Pengelolaan Data HR di perusahaan – Data Rich, Insight Poor
Heru Wiryanto
HR Growth Hacker, People-Data Scientist
Digitalisasi membawa dampak membanjirnya data-data yang diperoleh oleh perusahaan dalam jumlah besar, tidak terkecuali HR. Mulai dari data yang berstruktur seperti data sosial demografi pada HRIS juga data-data yang tidak berstruktur seperti : gambar, video, pesan, email dan sosial media.
Sehingga aneh kalo berpendapat masalahnya pada ketersediaan data atau data availability, sekarang isunya justru bergeser ke Data Usability, keterpakaiannya. Data dari IDG sebanyak 42% perusahaan yang menerapkan Big Data Analysis gagal menemukan ekstrasi atas insight dari data-data yang dimilikinya.
Tidak heran sekarang kondisinya justru pada kondisi DRIP- Data Rich – Insight Poor. Percuma ketika anda punya data yang banyak namun tidak dapat mendapatkan insight atas data-data tersebut sehingga pada ujungnya lebih banyak mengambil keputusan berdasarkan “insight” dan “gut feelings”, pada ujungnya keputusan yang diambil lebih banyak nuansa emosional dan tidak dapat dipertanggungjawabkan serta non reproducibility.
Bagaimana keluar dari kondisi tersebut HR professional harus mampu melakukan pemberdayaan atas data data yang dimiliki melalui 5 tahapan.
Pastikan bahwa kualitas data yang anda miliki dalam kondisi prima, ingat garbage in- garbage out, jika data anda yang miliki tidak valid, diragukan, tidak lengkap, mengandung outliers maka mustahil insight yang dihasilkan akan baik, meski anda pake software analytics yang termahal dan terbaik sekalipun….. Jangan pernah melupakan apa yang disebut data cleaning…. Pekerjaan yang menjijikan tetapi perannya memang besar dalam menentukan kualitas data.
Tahap kedua setelah kualitas datanya baik, maka HR professional harus mampu melakukan visualisasi atas data yang dimiliki dengan alat yang tepat, dengan mengikuti kaidah-kaidah dalam membuat grafik dan statistika deskriptif sangat membantu dalam hal ini.
Tahap ketiga Visualisasi akan percuma ketika tidak mampu membuat storytelling atasnya, berceritera justru bukan mengenai grafiknya tetapi makna yang tersirat dibalik grafik, dibalik hubungan atau kausalitas atas beberapa variable menjadi sangat penting. Angka dsan grafik yang sama bisa berceritera mengenai beberapa susunan yang berbeda serta insight yang berbeda.
Tahap keempat mulai beralih dari pendekatan deskriptif ke prediktif, tahapan ini memang tidak mudah, perubahan mindset serta keterampilan statistika yang terbarukan dengan penguasaan algoritma menjadi hal penting, meski jika memang sudah dikuasai penuh dengan regresi sederhana, atau regresi binomial kita sudah membuat prediksi yang akurat, keterampilan logika matematika menjadi vital di dalam hal ini.
Tahap kelima membuat preskripsi, dalam tahapan ini model algoritma yang disusun sudah dapat dibuat berbagai scenario, sehingga perubahan variable prediktor bisa secara real time dilihat hasil prediksinya, sehingga pengambil keputusan memiliki alternative yang banyak lengkap dengan konsekuensi dampaknya yang terukur.
Foto : hrdadvisorygroup.com