People analytics (phân tích dữ liệu nhân sự) là việc dùng dữ liệu và phương pháp phân tích để trả lời các câu hỏi về con người trong tổ chức: vì sao người giỏi nghỉ ở bộ phận này mà không ở bộ phận kia, tiêu chí tuyển nào thật sự dự báo hiệu suất, quản lý ảnh hưởng tới đội nhóm ra sao. Nó khác báo cáo nhân sự ở chỗ báo cáo mô tả điều gì đã xảy ra, còn phân tích tìm vì sao và nên làm gì.
Lĩnh vực này được chú ý rộng từ khoảng năm 2010, khi Davenport, Harris và Shapiro đăng bài "Competing on Talent Analytics" trên Harvard Business Review, và khi các dự án nội bộ của Google về vai trò người quản lý được công bố. Điều kiện để làm được không phải phần mềm đắt tiền mà là ba thứ: câu hỏi kinh doanh rõ, dữ liệu lịch sử đủ sạch, và người hiểu cả thống kê lẫn bối cảnh nhân sự để không rút ra kết luận sai.
Bốn cấp độ phân tích, từ đếm đến khuyến nghị
Khung bốn cấp phổ biến trong phân tích dữ liệu nói chung áp dụng tốt cho nhân sự. Phần lớn doanh nghiệp đang ở cấp một và tưởng mình ở cấp ba.
- Mô tả (descriptive): có bao nhiêu người, tỷ lệ nghỉ việc quý này là bao nhiêu, phân bố tuổi và thâm niên ra sao. Đây là báo cáo, cần thiết nhưng chưa phải phân tích.
- Chẩn đoán (diagnostic): vì sao tỷ lệ nghỉ ở khối bán hàng miền Nam gấp đôi miền Bắc. Cần so sánh nhóm, kiểm soát biến gây nhiễu, kết hợp dữ liệu định tính từ phỏng vấn nghỉ việc.
- Dự báo (predictive): nhân viên nào có nguy cơ nghỉ cao trong sáu tháng tới, vị trí nào sẽ thiếu người khi mở chi nhánh mới. Dùng mô hình thống kê hoặc học máy trên dữ liệu lịch sử.
- Khuyến nghị (prescriptive): nên can thiệp gì, với ai, chi phí bao nhiêu để giảm nghỉ việc hiệu quả nhất. Cấp này đòi hỏi thử nghiệm có đối chứng, không chỉ mô hình.
Mô hình trưởng thành của Bersin cho phân tích nhân tài cũng chia bốn bậc tương tự, từ báo cáo vận hành tới phân tích dự báo, và ghi nhận phần lớn tổ chức dừng ở hai bậc đầu. Lý do thường không phải thiếu kỹ thuật mà thiếu dữ liệu sạch và thiếu câu hỏi mà lãnh đạo thật sự quan tâm.
Bài học từ Project Oxygen và Project Aristotle
Ví dụ được trích nhiều nhất là Project Oxygen của Google, bắt đầu khoảng năm 2008. Giả thuyết ban đầu của nhóm phân tích, trong một công ty kỹ sư vốn nghi ngờ vai trò quản lý, là người quản lý không tạo nhiều khác biệt. Dữ liệu từ khảo sát nhân viên và đánh giá hiệu suất cho thấy điều ngược lại: đội có quản lý được đánh giá cao có kết quả và mức giữ chân tốt hơn. Nhóm sau đó rút ra một danh sách hành vi của quản lý giỏi, như huấn luyện tốt, không quản lý vi mô, quan tâm tới sự phát triển của nhân viên, và dùng nó để đào tạo, phản hồi cho quản lý.
Project Aristotle tiếp nối, tìm yếu tố làm nên đội nhóm hiệu quả. Kết quả được báo chí phổ biến rộng năm 2016: thành phần đội (ai giỏi, ai hướng ngoại) ít quan trọng hơn cách đội làm việc với nhau, và yếu tố nổi bật nhất là an toàn tâm lý, khái niệm Amy Edmondson đã nghiên cứu từ cuối thập niên 1990.
Bài học về phương pháp quan trọng hơn kết luận. Thứ nhất, cả hai dự án bắt đầu bằng một câu hỏi mà lãnh đạo thật sự tranh cãi. Thứ hai, chúng kết hợp số liệu định lượng với phỏng vấn định tính. Thứ ba, kết quả được biến thành hành động cụ thể. Cũng cần thận trọng: đây là tổ chức có nguồn lực và văn hoá dữ liệu hiếm có, và các kết luận được công bố qua kênh của chính công ty, không phải nghiên cứu bình duyệt độc lập. Chép nguyên danh sách hành vi về doanh nghiệp mình là bỏ qua đúng phần giá trị nhất: quá trình tự tìm ra.
Những câu hỏi people analytics hay được dùng để trả lời
Bảng dưới gợi ý các câu hỏi khởi đầu có giá trị kinh doanh rõ, kèm dữ liệu cần có và cạm bẫy thường gặp.
| Câu hỏi | Dữ liệu cần | Phương pháp gợi ý | Cạm bẫy |
|---|---|---|---|
| Ai có nguy cơ nghỉ việc cao? | Lịch sử nghỉ việc, thâm niên, lương so dải, đánh giá, đổi quản lý | Phân tích sống sót, hồi quy logistic | Dùng điểm rủi ro để đối xử bất lợi với cá nhân |
| Tiêu chí tuyển nào dự báo hiệu suất? | Điểm đầu vào, kết quả phỏng vấn, hiệu suất năm đầu | Tương quan, hồi quy | Chỉ có dữ liệu người được tuyển (thiên lệch chọn mẫu) |
| Quản lý ảnh hưởng thế nào tới đội? | Khảo sát gắn kết theo đội, nghỉ việc theo quản lý | So sánh nhóm, mô hình đa tầng | Đội nhỏ, con số dao động ngẫu nhiên lớn |
| Chênh lệch lương có giải thích được không? | Lương, cấp bậc, thâm niên, hiệu suất, giới tính | Hồi quy có kiểm soát | Kiểm soát cả biến vốn bị ảnh hưởng bởi phân biệt |
| Bao nhiêu người cần cho mùa cao điểm? | Sản lượng, giờ công, năng suất theo ca | Dự báo chuỗi thời gian | Quên tính thời gian đào tạo người mới |
Cạm bẫy ở dòng thứ tư rất tinh vi: nếu phụ nữ ít được thăng cấp hơn, việc "kiểm soát cấp bậc" khi so lương sẽ che mất chính sự bất bình đẳng đó. Câu hỏi cần được trả lời ở cả hai tầng, cùng cấp có cùng lương không, và cơ hội lên cấp có ngang nhau không.
Các cạm bẫy thống kê làm sai kết luận nhân sự
Tương quan không phải nhân quả. Nhân viên dự nhiều khoá đào tạo có hiệu suất cao hơn không chứng minh đào tạo làm tăng hiệu suất; có thể người giỏi được cử đi học nhiều hơn. Muốn biết tác động thật cần so sánh có đối chứng, lý tưởng là triển khai lệch thời gian giữa các nhóm tương đương.
Thiên lệch người sống sót. Phân tích "đặc điểm của nhân viên xuất sắc hiện tại" bỏ qua những người có cùng đặc điểm nhưng đã nghỉ hoặc bị cho nghỉ. Kết luận dễ là đặc điểm đó tốt, trong khi nó chỉ phổ biến.
Cỡ mẫu nhỏ ở cấp đội. Một đội tám người có hai người nghỉ là tỷ lệ 25%. Năm sau không ai nghỉ là 0%. Xếp hạng quản lý theo những con số như vậy là xếp hạng may rủi. Nên gộp nhiều kỳ hoặc dùng khoảng tin cậy.
Nghịch lý Simpson. Tỷ lệ thăng chức của nhóm A thấp hơn nhóm B ở toàn công ty, nhưng cao hơn ở từng phòng ban, vì nhóm A tập trung ở phòng có ít cơ hội thăng chức. Luôn tách theo cấu trúc trước khi kết luận.
Đo cái dễ đo. Số giờ đăng nhập, số email gửi đi dễ thu thập nhưng hiếm khi đo được giá trị công việc tri thức. Chỉ số sai biến thành mục tiêu sai, đúng như định luật Goodhart cảnh báo.
Đạo đức và ranh giới: phân tích để hiểu, không để soi
Dữ liệu nhân sự nhạy cảm hơn dữ liệu khách hàng vì quan hệ quyền lực không cân xứng: người lao động khó từ chối cho công ty dùng dữ liệu của mình. Một nguyên tắc thực hành tốt là phân biệt phân tích cấp nhóm (để thiết kế chính sách) với quyết định cấp cá nhân (ai được thăng chức, ai bị cho nghỉ). Mô hình dự báo nghỉ việc dùng ở cấp nhóm giúp phát hiện bộ phận có vấn đề; dùng ở cấp cá nhân thì dễ thành lời tiên tri tự ứng nghiệm, khi quản lý ngừng giao việc quan trọng cho người bị gắn nhãn rủi ro cao.
Ba nguyên tắc nên viết thành chính sách trước khi dự án đầu tiên bắt đầu. Minh bạch mục đích: người lao động được biết dữ liệu nào được phân tích và để làm gì. Tối thiểu hoá: chỉ dùng dữ liệu cần cho câu hỏi, ẩn danh hoặc bí danh hoá khi có thể, báo cáo nhóm dưới một ngưỡng người tối thiểu thì không hiện. Con người quyết định cuối: mô hình chỉ gợi ý, quyết định ảnh hưởng tới cá nhân phải có người chịu trách nhiệm và giải thích được.
Ở Việt Nam, nghĩa vụ bảo vệ dữ liệu cá nhân áp dụng cả với dữ liệu người lao động, và một số loại dữ liệu hay dùng trong phân tích như sức khoẻ, vị trí, sinh trắc học thuộc nhóm nhạy cảm cần biện pháp bảo vệ cao hơn. Trước khi gộp dữ liệu từ nhiều nguồn để phân tích, bạn nên rà với bộ phận pháp chế về căn cứ xử lý và thông báo cho người lao động.
Lộ trình bắt đầu cho doanh nghiệp chưa có đội phân tích
Không cần tuyển ngay nhà khoa học dữ liệu. Sáu bước dưới đây làm được với một chuyên viên nhân sự biết bảng tính và một người hiểu thống kê cơ bản.
- Chọn một câu hỏi đáng tiền. Ví dụ: nghỉ việc trong năm đầu ở khối cửa hàng tốn bao nhiêu và tập trung ở đâu. Câu hỏi phải gắn với chi phí hoặc doanh thu mà ban giám đốc quan tâm.
- Chốt định nghĩa. Nghỉ việc tính từ ngày nộp đơn hay ngày cuối làm việc, có tính hết hạn hợp đồng thời vụ không. Ghi định nghĩa thành văn bản.
- Gom và làm sạch dữ liệu ba năm gần nhất. Thường mất nhiều thời gian nhất. Mỗi lỗi tìm thấy là một lỗi quy trình cần sửa ở nguồn.
- Mô tả trước, mô hình sau. Vẽ tỷ lệ theo cửa hàng, theo quản lý, theo tháng vào làm. Phần lớn phát hiện có giá trị đến từ bước này.
- Kiểm bằng định tính. Phỏng vấn mười người ở nhóm có tỷ lệ cao và mười người ở nhóm thấp để hiểu cơ chế đằng sau con số.
- Đề xuất một can thiệp và đo. Thử ở một nhóm cửa hàng, giữ nhóm tương đương làm đối chứng, so sau ba đến sáu tháng.
Một dự án nhỏ làm trọn vòng từ câu hỏi đến can thiệp có giá trị hơn nhiều so với bảng điều khiển hàng chục chỉ số không ai dùng để ra quyết định.
Câu hỏi thường gặp
People analytics khác HR analytics và workforce analytics thế nào?
Trong thực tế ba tên thường dùng thay nhau. Khi phân biệt, HR analytics hay chỉ phân tích hiệu quả các hoạt động của phòng nhân sự như tuyển, đào tạo; people analytics rộng hơn, phân tích con người và tổ chức nói chung; workforce analytics nhấn vào lực lượng lao động về số lượng, chi phí, kế hoạch.
Cần bao nhiêu nhân viên thì phân tích mới có ý nghĩa thống kê?
Không có ngưỡng chung. Với câu hỏi cấp công ty, vài trăm người và vài năm dữ liệu thường đủ cho phân tích mô tả và chẩn đoán. Mô hình dự báo cá nhân cần nhiều sự kiện, ví dụ nhiều trường hợp nghỉ việc, nên doanh nghiệp nhỏ nên dừng ở so sánh nhóm và phân tích định tính.
Mô hình dự báo nghỉ việc chính xác đến đâu?
Độ chính xác phụ thuộc dữ liệu và tổ chức, khó nêu con số chung. Vấn đề lớn hơn là mô hình thường chỉ ra yếu tố đã biết như lương thấp hơn thị trường, lâu không thăng chức. Giá trị nằm ở việc định lượng và ưu tiên, không phải khám phá bí mật mới.
Có nên dùng dữ liệu email, lịch họp để phân tích mạng lưới tổ chức?
Phân tích mạng lưới tổ chức dựa trên siêu dữ liệu giao tiếp có thể chỉ ra nút thắt và người kết nối. Tuy vậy đây là dữ liệu xâm phạm đời tư cao, cần thông báo rõ, chỉ dùng siêu dữ liệu không đọc nội dung, tổng hợp ở cấp nhóm và có rà soát pháp lý trước.
Kỹ năng nào cần cho một chuyên viên people analytics?
Thống kê ứng dụng và thiết kế nghiên cứu, kỹ năng xử lý dữ liệu bằng bảng tính hoặc ngôn ngữ lập trình, hiểu biết nghiệp vụ nhân sự và luật lao động, và quan trọng không kém là kể chuyện bằng dữ liệu cho lãnh đạo không chuyên.
Làm sao thuyết phục lãnh đạo đầu tư cho people analytics?
Bắt đầu bằng một dự án nhỏ gắn với chi phí rõ ràng, như ước tính chi phí nghỉ việc năm đầu gồm tuyển, đào tạo, năng suất mất đi, rồi chỉ ra một can thiệp giảm được nó. Kết quả cụ thể thuyết phục hơn mọi bài trình bày về xu hướng.
