Sjoerd van den Heuvel over people analytics #data

Sjoerd van den Heuvel

De ideale wereld vanuit big data denken is nu nog niet mogelijk in de praktijk. 

tekst: Auke Klijnsma

 

 

Dr. Sjoerd van den Heuvel is hogeschoolhoofddocent Arbeid en Organisatie aan de Hogeschool Utrecht. Hij richt zich op onderzoek en onderwijs op het gebied van People Analytics. Zijn onderzoek is gericht op de wijze waarop People Analytics kan bijdragen aan de effectiviteit van organisaties en aan het (duurzame) welzijn van individuen. 

Ik ontmoet Sjoerd van den Heuvel in het gebouw van de hogeschool Utrecht. Bij aankomst in de hal van de Hogeschool moet ik me aanmelden bij een aanmeldpaal. Ik weet niet zeker of het aanmelden goed is gegaan, want ik moet wel even wachten. Net op het moment dat ik toch maar op zoek ga naar een ouderwetse receptioniste zie ik Sjoerd van de Heuvel aan komen lopen. Ik geef hem een hand en zijn handdruk ontspant me direct. We lopen door gangen naar een spreekkamer. Sjoerd is geïnteresseerd en stelt al direct vragen. We tasten af wat we gemeenschappelijk hebben. De sfeer is prettig en ik proef direct het oprechte enthousiasme dat Sjoerd voor zijn vak heeft. Sjoerd begint te vertellen.

Ik ben gestructureerd, houd van duidelijkheid, ben nieuwsgierig en ik ben optimistisch. Deze eigenschappen komen samen in dat wat ik nu doe. De essentie van mijn werk is dat ik een brugfunctie wil vormen tussen de wetenschap en de praktijk. Tijdens mijn promotieonderzoek ontdekte ik dat organisaties veel data hadden en daar niets mee deden en dat wetenschap juist veel data nodig heeft. Toen wist ik dat de brug moest worden gebouwd. 

Ik wil praktijkmensen laten snappen wat data-analyse is en vooral wat het niet is enik wil wetenschappers laten snappen wat de businesscontent is, wat het betekent om waarde toe te voegen aan bedrijven. Deze werelden spreken een andere taal en dat is jammer. Het is jammer dat veel wetenschappelijke publicaties niet door de praktijk gelezen worden. 

Wat maakt people analytics voor jou interessant? 

De missie van mijn vakgebied is dat data analytics wordt toegepast om organisaties beter te maken. Ons onderzoek richt zich op de verbanden tussen het effectiever maken van organisaties, het verbeteren van individueel welzijn en maatschappelijke waarde. Onze faculteit wil duurzaam waarde realiseren voor organisaties, individu en maatschappij en de drie uitkomsten moeten in balans zijn. Daar staan we voor.

Dat zegt elke HRM-er?

De HR functie is deze weg kwijtgeraakt. HR roept ‘advocate’ te zijn van de medewerkers, maar handelt er niet naar. HR is uitsluitend een verlengstuk van het management, van het organisatiebelang. 

Kun je dit verklaren?

We zijn allemaal voor aandeelhouderswaarde gegaan. Een oorzaak is dat we machine onderhoud wel kunnen kwantificeren, maar we menen dat we die menscomponent niet kunnen kwantificeren. En daar gaat het mis. Daar ligt een enorme kans, ook voor die medewerker zelf om die data te gebruiken. Daar ligt ons missionariswerk.

In de praktijk trekt juist de people component vaak aan het kortste eindje. Een voorbeeld is een reorganisatie, we kunnen nu niet inschatten hoeveel mensen door die reorganisatie in een burnout komen, hoeveel directe en indirecte kosten dit met zich meebrengt. Ook weten we niet of klantrelaties worden onderbroken en wat de impact daarvan is op de organisatie. Deze relaties zijn prima te analyseren, maar we doen het niet. Of HR kan het niet. Marketing deed dergelijke analyses heel lang geleden al.

Dus HR schiet tekort?

HR doet weinig aan employee listening, strooit uniform beleid over de organisatie uit zonder naar de organisatievraagstukken te kijken. HR kan een voorbeeld nemen aan marketing, die wel aan customer listening doet. HR loopt achter en verliest dus de strijd. Als HR zo doorgaat dan is het op een gegeven moment wel klaar. Het operationele van HR wordt dan geautomatiseerd, het tactische gaat naar de lijn en het strategische wordt datagedreven.

Hoe zie jij dit dan?

Er is maar 1 factor waarmee je efficiency kunt creëren en dat is de menskant. 

Hoe kan data helpen? Leg eens uit we hebben een bak met data, en dan?

Dit illustreert de fout die we met people analytics maken. Dit is wat we vaak doen. We kijken naar de data die we hebben. In de wetenschap noemen we dit de inductieve benadering. Je start bij de data en je gaat dan kijken naar generalisaties en naar welke theorieën je dan kunt bouwen. Deze benadering kan wel, en is ook heel boeiend, zeker als je over big big data spreekt. Je kunt dan verbanden vinden, die je niet op voorhand zou bedenken. Echter, in de praktijk is deze benadering niet slim om te doen. Het werkt niet omdat we in de praktijk beperkte middelen hebben in tijd, geld en in beschikbare data.

We moeten dus iets anders doen. In de praktijk moeten we aan de slag met de benadering die we in de wetenschap de deductieve methode noemen. Ik noem dit van rechts naar links denken. Je start met het business probleem en dit businessprobleem moet je ontrafelen, dat moet je echt helder hebben. Vervolgens ga je identificeren welke elementen van invloed zijn op het businessprobleem. Dat kun je voor een stuk op onderbuikgevoel doen, voor een stuk op literatuur doen, je kunt experts spreken, of organisatiemensen bevragen. 

Je gaat dus bedenken welke facetten van invloed zijn op het businessprobleem, dat kan dan een people facet zijn, maar het kan ook zijn dat de voornaamste oplossing misschien wel een logistieke of een procesoptimalisatie is. Dan ga je dus niet inzoomen op het peoplestuk, want de grootste winst is in een ander element te halen. Pas als je dit weet kom je bij het stellen van een people analytics vraag, die je kunt conceptualiseren en dan pas ga je nadenken welke data nodig is om dit vraagstuk te onderzoeken. Deze aanpak is eigenlijk het belangrijkste wat wij onze studenten leren.

Heb je een voorbeeld? 

Het kan best zijn dat het business probleem is dat de kennis van medewerkers niet meer update is. Als je dan van rechts naar links gaat denken dan kom je bijvoorbeeld op opleidingen, die hebben invloed op het kennisniveau van medewerkers. Je wilt dan meten wat de impact is van opleidingen. We kunnen het uitwerken, maar we doen dat niet in de praktijk omdat het te complex is. Wetenschappers doen dat wel. Die bedenken de samenhang van concepten, ze toetsen de aannames in het model en die kijken dan hoe sterk relaties zijn. Dit gaat in de praktijk vaak fout want het vereist een bepaald conceptueel denkniveau. De gemiddelde professional gaat zo niet te werk of ziet de onderlinge verbanden niet. Omdat het zo complex is, wordt dit in de praktijk heel weinig gedaan. Dat is jammer. Een deel van onze missie is dus om professionals te leren om conceptueel te denken. 

Een ander voorbeeld kan zijn dat de er te veel foutleveringen zijn aan klanten omdat de interne samenwerking niet goed is Dat wil je dan dus verbeteren. Is dat een people issue of misschien een systeemissue. Denk daar eerst over na. Stel dat het een people issue is, hoe ga je dat meten? Hoe meet je de kwaliteit van samenwerken? Wat ga je meten? Hoe vaak samen wordt koffie gedronken?, hoe vaak onderling overleg wordt gevoerd? Of kijk je naar teamsamenstellingen? Of het aantal teamwisselingen? Je moet beginnen om het vraagstuk te conceptualiseren. People analytics gaat over conceptueel denken.  Wat is het businessprobleem en wat zijn de elementen die daar invloed op hebben, welke data heb je dan nodig. Het is een cyclus: Theorie, hypothese, data, visualisatie….

Victor Maijer adviseert juist te stoppen met het denken in hypothesen?

Dat is interessant maar dat kan alleen in de context van big big data. Een mooi voorbeeld van wat hij bedoelt is van Walmart, waar een verband is gevonden tussen luier- en bierverkoop op vrijdagmiddag. Dit verband zou je niet zo maar bedenken omdat het niet voor de hand ligt. Toch blijkt uit big data onderzoek dat deze producten vaak samen worden gekocht. Dit is te verklaren omdat ‘de man’ vaak op vrijdagmiddag nog even luiers moet kopen en als hij dan bier ziet, dan koopt hij dat ook maar. De Walmart heeft vervolgens bier naast de luiers gelegd om de bierverkoop te verhogen. En dat heeft gewerkt. In dit bijvoorbeeld zie je een correlatie die je waarschijnlijk niet had kunnen bedenken. Onze praktijk is vaak anders, want we hebben geen ‘big big’ data. We hebben vaak maar een beperkte hoeveelheid data.

De ideale wereld vanuit big data denken is nu nog niet mogelijk in de praktijk. Ik geef dus de praktijk echt het advies om te starten met die businessvraag. We staan echt nog aan het begin van big data analyse in organisaties. Dat is nog zo minimaal. Voor je het weet gaat die organisatie de fout maken door te kijken naar data die er is, terwijl je pas als je het proces volgt, je weet welke data je nodig hebt en misschien verzamel je die nog helemaal niet. Met tenminste 90% van de data die we verzamelen doen we niets. Daar kun je gewoon mee stoppen. Bedenk dus eerst welke data je echt nodig hebt om je business doelen te bereiken. Dat is voor nu echt het belangrijkste.

Maar straks?

Het vakgebied staat in de kinderschoenen. Op termijn zie ik nog hele mooie mogelijkheden. Hoe mooi zou het zijn als een systeem jou straks carrièreadvies geeft, of jou attendeert op een vacature. Of dat een chatbbox misschien wel veel beter weet welke functies en vacatures er zijn dan een recruiter. Of dat een systeem die constateert dat je stress toeneemt en vervolgens tips geeft hoe hier mee om te gaan. Hoe mooi is dat! We staan een het begin.