Data besar sumber daya manusia (SDM) menjadi lebih banyak digunakan untuk merekrut, mempekerjakan dan mempertahankan karyawan terbaik. Berikut adalah tiga alasan mengapa lebih banyak perusahaan menerapkan analisis prediktif untuk memperbaiki bottom line.

Rekrutmen Lebih Efektif

Data besar membantu menemukan kandidat mana yang paling sesuai untuk posisi terbuka. Bagian dari proses penambangan data dapat mencakup mengumpulkan informasi dari resume dan profil media sosial untuk lebih jelas mengidentifikasi calon karyawan mana yang mungkin lebih produktif dan menambah keragaman ke tempat kerja. Mempekerjakan manajer kemudian dapat mempersempit bidang kandidat mereka dan menentukan bidang evaluasi mana yang harus mereka fokuskan selama wawancara. Dengan menerapkan strategi ini, proses perekrutan bergerak lebih cepat dan orang yang tepat dipekerjakan lebih sering.

Misalnya, sebuah bank di Asia sebelumnya merekrut lulusan terbaik dari universitas yang sangat dihormati karena mengisi 8.000 perannya yang tersebar di 30 cabang. Setelah bank mengalami restrukturisasi organisasi, institusi tersebut memulai informasi data mining yang mencakup 30 poin dalam kategori kinerja karyawan, riwayat profesional, demografi, kepemilikan, dan informasi cabang dari sumber dayanya saat ini. Bank mulai menggunakan analisis data untuk mengidentifikasi karyawan saat ini yang paling mungkin unggul dalam posisi mereka, menciptakan peran baru di dalam organisasi dan mendapatkan wawasan tambahan tentang apa yang memotivasi kinerja pekerja.

Dengan menggunakan analisis prediktif, bank menemukan sifat umum di antara pemain berkinerja tinggi dan rendah dan menciptakan profil untuk pekerja dengan kemungkinan unggul yang lebih besar dalam peran tertentu. Informasi tersebut juga menunjukkan bahwa bagaimana cabang dan tim terstruktur mempengaruhi pertumbuhan finansial institusi. Selain itu, data besar menunjukkan bahwa peran spesifik memiliki pengaruh terbesar terhadap keberhasilan bank.

Akibatnya, struktur organisasi baru diciptakan di sekitar tim dan kelompok pekerja tertentu. Karena bank mulai menggunakan analisis data untuk merekrut dan mengukur kinerja, produktivitas cabang meningkat sebesar 26%, tingkat konversi anggota baru meningkat 80% dan laba bersih meningkat sebesar 14%.

Less Biased Hiring

Analisis prediktif mengurangi jumlah bias yang masuk dalam pengambilan keputusan yang mempengaruhi kinerja perusahaan. Misalnya, banyak manajer perekrutan mendatangkan kandidat yang memiliki karakteristik yang mirip dengan pekerja papan atas mereka. Namun, karena karyawan yang ada dipekerjakan oleh metode bias yang sama, organisasi biasanya berakhir dengan keragaman budaya dan intelektual, yang dapat mengurangi kesuksesan keseluruhan perusahaan. Dengan menciptakan model dan tolok ukur untuk mencetak pekerja dan bidang bisnis, perusahaan dapat mengidentifikasi dengan lebih baik karyawan mana dan kontribusi apa yang paling berharga bagi organisasi dan menggunakan analisis prediktif untuk menentukan secara lebih jelas mana pekerja yang dapat unggul dalam posisi mereka.

Misalnya, bisnis layanan profesional yang menerima 250.000 aplikasi pekerjaan setiap tahun ingin mengurangi waktu dan uang yang dikeluarkan untuk meninjau ulang resume, memperbaiki keefektifan proses penyaringan dan mempekerjakan lebih banyak wanita untuk angkatan kerjanya. Dengan memanfaatkan analisis prediktif, algoritma tersebut memperhitungkan resume lamaran sebelumnya, orang yang diwawancarai diberi posisi dan mereka yang menerima. Model menghubungkan data ke tujuan perekrutan perusahaan, mempersempit daftar kandidat yang paling mungkin unggul dalam posisi terbuka dan memindahkan resume tersebut ke langkah berikutnya dalam proses perekrutan. Sekitar 45% dari resume tersebut akhirnya ditinjau, 15% lebih banyak perempuan maju dalam proses penyaringan dibandingkan dengan menjalani skrining manual dan bisnis tersebut mewujudkan return on investment (ROI) sebesar 500%.

Tingkat Retensi yang Lebih Besar

Data besar membantu memperbaiki tingkat retensi dengan menunjukkan calon pekerja mana yang akan pergi dan mana yang mungkin memerlukan dipindahkan ke posisi yang berbeda dalam organisasi, dipromosikan atau mendapatkan mentor sebagai dorongan untuk bertahan perusahaan. Perubahan tersebut sering kali meningkatkan keterlibatan kerja, kepuasan kerja dan produktivitas sehingga karyawan tetap berada di dalam organisasi.

Misalnya, Bank of America Corp (NYSE: BAC

BACBank of America Corp27, 67-0, 54% Diciptakan dengan karyawan Highstock 4. 2. 6 ) memakai kartu identitas dengan embedded sensor untuk memantau interaksi interpersonal di antara pekerja call centernya. Wells Fargo & Co (NYSE: WFC WFCWells Fargo & Co56 14-0. 37% Dibuat dengan Highstock 4. 2. 6 ) menggunakan analisis prediktif untuk menentukan kandidat mana yang paling memenuhi syarat untuk posisi sebagai teller dan bankir pribadi, menurut apakah calon memiliki karakteristik pekerja yang berperforma dan berkinerja tinggi. Setelah satu tahun menerapkan program ini, retensi teller dan bankir pribadi meningkat masing-masing sebesar 15 dan 12%. The Bottom Line

Data besar di HR membantu perusahaan menghemat waktu dan uang saat merekrut, mempekerjakan dan mempertahankan pekerja terbaik mereka. Bisnis lainnya akan menerapkan analisis prediktif dalam praktik bisnis mereka karena organisasi semakin melihat nilai dalam proses dan ingin memperbaiki bottom line.