geschreven door Lotte Van der Sijpt.

Hoe kan je ervoor zorgen dat waardevolle analyses niet telkens opnieuw uitgevoerd moeten worden, maar de volgende stap zetten en data structureel beschikbaar maken voor wanneer HR ze nodig heeft?

In ons meest recente webinar nam Caitlin van Mil, Lead Data Scientist binnen het Workforce Intelligence-team van Wolters Kluwer, ons mee in de wereld van ‘productizing HR-analytics’. Een aanpak waarbij analyses omgezet worden naar herbruikbare toepassingen, zodat HR en de business op elk moment zelf inzichten kunnen opvragen.

Bij klassieke HR-analytics verloopt een analyse vaak volgens hetzelfde stappenplan: de business stelt een vraag, een analist verzamelt de nodige gegevens, bereidt ze voor, voert de analyse uit en koppelt de resultaten terug. Dat proces kan gemakkelijk enkele weken duren, zeker wanneer gegevens telkens opnieuw uit verschillende systemen gehaald en opgeschoond moeten worden.

Bij productizing probeer je die terugkerende stappen zoveel mogelijk te automatiseren en de analyses rechtstreeks beschikbaar te maken voor de eindgebruiker.

Daarbij kan HR-analytics als product verder gaan. Denk bijvoorbeeld aan een workforceplanningtool waarmee leidinggevenden zelf verschillende personeelsscenario's kunnen vergelijken. Of een toepassing die medewerkers op basis van hun vaardigheden matcht met openstaande vacatures. Of zelfs die Excel waarin je jouw draaitabellen steeds opnieuw bouwt, kan automatischer verlopen zodat je enkel data hoeft toe te voegen en de rest (opschonen, berekeningen, draaitabellen updaten…) vanzelf verloopt.

Betekent dit dat dashboards verleden tijd zijn? Zeker niet. Dashboards blijven bijzonder waardevol om HR-cijfers en trends overzichtelijk te rapporteren. Maar wanneer een vraagstuk meer flexibiliteit, interactie of geavanceerde analyses vereist, kan een afzonderlijk analyticsproduct meer mogelijkheden bieden.

De essentie van HR analytics als een product? Niet telkens opnieuw dezelfde inzichten produceren, maar ze zo ontwikkelen dat ze beschikbaar blijven en opnieuw gebruikt kunnen worden.

Waarom zou je tijd investeren in het ontwikkelen van een analyticsproduct? Volgens Caitlin zijn er twee belangrijke voordelen.

1. Van weken wachten naar inzichten op aanvraag

Een klassieke HR-analyse vraagt heel wat voorbereiding. Gegevens verzamelen, opschonen, analyseren, visualiseren en vervolgens bespreken met de business: het zijn allemaal stappen die tijd kosten.

Door terugkerende analyses in een product in te bouwen, hoeft dat proces niet telkens opnieuw te gebeuren. De gebruiker kan bijvoorbeeld zelf een analyse uitvoeren of met één druk op de knop een rapport met de meest recente inzichten genereren. De analist hoeft dan niet langer alle voorbereidende stappen te herhalen, maar kan zich meteen richten op de interpretatie en bespreking van de resultaten. Dat is veel sneller.

2. Niet alleen sneller antwoorden, maar ook betere vragen stellen

Een tweede uitdaging is dat de business niet altijd precies weet welke analyses mogelijk zijn of welke vraag ze eigenlijk moet stellen.

Stel bijvoorbeeld dat een HR-manager wil weten hoe de gemiddelde engagementscore verschilt tussen afdelingen. Wat die manager misschien écht wil weten, is of de verschillen statistisch betekenisvol zijn en welke factoren ze kunnen verklaren.

Een uitdaging voor HR-analisten is daarom altijd de ‘vraag achter de vraag’ te achterhalen. Maar wanneer geavanceerde analyses rechtstreeks beschikbaar zijn in een gebruiksvriendelijke tool, kan de business ook zelf ontdekken welke inzichten mogelijk zijn, zonder daarvoor alle statistische technieken te kennen. Zo maakt productizing HR-analytics niet alleen sneller, maar ook toegankelijker.

Ook bij Wolters Kluwer verliep HR-rapportering vroeger grotendeels via hun HR-systeem Workday en Power BI. Om een rapport te vernieuwen, moesten analisten gegevens uit Workday downloaden, waar nodig opschonen en opnieuw in Power BI laden. Bovendien waren analyses beperkt tot de gegevens en functionaliteiten die de gebruikte systemen aanboden.

Om die beperkingen te doorbreken, bouwde het Workforce Intelligence-team een centrale dataomgeving in Snowflake. Daarin combineren ze gegevens uit Workday met andere databronnen en worden gegevens automatisch vernieuwd. Zo ontstaat een flexibeler fundament waarop ze eigen analyticsproducten kunnen ontwikkelen.

Een concreet voorbeeld is hun vernieuwde Workforce scorecard: een toepassing waarmee gebruikers belangrijke HR-KPI's kunnen opvolgen. Waar de oorspronkelijke scorecard vooral de mogelijkheden van Workday volgde, biedt de nieuwe versie heel wat extra functionaliteiten:

• Flexibeler filteren: niet alleen volgens de organisatiestructuur, maar bijvoorbeeld ook op land of regio.
• Meer HR-data combineren: ook engagementcijfers kunnen nu opgenomen worden, hoewel die niet rechtstreeks in Workday beschikbaar waren.
• Dieper analyseren: gebruikers kunnen doorklikken van een KPI naar onderliggende tabellen en trendgrafieken.
• Eenvoudiger rapporteren: de scorecard kan rechtstreeks geëxporteerd worden naar PowerPoint.

Het resultaat is dus niet zomaar een nieuw dashboard met dezelfde cijfers. Wolters Kluwer bouwt aan een toepassing die beter aansluit bij de vragen van de business en meer mogelijkheden biedt om zelfstandig inzichten te verkennen. Dit traject is nog volop in ontwikkeling maar we zijn al benieuwd naar de resultaten.

Zelf aan de slag met productizing? Volgens Caitlin begint dat niet bij de technologie, maar bij een duidelijke businessvraag en een betrouwbare databasis. Enkele belangrijke stappen:

• Zorg voor betrouwbare data: bepaal voor elk gegeven de juiste databron (source of truth), maak duidelijke afspraken over KPI-definities en eigenaarschap, en bewaak de datakwaliteit.
• Maak gegevens automatisch beschikbaar: breng de nodige databronnen samen in een centrale dataomgeving, zodat analyses en toepassingen steeds met actuele gegevens kunnen werken. Je hoeft daarbij niet meteen alle HR-systemen te koppelen: begin met de data die je nodig hebt voor je belangrijkste businessvragen.
• Vertrek vanuit de eindgebruiker: welke terugkerende vragen wil je oplossen? Welke functionaliteiten ontbreken vandaag in je bestaande systemen? En wie zal het product gebruiken?
• Breng de juiste expertise samen: naast data-analyse en eventueel data science heb je ook kennis nodig van data engineering, applicatieontwikkeling en gebruiksvriendelijkheid (UI/UX).

Een succesvol analyticsproduct brengt vervolgens betrouwbare data, correcte analyses en gebruiksvriendelijke functionaliteiten samen. Het moet een terugkerend vraagstuk oplossen, zelfstandig hergebruikt kunnen worden en aansluiten bij de dagelijkse werkomgeving van de gebruiker. Denk bijvoorbeeld aan een toepassing die rechtstreeks beschikbaar is via Microsoft Teams, in plaats van een afzonderlijk platform waar medewerkers telkens naar moeten zoeken. En omdat businessvragen blijven evolueren, moet ook het product kunnen meegroeien.

En waar past AI in dit verhaal? Volgens Caitlin kunnen AI en Workforce Intelligence elkaar perfect aanvullen, maar hebben ze vandaag nog verschillende sterktes.

AI is bijzonder goed in het beantwoorden van vragen en het automatiseren van taken. Maar een correct antwoord op de verkeerde vraag blijft weinig waardevol. Stel bijvoorbeeld dat een HR-manager AI vraagt om de correlatie tussen twee variabelen te berekenen. AI kan die berekening uitvoeren, maar zal niet noodzakelijk in vraag stellen of correlatie wel de meest geschikte analysemethode is om het onderliggende businessprobleem te onderzoeken.

Daar komt de expertise van HR-analisten en data scientists opnieuw naar voren. Zij kennen de organisatiecontext, begrijpen de beperkingen van de data en kunnen kritisch beoordelen welke analyses relevant zijn.

De grootste opportuniteit zit volgens Caitlin dan ook in het integreren van AI in analyticsproducten. Denk bijvoorbeeld aan:

• Automatisch gegenereerde inzichten: AI die bij een grafiek meteen een begrijpelijke toelichting schrijft, aangepast aan de filters of selecties van de gebruiker.
• Een ingebouwde AI-assistent: een chatbot die gebruikers helpt om analytische resultaten te interpreteren. Bijvoorbeeld door uit te leggen wat een statistisch significant verschil betekent of hoe je een p-waarde moet begrijpen.

Zo kan AI de drempel om met geavanceerde HR-analytics te werken verder verlagen. Niet door het analytische denkwerk volledig over te nemen, maar door inzichten gemakkelijker beschikbaar én begrijpelijk te maken voor de business.

De belangrijkste les? Begin klein en bouw gericht. Niet elk HR-vraagstuk heeft een afzonderlijke applicatie nodig. Soms volstaat een bestaand dashboard of je HR-systeem, terwijl andere, complexere of terugkerende analyses net meer baat hebben bij een eigen analyticsproduct.

Wil je nog meer inspiratie over HR-analytics? Schrijf je dan zeker in voor onze tweemaandelijkse nieuwsbrief met tips en trends over HR-analytics of contacteer ons.