持续改进如何帮助优化人力资源流程

几年前，我在一家大公司担任人力资源总监。我们决定是时候开始制定战略人员规划了，所以我建立了一个模型。这个模型结果很糟糕。在本文中，我将解释它失败的原因以及我们应该如何修复它。

我的模型失败了，因为我把它建立在缺失的、不可靠的、过时的数据记录上。在人力资源管理中，管理费用类别存在错误，生产力数据缺失，员工人数不完整，等等。

基于一个又一个假设，建立了一个像老虎机一样可靠的模型。

不幸的是，许多其他组织也面临同样的问题。的研究Experian数据质量75%的组织认为不正确的数据阻碍了良好的客户体验。

然而，65%的组织会等到数据质量出现问题才采取行动。

如果你真的想开始在人力资源领域产生影响，现在先忘掉复杂的分析和预测建模吧。首先要建立一个完整、准确、切合实际的可靠管理机构。是的，我们可以使用算法，所以它一点也不无聊。

为什么(人力资源)数据经常有缺陷

让我们从(人力资源)数据经常存在缺陷的原因开始。根据我的经验，没有持续清洁的东西在某些时候会导致混乱。

组织管理大量的记录并不是什么秘密。最后，这些记录中的大部分都是在流程的某个时刻手动输入的。

必须管理大量记录的人会犯错误、打字错误、忘记事情和走捷径(例如在必填字段中填写破折号或零，因为这将帮助他们更快地提交表单)。

图1:根据Experian数据质量研究，导致数据缺陷的主要原因(可能有多个答案)

在实践中，当组织非常非常需要报告、分析等信息时，通常会注意到这一点。通常，这是他们采取行动清理数据的时候。

在我的例子中:当我们注意到开销类别在管理中有缺陷时，我们做了大多数组织会做的事情。

我们对有缺陷的记录进行了分析，我们指示行政团队纠正有缺陷的记录，我们检查记录是否被纠正，我们甚至指示行政团队在未来更加密切关注。

我们就讲到这里。

首先映入脑海的一个比喻是入店行窃。实际上，大多数组织都会雇佣“保安”。就像做临时查岗的保安一样，他们雇佣控制员或业务分析师对特定字段进行分析，创建有缺陷或缺失记录的列表，指导管理团队，然后继续对不同的字段进行下一个分析。

这样做的风险在于，保安刚抽完烟，扒手就回来了，有缺陷或不完整的数据也回来了。下一步是从“特别改进”(保安)到“持续改进”(24/7安全摄像头)。

用例:莱顿大学的持续改进

荷兰莱顿大学是持续改进领域的领先机构之一。来自金融共享服务中心的Rob van den Wijngaard和他的团队已经建立了一系列算法来持续监控和改进有缺陷或缺失的记录。

举个例子:在财务领域，双重发票会给组织带来不必要的成本。他们使用的一种算法持续扫描管理部门，寻找潜在的重复发票。

它检查发票的引用、供应商和金额。每个元素都可能导致不匹配、硬匹配(元素完全等于另一个发票)或模糊匹配(元素与另一个发票非常相似)。

根据匹配的数量，系统会自动标记潜在的双重发票(称为“异常”)。莱顿大学使用了几十种这样的算法(检查匹配、空字段、不正确的数据等等)。

自动执行扫描的事实意味着可以连续地检查管理的许多不同方面，而不会占用宝贵的资源。

除了算法之外，莱顿大学目前也在实施一个数字工作流来处理异常。异常将自动发送给管理团队。

对于每个异常，系统记录谁做了什么以及为什么做了什么(为持续审计奠定了基础)。这样不仅可以监控异常情况，还可以监控后续情况。

这不仅确保异常得到了处理，而且还为所使用的算法和流程提供了有价值的反馈。如果上面例子中的异常实际上不是双重发票，管理团队将该异常标记为所谓的“假阳性”。

输入假阳性“训练”算法使其更精确。如果相同的异常一次又一次地发生，这可能意味着流程不清楚或需要调整。

三叶型模型

重要的是要认识到上面例子的成功不仅仅是由It引起的。莱顿大学是所谓三叶型模式的坚定信徒。持续改进只有在IT、人员和文化、管理和组织以及流程紧密合作的情况下才能取得成功。

例如，一个积极的管理团队和管理层专注于修复异常标记，这与他们检测这些异常的尖端软件同样重要。

图2:三叶型模型

人力资源持续改善

上面的用例着重于改进财务管理。在实践中，财务部门往往比人力资源部门更重视管理质量。我怀疑这有两个主要原因。

第一个原因是，业务案例在人力资源部门不太明显。例如，支付双重发票会导致明确和直接的不必要成本。对一些人来说，这种负面影响在人力资源部门似乎不那么明显。

此外，由于审计风险和义务，财务部门通常更加关注数据质量。然而，如果说持续改进在财务领域比人力资源领域更有价值，那就大错特错了。

一个例子可以说明这一点:SD Worx的研究表明，在欧洲，4000名受访者中有44%的人经历过拖欠工资的经历。在这些案例中，48%的人不仅逾期付款，而且工资单上也有错误。在这些案例中，79%的错误是由员工自己发现的。

这个例子提出了两点。第一点是，HR的数据质量仍有很大的提升空间。根据我的经验，工资流程是数据质量最受关注的人力资源流程。

工资流程中的错误显然会造成成本损失，并可能引发合规性问题，因此通常这一领域的数据质量比开销类别的注册更受关注。想象一下，其他不那么受关注的人力资源数据是多么容易出错。它还表明人力资源数据可能会导致不必要的直接成本。

还有其他的例子。一是不正确使用第三方招聘文件。使用错误的第三方招聘文件将导致税务罚款。其他例子包括工资与集体协议的一致性，可能的加班费欺诈等等。

除了直接成本，有缺陷的人力资源数据将导致大量的间接成本。开销类别中的错误可能看起来无关紧要，但如果结果是组织不能可靠地控制开销比率，那么它们可能被证明是代价高昂的错误。

结论

我们已经看到政府很容易犯错。不仅是在财务领域，在人力资源领域也是如此(如果紧迫感较低，可能情况会更严重)。

有缺陷的数据代价高昂，无论是直接的还是间接的。幸运的是，现在有一些组织成功地依赖于“持续改进”而不是“临时改进”的例子。

因此，下次在构建基于人力资源分析的模型时，请问自己以下问题:“目前我的模型所需的数据准确和完整吗?将来会是这样吗?”如果答案是否定的，你可能要考虑先投资持续改进。