Mierzenie efektywności HR: Od danych do wartości

Ola Myszko-Jackson MA in HR – CIPD qualified | SEHR

Paradoks widoczności: więcej danych, mniejsza jasność

Organizacje dysponują dziś ilością danych o pracownikach, która jeszcze dekadę temu byłaby nieosiągalna: od wskaźników fluktuacji, przez wyniki badań zaangażowania, po precyzyjne mapy kompetencji. A mimo to jako liderki HR wciąż słyszymy na spotkaniach zarządu to samo pytanie: „Co właściwie pokazują te liczby i jaki mają związek z naszymi wynikami?”. To nie jest przejaw ignorancji menedżerów. To jasny sygnał, że pomiar efektywności HR pozostaje dziedziną nierozwiązaną, niezależnie od postępu technologicznego.

Raport Deloitte Global Human Capital Trends wykazał, że zaledwie 22% badanych organizacji ocenia swoje zdolności w zakresie people analytics jako dojrzałe lub zaawansowane – choć jednocześnie ponad 70% firm deklaruje, że pomiar efektywności HR to jeden z trzech kluczowych priorytetów (Deloitte Insights, 2023). Ta luka nie wynika z braku narzędzi czy budżetów. Powstaje, gdy mylimy aktywność z wartością i mierzymy to, co łatwe, zamiast tego, co istotne.

Dlaczego klasyczne wskaźniki HR są niewystarczające

Przez dekady standardem były wskaźniki czysto operacyjne: czas obsadzenia wakatu (time-to-fill), koszt rekrutacji (cost-per-hire), wskaźnik retencji czy frekwencja na szkoleniach. To miary odpowiadające na pytania „ile?” i „jak szybko?”, ale milczące, gdy pytamy: „z jakim skutkiem?” i „po co?”. Widać to wyraźnie, gdy organizacja chwali się skróceniem czasu rekrutacji z 30 do 19 dni, ale nie potrafi powiedzieć nic o jakości zatrudnionych osób.

Dave Ulrich, którego model partnerstwa biznesowego ukształtował naszą profesję, sformułował tę różnicę wprost: efektywność HR należy mierzyć nie przez pryzmat tego, co HR robi, lecz przez pryzmat wyników, jakie generuje dla organizacji, jej klientów i inwestorów (Ulrich, 1997). Oznacza to, że programy szkoleniowe oceniamy przez zmianę zachowań i mierzalne wyniki: wzrost efektywności, lepszą obsługę klienta, redukcję błędów, a nie przez liczbę przeszkolonych osób czy satysfakcję z ankiet poszkoleniowych (Ulrich i in., 2012).

Cztery poziomy pomiaru: od satysfakcji do wartości biznesowej

Donald i James Kirkpatrick (2006) zaproponowali model oparty na czterech poziomach: reakcji uczestnika, przyswojenia wiedzy, zmiany zachowania w miejscu pracy oraz wymiernych wyników biznesowych. Schemat ten precyzyjnie opisuje problem głębokości pomiaru, z którym mierzy się cała funkcja HR.

Na poziomie 1 mierzymy reakcję: czy pracownicy i menedżerowie są zadowoleni z usług HR? Dane niezbędne do zarządzania jakością, lecz pozbawione wartości prognostycznej. Na poziomie 2 sprawdzamy przyswojenie wiedzy i kompetencji. Na poziomie 3 obserwujemy, czy zmiany przekładają się na zachowania w codziennej pracy, jak menedżerowie rozmawiają z ludźmi po programie rozwojowym. Na poziomie 4 mierzymy wyniki biznesowe: wzrost sprzedaży w zespołach objętych programem coachingowym czy redukcję kosztów po zmianie modelu wynagradzania.

W praktyce większość organizacji zatrzymuje się na poziomie pierwszym i częściowo drugim. Badania McKinsey wskazują jednak, że firmy operujące konsekwentnie na poziomach 3 i 4 osiągają istotnie wyższy zwrot z inwestycji w kapitał ludzki i wykazują większą odporność na turbulencje rynkowe (McKinsey & Company, 2022).

Jakość zatrudnienia jako fundament, który rzadko mierzymy

Koszt błędu rekrutacyjnego na stanowisku specjalistycznym lub menedżerskim szacuje się na równowartość od 1 do 3 rocznych wynagrodzeń (Cascio i Boudreau, 2011). Przy tej skali ryzyka zaskakuje, jak rzadko systematycznie sprawdzamy, czy zatrudnione osoby spełniają oczekiwania rok lub dwa lata po podpisaniu umowy.

Wskaźnik quality of hire, łączący ocenę wyników po określonym czasie, dobrowolną retencję w pierwszych 18 miesiącach oraz ocenę dopasowania przez przełożonego jest metodologicznie wymagający, ale całkowicie wykonalny. LinkedIn wskazuje go jako najważniejszy wskaźnik dla funkcji talent acquisition i jednocześnie jeden z najtrudniej wdrażanych (LinkedIn Talent Solutions, 2023). Trudność leży nie w matematyce, lecz w gotowości organizacji do przyjęcia odpowiedzialności za wynik: niski wskaźnik jakości zatrudnienia obnaża bowiem nie tylko słabość selekcji, lecz także niedojrzałość opisów stanowisk, błędy w onboardingu czy dysfunkcje wewnątrz zespołów.

Zaangażowanie pracowników: wskaźnik użyteczny, gdy właściwie ulokowany

Gallup regularnie dokumentuje, że organizacje z wysokim zaangażowaniem notują niższą rotację, wyższą produktywność i lepsze wyniki finansowe (Gallup, 2023). Problem pojawia się, gdy zaangażowanie przestaje być wskaźnikiem diagnostycznym, a staje się celem samym w sobie – gdy zadaniem HR staje się „poprawa wyniku badania”, a nie rozwiązanie problemów, które to badanie ujawnia.

To podręcznikowy przykład efektu Goodharta: kiedy miara staje się celem, przestaje być dobrą miarą (Goodhart, 1984). Odpowiedzią nie jest lepszy kwestionariusz, lecz zmiana logiki pomiaru z deklaratywnej i rocznej na ciągłą i behawioralną. Narzędzia ONA oraz analizy sentymentu pozwalają weryfikować, czy deklaracje z ankiet mają pokrycie w rzeczywistych wzorcach współpracy. Organizacja, w której eNPS jest wysoki, a analiza sieci ujawnia rosnącą izolację kluczowych zespołów, stoi na krawędzi kryzysu. Wskaźnik zaangażowania należy traktować jak hipotezę wymagającą weryfikacji w danych behawioralnych, nie jak ostateczną konkluzję.

People Analytics: od raportowania do prognozowania i analizy sieci

Josh Bersin (2022) opisuje dojrzałość analityki HR przez cztery stadia: raportowanie operacyjne (co się wydarzyło?), analiza zaawansowana (dlaczego?), modelowanie predyktywne (co może się wydarzyć?) i analityka preskryptywna (co powinnyśmy zrobić?). Większość organizacji, nawet tych z zaawansowanymi systemami HRIS, wciąż operuje na poziomie pierwszym lub drugim.

Przejście do analityki predyktywnej wymaga precyzyjnie zdefiniowanego problemu biznesowego i danych zbieranych systematycznie w czasie. Dobrym przykładem jest budowanie modeli przewidujących ryzyko odejścia kluczowych pracowników – łącząc zmienne takie jak staż pracy, relacja wynagrodzenia do mediany rynkowej czy częstotliwość komunikacji z przełożonym (Marler i Boudreau, 2017).

Analiza sieci organizacyjnych (ONA) to nowy wymiar people analytics opierający się na pasywnych metadanych z narzędzi komunikacyjnych (Teams, Slack, e-mail). ONA ujawnia rzeczywistą strukturę firmy, identyfikuje „brokerów informacji” łączących silosy, osoby przeciążone komunikacją oraz jednostki odcięte od nieformalnych kanałów wiedzy (Cross i in., 2002). W połączeniu z analizą sentymentu pozwala wykryć degradację kultury na kilka miesięcy przed tym, jak problem ujawni się w ankiecie rocznej (Angrave i in., 2016).

Human Capital ROI: wzór, który warto znać, i granice, których nie powinno się ignorować

Jac Fitz-enz zaproponował wzór wyrażający produktywność kapitału ludzkiego w języku zrozumiałym dla zarządu (Fitz-enz i Davison, 2002):

HC ROI = [Przychód − (Koszty operacyjne − Koszty pracy)] / Koszty pracy

Przykład: firma generuje 120 mln PLN przychodu, ponosi 90 mln PLN kosztów operacyjnych, z czego 35 mln PLN to koszty pracy. HC ROI = (120 − 55) / 35 = 65 / 35 = 1,86. Każda złotówka zainwestowana w ludzi generuje 1,86 PLN wartości ponad koszty nieludzkie. Wskaźnik śledzony w czasie staje się realnym instrumentem zarządczym (Fitz-enz, 2010).

Należy jednak pamiętać o kluczowej pułapce: korelacja to nie przyczynowość. Organizacje o wyższym zaangażowaniu osiągają lepsze wyniki finansowe, ale zależność jest obustronna – dobre wyniki również poprawiają nastroje pracowników. Aby wyizolować rzeczywisty wpływ działań HR, warto sięgać po podejścia quasi-eksperymentalne: propensity score matching (dobieranie par oddziałów o podobnej charakterystyce), porównanie wyników przed wdrożeniem i po nim przy kontrolowaniu zmiennych rynkowych, lub losowe dzielenie zespołów na grupy testową i kontrolną. Żadna z tych metod nie daje laboratoryjnej sterylności, ale każda jest metodologicznie silniejsza niż proste zestawienie danych ankietowych z wynikami sprzedaży (Boudreau i Ramstad, 2007).

Strategia pomiaru jako wybór architektoniczny

Projektowanie systemu pomiaru efektywności HR to zadanie architektoniczne, nie administracyjne. Nie chodzi o wybranie kilkunastu KPI z gotowej listy, lecz o zaprojektowanie logiki łączącej działania HR z bezpośrednią strategią firmy: jakie zdolności organizacyjne są krytyczne dla biznesu? Jakie zachowania pracowników te zdolności budują? Jakie procesy HR je kształtują?

Tę logikę kaskadowania celów w teorii wszyscy znamy, ale w praktyce stosujemy rzadko (Green, 2017). Zamiast tego budujemy metryki oddolnie: pytamy, co da się łatwo wyciągnąć z systemów, zamiast pytać, co powinnyśmy mierzyć, by wiedzieć, czy realizujemy strategię. W efekcie toniemy w danych operacyjnych, cierpiąc na deficyt danych strategicznych (van den Heuvel i Bondarouk, 2017).

Granice kwantyfikacji: czego nie należy mierzyć liczbowo

Nie wszystko, co ważne w zarządzaniu ludźmi, poddaje się precyzyjnemu pomiarowi. Badanie Project Aristotle przeprowadzone przez Google wykazało, że najważniejszym predyktorem efektywności zespołowej jest bezpieczeństwo psychologiczne,  poczucie, że można mówić otwarcie i przyznawać się do błędów bez lęku przed konsekwencjami (Google re:Work, 2016). To czynnik mierzalny kwestionariuszami, ale wymagający głębokiej interpretacji kontekstowej.

Dojrzały system pomiaru odróżnia to, co można zmierzyć precyzyjnie, od tego, co można jedynie szacować, i od obszarów, gdzie liczby nie powinny zastąpić eksperckiego osądu. Zbyt agresywna kwantyfikacja kultury tworzy złudzenie wiedzy tam, gdzie potrzebna jest uważna obserwacja i szczera rozmowa.

Od pomiaru do zarządzania wartością

System pomiaru, który naprawdę spełnia swoją rolę, musi łączyć trzy cechy: trafność (mierzy to, co ważne dla strategii), rzetelność (dane są spójne i porównywalne w czasie) oraz użyteczność decyzyjną (wyniki realnie wpływają na wybory zarządu) (Ulrich i Dulebohn, 2015).

Firmy, które przeszły drogę od monitorowania wskaźników do zarządzania wartością kapitału ludzkiego, nie zrobiły tego dzięki zakupowi lepszego oprogramowania. Zbudowały krok po kroku, ucząc się na błędach, systemową zdolność do zadawania trafnych pytań i szukania na nie odpowiedzi w danych. To wymaga metodologicznej dyscypliny, pokory i stałego oporu przed pokusą mierzenia tego, co po prostu łatwe do zmierzenia.

————————–

Bibliografia

Deloitte Insights. (2023). 2023 Global Human Capital Trends. Deloitte Touche Tohmatsu Limited.

Gallup. (2023). State of the Global Workplace: 2023 Report. Gallup Press.

Google re:Work. (2016). Guide: Understand team effectiveness – Project Aristotle. Google LLC.

LinkedIn Talent Solutions. (2023). Global Talent Trends 2023: The Resilience Era. LinkedIn Corporation.

McKinsey & Company. (2022). The State of Organizations 2023. McKinsey Global Institute

Bersin, J. (2022). Irresistible. Ideapress Publishing.

Boudreau, J. W., i Ramstad, P. M. (2007). Beyond HR: The New Science of Human Capital. Harvard Business School Press.

Cascio, W. F., i Boudreau, J. W. (2011). Investing in People (2nd ed.). FT Press.

Fitz-enz, J., i Davison, B. (2002). How to Measure Human Resources Management (3rd ed.). McGraw-Hill.

Fitz-enz, J. (2010). The New HR Analytics. AMACOM.

Kirkpatrick, D. L., i Kirkpatrick, J. D. (2006). Evaluating Training Programs: The Four Levels (3rd ed.). Berrett-Koehler Publishers.

Ulrich, D. (1997). Human Resource Champions. Harvard Business School Press.

Ulrich, D., Younger, J., Brockbank, W., i Ulrich, M. (2012). HR from the Outside In. McGraw-Hill.

Angrave, D., Charlwood, A., Kirkpatrick, I., Lawrence, M., i Stuart, M. (2016). HR and analytics: Why HR is set to fail the big data challenge. Human Resource Management Journal, 26(1), 1–11.

Cross, R., Parker, A., i Borgatti, S. P. (2002). Making invisible work visible. California Management Review, 44(2), 25–46.

Goodhart, C. A. E. (1984). Problems of monetary management. W: Monetary Theory and Practice (s. 91–121). Palgrave Macmillan.

Green, D. (2017). The best practices to excel at people analytics. Journal of Organizational Effectiveness, 4(2), 137–144.

Marler, J. H., i Boudreau, J. W. (2017). An evidence-based review of HR Analytics. International Journal of Human Resource Management, 28(1), 3–26.

Ulrich, D., i Dulebohn, J. H. (2015). Are we there yet? What’s next for HR? Human Resource Management Review, 25(2), 188–204.

van den Heuvel, S., i Bondarouk, T. (2017). The rise (and fall?) of HR analytics. Journal of Organizational Effectiveness, 4(2), 157–178.