20-06-2023
People Analytics staat voor veel organisaties op de radar vanwege de beloofde voordelen – verbeterde besluitvorming, een betere werknemerservaring, verhoogde prestaties en vele andere mooie bedrijfsresultaten. Eén vereiste wordt hierbij echter vaak over het hoofd gezien: een basisniveau van datakwaliteit is onmisbaar wanneer je als bedrijf de vruchten van People Analytics wilt plukken. Datakwaliteit is een ingewikkeld onderwerp waar veel HR-afdelingen mee worstelen; er is vaak een gebrek aan duidelijke richtlijnen voor dataverzameling, het opslaan van data en de migratie van deze data tussen verschillende systemen.
Worstel jij ook met datakwaliteit, weet je niet waar te beginnen, of zoek je simpelweg iets meer verdieping, lees dan vooral verder. In dit artikel leggen we uit wat datakwaliteit inhoudt en waarom dit van belang is. We behandelen 3 belangrijke dimensies van datakwaliteit en hoe deze samenhangen met People Analytics. Wil je weten hoe je dit in de praktijk kunt gaan brengen, lees dan verder om te zien hoe Quintop hierbij kan helpen.
Waarom is datakwaliteit de moeite waard?
Onder datakwaliteit verstaan we de mate waarin gegevens kloppend zijn en geschikt voor het beoogde doel. De basis belofte van People Analytics – het verschaffen van inzicht in het personeelsbestand om betere besluiten te nemen – valt of staat met de kwaliteit van de data die wordt geanalyseerd. Dat maakt datakwaliteit een onmisbaar onderdeel van een People Analytics implementatie. Het gebruik van ‘slechte’ of onjuiste data zorgt voor onbetrouwbare, onbruikbare inzichten. Ook wel omschreven als “garbage in, garbage out”.
Dit kan verschillende gevolgen hebben. Wanneer men zich ervan bewust is dat de datakwaliteit niet op orde is zullen ze minder geneigd zijn de verkregen inzichten te gebruiken als sturingsinformatie. Dit ondermijnt de adoptie van People Analytics binnen de organisatie en kan leiden tot weerstand tegen het gebruik van data gestuurde inzichten. En deze adoptie is al moeilijk genoeg, ook als de datakwaliteit wel op orde is. Anderzijds, wanneer men in de veronderstelling is dat de data juist en van goede kwaliteit is terwijl dit niet het geval is, kan dit leiden tot onjuiste besluiten met alle gevolgen van dien.
3 dimensies van datakwaliteit
Er zijn talloze manieren om datakwaliteit te meten, waarbij wel 10 dimensies van datakwaliteit kunnen worden benoemd, maar wij zullen ons in dit artikel richten op de 3 meest belangrijke: nauwkeurigheid, volledigheid en consistentie.
- Nauwkeurigheid
Data wordt als nauwkeurig beschouwd wanneer ze een goede afspiegeling is van de werkelijkheid en geen fouten bevat. Voorbeelden van onnauwkeurige data binnen HR zijn bijvoorbeeld verkeerd gespelde contactgegevens, foutieve aanwezigheidsrapporten van werknemers of verkeerde contractdata. Deze laatste kan bijvoorbeeld zorgen voor incorrecte in- en uitstroomrapportages. Verloop percentages zijn van groot belang voor het retentiebeleid en om te meten hoe ‘gezond’ de organisatie is. Het gebruik van een onnauwkeurig percentage kan ervoor zorgen dat de aandacht naar de verkeerde dingen uitgaat. - Volledigheid
Data wordt als volledig beschouwd als alle vereiste informatie aanwezig is en er geen belangrijke details ontbreken. Onvolledige data komt bijvoorbeeld voor in HR-systemen wanneer velden worden overgeslagen of wanneer velden voor benodigde informatie niet bestaan. Een voorbeeld van de impact op People Analytics: wanneer een bedrijf een programma uitvoert om diversiteit en inclusie te verbeteren, maar wervingsgegevens over diversiteit en inclusie ontbreken, kan het weleens lastig worden om de voortgang te meten binnen het aannamebeleid. - Consistentie
Data wordt als consistent beschouwd als ze hetzelfde of gelijkwaardig zijn in verschillende datasets. We spreken van inconsistente data wanneer we verschillende waarden hanteren voor dezelfde meetwaarde, werknemer of afdeling. Een populair voorbeeld is het aantal FTE. Er zijn veel manieren om te definiëren hoeveel tijd een werknemer werkt en of die werknemer parttime of fulltime werkt. De financiële afdeling kan bijvoorbeeld langdurige ziekte of zwangerschapsverlof uitsluiten in hun definitie van het aantal FTE, terwijl andere functies dat niet doen. Dit resulteert in verschillende versies van de waarheid, waarbij verschillende afdelingen verschillende FTE-waarden hebben. Aangezien FTE een zeer belangrijke maatstaf is bij het nemen van beslissingen zoals budgettering of werving, kan dit leiden tot verwarring tussen afdelingen en afwijkende aansturing.
Valkuilen rondom datakwaliteit
Handmatige invoer. Mensen maken fouten, dus sommige fouten zijn onvermijdelijk. Het goede nieuws is echter dat de impact van dergelijke fouten veel kleiner is dan die van de andere factoren die hieronder worden beschreven.
Onvoldoende vaardigheden op het gebied van data management of bewustzijn van de processen rondom data management van het bedrijf. Misschien moeten werknemers worden bijgeschoold in data management wanneer ze hier dagelijks mee te maken hebben of zijn ze zich simpelweg niet voldoende bewust van het vastgestelde data management proces van de organisatie. Training kan in deze gevallen uitkomst bieden.
Gebrek aan duidelijk vastgelegde definities. Bij het analyseren van data moet het op organisatieniveau duidelijk en unaniem begrepen worden wat er precies wordt bedoeld met de gebruikte data. Bedrijven gebruiken vaak verschillende formules voor dezelfde begrippen en er kunnen zelfs verschillen bestaan onder hetzelfde “dak” – tussen afdelingen (zie het FTE-voorbeeld hierboven), teams of collega’s van hetzelfde bedrijf. Het is belangrijk om een data dictionary of begrippenlijst te hebben waarin alle concepten gedefinieerd en toegankelijk zijn.
Gebrek aan expliciete data governance en data management processen. Er moet bewust aandacht worden besteed aan de manier waarop data wordt beheerd, anders is het onwaarschijnlijk dat datakwaliteit gewoon “gebeurt”. Het is dus essentieel om een raamwerk voor data governance te hebben om ervoor te zorgen dat data worden behandeld als een strategisch bedrijfsmiddel. Dit omvat standaarden en beleidsregels voor de juiste, compliant dataverwerking. Daarnaast omvat het processen die de acties vastleggen die nodig zijn om deze standaarden te handhaven gedurende de hele levenscyclus van data. Belangrijk is ook dat het specificeert wie wijzigingen in datadefinities, processen of het governance framework mag aanvragen, hierover kan beslissen en/of wijzigingen kan implementeren.
Een ineffectief datamanagementproces. Misschien is het proces er wel, maar bevat het stappen die de datakwaliteit niet ten goede komen. Bijvoorbeeld, een verplicht veld voor de verjaardag van een werknemer moet worden ingevuld op het moment dat een nieuwe werknemer wordt aangenomen, maar deze informatie komt pas later beschikbaar. Als workaround vult HR-personeel dummy-waarden in (bijv. 01-01-1990) en moet vervolgens later teruggaan om de informatie bij te werken. Maar soms wordt die tweede stap nooit genomen en glippen er fouten het systeem in. Dit soort problemen vereist een verandering in het proces (en mogelijk in de systeemconfiguratie).
Wat Quintop voor je kan doen
Er zijn uiteraard nog meer valkuilen te beschrijven die het op niveau krijgen en houden van datakwaliteit ingewikkeld kunnen maken. Wij ondersteunen hier graag bij. Een mogelijke oplossing houdt in dat we starten met het verkrijgen van inzicht in de huidige situatie waarbij we ook de volwassenheid van People Analytics binnen jouw organisatie evalueren. Op basis van deze beoordeling stellen we gezamenlijk een passend en uniek actieplan op om het gewenste niveau van datakwaliteit te behalen. De volgende elementen zouden in zo’n actieplan naar voren kunnen komen:
- Data definities en een data dictionary creëren
We faciliteren workshops met alle belangrijke stakeholders om organisatiebreed gedragen data definities vast te stellen die vervolgens worden vastgelegd in een data dictionary (of woordenlijst). - Een (eenmalige) data opschoning uitvoeren
Natuurlijk helpen we je ook bij het opschonen van de data. Een optie is een eenmalige dataschoning die de kwaliteit van een of meer datasets op één moment verbetert. Dit is bijvoorbeeld effectief bij de overgang naar een nieuw systeem, op voorwaarde dat de data in het nieuwe systeem op de juiste manier wordt beheerd. Om echter te voorkomen dat een eenmalige opschoning een reguliere activiteit wordt, is het belangrijk om het kwaliteitsniveau na de opschoning vast te houden door de juiste processen en controles te implementeren. Het aanpakken van de onderliggende oorzaak en niet alleen de gevolgen zorgt voor een structurele verbetering van de datakwaliteit. - Opzetten van data governance en data management processen
We zullen ook helpen bij het ontwerpen van een raamwerk voor data governance, met duidelijke standaarden, beleidsregels en processen. De uiteindelijke oplossing is in lijn met best practices, voldoet aan wet- en regelgeving en is op maat gemaakt om zo goed mogelijk aan te sluiten bij de behoeften van jouw organisatie. - Training voor het opbouwen van dataskills en/of procesbewustzijn
We ondersteunen bij het ontwikkelen van de vaardigheden en capaciteiten van HR-professionals door het faciliteren van trainingssessies en workshops gericht op het verbeteren van dataskills en/of kennis van het organisatieproces. - Datakwaliteit dashboards
Datakwaliteit is een bewegend doel dat regelmatig moet worden gecontroleerd voor de beste resultaten. Door een datakwaliteit dashboard op te zetten, wordt dit veel toegankelijker. Bovendien is het van belang om controlestappen waarbij dit dashboard wordt geraadpleegd toe te voegen aan je data management processen zodat de datakwaliteit op lange termijn gewaarborgd wordt.
Heb je na het lezen van dit artikel het gevoel dat jouw organisatie wel een opfrisbeurt kan gebruiken op het gebied van People Analytics? Bij Quintop HR Consultants helpen we je graag! We bieden end-to-end ondersteuning bij het ontwikkelen en uitrollen van uw People Analytics-strategie, van het initiële ontwerp van uw datagedreven HR-strategie tot de implementatiefase en daarna. Neem vandaag nog contact met ons op en laten we deze uitdaging samen aangaan.
