, che può essere influenzata da pregiudizi, consci o inconsci, promuovendo così maggiore oggettività nelle decisioni, dall’altro, se non ci si attrezza in modo adeguato, possono sollevarsi questioni relative al rispetto della privacy dei lavoratori o potenziali lavoratori, oltre a rischi di contenziosi legali in merito a possibili profili di discriminazione [1].

 

Note e riferimenti

[1] E. Dagnino, People Analytics: lavoro e tutele al tempo del management tramite big data, in Labour&Law Issues, 2017.

[2] C. Degreyse, Digitalisation of the economy and its impact on the labour markets, ETUI, Working Paper 2016.

[3] Harvard Business Review Analytic Services, HR Joins the Analytics Revolution, Harvard

Business Review, 2016.

[4] A. Levenson, Using workforce analytics to improve strategy execution, in Human Resource Management, 2017.

[5] SHRM Foundation, Use of Workforce Analytics for Competitive Advantage, Maggio 2016.


Molte recenti analisi hanno eletto i Big Data a fattore qualificante della trasformazione digitale del lavoro; per questo le aziende stanno destinando risorse sempre maggiori alla data analytics , al fine di utilizzare le informazioni derivanti per prendere decisioni nei diversi ambiti di operatività, dalle politiche di business agli aspetti organizzativi e di gestione del personale nel nuovo paradigma di Industria 4.0.

Ai fini di gestione delle risorse umane, viene quindi definita una workforce o people analytics. L’idea è quella secondo cui l’analisi dei dati permetta non solo di conoscere al meglio il funzionamento dei processi produttivi e le performance dei lavoratori, ma anche di prevedere le potenzialità di un candidato, o la possibile resa di un lavoratore all’interno di un determinato gruppo di lavoro.

Si ritiene importante cominciare ad interrogarsi su quali siano le caratteristiche delle attività della workforce analytics. Quali sono i livelli di utilizzo.
È possibile distinguere tre livelli di utilizzo dell’analisi dei dati rispetto al decision making:

  1. Utilizzo reattivo: corrisponde all’utilizzo più diffuso (circa 40% delle imprese che adottano la workforce analytics) e consiste nella produzione di report ad hoc in relazione a situazioni di emergenza e di imprevisto per analizzarne le conseguenze relativamente alle azioni/scelte dei collaboratori.
  2. Utilizzo proattivo: consiste o nella produzione di report operazionali relativi ai processi ordinari per il monitoraggio dell’andamento e dell’efficienza al fine di ottimizzarli (26% delle imprese) o di report che analizzino le performance e le prestazioni dei singoli lavoratori e che possono essere richiesti dal management ove necessario (15% delle imprese).
  3. Utilizzo predittivo: consiste nell’utilizzo dei Big Data relativi alla forza lavoro per realizzare azioni di predizione di comportamenti, in particolare in merito alla possibilità in un tempo dato di dimissioni di lavoratori che ricoprono ruoli e mansioni fondamentali e per i quali i costi di turnover sono maggiori. Tale utilizzo è presente al momento in un numero ridotto di imprese (9% secondo HBR) ed è quello che più sembra caratterizzare l’evoluzione verso Industria 4.0.
Comments are closed.