Er zijn hoge verwachtingen van ‘big data’, op tal van terreinen. Data science moet rijke informatie opleveren die leiden tot slimme beslissingen. Hoogleraar Peter Cappelli uit in de Harvard Business Review echter twijfels over de relevantie van big data voor human resource development. Zijn artikel bevat volgens mij echter enkele misvattingen.
Ik heb de afgelopen maanden een aantal keer geschreven over pleidooien voor een nieuwe taak van de L&D-functie: het analyseren van data op het gebied van leren en ontwikkelen. Peter Cappelli heeft een aantal redenen om hieraan te twijfelen.
- De meeste bedrijven tellen geen miljoenen medewerkers die veelal maar één keer per jaar worden geobserveerd.
Mijn opmerking: ook honderden medewerkers genereren veel data, over meerdere jaren. Uiteraard moet je eerst bedenken welke data relevant kunnen zijn voor datgene wat je wilt meten (zoals: wat beïnvloedt de performance van een individuele medewerker?). Voor bedrijven met enkele medewerkers -en dat zijn er best veel- is data science inderdaad minder relevant, ook al is er altijd wel data aanwezig die het analyseren waard is (denk aan tijdsbestedingen aan projecten). - Relevante data bevinden zich in diverse databases. Die data moet congruent gemaakt worden voordat je basale vragen kunt beantwoorden. Ook zullen bedrijven data vooral moeten opschonen.
Mijn opmerking: de kracht van data science ligt juist in het gebruiken van data uit verschillende bestanden. En ja: daarbij is het best een uitdaging dat je zeker weet dat je bepaalde items met elkaar kunt vergelijken. Maar dat is geen reden om er niet aan te beginnen, als je daardoor rijke analyses kunt maken. - Bedrijven hebben eenvoudige software nodig om relevante analyses te kunnen maken.
Mijn opmerking: dat klopt. - Relevante vragen op het gebied van HR worden al heel lang onderzocht. Er is heel veel over bekend. Cappelli wijst hierbij op solliciteren. Tot welke nieuwe inzichten kunnen nieuwe technologieën leiden?
Mijn opmerking: het is een goede zaak als bepaalde inzichten regelmatig getoetst worden (Cappelli geeft dat overigens ook aan). Bovendien is er over bepaalde HR-onderwerpen veel minder bekend dat over solliciteren. Denk bijvoorbeeld aan de effectiviteit van werkplek leren. - De aard van de data werpt beperkingen op aan de bruikbaarheid van data science op het gebied van HR. De auteur wijst hierbij onder meer op wetgeving op het gebied van bescherming persoonsgegevens. Data mogen vaak niet verstrekt worden aan andere afdelingen voor analyses.
Mijn opmerking: dat klopt, en dat is prima. Je kunt data echter ook geanonimiseerd analyseren.
Ondanks zijn twijfels doet de auteur aan het eind van zijn bijdrage suggesties voor het analyseren van data. Hij pleit ervoor om data te gebruiken om naar het grote plaatje binnen een organisatie te kijken (bijv. waar klagen medewerkers voortdurend?). Ook vindt hij het belangrijk om vaker naar data te kijken (onder meer via korte dagelijkse vragenlijsten).
Cappelli geeft zelfs als voorbeeld om data van “company-sponsored social media” te analyseren om te kijken naar de tevredenheid van werknemers (hoezo privacy?). Tenslotte meent Peter Cappelli dat we vooral moeten kijken naar relaties tussen data (denk aan een mogelijk verband tussen criteria bij sollicitaties en performance). De auteur wijst daarbij ook op het belang van de kwaliteit van data.
Volgens mij is dit precies de bedoeling van het analyseren van big data.
This content is published under the Attribution 3.0 Unported license.
Geef een reactie