GONILA IN OVIRE PRIVZEMANJA SISTEMOV POSLOVNE INTELIGENCE ZA MANAGEMENT ČLOVEŠKIH … · 2018. 2. 27. · IZJAVA O AVTORSTVU Podpisani Lucijan Ratajc, študent Ekonomske fakultete

UNIVERZA V LJUBLJANI

EKONOMSKA FAKULTETA

MAGISTRSKO DELO

GONILA IN OVIRE PRIVZEMANJA SISTEMOV POSLOVNE

INTELIGENCE ZA MANAGEMENT ČLOVEŠKIH VIROV

Ljubljana, september 2017 LUCIJAN RATAJC

IZJAVA O AVTORSTVU

Podpisani Lucijan Ratajc, študent Ekonomske fakultete Univerze v Ljubljani, avtor predloženega dela z

naslovom Gonila in ovire privzemanja sistemov poslovne inteligence za management človeških virov,

pripravljenega v sodelovanju s svetovalcem red. prof. dr. Jurijem Jakličem

IZJAVLJAM,

1. da sem predloženo delo pripravil samostojno;

2. da je tiskana oblika predloženega dela istovetna njegovi elektronski obliki;

3. da je besedilo predloženega dela jezikovno korektno in tehnično pripravljeno v skladu z Navodili za

izdelavo zaključnih nalog Ekonomske fakultete Univerze v Ljubljani, kar pomeni, da sem poskrbel, da so

dela in mnenja drugih avtorjev oziroma avtoric, ki jih uporabljam oziroma navajam v besedilu, citirana

oziroma povzeta v skladu z Navodili za izdelavo zaključnih nalog Ekonomske fakultete Univerze v

Ljubljani;

4. da se zavedam, da je plagiatorstvo – predstavljanje tujih del (v pisni ali grafični obliki) kot mojih lastnih

– kaznivo po Kazenskem zakoniku Republike Slovenije;

5. da se zavedam posledic, ki bi jih na osnovi predloženega dela dokazano plagiatorstvo lahko predstavljalo

za moj status na Ekonomski fakulteti Univerze v Ljubljani v skladu z relevantnim pravilnikom;

6. da sem pridobil vsa potrebna dovoljenja za uporabo podatkov in avtorskih del v predloženem delu in jih v

njem jasno označil;

7. da sem pri pripravi predloženega dela ravnal v skladu z etičnimi načeli in, kjer je to potrebno, za raziskavo

pridobil soglasje etične komisije;

8. da soglašam, da se elektronska oblika predloženega dela uporabi za preverjanje podobnosti vsebine z

drugimi deli s programsko opremo za preverjanje podobnosti vsebine, ki je povezana s študijskim

informacijskim sistemom članice;

9. da na Univerzo v Ljubljani neodplačno, neizključno, prostorsko in časovno neomejeno prenašam pravico

shranitve predloženega dela v elektronski obliki, pravico reproduciranja in pravico dajanja predloženega

dela na voljo javnosti na svetovnem spletu prek Repozitorija Univerze v Ljubljani;

10. da hkrati z objavo predloženega dela dovoljujem objavo svojih osebnih podatkov, ki so navedeni v njem

in v tej izjavi.

V Ljubljani, dne _____________ Podpis študenta:__________________

i

KAZALO

UVOD ................................................................................................................................... 1

1 POSLOVNA INTELIGENCA ................................................................................ 6

1.1 Razvoj poslovne inteligence in tehnologije BI........................................................ 8

1.2 Arhitektura BI........................................................................................................ 11

1.3 Analitična orodja ................................................................................................... 13

1.4 Gonila privzemanja BI .......................................................................................... 14

1.5 Ovire privzemanja BI ............................................................................................ 15

2 PRIVZEMANJE BI V MANAGEMENT ČLOVEŠKIH VIROV .................... 18

2.1 Gonila privzemanja poslovne inteligence na kadrovskem področju ..................... 19

Prilagoditev HRM na spremembe poslovnega okolja ............................... 19

Izraba razpoložljive tehnologije ................................................................. 21

Izboljšanje procesov kadrovske funkcije ................................................... 22

Pomen človeškega kapitala ........................................................................ 22

Potreba za odločanje .................................................................................. 23

Sooblikovanje strategije podjetja ............................................................... 23

2.2 Ovire privzemanja poslovne inteligence na kadrovskem področju....................... 23

Pomanjkanje analitične kulture v podjetju ................................................. 23

Pomanjkanje dokazov o koristi privzemanja BI v HRM ........................... 24

Položaj HRM v podjetju in podpora vodstva ............................................. 24

Strateška (ne)usmerjenost HRM ................................................................ 26

Ponudniki storitev BI ................................................................................. 26

Podatki in uporaba podatkov v kadrovski funkciji .................................... 26

Interpretacija in prikaz podatkov za odločanje .......................................... 31

Metrike ....................................................................................................... 32

2.3 Povzetek gonil in ovir privzemanja poslovne inteligence

na kadrovskem področju ....................................................................................... 35

3 ANALIZA PRIMEROV ........................................................................................ 37

3.1 Primer: podjetje RAC ............................................................................................ 38

3.2 Primer: divizija Maersk Drilling podjetja Maersk Group ..................................... 41

Primer: povečanje učinkovitosti naftnih ploščadi ...................................... 42

Primer: pomanjkanje ustreznega kadra in ROI na izobraževanje .............. 44

3.3 Primer: podjetje Ingram Content Group ................................................................ 46

3.4 Primer: podjetje Chrysler ...................................................................................... 49

3.5 Primer: podjetje Lowe's ......................................................................................... 51

3.6 Primer: podjetje HCL Technologies Limited ........................................................ 54

4 DISKUSIJA ............................................................................................................ 59

ii

4.1 Pomanjkanje podpore vodstva pri privzemanju analitike ..................................... 60

4.2 Podporna vloga HRM kot ovira pri privzemanju BI ............................................. 62

4.3 Pomanjkanje podpore ostalih funkcij v podjetju in silosne omejitve funkcij ....... 62

4.4 Razdrobljenost HRM-sistemov, nepopolni podatki in nezaupanje v podatke ...... 63

4.5 Nezmožnost povezovanja metrik in KPI .............................................................. 64

4.6 Začrtana strategija, problem ali cilj vodstva ......................................................... 65

4.7 Iskanje konkurenčne prednosti in prihrankov ....................................................... 66

4.8 Iskanje vpogleda v podatkih in analitična kultura ................................................ 67

4.9 Interes HRM, da zasede bolj strateško vlogo v podjetju, in identifikacija ključnih

strateških usmeritev za HRM ............................................................................... 68

4.10 Razpoložljive informacijske rešitve, ki rešujejo problem ..................................... 68

4.11 Izgradnja statističnega modela .............................................................................. 69

4.12 CHRO – pobudnik sprememb ............................................................................... 72

4.13 Rezultati investiranja v analitiko ........................................................................... 73

SKLEP ................................................................................................................................ 73

LITERATURA IN VIRI .................................................................................................... 76

PRILOGA

KAZALO TABEL

Tabela 1: Razvoj BI kot stopnje evolucije BI-sistemov ...................................................... 9

Tabela 2: Gonila privzemanja BI in gonila privzemanja BI

specifična kadrovski funkciji ............................................................................ 35

Tabela 3: Ovire pri privzemanju BI in ovire privzemanja BI specifična

kadrovski funkciji .............................................................................................. 36

Tabela 4: Gonila kadrovske funkcije za privzemanje analitike v podjetju RAC .............. 38

Tabela 5: Ovire kadrovske funkcije pri privzemanju analitike v podjetju RAC .............. 39

Tabela 6: Ključne HRM-metrike v podjetju RAC ............................................................ 40

Tabela 7: Ključne HR-metrike modela učinkovitosti ploščadi v podjetju Maersk ........... 42

Tabela 8: Gonila kadrovske funkcije za izgradnjo analitičnega modela v podjetju

Maersk ............................................................................................................... 43

Tabela 9: Ovire kadrovske funkcije pri izgradnji analitičnega modela v podjetju

Maersk ............................................................................................................... 44

Tabela 10: Ključne HR-metrike notranjega izobraževanja v podjetju Maersk ................... 45


Maersk ............................................................................................................... 45


Maersk ............................................................................................................... 46

Tabela 13: Gonila kadrovske funkcije za izgradnjo analitičnega modela v podjetju ICG .. 46

iii

Tabela 14: Ovire kadrovske funkcije za izgradnjo analitičnega modela v podjetju ICG .... 47

Tabela 15: Ključne HR-metrike v podjetju ICG ................................................................. 48

Tabela 16: Gonila kadrovske funkcije pri izgradnji analitičnega modela v podjetju

Chrysler ............................................................................................................. 49

Tabela 17: Ključne HR-metrike v podjetju Chrysler........................................................... 50


Chrysler ............................................................................................................. 51

Tabela 19: Rezultat izobraževanja, odražen na prodaji ....................................................... 51


Lowe's ................................................................................................................ 52


Lowe's ................................................................................................................ 52

Tabela 22: Gonila kadrovske funkcije pri analitični podpori podjetja HCL ....................... 55

Tabela 23: Ovire kadrovske funkcije pri analitični podpori podjetja HCL ......................... 57

Tabela 24: Ključne HRM-metrike v podjetju HCL ............................................................. 57

Tabela 25: Cilji podjetij, zajetih v analizi............................................................................ 66

Tabela 26: V podjetju izbrana BI-informacijska rešitev ..................................................... 69

KAZALO SLIK

Slika 1: Stopnja vpogleda v podatke in BI ........................................................................ 10

Slika 2: Sestavni deli BI-ogrodja ....................................................................................... 12

Slika 3: Raziskovalni model za uspešnost podatkovnega skladiščenja ............................. 16

Slika 4: Učinkovito poslovno-informacijsko partnerstvo za uspešno privzemanje BI ..... 17

Slika 5: Rezultati spletne raziskave o HR-pomembnih temah .......................................... 20

Slika 6: Sinergija med HRM in strategijo podjetja ........................................................... 25

Slika 7: HRM-procesi in postavljanje podatkovnih prioritet............................................. 29

Slika 8: Sinergija med HRM in metrikami ........................................................................ 33

Slika 9: Model faktorjev v podjetju Maersk ...................................................................... 43

Slika 10: Prvi načrt analitičnega modela posamezne trgovine podjetja Lowe's .................. 54

Slika 11: Kontinuum človeškega kapitala ........................................................................... 72

1

UVOD

Poslovno okolje se neprestano spreminja, zato odločanje v organizaciji postaja vse bolj

zapleteno in kompleksno (Pemmaraju, 2007; Kapoor, 2010). Prav tako se kljub ponekod

visoki stopnji brezposelnosti napoveduje primanjkovanje ustreznega kadra, delno zaradi

demografskih sprememb in delno zaradi pomanjkanja ustreznih veščin delovne sile (World

Economic Forum, 2010; Economist Intelligence Unit, 2015). S tem pa se povečuje

odgovornost managementa človeških virov, da se ustvari in razvije ustrezen vodstveni kader,

ki bo nadomestil generacijo, ki je trenutno na vodstvenih položajih in se upokojuje

(Pemmaraju, 2007). Poročilo organizacije World Economic Forum (2010) pravi, da bodo

podjetja, ki bodo sposobna predvidevati in vzdrževati potrebe po kadru, pridobila odločilno

konkurenčno prednost. V skladu s tem Pemmaraju (2007) predvideva tranzicijo kadrovske

funkcije iz podpornega centra v center, ki bo vir donosa, in to prav zaradi analitičnih

pristopov pri managementu človeških virov.

World Economic Forum (2010) je prepoznal potrebo kadrovske funkcije po izrabi

tehnologije in podatkovne analitike, da zgradi informacijski sistem, ki bo lahko zbral in

shranjeval podatke iz različnih virov. Tovrsten sistem bo tako pomagal analizirati podatke

in zagotovil vpogled v poslovanje, napovedovanje potreb in razvoj strategij za njihovo

zadostitev. Takšni informacijski sistemi sestojijo iz več komponent, ki so samostojne,

Kapoor in Sherif (2012a) pa jih v grobem razvrstita v podatkovno skladišče, podatkovno

analitiko, podatkovno rudarjenje, podatkovno združevanje in sistem za dostavo informacij.

Informacijska tehnologija sama po sebi ne ustvarja dodane vrednosti, vendar uporablja

predhodno komplementarne človeške in poslovne vire, da posledično ustvarja dodano

vrednost (Powell & Dent-Micallef, 1997). Torej uporabniki analitičnih modelov, ki so

ustvarjeni za izračunavanje in komuniciranje rezultatov, dajejo informaciji poslovno

vrednost, in to šele s sprejemanjem odločitev, ki temeljijo na teh informacijah (Kapoor &

Sherif, 2012b).

Kadrovska služba, ki je nosilka managementa s človeškimi viri, ima dostop do velike

količine podatkov, saj je prejemnik informacij v podjetju tako s strani dnevnih transakcij kot

tudi drugih internih oddelkov ter služb (Pemmaraju, 2007). Prav tako kadrovska funkcija

zajema in ima vpogled v podatke izven podjetja (Deloitte, 2016). Čeprav zbirajo veliko

podatkov, kot sta strošek na zaposlitev in povračilo na investicijo (angl. Return on

Investment, v nadaljevanju ROI) na druge kadrovske programe, težko povežejo te

informacije s poslovnimi rezultati (Lawler, Levenson, & Boudreau, 2004; Harris, Craig, &

Light, 2011). Da kadrovska funkcija lahko pretvori informacije in podatke s pomočjo

poslovne inteligence (angl. business intelligence, v nadaljevanju BI) in analize delovne sile,

se mora tako obrniti k drugim oddelkom, kot so finance, logistika, proizvodnja in prodaja,

ter tako ponudi vpogled, ki lahko prispeva k strateški presoji in odločanju (Pemmaraju,

2007).

2

Razlogi za pospešeno vpeljavo BI-sistemov na področje managementa človeških virov so

doseganje uspešnosti novih kandidatov, produktivnost obstoječih zaposlenih, zadrževanje

kadra, upoštevanje pravil ter sledenje tveganju, vrednotam in kulturi znotraj podjetja. Na

podlagi rezultatov raziskave družbe Deloitte (2016) se podjetja odločajo za vpeljavo BI-

sistemov tudi zaradi pospešenega vpeljevanja storitev v oblaku ter pospešenega načrtovanja

in potrebe po zamenjavi ključnih sistemov znotraj kadrovske funkcije v podjetjih v

prihajajočih dveh letih. Za podjetja je primarnega pomena razvijanje globalnih procesov

obvladovanja kadra. Poročilo organizacije World Economic Forum (2010) postavlja

obvladovanje in planiranje kadra v ospredje po prioriteti podjetja. Med te prioritete sodijo

investiranje v razvijanje globalnih vodij, učinkovito predvidevanje ponudbe in

povpraševanje po delovnih mestih in poklicih, zagotavljanje ustreznih veščin zaposlenih,

promoviranje internih programov, mobilnost zaposlenih v podjetjih, razširitev kroga, iz

katerega podjetje pridobiva nove zaposlene, in notranje razvijanje zaposlenih v podjetju.

V poplavi podatkov je sposobnost podjetja, da uporabi informacije o trgu, kupcih in

operativi, ključnega pomena za dolgoročni uspeh (Gangadharan & Swami, 2004). Potreba

po analizi in interpretaciji podatkov z uporabo BI pa igra ključno vlogo pri doseganju

konkurenčnih prednosti tako na ravni podjetja samega (Gartner Inc., 2009) kot tudi na ravni

managementa s človeškimi viri in človeškim kapitalom (Pemmaraju, 2007; Davenport &

Harris, 2007; Kapoor, 2010; Harris et al., 2011). Cilj je optimizacija procesov znotraj

kadrovske funkcije, doseganje boljših rezultatov podjetja, sprejemanje boljših odločitev

hitreje ter posledično doseganje večjega ROI in konkurenčne prednosti (Gartner Inc., 2009;

Harris et al., 2011; Kapoor & Sherif, 2012a). Posplošeno analiza teh podatkov nudi

kadrovski službi ključen vpogled, da podpre in predvidi spremembe ter izboljša tako

učinkovitost kot donosnost organizacije (Pemmaraju, 2007). Na trgu so že podjetja, ki

uporabljajo podatke za predvidevanje in zmanjševanje stroškov, izboljšanje učinkovitosti in

prepoznavanje najboljših zaposlenih; to so npr. Microsoft, Google, IBM Corporation,

Cornerstone, Cigna, OnDemand, Apple in JPMorgan (Cappelli, 2015).

Poslovne funkcije, kot so trženje, finance in informatika ter odgovorni za upravljanje

oskrbovalne verige (angl. Supply Chain Management, v nadaljevanju SCM) in upravljanje

odnosov s strankami (angl. Customer Relationship Management, v nadaljevanju CRM), so

že prepoznali, da se vpogled v podatke lahko pretvori v konkurenčno prednost in ustvarja

odlične poslovne rezultate (Davenport & Harris, 2007). S tem so vzpostavile povezavo med

svojim delom in prispevkom k uspešnosti poslovanja. Kadrovska funkcija pa je pri tem

zaostala (Pemmaraju, 2007), saj zbira podatke o lastni učinkovitosti, ne pa podatkov o

poslovnem doprinosu njihovih praks in programov, kar pa vpliva na njeno vlogo v podjetju

(Lawler et al., 2004). Zaradi tega podjetja pogosto dojemajo kadrovsko funkcijo bolj kot

podporno funkcijo in manj kot strateško sredstvo znotraj organizacije (Kapoor & Sherif,

2012b).

3

Obstaja več razlogov, zakaj podjetja množično (še) ne privzemajo BI v managementu

človeških virov v enaki meri, kot to privzemajo v preostalih funkcijah znotraj podjetij.

Ranjan (2008) poudarja, da je podpora vodstva podjetja, organizacijske odgovornosti in

vpletenosti tako poslovnih kot deležnikov s področja informacijske tehnologije, pomembna

za uspešno vpeljavo BI. Kadrovska funkcija mora tako pridobiti podporo in vpletenost

managementa pri vpeljavi BI (Pemmaraju, 2007), to pa je za kadrovsko funkcijo lahko

težavno prav zaradi nestrateške vloge, ki jo lahko ima v podjetju. Davenport (2006)

poudarja, da samostojen napor enega vodje pri vpeljavi BI-sistema ni zadosten in da v

takšnem primeru primanjkuje vpogleda v druge funkcije, da bi zadostno spremenili kulturo.

Kadrovska funkcija tako potrebuje v podjetju partnerja.

Kljub zajemanju velike količine podatkov je problem vpeljave BI-sistemov v dostopnosti in

zagotavljanju visoke kakovosti podatkov. Kadrovska funkcija mora vedeti, katere podatke

naj zbira, kje jih pridobiti, in podatke združevati, pregledati in o njih z relativno lahkoto

poročati (IBM Corporation, 2009). Ranjan (2008) poudarja, da je varnost podatkov lahko

tudi pomislek pri privzemanju BI. Kadrovski funkciji primanjkuje strateškega pristopa do

podatkov in prave inteligence o kadru, najvrednejšem sredstvu podjetja, in s takšnim

pristopom kadrovska funkcija stežka pridobiva vpogled, ki bo nudil podporo pri odločanju

v vodstvu podjetja (Snell, 2011).

Ta problem se odraža tudi v nekonsistentnih metrikah, ki se izračunavajo nepovezano in

individualno v različnih sistemih, saj le poenotene metrike lahko vodijo v povezavo med

vložkom človeškega kapitala, učinkovitostjo in rezultati (Harris et al., 2011). Torej podjetja,

ki imajo različne kadrovske sisteme za sledenje kandidatov, učinkovitosti, za management

nagrajevanja in management nagrajevanja, imajo velik izziv, da vpeljejo poenotene metrike,

ki so smiselne in uporabne (Snell, 2011). IBM Corporation (2009) navaja, da se podjetja

kljub dobremu vpogledu v podatke in fleksibilnosti poročanja srečujejo z ovirami pred

naslednjim korakom, kot so sposobnost postavljanja prioritet metrik, decentralizirane in

nekoordinirane meritve, nesposobnost uporabe pravih metrik v posamezni funkciji podjetja,

pomanjkanje lastništva nad metrikami in uporaba metrik na nepovezan in neučinkovit način.

Snell (2011) ugotavlja, da kadrovska funkcija pogosto uporablja metrike, ki imajo malo

smisla brez širšega pomena ali dodatnih metrik. Isti avtor prav tako opaža razkorak med

tistim, kar podjetja želijo meriti in kar res merijo. Podjetja tako merijo, kar se njim zdi

pomembno, ne pa kar potrebujejo. Pri tem morajo kadrovski oddelki tudi povezati kadrovske

metrike s cilji podjetja.

Kapoor (2010) pravi, da so podatki v kadrovski službi shranjeni v različnih in ločenih

kadrovskih sistemih glede na vertikalne kadrovske funkcije in/ali horizontalno glede na

funkcionalna področja. Zaradi fragmentiranih sistemov in procesov pa je težko pridobiti

oziroma doseči konsistentne in zanesljive podatke (Harris et al., 2011). Davenport (2006)

dodaja, da so v tradicionalnih podjetjih BI-sistemi ločeni po funkcijah in da funkcije

operirajo s podatki ter jih interpretirajo s svojimi orodji, kontrolirajo svoja podatkovna

4

skladišča in usposabljajo svoje ljudi, kar pa po avtorjevem mnenju povzroča kaos. Mnogi

kadrovski oddelki imajo tako težavo že pri pregledu podatkov, ki jih zajemajo (IBM

Corporation, 2009). To pa je tudi predpogoj za boljše zajemanje podatkov in postavljanje

učinkovitih metrik.

Snell (2011) pojasnjuje, da so podjetja vpeljevala ali pa še vedno vpeljujejo število različnih

rešitev različnih ponudnikov, da ustvarijo kombinacijo rešitev, ki jim kar najbolje odgovarja.

Kadrovski oddelek znotraj podjetja pa pri tem ni delal izjem (IBM Corporation, 2009). Snell

(2011) prav tako ugotavlja, da so ločeni sistemi za upravljanje s kadrom velika ovira pri

vpeljavi BI-sistemov, saj konsolidacija podatkov, ki je razprta med različnimi sistemi,

potrebuje tradicionalni BI-pristop, ogromno sredstev s področja informacijske tehnologije

(angl. information technology, v nadaljevanju IT) in tehnično zapleteno analizo (Snell,

2011). Kljub temu da je potreba po analizi podatkov v kadrovski funkciji v porastu in je ena

izmed ključnih prioritet v letu 2016 (Deloitte, 2016), so podjetja nanjo relativno

nepripravljena (Deloitte, 2015). Medtem ko poročilo družbe Deloitte (2015) postavlja

analitiko kadra in ljudi kot prioriteto, njihova raziskava kaže na malo napredka.

Kadrovska služba premore veliko pridobljenih veščin, treninga in orodij, vendar so orodja

in tehnike, ki se uporabljajo za pridobivanje, analizo in poročanje, zelo specializirana in

zgodovinsko v domeni oddelka na področju informacijske tehnologije (Pemmaraju, 2007).

Tako ima kadrovska služba znanje o problematikah na delovnem mestu, vendar potrebuje

tudi odlične analitike, da lahko osmisli vse podatke o zaposlenih in omogoči podjetju večji

izkoristek človeškega kapitala (Cappelli, 2015). To pomeni, da je uspeh v veliki meri

odvisen od sposobnosti kadrovske službe po pridobivanju in zadrževanju analitikov (Harris

et al., 2011). Strokovnjaki s področja informacijske tehnologije so tako odgovorni za

vzpostavitev sistema podatkovnega skladiščenja, ki optimalno deluje in shranjuje, medtem

ko je kadrovska služba zadolžena, da ima vsak uporabnik v skupini dovolj podrobno

informacijo za opravljanje svojega dela (Kapoor & Sherif, 2012a).

Namen magistrskega dela je prispevati k razumevanju obravnavane tematike in pripraviti

temeljno delo in pregled stanja, iz katerega se lahko izpelje bolj podrobne modele ali pa

korake privzemanja BI v management človeških virov. V delu bom predstavil, kateri

dejavniki delujejo kot gonila in kateri kot ovire, jih proučil in ovrednotil glede na

pomembnost. Delo služi strokovnjakom na področju BI, strokovnjakom s področja človeških

virov in navsezadnje podjetjem pri seznanitvi z obravnavano tematiko.

Osrednji cilj magistrskega dela je ugotavljanje gonil in ovir na področju vpeljevanja

sistemov poslovne inteligence na področju managementa človeških virov.

Na področju BI v managementu človeških virov se pojavlja veliko priložnosti, ki jih podjetja

lahko izkoristijo in jih tudi morajo, če želijo dosegati konkurenčno prednost na trgu. Način

konkuriranja se spreminja in človeški kapital pridobiva na pomenu. V magistrskem delu bom

opredelil razloge za privzemanje BI in dejavnike, ki na to vplivajo. S tem bom prikazal sliko,

5

kaj lahko podjetja dosežejo z vpeljavo BI-sistemov v managementu človeških virov in kaj s

tem pridobi kadrovska funkcija kot nosilka managementa človeških virov.

Vendar podjetja na tem področju zaostajajo v primerjavi z drugimi funkcijami, ki so privzela

BI-rešitve. Torej se v tej tematiki poleg splošnih ovir v BI, s katerimi se podjetja srečujejo,

pojavljajo tudi specifične ovire, ki vplivajo na privzemanje BI v managementu človeških

virov. V delu bom poskušal odkriti razloge, zakaj podjetja zaostajajo z implementacijo BI-

sistemov v kadrovsko funkcijo.

Cilj magistrskega dela je ustvariti pregled ter razložiti gonila in ovire na področju

privzemanja sistemov BI v management človeških virov. Nadaljnji cilj je ugotoviti, v kakšni

meri so ovire prisotne pri privzemanju BI-sistemov, katere ovire se pojavljajo kot ključne

ter na drugi strani katera gonila se sedaj pojavljajo kot odločilna za odločitev podjetja za

privzemanje BI-sistemov v managementu človeških virov.

Prav tako želim pokazati, da je položaj kadrovske funkcije v podjetju moč spremeniti s

pomočjo privzemanja BI. Doseči želim vpogled, zakaj je pri kadrovski funkciji potreben

pretok informacij in kaj nam lahko to prinese. Z zapisanimi ovirami pa želim tudi opozoriti

na težave, s katerimi se lahko podjetja soočijo, in na drugi strani prikazati, kaj je mogoče

doseči, če je BI privzeta v podjetje in management človeških virov.

V magistrskem delu bom s poglobljenim teoretično-analitičnim pregledom in kritično

analizo strokovne literature ter člankov ustvaril pregled obravnavane teme in izpostavil

problematiko v obravnavani tematiki. V prvem delu bom uporabil metodo kompilacije in

opisno metodo, saj bom združeval teoretična spoznanja mnogih avtorjev s področja BI in

managementa človeških virov. V drugem delu magistrskega dela pa bom uporabil analizo

primerov podjetij, ki so se za tovrstno privzemanje odločila. Za analizo primerov bom

uporabil sekundarne vire.

Magistrsko delo bo poleg uvoda sestavljeno iz treh poglavij, tematika pa bo bolj podrobno

opredeljena v podpoglavjih. Uvod bo služil kratki predstavitvi problematike in opredelitvi

načrta raziskave.

V prvem poglavju bom opredelil pojme, kot sta BI in poslovna analitika. Opredelil bom tudi

orodja, ki so značilna za BI, in preostale pojme, ki bodo služili razpravi in pojmovanju v

naslednjem poglavju. Prav tako bom s pomočjo strokovne literature opredelil doprinose k

poslovanju izven kadrovske funkcije, ki jih ima vpeljevanje BI. V poglavju bom opredelil

BI-sisteme in tehnologije, ki se pojavljajo v drugih funkcijah in službah znotraj podjetja.

Opisal bom tudi ovire vpeljevanja BI-orodij, ki se pojavljajo pri prevzemanju BI izven

kadrovske funkcije ali pa veljajo za splošne pri obravnavani tematiki. Prvo poglavje bo

služilo kot temelj naslednjemu poglavju, saj bo splošen pregled strokovnih člankov in

terminologije na področju BI.

6

V drugem poglavju bom opredelil pojme, kot sta management človeških virov in človeški

kapital. Prav tako je BI v kadrovski funkciji opredeljena in poimenovana različno, odvisno

od avtorja, ki jo opredeljuje. Tako bom razčistil poimenovanje in zajel različne pojme znotraj

ene terminologije. Opisal bom procese znotraj kadrovske funkcije, vlogo kadrovske službe

v podjetju, podatke, do katerih ima kadrovska služba dostop, trende na trgu, ki zaostrujejo

položaj podjetij s strani kadrovske funkcije, in specifične omejitve, ki jih ima kadrovska

funkcija pri prevzemanju BI. Prav tako bom vpletel sorodno terminologijo, ki opisuje

sorodne trende v kadrovski funkciji, kot sta e-HRM in tranzicija k poslovanju v oblaku. V

istem poglavju se bom prav tako navezal na predhodno poglavje in nakazal, kako bi

implementiranje BI-rešitev prenovilo kadrovsko funkcijo in kaj bi s to prenovo podjetje ali

organizacija lahko pridobila. Drugo poglavje bo tako namenjeno opredelitvi kadrovske

funkcije in ugotavljanju ovir in doprinosov privzemanja BI, ki jih strokovna literatura

predvideva.

V tretjem poglavju bom vpletel predstavitev posameznih podjetij, ki so se lotila privzemanja

BI-sistemov in so naredila napredek na tem področju. Primeri podjetij, ki so naredila

napredek na področju vpeljave BI-sistemov na ravni managementa človeških virov, so:

Microsoft, Google, Apple, IBM Corporation, Cigna, JPMorgan, Cornerstone OnDemand

(Evolv), General Electrics itd. Poglavje bo služilo proučitvi primerov globalnih ali

multinacionalnih podjetij, ki so se odločila za napredno analizo podatkov in s tem postavila

management človeških virov in posledično kadrovsko funkcijo do strateške pozicije v

podjetju, z vpeljavo BI-sistemov pa dosegla konkurenčno prednost. Poglobil se bom v

procese, ki so jih ta podjetja izboljšala znotraj kadrovske funkcije, in tako ustvaril celostno

sliko morebitnih izboljšav, ki jih podjetje lahko vpelje v lastno kadrovsko funkcijo. Pridobil

bom tudi vpogled v sliko podjetij, ki so potrebna izboljšav in se privzemanja BI ne lotijo. To

vključuje trenutno stanje podjetij in njihovo vizijo v prihodnje (njihovo motivacijo in željo

po spremembi na tem področju). Vključil bom tudi pregled ponudnikov in rešitev za

podjetja, ki so prisotna na trgu. Poglavje bo služilo prikazu realnega stanja na trgu in dilemi,

s katero se podjetje v tej tematiki srečuje, če ta seveda obstaja.

V zaključku bom povzel predelano problematiko in opredelil, zakaj nekatera podjetja še niso

aktivno pristopila k privzemanju BI v management človeških virov in kaj jih zadržuje pri

tem. Prav tako bom utemeljil, če doprinosi privzemanja BI v management človeških virov

nadvladajo ovire in je vpeljava smiselna.

1 POSLOVNA INTELIGENCA

Azizah (2015) loči dve opredelitvi BI, in sicer opredelitev kot managerski termin in tehnična

opredelitev BI. Hočevar in Jaklič (2010) opredelita BI v širokem pomenu kot managersko

filozofijo, medtem ko je v ožjem pomenu opredeljena kot informacijska tehnologija.

7

Managersko opredelitev BI nudi Kapoor (2010), ki opredeli izraz BI kot sposobnost podjetja,

da uporabi informacije za pridobivanje konkurenčne prednosti pred konkurenti. Avtor

poudarja, da je to področje, ki vključuje tudi človeške veščine, tehnologijo, aplikacije in

poslovne procese (Kapoor, 2010). Gartner Inc. (2012a) povzame, da je BI splošen termin, ki

vključuje aplikacije, infrastrukturo, orodja in najboljše prakse, ki omogočajo dostop in

analizo informacij z namenom izboljšave in optimizacije odločanja in učinkovitosti.

Pemmaraju (2007) opiše BI kot skupek vseh programskih rešitev in tehnologij, ki jih podjetje

uporablja za zbiranje, dostopanje, analizo podatkov in informacij o poslovanju podjetja.

IBM Corporation (2009) opredeli BI tehnično kot programsko opremo, ki omogoča

uporabniku, da nadzoruje, analizira in poroča o poslovni uspešnosti podjetja. Prav tako BI

omogoča vidnost, preglednost in vpogled v organizacijske podatke ter omogoča uporabniku

razumeti, kako podjetje posluje. Definicija BI je po mnenju Davenporta (2006) prav tako

definirana kot informacijska rešitev, ki pomaga organizaciji, da se odloča za uporabo

tehnologije za dostopanje in analizo podatkov ter tehnologije, ki omogoča napovedovanje

bodočih poslovnih scenarijev.

Avtorji, vključeni v to delo, se v večini strinjajo glede osnovnega cilja BI. Cilj BI je

prvenstveno sprejemanje boljših strateških in tudi taktičnih poslovnih odločitev ter

omogočanje podjetju, da se sooči z izzivi in izkoristi priložnosti na trgu (Kapoor, 2010). BI

pripomore podjetju pri upravljanju s poslovnimi informacijami s ciljem, da organizacijo

privede do učinkovite poslovne odločitve (Hočevar & Jaklič, 2010). Podobno Hedgebeth

(2007) pripiše BI namen pridobivanja in upravljanja informacij, ki se hranijo v podatkovni

bazi za podporo odločanja uporabnikom s pomočjo analize teh podatkov. BI prav tako

pomaga organizaciji pri boljšem razumevanju posla in trga ter pravočasnosti odločanja

(Chen, Chiang, & Storey, 2012). Omogoča tudi skupno in deljeno vsebino, ki omogoča

učinkovito in sodelovalno odločanje znotraj oddelka ali pa preko meja funkcij znotraj

podjetja (IBM Corporation, 2009). Welbourne (2015) naveže pomen BI prav na analitiko, ki

nam daje globok vpogled in je tista, ki nam omogoča sprejeti boljše poslovne odločitve.

V terminologiji BI pa se pojavlja tudi pojem poslovna analitika, ki je opredeljena kot rešitev,

ki se uporablja za izgradnjo analitičnih modelov in simulacij za ustvarjanje scenarijev,

razumevanje stvarnosti in predvidevanje prihodnjih stanj (Gartner Inc., 2012b). Gartner Inc.

v istem viru navaja, da poslovna analitika vključuje podatkovno rudarjenje, napovedno

analitiko, uporabno analitiko in statistiko ter je celostna rešitev primerna za uporabo

poslovnega uporabnika. To pa je po definiciji Davenporta (2006) že vključeno v

razumevanje poslovne inteligence. Poslovna analitika je tako ključna analitična komponenta

znotraj BI. Davenport (2006) doda, da bi morala biti BI ločena na poročanje in

poizvedovanje. Poslovna analitika je del slednjega in se osredotoča na statistiko,

napovedovanje in optimizacijo bolj kot na poročanje.

8

V delu bom uporabljal izraz BI, ki prav tako vključuje poslovno analitiko kot analitično

komponento BI. Napredna analitika, izraz, ki se pogosto pojavlja v literaturi, pa predstavlja

naslednjo stopnjo razvoja BI. V magistrskem delu bom pojma napredna analitika in

napovedna analitika uporabljal kot en termin.

1.1 Razvoj poslovne inteligence in tehnologije BI

Moderna BI je zakoreninjena v razvijajočih se sistemih za podporo odločanja, ki za dosego

tega vključujejo zmogljive mehanizme za zbiranje, ustvarjanje, poenotenje, izbiranje in

izdajanje znanja (Holsapple, Lee-Post, & Pakath, 2014). Bose (2009) omenja hiter napredek

v zadnjem obdobju v zajemanju, prenosu, transformaciji in skladiščenju podatkov, vključno

s povečanimi zmogljivostmi procesiranja podatkov kot faktorje, ki so omogočili

organizacijam, da združijo raznolike podatkovne baze v podatkovna skladišča.

Chen et al. (2012) trdijo, da večina sistemov BI, ki so dandanes privzeti s strani podjetij,

spada pod BI 1.0. Avtorji na podlagi poročila Gartner Inc. pojasnijo, da BI 1.0 vsebuje večino

ključnih zmogljivosti BI-sistema, medtem ko drugi dve stopnji ne vključujeta dodatnih

ključnih zmogljivosti. Vendar je narava BI takšna, da informacije danes izhajajo tako iz

kvantitativnih kot kvalitativnih podatkov glede na odločitvene potrebe. Prav tako kot podatki

so procesi odločanja lahko tudi strukturirani in nestrukturirani. BI pa je uporabljena v obeh

primerih (Holsapple et al., 2014). V Tabeli 1 je razvidna evolucija BI in razdelitev glede na

temelje, podatke, analitiko ter prikaz in uporabo.

Srečujemo se z masovnimi podatki, ki so po definiciji Gartner Inc. (2016b) podatki visokega

volumna, visoke hitrosti povečevanja količine podatkov, velike raznolikosti, ki zahtevajo

stroškovno učinkovitost, inovativne oblike procesiranja informacij, omogočajo posledično

okrepljen vpogled, odločanje in avtomatizacijo procesov. Podobno Chen et al. (2012)

opredelijo termina masovni podatki in analitika masovnih podatkov za opis podatkovnih

setov in analitičnih tehnik ter aplikacij, ki so izjemnih obsežnosti in po svoji naravi zelo

kompleksne. Davenport (2014) opredeli termin masovni podatki kot zbiranje in

interpretacija podatkov velikega volumna, s katero je povezana ogromna procesorska moč,

ki lahko tem podatkom tudi sledi in jih analizira s pomočjo algoritma, ki išče smiselne in

uporabne korelacije. Masovni podatki so drugačni od tradicionalne analitike, s katero so

managerji podjetij bolj seznanjeni. Nudijo dodatne možnosti odkrivanja novih priložnosti,

da podjetje ponudi kupcu produkte in storitve z večjo dodano vrednostjo (Davenport, 2014).

Posledično za analizo masovnih podatkov potrebujemo tudi napredne tehnologije za

shranjevanje, upravljanje, analizo in vizualizacijo podatkov (Chen et al., 2012). Davenport

(2014) pojasni, da masovni podatki niso en set podatkov, ki jih ob enkratnem času

interpretiramo, kot je to izvedeno pri tradicionalnem modelu, kjer podatke oblikujemo v

model in potem na podlagi tega odločamo. Pri masovnih podatkih se podatki ne končajo in

je interpretacija neprestana.

9

Tabela 1: Razvoj BI kot stopnje evolucije BI-sistemov

Evolucija BI

BI 1.0 BI 2.0 BI 3.0

Temelj - Upravljanje s podatki

- Podatkovna skladišča

- Sistem za pridobivanje,

čiščenje,

transformacijo in

integracijo podatkov

(angl. Extract,

Transform, Load, v

nadaljevanju ETL)

- Spletne aplikacije

- Unikatno zbiranje in

analiza podatkov

- Mobilne aplikacije

Podatki - Večinoma strukturirani

- Shranjeni v relacijskih

podatkovnih bazah

- Nestrukturirani podatki

- Relacijske podatkovne

baze

- Viri podatkov na spletu

Analitika

&

prikaz

- Poizvedovanje po bazi

podatkov

- Sprotna analitična

obdelava podatkov

angl. online analytical

processing, v

nadaljevanju OLAP)

- Karakteristike

podatkov, ugotovljene

na podlagi enostavnih

grafik

- Statistična analiza

- Podatkovno rudarjenje

in napovedno

modeliranje

- Nadzorne plošče

- Kazalniki

- Interaktivna

vizualizacija

- Tekstovno rudarjenje

- Spletno rudarjenje

- Rudarjenje za mnenji

- Odgovarjanje na

vprašanja

- Spletna analitika in

inteligenca

- Analitika družbenih

omrežij in medijev

- Mobilna analitika

- Lokacijsko povezana

analitika

- Kontekstualna analitika

- Mobilna vizualizacija

in interakcija človek-

računalnik (HCI)

Uporaba Večina današnjih BI-

sistemov z 8 od 13 ključnih

zmožnosti BI po mnenju

Gartner Inc.

Nadgradnja BI 1.0 v

efektivnem zbiranju velike

količine povratnih

informacij s strani raznolike

populacije

Raziskave še v povojih

Vir: H. Chen, R. Chiang, & V. Storey, Business Intelligence And Analytics: From Big Data To Big Impact,

2012.

Masovni podatki tako vključujejo avtomatizirano zbiranje in analizo velike količine

podatkov ter so področje s priložnostjo po inovaciji, iskanju novih priložnosti za

konkurenčnost in produktivnost (Manyika et al., 2011). Torej je potreba po obdelavi

nestrukturiranih podatkov prisotna in je njihova analiza za ustvarjanje informacij potrebna.

10

Fitz-enz (2010) uporablja stopnje BI, ki iz uporabe navadnih metrik prek analitike vodijo do

»prave« BI. To ponazori z uporabo poročanja v podjetju in pogleda analitike na Sliki 1.

Poizvedovanje in poročanje z enostavnimi poročili se pomikata prek statistične analize in

uporabe »prave« analitike do napovedovanja, napovednega modeliranja in optimizacije.

Analitika tako doda še razumevanje vzrokov pojavom, s katerimi se podjetje srečuje. Tako

poslovnemu poročanju, ki je že sedaj dobro uveljavljeno, dodajamo še tehnike statistične

analize in podatkovno rudarjenje. Te so namenjene za analizo asociacij, segmentacijo

podatkov in združevanje v skupine, klasifikacijo in regresijsko analizo, ugotavljanje

anomalij in modeliranje za predvidevanje (Chen et al., 2012).

Slika 1: Stopnja vpogleda v podatke in BI

Vir: J. Fitz-enz, The new HR analytics, 2010.

Bose (2009) dodaja, da je management podjetij sicer videl prednost OLAP-analiz, vendar

svojo teorijo evolucije BI temelji na vpogledu, ki ga ima BI v poizvedovanju po podatkih.

OLAP-kocka se namreč uporablja za vpogled v pretekle podatke, medtem pa se je pojavila

potreba tudi po napovedovanju in napovednem modeliranju. Tako je poleg sistema za

dostavo informacij začela pridobivati na pomenu tudi napredna analitika. Holsapple et al.

(2014) delijo analitiko na napredno, opisno in napovedno analitiko. Tako Bose (2009) v delu

opisuje evolucijo BI kot tranzicijo iz operativne BI v analitično BI, katere prednost je prav

napredna analitika.

11

Napredna analitika je skupek aplikacij, ki pomagajo pri merjenju, napovedovanju in

optimiziranju organizacijske učinkovitosti in zadovoljstva kupcev. Avtor tehnologije

napredne analitike deli na prenos in integracijo podatkov, napovedno analitiko, sisteme za

vizualizacijo, podatkovno rudarjenje, rudarjenje po tekstovnih oblikah, spletno rudarjenje in

sistem za priporočila (Bose, 2009). Fitz-enz (2010) dodaja, da napredna analitika daje

vidnost in vpogled v organizacijsko in gospodarsko dejavnost.

Z naprednimi analitičnimi tehnikami podprte podatkovne analize dovoljujejo podjetju, da

ima 360-stopinjski pregled nad poslovnimi operacijami, da usmerja, optimizira in

avtomatizira svoje odločanje (Bose, 2009).

Podjetja, ki so v procesu osvajanja posamezne stopnje v BI-procesu, so se tradicionalno

osredotočila na temeljne naloge podjetja, kot so zajemanje podatkov, podatkovna arhitektura

in dostava informacij. To so bili ločeni napori in ne celosten pristop k privzemanju BI.

1.2 Arhitektura BI

BI-sistemi so sestavljeni iz številnih komponent, ki so medsebojno neodvisne, da pa sistem

deluje učinkovito, morajo komponente delovati koordinirano in integrirano (Kapoor, 2010).

Te omogočajo uporabnikom, da izberejo in analizirajo podatke, seštevke in prikažejo

rezultate v obliki, ki je lahko razumljiva in uporabna (Hočevar & Jaklič, 2010). Ta orodja in

procesi so kritični za formulacijo hipotez pri oblikovanju podatkov in analitičnih modelov

za izračun in komunikacijo rezultatov do uporabnikov (Kapoor, 2010).

Chaudhuri, Dayal in Narasayya (2011) navajajo sestavne dele BI-ogrodja:

ETL-proces in podatkovno skladišče,

podatkovna analitika,

sistemi za dostavo informacij,

Kapoor (2010) dodaja še prepletene podatke (angl. data mashup).

Bolj podrobno avtorji Chaudhuri et al. navajajo sestavne dele na Sliki 2.

Podatkovno skladišče je optimizirano za poizvedovanje, podatkovno analizo ter je

namenjeno oblikovanju, implementaciji in obdelavi podatkov. Podatkovno skladišče

vključuje tudi sistem za pridobivanje, čiščenje, transformacijo in integracijo podatkov iz

različnih virov (Kapoor & Sherif, 2012b). ETL povezane podatke iz različnih podatkovnih

virov združi, jih transformira v pravo obliko in naloži v eno podatkovno skladišče. Glavni

namen ETL pa je čiščenje podatkov, preden so uporabljeni s strani uporabnikov BI (Azizah,

2015).

12

Slika 2: Sestavni deli BI-ogrodja

Vir: S. Chaudhuri, U. Dayal, & V. Narasayya, An overview of business intelligence technology.

Communications Of The ACM, 2011, str. 88; B. Kapoor, Business intelligence and its use for human

resource management, 2010.

Podatkovno skladišče je temelj BI in je sistematični pristop do zbiranja relevantnih

podatkov, kjer se organizirajo in validirajo za prihodnje poslovno odločanje, ki je mogoče s

pomočjo analize teh podatkov (Azizah, 2015). Podatkovno skladišče je ločeno od operativne

baze podatkov in vključuje opisne podatke, kot so totali, seštevki, maksimumi in minimumi

vrednosti. Prav tako omogoča upravljanje z metapodatki, upravljanje z varnostjo podatkov,

varnostno kopiranje in obnovitev v primeru izgube podatkov (Kapoor & Sherif, 2012b).

Podatki so shranjeni v podatkovnih bazah, podatkovnih skladiščih in področnih podatkovnih

skladiščih. Z vgrajeno kocko OLAP v podsistem je mogoče delati tudi večdimenzionalne

analize na teh podatkih (Kapoor, 2010). Kombinacija BI, podatkovnih skladišč in tehnologij,

povezanih z njimi, daje podjetju fleksibilnost, ki podpira dinamičnost v okolju, v katerem se

podjetje nahaja (Rao & Swarup, 2016).

Prepleteni podatki so alternativna rešitev tradicionalnemu procesu ETL in podatkovnemu

skladišču. Gre za aplikacijo, ki združi in uporabi podatkovne baze, predstavitve in

funkcionalnosti iz dveh ali več virov, da ustvari nove funkcionalnosti ali vpoglede. Omogoča

interakcijo z drugo programsko opremo in podatkovnimi viri z namenom ustvarjanja

obogatenih rezultatov. Glavne karakteristike aplikacije so kombiniranje, vizualizacija in

združevanje, ki poteka kontinuirano. Združevanje podatkov omogoča podjetju, da združijo

notranje procese in storitve z zunanjimi storitvami na razumljiv in personaliziran način

(Kapoor & Sherif, 2012b).

Za podatkovno analitiko se uporablja kombinacija orodij, ki spremenijo podatke v

informacije. Orodja za poročanje, orodja za poizvedovanje, OLAP-orodja, podatkovno

13

rudarjenje, nadzorne plošče in napredne analitične rešitve so najpogostejše oblike teh orodij

(Hočevar & Jaklič, 2010).

Kapoor (2010) dodaja še podsistem poslovne učinkovitosti, sestavljen iz procesov za

merjenje, spremljanje učinkovitosti in odločanje z namenom izboljšanja učinkovitosti.

Ključni kazalniki uspešnosti (angl. Key Performance Indicator v nadaljevanju KPI) igrajo

pomembno vlogo v tem podsistemu. KPI merijo napredek do postavljenega cilja, ki si ga je

organizacija predhodno zadala.

Sistem za dostavo informacij daje poslovnemu uporabniku dostop do poročil in neprestano

kontrolira izvajanje projekta, ključnih indikatorjev uspešnosti, metrik ali pa uspešnosti

celotnega podjetja. Prikaz je prilagojen glede na odgovornost ali pa individualno vlogo

končnega uporabnika v lahko razumljivem in prilagodljivem informacijskem portalu

(Kapoor & Sherif, 2012b).

1.3 Analitična orodja

Z enostavnimi poročili lahko uporabniki ustvarjajo, urejajo in distribuirajo potrebna

poročila, ki temeljijo na podatkih iz različnih virov. Pri identifikaciji stanja podjetja

uporabljajo tudi specifične kazalce. To so merljive metrike, ki nam povedo takoj, kje se

podjetje trenutno nahaja, in uporabnikom dajejo izhodišče za odziv. Za prikaz teh kazalnikov

se uporabljajo nadzorne plošče, ki prikažejo in analizirajo kompleksne podatke z grafiko

(IBM Corporation, 2009).

Tehnologija OLAP-kocke se je razvila in pridobila na pomenu zaradi potrebe po natančni in

pravočasni informaciji. Orodje OLAP omogoča dinamično analizo, sintezo in konsolidacijo

velike količine več dimenzionalnih podatkov (IBM Corporation, 2009; Kapoor & Sherif,

2012b). OLAP ima dostop do opisnih statistik, kot so totali, povprečja, deleži, standardni

odklon, maksimum, minimum meritev z uporabo več dimenzionalnih pogledov. Z OLAP-

om lahko operiramo več poizvedb, kot so vrtanje v globino, zvijanje in rezanje, kar omogoča

vpogled v podatke na različni granulaciji (Kapoor & Sherif, 2012b).

Nedaven trend BI-orodij je uporaba komponent za napovedovanje, ki dodajo v sistem BI

tudi nove tehnike, kot je podatkovno rudarjenje, ki se večinoma uporablja za predvidevanje

in je podaljšana roka klasičnih statističnih tehnik in umetne inteligence (Azizah, 2015).

Podatkovno orodje se od klasičnih statističnih tehnik razlikuje v tem, da klasične statistične

tehnike uporabljamo na naključno izbranem vzorcu z namenom potrditve ali zavrnitve

hipoteze, podatkovno rudarjenje pa že ima vgrajene domneve o populaciji. Prav tako je

podatkovno rudarjenje namenjeno avtomatiziranemu raziskovanju in analiziranju velike

količine podatkov, z namenom da odkrijemo pomenljive skrite vzorce, povezave, asociacije

ali pa trende v podatkih (Keim, 2002). To pridobljeno znanje pa je potem uporabljeno za

doseganje poslovnega cilja (Kapoor & Sherif, 2012b).

14

Z usmeritvijo v prihodnost lahko z vključevanjem statističnega, matematičnega in

podatkovnega rudarjenja in uporabo tehnik, ki so usmerjene v odkrivanje in analizo velike

količine podatkov, že govorimo o napovedni analitiki. To pomeni uporabo tehnik za potrebe

odločanja z napovedovanjem in predvidevanjem scenarijev (Kapoor & Sherif, 2012b). Peng,

Kou, Shi in Chen (2008) poudarjajo, da napovedna analitika predvideva scenarije, ki bodo

sledili odločitvam. Tako OLAP, podatkovno rudarjenje in napredne analitične rešitve, ki

temeljijo na statistiki, niso namenjeni le ugotavljanju posledic in vzrokov v preteklih

podatkih, ampak se uporabljajo tudi za napovedovanje in tako omogočajo uporabniku, da

vpliva na prihodnost (Kapoor & Sherif, 2012b). Kapoor (2010) podatkovno analitiko opiše

kot podsistem napredne analitike, ki vključuje statistične metode, analitične metode

podatkovnega rudarjenja, napovedovanja, napovedno modeliranje, napovedno analitiko in

optimizacijo.

1.4 Gonila privzemanja BI

Gartner Inc. (2016a) napoveduje, da bodo globalni prihodki na trgu BI in analitike (BI & A)

dosegli vrednost 16,9 milijarde dolarjev v letu 2016, kar je 5,2 % povečanje od vrednosti iz

leta 2015. Gartner Inc. (2015) postavlja investicijsko prioriteto v IT v BI-analitične sisteme

na prvo mesto. Prioriteta je tudi v porastu od predhodnega leta.

Globalizacija sili podjetja, da iščejo nove konkurenčne prednosti in poskušajo razširiti

ponudbo izdelkov in storitev, ki jih ločuje od konkurence (Pemmaraju, 2007). Organizacije

neprestano poskušajo prehiteti konkurenco in še vedno slediti spreminjajočemu poslovnemu

ciklu, varnosti, globalizaciji in spremembam zakonodaje (Ranjan, 2008). Pemmaraju (2007)

meni, da je to vodilo tudi v povečano število prevzemov in združitev, kot način pridobivanja

konkurenčne prednosti. Davenport (2006) trdi, da je za podjetje skoraj nemogoče, da se

razlikuje od tekmecev le s produktom in to v času, ko tekmeci pospešeno zaostrujejo cene

na trgu. Davenport (2006) tako izpostavlja, da je v nekaterih dejavnostih BI med zadnjimi

točkami iskanja konkurenčne prednosti in da je analitika vir te konkurenčne prednosti.

Ranjan (2008) gre še korak dalje in pravi, da BI v današnjem konkurenčnem okolju ne

pomeni le razlike med dobičkom in izgubo, ampak razliko med preživetjem in stečajem

podjetja. Usmerjenost v BI Ranjan vidi kot poskus odziva podjetij na vse spremembe, vendar

so v tej nameri prav tako prisiljena pogledati na lastno arhitekturo in podporo njihovim

poslovnim procesom ter ugotoviti možnosti nadgradnje.

V vse bolj kompleksni (Kapoor, 2010) in soodvisni ekonomiji ter poslovnem okolju je

komunikacija ključna kompetenca (Hedgebeth, 2007). Zaradi spreminjajočega poslovnega

okolja je treba pri sprejemanju odločitev v organizaciji dostopati do večje količine informacij

in posledično odločanje postaja vse bolj zapleteno (Pemmaraju, 2007). BI je bila vpeljana v

številnih funkcijah znotraj podjetij z namenom podpore odločanja z oskrbo relevantnih

informacij odločevalcem. Moč BI je prav v integraciji podatkov na različnih stopnjah in

dostavi pravih informacij ob pravem času (Aruldoss, Travis, & Venkatesan, 2014).

15

Budhwar (2007) izpostavlja, da je v primeru rasti podjetja po velikosti in številu kupcev

potreba po razumevanju poročil toliko večja, da podjetje lahko sledi vzorcem, rastočim

segmentom, perspektivnim trgom in spremembam v obnašanju kupcev. Za predvidevanje,

ustvarjanje strategij, analiz povezanosti podatkov so masivni podatki ključni (Ranjan, 2008).

Spreminja se količina podatkov, ki jih podjetje mora osmisliti.

Namen investiranja v BI je transformacija podjetja iz okolja, ki je reaktivno do podatkov v

okolje, ki dojema podatke proaktivno. Velik cilj BI je avtomatizacija in integracija čim več

korakov in funkcij, kot je mogoče (Ranjan, 2008). BI prav tako priskrbi podatke, ki so

potrebni za analitiko in so po svoji karakteristiki neodvisni (Biere, 2003).

Podjetja, ki so uspešno vpeljala BI, sprejemajo bolj natančne odločitve hitreje. Imajo hitrejši

dostop do ključnih aktivnosti in procesov, ki jih morajo kot celotna organizacija in

posamezne funkcije znotraj organizacije zasledovati za dosego ciljev in rezultatov (Kapoor,

2010).

1.5 Ovire privzemanja BI

Zaradi doprinosa BI organizacijam je prav tako narastla potreba po uspešni vpeljavi BI

(Watson, Fuller, & Ariyachandra, 2004). Ovire privzemanja BI pa onemogočajo uspešno

vpeljavo BI v organizacije in funkcije podjetja. Ugotovljene ovire izhajajo tudi iz ključnih

dejavnikov uspeha, saj lahko trdimo, da pomanjkanje ključnih dejavnikov uspeha pri

privzemanju BI predstavlja oviro. Za uvedbo BI sta potrebna velika investicija in trud, ki ju

management vloži v takšen napor, zato je treba meriti tudi uspešnost privzemanja BI.

Posledično lahko organizacija oceni privzemanje BI, stimulira management organizacije, da

se osredotoči na pomembno in upraviči investicijo v BI (Azizah, 2015).

Gangadharan in Swami (2004) opredelita ključna vprašanja in teme, ki potrebujejo

pozornost s strani vodstva podjetja, preden se podjetje odloči za privzemanje BI. Podjetje

mora določiti cilj uporabe in postaviti prioritete informacijam, definirati distribucijo

informacij med uporabniki, kupci in partnerji ter oceniti organizacijsko kulturo glede

strateškega pomena informacij. Proučiti mora tudi konkurenco in njihovo uporabo BI za

širjenje informacij s kupci in partnerji, identificirati uporabnike, vzpostaviti korporativne

cilje implementacije BI-strategij, opredeliti sedanji potek odločanja v podjetju, oceniti BI-

podporo, dodano vrednost BI obstoječim rešitvam v podjetju, omogočanje BI-sodelovanja

pri operiranju s podatki in proučiti najboljše prakse privzemanja BI.

Podjetja se soočajo z neuspelim privzemanjem BI pogosteje zaradi organizacijskih kot

tehničnih razlogov (Azizah, 2015). Ko in Abdullaev (2007) opredelita sledeče razloge za

neuspeh pri implementaciji BI: zahteve na trgu in zahteve kupca so bolj pomembne kot

notranje potrebe, potrebna zadolžitev predstavnikov za vse poslovne funkcije, pomanjkljiv

dostop do izkušenih članov ekipe, pomanjkanje unikatne BI-razvojne metodologije,

16

netemeljito projektno planiranje, nestandardizacija podatkov in pomanjkljiva kontrola

kakovosti ter implementacija tudi nepotrebnih BI-orodij. Watson (2004) dodaja še

nezadostno podporo in sponzorstva vodstva, nezadostno zagotavljanje finančnih sredstev,

nezadostno vpletanje uporabnika in organizacijsko politiko.

Slika 3: Raziskovalni model za uspešnost podatkovnega skladiščenja

Vir: H. Watson, & B. Wixom, An empirical investigation of the factors affecting data warehousing success,

2001.

Azizah (2015) v svojem delu razdeli predpogoje za uspešno privzemanje BI na dva

teoretična modela, ki sicer izhajata od drugih avtorjev. Prvi model avtorja Barneyja (2001)

izhaja iz pregleda notranjih sredstev podjetja pri privzemanju BI. Avtor navaja štiri

predpogoje: kakovostni podatki, sistemi, uporabniki in upravljanje z BI. Kombinacija teh

otipljivih in neotipljivih sredstev, ki so že znotraj podjetja, vpliva na uspešno privzemanje

BI. Uspešna vpeljava posledično omogoča podjetju doseganje konkurenčne prednosti pred

drugimi (Ranjan, 2008). Drugi model avtorja Rogersa (1995) postavlja predpogoje v

ozaveščenosti zaposlenih o novih inovativnih procesih, ki je v tem primeru BI-sistem, in

gradnji zaupanja pri privzemanju nove tehnologije. Oba modela sta kombinacija modela

Watsona in Wixoma (2001) na Sliki 3, ki v raziskavi o uspešnosti privzemanja podatkovnega

skladišča uporabita model prepoznavanja uspešnosti vpeljave informacijskega sistema.

Navajata, da sta pomembna predpogoja kakovost sistema in kakovost podatkov.

17

Hedgebeth (2007) navaja, da so človeške, finančne in organizacijske zahteve potrebne za

uspešno privzemanje BI. Poleg teh ilustracija na Sliki 4 že namiguje na potrebo po podpori

vodstva pri uspešnosti privzemanja BI, še posebno zagotavljanje organizacijskega poudarka

na BI in zagotovitev investicije v BI, vendar to ne pomeni, da vodstvo ni vključeno pri ostalih

postavkah, ampak da je vloga bolj posredna skozi omenjeni dve.

Slika 4: Učinkovito poslovno-informacijsko partnerstvo za uspešno privzemanje BI

Vir: D. Hedgebeth, Data driven decision making for the enterprise: An overview of business intelligence

applications, 2007.

Kot pomemben dejavnik procesa privzemanja BI se izkaže sposobnost argumentacije

upravičenosti investicije v tovrsten sistem. Kot razvidno na Sliki 4, je investicija odvisna od

njenega ROI, kar pa pomeni, da je treba njen doprinos tudi oceniti. Podjetja so s

prilagoditvijo in analitiko, ki je vpeta v poslovanje, prišla do večjega ROI pri BI-sistemih,

kot so to dosegala v preteklosti (Bose, 2009). Investicije v BI so za podjetje nezanemarljiv

strošek, ocena investicije in poslovni doprinos investicije pa sta pogosta težava pri

privzemanju BI-sistema (Hočevar & Jaklič, 2010). Poslovno vrednost BI-sistema je treba

prikazati kot izboljšanje poslovnih procesov in izboljšanje poslovne učinkovitosti (Popovič,

Turk, & Jaklič, 2010). Ranjan (2008) opiše uspeh BI kot njen vpliv na poslovanje in skozi

izboljšavo na ključnih področjih, ki so povezana z njeno implementacijo. Merjenje povrnitve

na investicijo BI pa ni enostavno, ker poleg merljivih in neposredno merljivih koristi

privzemanja BI obstajajo tudi koristi, ki so nemerljive ali pa težko merljive. Poleg tega pa

so lahko koristi tudi nepričakovane in vidne šele dolgo po privzetju tovrstnega sistema. To

je povezano s težavnostjo ocene, kateri stroški naj bodo vključeni v analizo stroškov

(Hočevar & Jaklič, 2010).

18

2 PRIVZEMANJE BI V MANAGEMENT ČLOVEŠKIH VIROV

Ulrich (1997) široko definira vlogo managementa človeških virov (angl. Human Resource

Management, v nadaljevanju HRM) v organizaciji kot strateškega poslovnega partnerja,

agenta sprememb, zastopnika zaposlenih in administrativnega eksperta. Dnevne transakcije

kadrovske funkcije v podjetju vključujejo informacije o bonitetah zaposlenih, upravljanje s

plačami in učinkovitostjo, stimulacijske programe, zaposlovanje in razvoj zaposlenih

(Pemmaraju, 2007). IBM Corporation (2009) ocenjuje položaj kadrovkse funkcije kot

edinstven, saj deluje na področju razvoja veščin, izpopolnjevanja, zaposlovanja, zadrževanja

in motiviranja zaposlenih. Vendar bi kadrovska funkcija s svojimi dejanji lahko optimizirala

te procese in doprinesla k celotni vrednosti podjetja. Poleg procesov, ki jih kadrovska

funkcija opravlja kot svoje, se funkcija srečuje tudi s podatkovnimi toki in zahtevami s strani

ostalih notranjih funkcij in zunanjih dobaviteljev, svetovalcev in ponudnikov storitev

(Pemmaraju, 2007). Za HRM novo stanje zahteva drzno in inovativno razmišljanje ter

predstavlja izziv za dosedanje prakse, kot so: ocenjevanje zaposlenih, upravljanje z ljudmi,

povečanje zavzetosti zaposlenih, razvijanje timov in izbor vodij ter razumevanje delovanja

vodij (Deloitte, 2015).

Avtorji omenjajo različne izraze, ki označujejo BI in analitiko v kadrovski funkciji, ki je

nosilka upravljanja s človeškimi viri (angl. Human Resources, v nadaljevanju HR).

Holsapple et al. (2014) opredelijo funkcije znotraj podjetja kot domene uporabe analitike.

HRM-analitika ima tako več poddomen glede na specifični proces, na katerem se analitika

uporablja. Avtorji, ki omenjajo BI in analitiko na HR, uporabljajo številne izraze, kot so

analitika delovne sile (angl. Workforce Analytics) (Pemmaraju, 2007), inteligenca kadra

(angl. Talent Intelligence) (Snell, 2011), analitika kadra (angl. Talent Analytics) (Davenport,

Harris, & Shapiro, 2010), HR-inteligenca (angl. HR intelligence) (Kapoor & Sherif, 2012b),

vendar je iz strokovne literature razvidno, da avtorji opredeljujejo analitiko in BI znotraj

kadrovske funkcije.

Najbolj splošno definicijo podajata Kapoor in Sherif (2012b), ki široko definirata kadrovske

BI-sisteme kot programsko opremo, ki avtomatizira kadrovske procese. Podrobneje jih

opredelita kot informacijske sisteme za upravljanje s človeškimi viri, ki že imajo vgrajeno

poslovno inteligenco in poslovno-analitična orodja (Kapoor & Sherif, 2012a).

Razloge za transformacijo HRM in kadrovske funkcije Kapoor in Sherif (2012a) iščeta v

demografskih spremembah prebivalstva, globalizaciji in napredku informacijske

tehnologije.

Globalizacija, spremembe v gospodarstvu, napredki v tehnologiji, konkurenca na trgu dela

in pretočna delovna sila imajo močan vpliv na to, kako kadrovska funkcija opravlja svoje

naloge (IBM Corporation, 2009). Tako management človeških virov zaostaja za preostalimi

funkcijskimi področji managementa pri privzemanju analitične tehnologije in navsezadnje

19

tudi pri privzemanju masovnih podatkov (Angrave, Charlwood, Kirkpatrick, Lawrence, &

Stuart, 2016). Prav tako še ni v celoti privzel BI, ki bi doprinesla pravo analitiko kadra

(Pemmaraju, 2007). Trenutno je v porastu strinjanje med kadrovskimi funkcijami in

vodilnimi v podjetjih, da je pomanjkanje BI v kadrovski funkciji nekaj, s čimer se je treba

soočiti (Snell, 2011).

Gangadharan in Swami (2004) trdita, da je uporaba informacij o trgu in kupcih ključnega

pomena za dolgoročni uspeh podjetja. Podobno trdi tudi Gartner Inc. (2009), ki v svojem

poročilu navaja, da je potreba po analizi in interpretaciji podatkov z uporabo BI nujna za

doseganje konkurenčnih prednosti podjetja. Številni avtorji, ki se osredotočajo na HR, pa k

tej trditvi dodajo, da enako velja tudi za HR ter da sta analiza in interpretacija podatkov

človeškega kapitala eno zadnjih področij iskanja konkurenčne prednosti podjetja

(Pemmaraju, 2007; Davenport & Harris, 2007; Kapoor, 2010; Harris et al., 2011).

Pemmaraju (2007) doda še, da analiza podatkov na človeškem kapitalu daje zmožnost

funkcije po vpogledu v prihodnost in zmožnost predvidevanja sprememb, preden se te

zgodijo, in omogoča HR-funkciji bolj proaktivno vlogo v podjetju. Razlogi za analizo

podatkov v HR so optimizacija procesov, sprejemanje informiranih odločitev hitreje,

doseganje konkurenčne prednosti in posledično doseganje boljših poslovnih rezultatov

podjetja (Gartner Inc., 2009; Harris et al., 2011; Kapoor & Sherif, 2012b).

2.1 Gonila privzemanja poslovne inteligence na kadrovskem področju

Prilagoditev HRM na spremembe poslovnega okolja

Dostopnost relativno poceni delovne sile, naraščajočega števila potrošnikov na razvijajočih

trgih in staranje prebivalstva v razvitih državah ustvarjajo pritisk na podjetja, da zasledujejo

poslovne priložnosti na globalnem nivoju (Kapoor, 2010). Kapoor in Sherif (2012b) trdita,

da smo priča pospešeni globalizaciji. Podjetja tako poslujejo na številnih trgih in lokacijah

v istem času, posledično pa je vse težje vzdrževati podatke o zaposlenih in omogočati

njihovo sledljivost. Za mednarodna podjetja je edinstvenega pomena, da imajo vpogled v

lastno delovno silo, če želijo privzeti poslovno inteligenco v kadrovsko funkcijo (Snell,

2011). Kapoor & Sherif (2012a) postavljata privabljanje človeškega kapitala na mesto pred

finančnim kapitalom, ker je slednji po njunem mnenju široko dostopen prek investitorjev in

posojevalcev. Dodajata pa, da je učinkovito upravljanje s človeškim kapitalom najboljši

način diferenciacije podjetja pred drugimi podjetji (Kapoor & Sherif, 2012a).

Pemmaraju (2007) in Kapoor (2010) trdita, da je odločanje v podjetju vse bolj zapleteno in

zahtevno, kot posledica neprestano spreminjajočega se poslovnega okolja. To pa vpliva tudi

na kadrovsko funkcijo, za katero je s časom potreben bolj učinkovit pristop k pritegnitvi in

zadržanju kakovostnega kadra. Vse omenjene spremembe vplivajo tudi na to, kako

kadrovska funkcija zbira in poroča o svojih aktivnostih (IBM Corporation, 2009).

Navsezadnje poročilo organizacije World Economic Forum (2010) navaja, da bodo

20

odločilno konkurenčno prednost pridobila tista podjetja, ki bodo sposobna najbolje

predvidevati in vzdrževati potrebe po kadru.

The Boston Consulting Group (v nadaljevanju BCG) z izsledki v spletni raziskavi ugotavlja,

da je upravljanje s kadrom izrednega pomena za prihodnost in je trenutno najmanj razvito.

To je prikazano na Sliki 5, ki primerja pomembnost tematike v prihodnosti na področju HR

in trenutno pripravljenost oziroma zmožnosti HRM, da se s temi tematikami soočijo. BCG

dodatno ugotavlja še sedem drugih HR-tem, ki zaradi pomembnosti v prihodnosti in njihovih

nerazvitosti potrebujejo veliko pozornosti. Ena izmed teh je upravljanje z demografskimi

spremembami in transformiranje kadrovske funkcije v strateškega partnerja (BCG, 2016).

Vse naštete teme pa so tudi gonila za privzemanje BI in analitike v HRM.

Slika 5: Rezultati spletne raziskave o HR-pomembnih temah

Vir: BCG, How to address HR challanges worldwide through 2015, 2016.

V letu 2016 je stopnja brezposelnosti globalno še vedno visoka (Mourshed, Novales-

Flamarique, & London, 2016) in po raziskavi trenda s strani organizacije International

Labour Organization (v nadaljevanju ILO) je globalna brezposelnost v porastu, saj kljub

zmanjševanju brezposelnosti v regijah severne, vzhodne in zahodne Evrope in Združenih

držav Amerike nerazviti trgi še vedno beležijo porast stopnje brezposelnosti (ILO, 2016).

V ozadju teh trendov pa se dogajajo tudi pomembni strukturni premiki, ki oblikujejo

povpraševanje in ponudbo delovne sile. ILO identificira tri dejavnike na srednji rok:

upočasnjevanje rasti ponudbe delovne sile zaradi staranja prebivalstva, povpraševanje po

novih veščinah iskalcev zaposlitve in dohodkovna neenakost, ki je povezana z ekonomsko

21

rastjo gospodarstva (ILO, 2015). World Economic forum (2010) bolj podrobno priznava

poleg že naštetih tudi migracijo visoko izobražene delovne sile in razkorak med

povpraševanjem in ponudbo veščin iskalcev zaposlitve.

K temu Kapoor in Sherif (2012b) dodajata tudi pomen tehnološkega razvoja pri mobilnosti

človeškega kapitala in informacijski obveščenosti iskalca zaposlitve. Tako so družbena

omrežja, kot so Facebook, Glassdoor in LinkedIn, pripomogla k pregledu nad kariernimi

priložnostmi (Deloitte, 2015). V istem poročilu Deloitte opaža, da se je prav zaradi tega

razmerje moči med iskalci zaposlitve in zaposlovalci nagnilo v prid prvega.

S staranjem prebivalstva se pojavljajo novi izzivi, kot je povečana odgovornost

managementa s človeškimi viri, da se ustvari in razvije ustrezen vodstveni kader, ki bo

nadomestil vodstveni kader, ki se upokojuje (Pemmaraju, 2007; Snell, 2011; Kapoor &

Sherif, 2012a). Tako se uporablja orodje plana nasledstev, ki ima vrednost za podjetje,

vendar je za to pomembno predvidevanje (Snell, 2011). Staranje prebivalstva le v razvitih

državah delno nadomešča imigracija delovne sile (ILO, 2015).

Podjetja se morajo odzvati na demografske spremembe in migracijo iskalcev zaposlitev, saj

ti dejavniki zaostrujejo bitko za kader. Zbiranje in predvidevanje kratkoročnih in

dolgoročnih trendov v ponudbi in povpraševanju po kadru na ravni industrije in poklica

Kapoor in Sherif (2012b) priznavata kot ključno zmogljivost BI-sistema v kadrovski

funkciji, saj neposredno vpliva na sprejemanje strateških odločitev pri prevzemanju,

razvijanju in zadrževanju človeškega kapitala.

Izraba razpoložljive tehnologije

World Economic Forum (2010) je prepoznal potrebo po izrabi tehnologije in vzpostavitvi

kadrovskih sistemov, katerih ključne zmožnosti so zbiranje in shranjevanje podatkov iz

različnih virov, analitika na zajetih podatkih za vzpostavitev vpogleda v poslovanje podjetja

ter zmožnost napovedovanja potreb po kadru in razvoj strategij za odpravo prihajajočih

kadrovskih primanjkljajev in prilagoditev podjetja. Poročilo Deloitte (2016) navaja, da so

pospešeno vpeljevanje storitev v oblaku, povečane potrebe po vpeljevanju in nadgraditvi že

obstoječih sistemov razlog za odločanje podjetij za BI-sisteme. Kapoor in Sherif (2012a)

dodajata, da je bil poleg rešitev v oblaku dosežen tudi napredek tehnologije za dostop na

daljavo, v ostali podporni tehnologiji in navsezadnje arhitekturi BI, ki omogoča podatkovno

analitiko.

HRM mora izkoristiti prednost tehnologij in uporabo sistema, ki zbira in shranjuje podatke

iz različnih virov in lokacij v podatkovna skladišča in področna podatkovna skladišča, jih

analizirati in pridobiti vpogled v poslovanje za napoved bodočih potreb in razvijanje skladne

strategije (Kapoor & Sherif, 2012a). Podjetja zaradi izboljšanja kapacitet shranjevanja

22

podatkov, široke uporabe interneta in intraneta vse hitreje zbirajo in shranjujejo ogromno

količino podatkov (Kapoor, 2010).

Razvoj novih tehnologij ima prav tako velik učinek na spreminjanje narave delovnih mest

in jih v nekaterih primerih tudi nadomesti. Zaposleni so zaradi tehnološkega napredka lahko

del globalnih timov (Deloitte, 2015), kar je omogočilo obstoj podjetij, ki svojo dejavnost

opravljajo zgolj prek globalne mreže (Kapoor & Sherif, 2012a).

Izboljšanje procesov kadrovske funkcije

Obvladovanje in planiranje potreb po kadru je po navedbah organizacije World Economic

Forum (2010) v ospredju prioritet podjetja. Vloga kadrovske funkcije se je skozi čas

spremenila in podjetja iščejo bolj učinkovite načine, kako dostopati do kadra, zaposlovati in

upravljati s kadrom (Pemmaraju, 2007). Za podjetje in kadrovsko funkcijo je informiranost

pomembna. Le z vsemi potrebnimi informacijami je mogoča izbira najbolj primernih

kandidatov (Davenport, 2006). Za informiranost podjetja Pemmaraju (2007) konkretno

navaja, da je nagrajevanje in podatke o plačah v organizaciji moč primerjati s standardi v

industriji. World Economic Forum (2010) prav tako poudarja, da je za vsako podjetje

pomembno razširiti krog kandidatov. Skozi čas so se namreč spremenile metrike, ki so v

preteklosti merile uspešnost kadrovanja, saj so v preteklosti merile čas do zaposlitve, sedaj

pa je v ospredju kakovost kandidata, ki ga podjetje zaposli. Prav tako Deloitte (2016) dodaja

zadrževanje kadra, zagotavljanje ustreznosti veščin zaposlenih kot pomemben proces

managementa človeških virov. To pa je povezano z visokimi stroški iskanja pravega

kandidata in razvoja zaposlenih (Pemmaraju, 2007). V nadaljevanju je treba zagotoviti

uspešnost novih in obstoječih zaposlenih (Deloitte, 2016), izobraževati in investirati v

zaposlene, pa tudi meriti vpliv izobraževanja na poslovanje in rezultate podjetja (Pemmaraju,

2007), skozi podjetje slediti tveganju in upoštevanju pravil, vrednot in kulture podjetja. Velik

izziv kadrovske funkcije je merjenje ROI na številne procese, ki jih izvaja, vendar Deloitte

(2016) v poročilu zastavi, da so prav številni kadrovski projekti razlog za privzemanje BI-

sistemov in je privzemanje rigidnih pristopov v kadrovski funkciji povečalo sledljivost

investicije do rezultatov.

Pomen človeškega kapitala

Zaposleni v podjetju so lahko vir konkurenčne prednosti, ki lahko vpliva na pomembne

rezultate podjetja, kot so: preživetje, donosnost, zadovoljstvo kupcev in učinkovitost

zaposlenih (Pfeffer, 1994).

Človeški kapital pridobiva na pomembnosti in bo kmalu dohitel ali pa celo prehitel finančni

kapital (World Economic Forum, 2010). Tako Royal in O'Donnell (2008) postavljata

neotipljiva sredstva, kot je človeški kapital, na vse pomembnejše mesto pri doseganju uspeha

podjetja, kar vključuje tudi finančni uspeh (Royal & O'Donnell, 2008).

23

Zaradi velikega deleža plač v celotnih stroških podjetja, ki dosegajo tudi 60 do 70 % splošnih

stroškov, je podjetje pod velikim pritiskom, da se odzove hitro na dinamične pogoje v

poslovnem okolju. Odziv pogosto vključuje prestrukturiranje, novo opredeljeno vrednost

predloga in izboljšanje procesov. BI in analitika pa lahko pripomoreta k informacijsko

podprtemu odločanju, ki temelji na pridobljenem znanju iz podatkov na dlani (Kapoor,

2010).

Potreba za odločanje

Zaradi prej opisanih razlogov v kompetitivnem znanju in znanju o centričnem gospodarstvu

organizacija potrebuje pomoč BI-orodij, da zbira, analizira in izloči prave informacije v

podporo odločanju. Hitrost dostopanja do podatkov in informacij, ki dajejo podlago

odločanju, je kritična. Hedgebeth (2007) tovrstne informacije opredeli kot prikaz metrik

uspešnosti, razumevanje obnašanja kupcev in napovedovanje trendov na trgu v realnem

času. Pemmaraju (2007) poudarja, da podjetje lahko uporabi BI in analitiko za dostavo

vpogleda in podpore strateškim odločitvam znotraj podjetja. Tukaj seveda ni izjema

kadrovska funkcija, ki zaradi pomena človeškega kapitala in vpogleda v podatke, ki jih o

njem zajema, lahko ob pravilni analitiki podatkov nudi potrebne podatke in informacije, ki

vodijo do informiranih odločitev vodstva.

Sooblikovanje strategije podjetja

Pemmaraju (2007) je izpostavil, da lahko novi strateški partner managementu človeških

virov ponudi HRM-analitiko kot kritično na strateški ravni. Sooblikovanje strategije podjetja

je vloga, ki jo moderni kadrovski oddelek mora prevzeti. To vključuje fokus na dolgoročne

organizacijske cilje in plane poleg obravnave notranje HRM problematike. Le tako lahko

moderni kadrovski oddelek prinaša dodano vrednost podjetju (Kapoor & Sherif, 2012b).

2.2 Ovire privzemanja poslovne inteligence na kadrovskem področju

Obljubljen doprinos analitike na področju HRM je velik in Rasmussen in Ulrich (2015)

poudarjata, da je za zagotovitev podpore kadrovske službe vodstvu podjetja pomembno, da

BI v kadrovski funkciji prebrodi ovire. Ista avtorja opisujeta analitiko v HRM kot vpeljavo

rigidnosti v funkcijo, povezovanje managementa in prakse, odločitve na podlagi podatkov,

doprinos HRM-investicij na poslovanje in zamenjavo intuicije v HRM z objektivnostjo.

Podjetja pa so kljub tej potrebi po analizi podatkov človeškega kapitala nanjo relativno

nepripravljena (Deloitte, 2015).

Pomanjkanje analitične kulture v podjetju

24

Ranjan (2008) opaža, da kljub številnim investicijam v organizacijsko celovite rešitve (angl.

Enterprise Resource Planning, v nadaljevanju ERP), SCM in CRM v zadnjem desetletju

podjetja s težavo pridobivajo konkurenčno prednost, in kot razlog navede zajemanje

podatkov s strani teh sistemov. Ker ni dostopa do pravih informacij ob pravem času,

nagovarja podjetja, naj podpirajo analizo in uporabo dostopnih informacij za operativne

odločitve. Za ažurni dostop do pravih informacij pa potrebujejo tudi boljše poslovne procese,

ki omogočajo BI-doprinos dodane vrednosti in povrnitev investicije (Ranjan, 2008).

Davenport (2006) ugotavlja, da je potrebna vzpostavitev analitične kulture v podjetju, ki jo

avtor opiše kot spoštovanje do merjenja, testiranja in ocenjevanja kvantitativnih dokazov ter

spodbujanje zaposlenih, da se odločajo na podlagi dejstev.

Ko se podjetja ali oddelki soočajo s primanjkovanjem sredstev za potrebne investicije v BI,

gre razmisliti, da šele poslovne odločitve, podprte z informacijami, ki izhajajo iz analitičnih

modelov, dajejo BI-sistemu dodano vrednost (Kapoor & Sherif, 2012b).

Pomanjkanje dokazov o koristi privzemanja BI v HRM

Čeprav je veliko organizacij začelo s pobudo, da privzamejo BI in se osredotočijo na podatke

v kadrovski funkciji, večina ni napredovala prek operativnega poročanja (Angrave et al.,

2016). Rasmussen in Ulrich (2015) prav tako izpostavljata, da zgodbe o uspehih in vrednosti

HRM-analitike temeljijo na priporočilih strokovnjakov in svetovalcev, ki imajo interes v

industriji BI in so tako pristranski. Organizacije redko delijo enake zgodbe o uspehu in delijo

primere, ki temeljijo na napovedi uspešnosti, ali pa projekte, ki se osredotočajo na HRM

(Rasmussen & Ulrich, 2015). Mednarodne organizacije, ki so naredile investicijo v HRM-

analitiko in so v preteklosti naredile veliko napredka pri uporabi analitike v drugih funkcijah,

poročajo o tem, da HRM-analitični programi niso doprinesli želenega rezultata in da

poročanje še vedno poteka na preteklih podatkih (Angrave et al., 2016). Davenport (2006)

sicer opozarja, da je za potrebne analize podatkov treba zbirati podatke več let, kar lahko

občutno podaljša čas povrnitve investicije v BI in iz tega se lahko podaljša tudi izsledek

uspešnosti sistemov.

Pomanjkanje dokazov pa vidita Rasmussen in Ulrich (2015) tudi o količini analitike o

analitiki. Avtorja izpostavita, da je malo podatkov o tem, zakaj je analitika sploh kritična v

prihodnosti.

Položaj HRM v podjetju in podpora vodstva

Čeprav mnogi vodje podjetij trdijo, da so zaposleni najpomembnejši poslovni vir, je

kadrovska funkcija redko povabljena k alokaciji sredstev, planiranju in postavitvi strateških

ciljev (IBM Corporation, 2009). Vodilni v podjetju namreč vidijo kadrovsko funkcijo bolj

kot center podpore in manj kot strateško sredstvo znotraj organizacije (Kapoor, 2010;

Kapoor & Sherif, 2012a). To pa frustrira kadrovsko funkcijo, ker njihova sredstva ne

25

odtehtajo načrtov v IT-investicije (IBM Corporation, 2009). Prav tako je strateška vloga

izražena v vlogi kadrovskega direktorja (Chief Human Resource officer, v nadaljevanju

CHRO), ki ga številna podjetja še vedno nimajo ali pa direktorja kadrovske službe ne

uvrščajo na zadosten nivo (Ulrich, 1997).

BCG (2016) v raziskavi ugotavlja, da je nepovezanost med HRM in strategijo podjetja

prisotna, prikazano na Sliki 6, pomanjkanje sposobnosti kadrovske funkcije po merjenju

lastnega uspeha pa ne pripomore k nastalemu stanju. Vodstvo mora razumeti, kako se

strategija podjetja odraža v potrebi po kadru. Vodstvo podjetja mora prav tako osvojiti štiri

mostove med HRM in strategijo: strategijo iskanja kadra (angl. sourcing strategy), strategijo

uspešnosti kadra, strategijo razvoja kadra in strategijo pripadnosti ter vse povezane

aktivnosti z vsako izmed strategij. Podjetja morajo meriti vse od teh strategij za potrebo

razumevanja teh postavk zaposlenih.

Slika 6: Sinergija med HRM in strategijo podjetja


Podjetje in kadrovska funkcija se morata najprej uskladiti glede organizacijskih ciljev

(Pemmaraju, 2007) in potem fokusirati analitične napore in sredstva, ki služijo neposredni

strategiji po iskanju konkurenčne prednosti znotraj analitike (Davenport, 2006). Davenport

namreč zagovarja skupni napor podjetja in vodenje analitično-fokusirane organizacije. Snell

(2011) dodaja, da bo brez enotnega strateškega pristopa do podatkov in prave inteligence o

kadru kadrovska funkcija le stežka pridobila vpogled, potreben za podporo pri strateškem

odločanju v podjetju (Snell, 2011). Rasmussen in Ulrich (2015) trdita, da je pomanjkanje

razumevanja poslovnih ciljev HRM-vodij prav tako ovira, ki je nujna za pridobitev podpore

vodstva. Torej pomembna je pridobitev fokusa in ne količina naključnih vzorcev masovnih

podatkov. Analitika se pogosto začne s podatki, vendar bi se morala začeti s poslovnim

izzivom. HR uspeva z dodajanjem vrednosti pri poslovnih odločitvah, ki prinašajo uspeh z

informiranjem, kako jih sprejemati, ne samo s potrjevanjem preteklih dognanj in praks

26

(Rasmussen & Ulrich, 2015). Iskanje podpore vodstva brez močnih poslovnih gonil in brez

uskladitve s strateškimi poslovnimi cilji organizacije ni mogoče (Kapoor & Sherif, 2012b).

Zaradi položaja v podjetju je majhna verjetnost, da HRM pridobi podporo za privzemanje

BI-sistemov. Prav tako ni zagotovil, da se bo vodstvo na podlagi pridobljenih rezultatov tudi

odzvalo (Smeyers, 2015).

Kritika HRM je podana s strani avtorjev, ki poudarjajo, da kadrovska funkcija pogosto zbira

podatke o lastni učinkovitosti, ne pa podatkov o poslovnem doprinosu njihovih praks in

programov. Funkcija, ki zbira podatke o doprinosu k poslovanju, je bolj verjetno tudi

strateški partner pri odločanju (Lawler et al., 2004).

Strateška (ne)usmerjenost HRM

Kadrovska funkcija z uporabo HRM-sistemov odgovarja na omejena vprašanja, ki so

fokusirana na operativno poročanje, medtem pa ji primanjkuje predvidevanja in strateške

naravnanosti. Kot ključno avtorji izpostavijo ustvarjanje dodane vrednosti, kako jo zajeti in

uporabiti, saj rigorozne analize velike količine podatkov za napačno vprašanje prinesejo

malo praktične vrednosti (Rasmussen & Ulrich, 2015). Vendar gre poudariti, da operativna

poročanja niso brez vrednosti, saj poročanje o tem, kakšna je individualna uspešnost

zaposlenega in nagrajevanja, poročanje o KPI lahko doprinese k velikim izboljšavam v

uspešnosti. Avtorji ugibajo, da je lahko vzrok za pomanjkanje iskanja odgovorov na

strateška vprašanja tudi premalo dostopnih podatkov (Angrave et al., 2016), čeprav teorija

narekuje izobilje podatkov v kadrovski funkciji.

Ponudniki storitev BI

Gartner Inc. (2011) napoveduje, da bodo BI-platforme ostale ene najbolj naraščajočih

programskih rešitev kljub počasni rasti gospodarstva. Poroča tudi o nadaljevanju trenda rasti

iz leta 2014 (5,8 %) do 2019. Globalni trg BI in analitike je bil ocenjen na 16,9 milijarde

dolarjev v letu 2016 (Gartner Inc., 2016a). Zaradi naporov ponudnikov po prodaji storitev

in produktov se ustvarja nepreglednost na trgu HRM-analitike. Prav tako ponudniki

velikokrat ne uspejo kadrovski funkciji ponuditi orodij, ki bi ustvarila in zajela strateško

vrednost HR-podatkov (Angrave et al., 2016). V poročilu Gartner Inc. (2017) prav tako

ugotavlja, da so današnji odločevalci glede investicij v poslovne vodje BI in ne več vodje

IT. To pomeni, da so sredstva sedaj razdrobljena in prepuščena naporom posamezne funkcije

in ni več informatizacije na nivoju organizacije.

Podatki in uporaba podatkov v kadrovski funkciji

V večini okolij, kjer je bila BI implementirana, je več BI-sistemov v različnih poslovnih

funkcijah, vsak s svojimi orodji, procesi in podatkovno arhitekturo (Wu, Barash, & Bartolini,

2007). Ta dostop se imenuje vrtanje skozi BI. Da to dosežemo, tradicionalno premaknemo

27

podatke v podatkovno skladišče, vendar to ni vedno dovoljeno zaradi varnosti podatkov ali

pa ni želeno, ker obremeni ETL in zahteve po skladiščnih kapacitetah podatkovnega

skladišča, ki je po definiciji operativne narave. To posledično obremeni BI-sistem in lahko

postane vir za vse poslovne storitve, ki jih podjetje ima (Ranjan, 2008).

Pape (2016) opozarja, da se kljub nezahtevnim podatkom, ki jih kadrovska funkcija trenutno

zbira, srečujejo s precejšnimi in unikatnimi težavami, ki so značilne za kadrovsko funkcijo.

Navaja tri razloge:

merjenje podatkov na veljaven, dosleden in legalen način;

zbiranje podatkov za vse zaposlene in pozicije v organizaciji je za prvi vnos in

vzdrževanje teh podatkov dolgotrajno;

dodatni stroški, povezani z vpeljavo novih sistemov za zajemanje novih podatkov, ki za

potrebno investicijo potrebujejo tudi zelo utemeljeno argumentacijo potrebe.

2.2.6.1 Etičnost in varnost podatkov

Rittenburg, Valentine in Faircloth (2006) ugotavljajo, da nekatera podjetja uporabljajo

vprašljive prakse zbiranja podatkov in da je to vprašanje treba nasloviti. To vprašanje še

pridobi na pomenu, ko se pogovarjamo o HR-podatkih.

Zakonodaja, industrijske norme, strah pred posledicami ob razkritju neetičnih praks,

standardi in pristopi v stroki in organizaciji so dejavniki, ki krepijo etično odločanje. Visoka

konkurenčnost med podjetji, sodelovanje med podjetji, neizkušenost z zbiranjem podatkov,

vprašljivi etični standardi v podjetju, vprašljive prakse v konkurenčnih podjetjih in

enostavnost, s katero je mogoče pridobiti podatke z uporabo tehnologije, so dejavniki, ki

krepijo neetičnost pri zbiranju podatkov (Rittenburg et al., 2006). Poročilo o gospodarskem

kriminalu (FBI, 2015) navaja korporativno vohunstvo kot pogosto obliko kriminala, ki je v

porastu in letno povzroči milijarde škode v gospodarstvu. Zaradi tega mora podjetje zaščititi

svoje skrivnosti v visoko konkurenčnem okolju in ne sme računati na etičnost konkurenta

(Rittenburg et al., 2006).

Prav tako ima kadrovska funkcija oviro s privatnostjo podatkov, iskanjem strinjanja

zaposlenega in posledično uporabo podatkov zaposlenih v analizi (Angrave et al., 2016).

Dodatno oviro predstavlja informiranost ekip, ki se ukvarjajo s HR-podatki, saj jim lahko

doprinese prevelik notranji vpogled v zaupne podatke (Rasmussen & Ulrich, 2015). Izziv bo

praktična pot, kako uravnotežiti zaupnost podatkov HRM s poslovno vrednostjo in

vpogledom analiz.

2.2.6.2 Kakovost in dostopnost podatkov

28

Čeprav je večina vrednosti organizacije vezana na veščine in izkušenost zaposlenih, v veliko

podjetjih ni pregleda, kako se največje sredstvo znotraj podjetja sploh upravlja (Snell, 2011).

Kapoor (2010) ugotavlja, da je veliko organizacij preobremenjenih s HR-podatki. Tako se

težave kažejo tudi v obvladljivosti podatkov, ki jih kadrovska funkcija zajema. To je lahko

posledica mednarodnosti podjetja in številnih lokacij, na katerih posluje. Različne lokacije

in številni programi znotraj HRM pa lahko vodijo v neobvladljivost podatkov (Pemmaraju,

2007). Ranjan (2008) dodaja k razlogom tudi uporabo različnih aplikacij v kadrovski

funkciji, kar posledično povzroča težave pri zbiranju in analizi podatkov. Avtorji opozarjajo

na pomen dostopnosti in kakovosti podatkov (Hedgebeth, 2007; Harris et al., 2011), vendar

je zaradi ločenosti sistemov in procesov težko pridobiti oziroma doseči konsistentne in

zanesljive podatke (Harris et al., 2011). Ranjan (2008) prepoznava upravljanje s podatki kot

ključni in glavni izziv, s katerim se podjetja soočajo. Snell (2011) pravi, da je veliko izzivov

pri pridobivanju dobrih podatkov. Navaja pomanjkanje zgodovinskih podatkov, logistične

prepreke pri zbiranju in osveževanju podatkov, podvajanje, nekonsistentnost in

nekompatibilnost med različnimi sistemi. Odpravljanje teh preprek je težavno in mora biti

podkrepljeno z zadostnimi IT-sredstvi, ki konstantno upravljajo z informacijami. Po mnenju

Davenporta (2006) mora najprej podjetje snemati zgodovino, saj bo šele tako zbralo

zadostno količino podatkov, da bo lahko zanesljivo tudi predvidevalo. Količina podatkov,

ki jih podjetja zajemajo, se lahko močno razlikuje, vendar je ne glede na količino podatkov

njihova uporaba ključna za uspeh podjetja (Ranjan, 2008). Poleg zajemanja količine

podatkov mora kadrovska funkcija opredeliti način merjenja in kaj se meri (Pemmaraju,

2007). Večina podatkov v kadrovski funkciji je ustvarjenih znotraj podjetja, kar s

povečanjem podatkovne baze in zahteve po vnosu novih podatkov vodi v povečanje

administrativnih stroškov za ustvarjanje, čiščenje in vzdrževanje novih podatkov. Zaradi

povečanja stroškov z ustvarjanjem in dodajanjem novih podatkov mora biti kadrovska

funkcija pri tem selektivna (Pape, 2016). Postavljanje podatkovnih prioritet avtorja Pape

(2016) kadrovske funkcije je prikazano na Sliki 7.

Kadrovska funkcija se mora prav tako prepričati, da so uporabljene prave rešitve in

tehnologije. Kljub vse pogostejšemu privzemanju BI-sistemov v HRM se še vedno dogaja,

da pomanjkanje pravih orodij za dostopanje do podatkov vodi v informacije, ki so brez

vrednosti (Pemmaraju, 2007). Obilica podatkov tako še ne pomeni implementacije prave

analitike kadra in informiranega odločanja (Pemmaraju, 2007; Rasmussen & Ulrich, 2015).

Kadrovska funkcija pa ima vpogled in zajema tudi podatke izven podjetja (Deloitte, 2016).

Zunanji podatki so sedaj ključnega pomena za analitične pristope v upravljanju s človeškimi

viri. Podatki družbenih omrežij in zunanjih zaposlitvenih strani so pomembni pri

razumevanju, zadrževanju, vključevanju in razumevanju kariernih potreb zaposlenih

(Deloitte, 2015). Snell (2011) ocenjuje, da imajo nekatere zunanje strani (npr. družbena

omrežja) več informacij o zaposlenih, kot jih ima notranja kadrovska funkcija (Snell, 2011).

29

Davenport (2006) navaja zunanje podatke kot vir konkurenčne prednosti, saj je njihova

interpretacija lahko ključna za razumevanje deležnikov in podjetje lahko bolje interpretira

podatke kot konkurent. Fitz-enz (2010) poudarja, da je namen zunanjih podatkov izboljšanje

že ustvarjenega notranjega vidika. Tako zunanji podatki dopolnjujejo notranje podatke,

vendar je uporaba zunanjih podatkov težavnejša, kot pa se zdi na prvi pogled. Dostop do

podatkov je relativno lahek, medtem ko sta uporaba in interpretacija tisti, ki sta težavnejši

(Jisc, 2011). Pape (2016) v raziskavi, ki je namenjena ugotavljanju prioritet kadrovskih

funkcij pri zbiranju podatkov, navaja, da zajemanje zunanjih podatkov ni med prioritetami

kadrovskih funkcij.

Vendar problematika ne zajema le podatkov iz virov, ki so izven podjetja. Kljub

priporočilom Ranjana (2008), da naj bodo podatki preoblikovani v obliko, ki omogoča

uporabo skozi celotno organizacijo, Kapoor (2010) opozarja, da so podatki v kadrovski

službi lahko shranjeni tudi v različnih in ločenih HRM-sistemih glede na vertikalne

kadrovske funkcije in/ali horizontalno glede na funkcionalna področja. Podatki so pogosto

razdrobljeni, nepopolni in niso pripravljeni v obliki, ki nam bi omogočala učinkovito

uporabo. Nadvse je pomembna identifikacija vseh notranjih in zunanjih podatkovnih virov

in potem združitev teh podatkov v področna podatkovna skladišča, ki jih uporablja

kadrovska funkcija (Kapoor, 2010).

Slika 7: HRM-procesi in postavljanje podatkovnih prioritet

Vir: T. Pape, Prioritising data items for business analytics: Framework and application to human resources,

2016.

30

Čeprav kadrovske funkcije zbirajo veliko podatkov in izračunavajo metrike, kot sta strošek

na zaposlitev in ROI na HRM-programe, te metrike težko povežejo informacije s poslovnimi

rezultati (Lawler et al., 2004; Harris et al., 2011). V raziskavi Taleo (2010) ugotavljajo, da

so kadrovska funkcija in poslovni vodje večinoma dobro koordinirani o pomembnosti

upravljanja s HR-informacijami. Obstajajo pa občutne prepreke med pomembnostjo

informacij za podjetja in sposobnostjo dostopanja do teh informacij. Kadrovska funkcija in

poslovne vodje tako nimajo dostopa do informacij, ki so jim pomembne (Snell, 2011). K

temu avtor doda tudi transformacijo filtriranih podatkov v uporabno znanje poslovnih

odločitev (Ranjan, 2008). Torej kritičen dejavnik uspeha leži v razumevanju podatkov in

iskanju načinov, da povežemo in osmislimo veliko količino podatkov znotraj in izven

podjetja (Gangadharan & Swami, 2004).

2.2.6.3 Analitika in lastništvo podatkov

BI je v tradicionalnih podjetjih ločena in vodena po oddelkih ali funkcijah, ki operirajo z

lastnimi podatki, ki jih same interpretirajo, izberejo lastna orodja, kontrolirajo svoja

podatkovna skladišča in usposabljajo svoje ljudi (Davenport, 2006). Ker je analitika pogosto

omejena na posamezno funkcijo, to onemogoča, da bi HR-podatki lahko bili kombinirani še

s podatki iz drugih funkcij (Angrave et al., 2016). Pemmaraju (2007) v svojem delu

izpostavi, da je pravi pomen BI vpogled v podatke na ravni podjetja in ne na ravni oddelka.

Davenport (2006) dodaja, da naj zbiranje podatkov in analitika prav tako potekata pod enim

vodstvom, v okviru ene tehnologije in orodja. Kadrovska funkcija v trenutni situaciji nima

dostopa do podatkov o učinkovitosti, uspešnosti zaposlenih in vidi le en vidik zaposlenih.

Avtorji pa poudarjajo, da je kadrovska funkcija izključena in tako onemogočena pri izgradnji

analitičnega modela. Njena vloga je tako manjša zaradi nezmožnosti preverjanja drugih

pomembnih dejavnikov (Angrave et al., 2016).

Po mnenju Snella (2011) so ločeni sistemi za upravljanje s kadrom velika ovira pri vpeljavi

BI-sistema. To je posledica preteklih odločitev podjetij, ki so vpeljevala številne različne

informacijske rešitve, različne ponudnike in kombinacije rešitev, prirejene lastnim

potrebam. Ovira pri tem ostaja nezdružljivost sistemov, obvladovanje in oblikovanje

podatkov. Številne uporabniške razpredelnice in baze vodijo v več različnih verzij ključnih

indikatorjev v organizaciji (Davenport, 2006). Združitev podatkov, ki so razprti med

različnimi sistemi, potrebuje tradicionalni BI-pristop, ogromno IT-sredstev in tehnično

zapleteno analizo. Podjetja, ki imajo različne sisteme za sledenje kandidatov, upravljanje

učinkovitosti, upravljanje s plačili, izobraževanje in HRM-sisteme, so tako pred velikim

izzivom, da vpeljejo poenotene metrike, ki so smiselne in uporabne (Snell, 2011).

HRM ima znanje, pridobljene veščine in orodja za pridobivanje, analizo in poročanje o

podatkih, vendar so ta zelo specializirana in jih zgodovinsko upravlja oddelek IT

(Pemmaraju, 2007). Kadrovska funkcija ima znanje, a funkciji v podjetjih pogosto

primanjkuje analitikov, ki bi lahko pridobili vpogled v podatke o kadru in omogočili podjetju

31

večji izkoristek človeškega kapitala (Cappelli, 2015). Za prihodnost HRM pa to pomeni, da

pridobi in zadrži analitike v funkciji (Harris et al., 2011). S porastom masovnih podatkov se

HRM-vodje že prilagajajo na nove razmere in privzemajo HRM-analitiko. To pa podpirajo

s kadrom, ki razume robustne statistične programe, napovedno analitiko in ki znajo

predstaviti podatke (Davenport, 2006; Welbourne, 2015). Hedgebeth (2007) je mnenja, da

naj bodo BI-strokovnjaki razviti iz strokovnjakov na strani poslovanja, torej na področju, na

katerem poteka analitika. Rasmussen in Ulrich (2015) sta obratnega mnenja in trdita, da je

lažje priučiti poslovnega analitika poslovne smeri, kot pa naučiti zaposlenega v kadrovski

funkciji poslovne analitike. Ne glede na mnenje avtorjev je jasno, da so potrebna znanja tako

poslovanja kot analitike za uspešno privzemanje BI-sistemov.

To predstavlja vidik, ko je analitika v rokah oddelka ali funkcije. Pemmaraju (2007) trdi, da

je vloga HRM unikatna, saj se dodana vrednost uporabe BI-sistemov v HRM ustvari, ko se

kadrovska funkcija poveže z drugimi oddelki, kot so logistika, proizvodnja, finance in

prodaja, ter ponudi strokovno interpretacijo podatkov s perspektive HRM. Rasmussen in

Ulrich (2015) predvidevata, da bo HRM-analitika prevzeta s strani drugih funkcij v podjetju,

ki so bolj vešče analitike, in bo le tako HRM-analitika prestopila funkcijske meje znotraj

podjetja. To je potreben korak za HRM-analitiko, saj bo znotraj podjetja postala pomembna

in vpletena v obstoječo poslovno analitiko šele z uporabo pristopa z zunanje perspektive.

Davenport (2006) navaja združitev analitikov iz različnih funkcij v en tim, saj tako združijo

napore proti problematikam, ki so izven meja posamezne funkcije. Kapoor in Sherif (2012a)

razdelita odgovornost na IT-strokovnjake, ki so tako odgovorni za vzpostavitev sistema

podatkovnega skladiščenja, ki optimalno deluje in shranjuje, medtem ko je HR funkcija

zadolžena, da ima uporabnik dovolj podrobno informacijo, ki je potrebna za opravljanje

svojega dela.

Interpretacija in prikaz podatkov za odločanje

Rasmussen in Ulrich (2015) poudarjata, da je potreben premik kadrovske funkcije, ki tipično

stoji za svojimi iniciativami kot ponosni lastnik in pobudnik. Tako priporočata, da kljub

vloženemu trudu, času, identiteti projekta in primarni ideji kadrovska funkcija ovrže utrjena

prepričanja in ponudi premik k morebitnim alternativam, če podatki nakažejo tako. Avtorja

sicer opozarjata in odsvetujeta iskanje podatkov, ki podpirajo že ustvarjeno zgodbo, in

namesto tega svetujeta, da HRM poda svoj nepristranski vidik in interpretacijo. Welbourne

(2015) navaja, da je dialog tisti, ki omogoča prehod iz podatkov do odločanja, in opozarja,

da velja za kadrovsko funkcijo in vse druge funkcije.

Welbourne (2015) omenja pripovedovanje zgodbe s podatki, ki predstavi kritične vpoglede

glavnim odločevalcem tako, da poveča verjetnost ukrepanja. Za pridobivanje podpore

vodstva je treba povedati zgodbo, skupaj z ugotovitvami in priporočili. Podatki, vključeni v

raziskavo, in trud, potreben za pridobitev ugotovitev, niso pomembni. HRM-analitiki morajo

32

vključevati kvalitativne podatke, intuicijo, izkušenost in nadvse ustvarjati skladno zgodbo z

vsemi deležniki (Rasmussen & Ulrich, 2015).

Sedanje stanje Welbourne (2015) opiše, kot da je razvijanje stališča veliko HRM-

strokovnjakom tuje, in ti vztrajajo, da je treba predstaviti podatke, kot so, in dopustiti

odločevalcem, da si ustvarijo sliko na podlagi podatkov. Vendar avtorica daje pomen

dialogu, ki vodi k aktivnostim na podlagi podatkov in posledično vodijo k rezultatom. Prav

tako izpostavi, da v analitiki obstaja slabo predstavljanje podatkov, ki izvira iz prevelike

količine podatkov. Avtorica ocenjuje, da so podatki vodstvu predstavljeni na predolg način

in suhoparno z veliko grafov in številk. Sporočilo je treba predstaviti skupaj s podatki, ki

vodijo do ukrepov. Boljši grafični prikaz podatkov ne pomeni boljše zgodbe (Welbourne,

2015).

Metrike

Metrike so številke, ki kažejo na to, kako uspešna je organizacija na specifičnem področju,

in dajejo kontekst, s katerim bi učinkovitost morala biti analizirana. Pogosto so izražene kot

odstotek ali seštevek in so lahko osnovni podatek ali pa sestavljena metrika. Sestavljena

metrika, kot je učinkovitost pridobivanja kadra, lahko združuje strošek najema, čas do

najema in kakovost najema ter je lahko merjena skozi obdobje. Metrike imajo lastnika, ki je

odgovoren za izpolnitev planiranih rezultatov. Lastništvo je lahko dodeljeno posameznemu

zaposlenemu, timu, liniji ali celotni organizaciji (IBM Corporation, 2009).

Metrike morajo biti povezane s strategijo podjetja, vendar temu ni tako. Povezave so

prekinjene ali pa otežene. BCG (2016) poudarja, da se podjetja morajo upreti na metrike, da

vidijo, kam so zaposleni usmerjeni. Izmenjava informacij med HRM in vodstvom pa je

mogoča le, če je HRM vključen v strategijo podjetja.

Podatki in analitika v HRM niso bistveno spremenili mišljenja HRM-strokovnjakov.

Nekateri so skeptični, da ljudje ne morejo biti opredeljeni in merjeni v metrikah (Angrave et

al., 2016). Isti avtorji pa poudarjajo, da je vpletenost HRM pomembna, in svarijo, da je

izključitev HRM iz procesa ustvarjanja modeliranja lahko razlog, da bo človeški kapital s

strani vodstva napačno razumljen. Kar predstavlja Slika 8, ki prikazuje nepovezanost med

metrikami in kadrovsko funkcijo v podjetju. Če so zaposleni opredeljeni kot fiksni strošek

in nimamo celostnega modela, so tako lahko informacije napačno interpretirane s strani

operativnih in finančnih managerjev, ki nimajo potrpljenja za razumevanje HRM (Angrave

et al., 2016).

Dodatno težavo pri privzemanju BI v HRM predstavljajo tudi nekonsistentne metrike, ki se

izračunavajo nepovezano in individualno v različnih sistemih. Za povezavo med vložkom

človeškega kapitala, učinkovitostjo in rezultati pa so potrebne poenotene metrike. Avtorji

prav tako trdijo, da je vrednost številnih pogosto sledljivih HRM-metrik omejena. Prihranek

33

na administrativnih stroških HRM in optimizacija HRM-procesov ne pomenita veliko na

celotni sliki stroškov v podjetju. Avtorji navajajo, da bi kadrovska funkcija morala

uporabljati metrike, ki kažejo, kako uspešne so HRM-aktivnosti v strateškem smislu, torej

za celotno podjetje (Harris et al., 2011).

V raziskavi Snell (2011) so opredelili pet metrik, ki so bile v podjetjih označene kot zelo

pomembne, in sicer:

1. opredeljeni poslovni cilji – izbrano s strani 94 % sodelujočih;

2. usklajenost ciljev s poslovnimi plani – izbrano s strani 92 % sodelujočih;

3. usklajenost načrtov izvedbe s cilji – izbrano s strani 84 % sodelujočih;

4. analiza prepada kompetenc/veščin – izbrano s strani 82 % sodelujočih;

5. stopnja zavzetosti zaposlenih – izbrano s strani 81 % sodelujočih.

Slika 8: Sinergija med HRM in metrikami


Raziskava prav tako navaja, da je velik razkorak med tem, kaj podjetja želijo meriti in kaj

sedaj merijo (Snell, 2011). Pogosto podjetja povezujejo HRM-aktivnosti in pobude z

zadovoljstvom kupca, privabljanjem zaposlenih in zadrževanjem zaposlenih, vendar so te

metrike do poslovnih rezultatov povezane le posredno. Malo podjetij pa res uporablja

relevantne metrike za merjenje poslovnega učinka HRM in napora v izobraževanju do

poslovnih rezultatov (Harris et al., 2011). Snell (2011) ugotavlja, da kjer so podjetja

uporabljala metrike na kadru, so ta merila učinkovitost HRM-strategij. Bolj specifično, čas

do zaposlitve, razmerje med številom HRM-osebja in ostalega osebja v podjetju, odstotek

oddanih ocenitev uspešnosti itd., še vedno pa mnogim primanjkuje informacij, ki bi

omogočale merjenje uspešnosti strategij za upravljanje kadra. Pogosto se uporablja čas do

zapolnitve delovnega mesta, vendar ima le 17 % podjetij dostop do informacije o kakovosti

najema.

34

Davenport (2006) meni, da je rigorozno-metrični pristop lahko vpeljan tudi v kadrovsko

funkcijo. Vidi priložnosti v ustvarjanju menedžerskih osebnostnih profilov in vodstvenih

stilov. Kadrovski funkciji predlaga eksperimentalni pristop ter prek testiranj in na

podatkovni podlagi ugotovi, katere osebnostne značilnosti so najpomembnejše pri vodenju

specifičnega projekta (Davenport, 2006). V praksi pa je takšen pristop že dokumentiran, ko

so kadrovske funkcije prek eksperimentalnega poizkušanja na specifični situaciji prišle do

ukrepov, ki so temeljili na podatkih in merjenju.

IBM Corporation-ovo (2009) poročilo navaja, da je zaradi težav mnogih kadrovskih funkcij

pri vpogledu v podatke in njihove odvisnosti od drugih funkcij otežena zmožnost poročanja

v obliki, ki bi bila potrebna. IBM Corporation loči dva tipa vprašanj, na katera mora HRM

najti odgovore, in sicer vprašanja, povezana s strategijo podjetja, in vprašanja, ki vključujejo

proaktivnost kadrovske funkcije. Oba tipa vprašanj sta vsebinska za kadrovsko funkcijo ter

vključujeta vpogled kadrovske funkcije in edinstveno interpretacijo pridobljenih podatkov.

Primeri vprašanj, ki se nanašajo na usklajenost metrik z organizacijsko-strateškimi cilji:

Ali naši postopki zaposlovanja privabljajo bodoče vodje?

Kateri zaposleni so pripravljeni na vodstveno pozicijo?

Kakšne bodo naše potrebe kadra čez pet let?

Kdo so najbolj produktivni zaposleni v podjetju?

S pomočjo BI lahko kadrovski oddelek išče tudi vzroke nastalemu stanju in ponudi rešitev

v obliki smernic. Tukaj je dodana vrednost kadrovske funkcije tudi vidna. Takšna vprašanja

so bolj kompleksna in vključujejo tudi vzročne vidike. Primeri takšnih vprašanj:

• Kateri zaposleni razmišljajo o odhodu? Kako jih lahko zadržimo?

Imamo pravo kombinacijo veščin, da dosežemo naše cilje? Kje imamo še pomanjkanje

pravih veščin?

Pomembno je, da kadrovski oddelek predstavi te metrike, da jih vodstvo razume in jih

uporabi. To lahko doseženo z združenjem podatkov in postavk, ki jih kadrovski oddelek

premore, in nato z analiziranjem, kako vsaka posamezna postavka vpliva na celotno

uspešnost. Od tu kadrovska funkcija identificira trende, ki vodijo k boljšemu razumevanju

in poti do izkoristka človeškega kapitala (IBM Corporation, 2009). Po drugi strani poročilo

BCG-ja opozarja, da so metrike v kadrovski funkciji uporabne le, če je posluh vodstva do

HRM. Veliko vodij ima sedaj že nadzorne plošče, ki prikazujejo metrike o poslovni in

finančni uspešnosti podjetja. Vključevanje HRM-metrik pa ni zadostno in bi morale

vključevati tako kvalitativno kot kvantitativno opredeljene HRM-metrike (BCG, 2016).

Tako IBM Corporation daje smernice usmeritve kadrovske funkcije, vendar ne ponuja

konkretnih rešitev za zajemanje pravih podatkov. BCG poda konkretne primere zajemanja

kvalitativnih in kvantitativnih metrik, čeprav so še daleč od dosegljivih, in pogojuje podporo

35

vodstva z uspehom HRM-metrik v podjetju ter tako preloži odgovornost na vodstvo. Snell

(2011) navaja, da je uspeh BI v kadrovski funkciji sicer mogoč, če se podjetje osredotoči na

prave metrike, izbere najpomembnejše podatkovne elemente in definira pričakovanja od

poročanja na tehnološki platformi. To pa razdeli na štiri korake:

razumeti, katere pomembne informacije imajo poslovni pomen, in ugotoviti, katera

sredstva in veščine so potrebne za izvršitev strategije podjetja;

analitično ogrodje za dostavo relevantnih informacij in podelitev dostopa do ustreznih

uporabnikom ter način predstavitve teh podatkov;

odstraniti prepreke in uporabiti podatke na združeni platformi in/ali podatkovnem

modelu, da zajamemo in prikažemo podatke;

zagotoviti, da je dostop do podatkov pravočasen in intuitiven.

2.3 Povzetek gonil in ovir privzemanja poslovne inteligence na

kadrovskem področju

Gonila in ovire na področju BI razvrščam v dve kategoriji: tiste, ki so prisotne ne glede na

to, kje in v kateri funkciji se privzema BI, in tiste, ki so specifične na privzemanje BI-

sistemov znotraj HRM ali pa se nanašajo na človeški kapital.

V Tabeli 2 so tako prikazana gonila, ki so splošna in specifična za privzemanje BI v

kadrovski funkciji. Splošna se lahko pojavljajo tudi pri privzemanju BI v HRM niso pa

specifična za privzemanje v tej funkciji.

Tabela 2: Gonila privzemanja BI in gonila privzemanja BI specifična kadrovski funkciji

Vpliv na

privzemanje BI

Gonila

Gonila za

privzemanje BI

Globalizacija

Iskanje konkurenčne prednosti s privzemanjem BI

Izraba razpoložljive tehnologije in ponudba BI-orodij in sistemov

Sprejemanje informiranih odločitev na podlagi pridobljene analize podatkov

Količina podatkov na razpolago (notranji in zunanji viri)

Sposobnost napovedovanja in predvidevanja dogodkov, ki vplivajo na

poslovanje podjetja

Iskanje vpogleda v podatke, ki jih podjetje zajema

Potreba po dostavi informacij ob pravem času

Prepoznavanje eksternih in notranjih dejavnikov, ki vplivajo na poslovanje

podjetja

Razumevanje interakcij različnih spremenljivk znotraj podjetja

Gonila za

privzemanje BI,

specifične v

kadrovski funkciji

Velika količina podatkov o človeškem kapitalu, v katere ni vpogleda

Prilagoditev HRM na spremembe poslovnega okolja

Pomen človeškega kapitala, izraženega v strategiji podjetja

Izboljšanje učinkovitosti in doprinosa HRM-procesov podjetju

36

Prepoznavanje dejavnikov znotraj HRM, ki vplivajo na poslovanje in rezultate

podjetja

Združevanje HRM-podatkov iz več virov znotraj in zunaj podjetja

Iskanje ROI HRM-aktivnosti

Vzpostavitev HRM v bolj strateško pomembni vlogi

Človeški kader predstavlja velik strošek in pomen povečanja učinkovitosti

zaposlenih

Zahteve zaposlenih in HRM-pomembna področja

Upravljanje s spremembami in kulturna transformacija

Vpeljava objektivnosti v HRM z vpeljavo metrik

Mnoge izmed splošnih ovir, prikazane v Tabeli 3, so v okviru HRM težje prebrodljive. To

je povezano z nestrateško vlogo HRM v mnogih podjetjih in težje merljivosti HRM

aktivnosti. Prav tako kadrovske funkcije pogosto zaostajajo za preostalimi funkcijami v

podjetju pri interpretaciji podatkov in strateški naravnanosti same funkcije. Pri ovirah se tako

zdi, da mora kadrovska funkcija osvojiti še veliko zahtev, preden uspešno privzame BI-

sistem oziroma zagotovi poslovno vrednost privzemanja tega sistema.

Tabela 3: Ovire pri privzemanju BI in ovire privzemanja BI specifična kadrovski funkciji

Vpliv na

privzemanje BI

Ovire

Ovire za

privzemanje BI

Pomanjkanje podpore in sponzorstva vodstva pri privzemanju BI

Analitika, lastništvo podatkov znotraj funkcij (silosna ureditev)

Organizacijski in tehnični razlogi, ki onemogočajo privzemanje BI

Neusklajenost glede poslovno ključnih metrik

Pomanjkljiva interpretacija in prikaz podatkov za odločanje

Upravičenje investicije v BI in težko opredeljiv ROI na investicijo v BI

Standardizacija in kontrola kakovosti podatkov

Sodelovanje med poslovnimi deležniki in IT-osebjem pri privzemanju BI

Ovire za

privzemanje BI,

specifične v

kadrovski funkciji

Ovire, povezane s trenutno uporabo in zajemanjem podatkov v HRM

Oteženo pridobivanje podpore vodstva zaradi nestrateške vloge kadrovske

funkcije

Pomanjkanje analitične kulture v podjetju

Pomanjkljiva postavitev prioritet pri zbiranju podatkov

Pomanjkanje analitičnega pristopa v kadrovski funkciji

Razdrobljenost HRM-sistemov

Pomanjkanje analitičnih veščin pri HRM-sodelavcih

Pomanjkanje ustreznih KPI in metrik HRM

Pomanjkanje dokazov o koristi privzemanja BI v HRM

Dokazi o kritičnosti privzemanja BI v HRM

Neusklajenost med vodstvom in HRM glede organizacijskih ciljev

Neposlovna usmerjenost HRM

Tehnologija in ponudba BI zaostajata na področju HRM

Interpretacija podatkov in predstavitev zgodbe vodstvu

37

3 ANALIZA PRIMEROV

V nadaljevanju bom pri obravnavi privzemanja napredne analitike uporabil primere podjetij

RAC Group Plc. (v nadaljevanju RAC), Maersk Group – Maersk Drilling (v nadaljevanju

Maersk), Ingram Content Group, Chrysler, Lowe's in HCL Technologies Limited (v

nadaljevanju HCL). Pri obravnavi uporabljam sekundarne vire, ki opisujejo privzemanje

napredne analitike v omenjenih podjetjih. Razlog za uporabo sekundarnih virov je predvsem

pomanjkanje podjetij, ki bi objavila lasten napredek pri vpeljavi BI-rešitev v kadrovsko

funkcijo. Namen analize podjetij je ustvariti vpogled v specifična gonila in ovire glede na

stanje pripravljenosti podjetja pri privzemanju BI v kadrovsko funkcijo. Namen analize je

prav tako ustvariti celosten pregled nad številnimi ovirami in gonili, s katerimi se podjetja

pri tem srečujejo.

Primere sem izbral na podlagi dostopnih informacij o procesu privzemanja BI, vidiku

privzemanja, ki ga je vir opisoval, stopnji zaznane pripravljenosti na privzemanje BI v

kadrovsko funkcijo in na podlagi ovir, s katerimi so se podjetja soočala. Izbor sekundarnih

virov pa mi je omogočal analizo podjetij, ki so se poleg skupnih soočala tudi z unikatnimi

ovirami in gonili. V tem primeru se je izbor večjega števila sekundarnih virov izkazal za

prednost. Različna podjetja so mi tako nudila širšo sliko ovir in gonil, s katerimi se podjetje

pri privzemanju BI v HRM lahko sreča. Za vsako izmed podjetij sem tako izpostavil ovire

in gonila, prepoznane v samem viru.

Opisana gonila sem prepoznal iz virov kot notranje (tiste, ki izvirajo iz podjetja) in zunanje

dejavnike (tiste, ki izvirajo iz okolja podjetja, zaradi katerih se je posamezno podjetje

odločilo za privzemanje BI v HRM). Gonila so prav tako prepoznane edinstvene prednosti,

ki jih je podjetje imelo pri privzemanju BI v HRM. Ovire so izhajale iz prepoznanih ovir ali

težav, s katerimi se je podjetje soočalo. Nekatere je podjetje prepoznalo predhodno, nekatere

šele po pričetku procesa. Prav tako sem prepoznal ovire v ključnih faktorjih uspeha, saj bi

bil v primeru pomanjkanja teh faktorjev proces privzemanja neuspešen ali pa neizvedljiv.

Pri literaturi je potrebna tudi kritična presoja, saj sta dve uporabljeni poročili zaradi

sodelovanja med ponudnikoma uporabljene informacijske rešitve in podjetjem lahko

predstavljeni subjektivno. To sodelovanje je prisotno v primerih podjetij RAC in HCL. Pri

podjetju Lowe's je pri uporabljenem poročilu sodelovalo podjetje, ki je pomagalo oblikovati

statistični model.

Podjetja so bila pred privzemanjem BI na različnih stopnjah zrelosti uporabe podatkov v

kadrovski funkciji. Ocenjevanje zrelosti BI je zaradi sekundarnih virov težavno in

predstavlja nerelevantno oceno, saj je ta relevantna le, če je izvedena s strani udeležencev v

podjetju.

38

3.1 Primer: podjetje RAC

Podjetje RAC je bilo ustanovljeno v letu 1897. Ustanovilo je uniformirane patrulje in kot

eno prvih podjetij postavilo ob ceste telefone za klice v sili. Njihov fokus je bil sprva na

področju pomoči na cesti z najbolj modernim sistemom za procesiranje klicev. Kasneje se

je podjetje razširilo tudi na druga področja. Eno izmed teh področij je bilo tudi

zavarovalništvo. Podjetje RAC je bilo del prevzemov s strani skupin Lex Group, Aviva Plc.

in Carlyle Group. Sedaj si delež podjetja lasti tudi GIC, singapurski premoženjski sklad

(RAC Group Limited, 2017).

Sedanja ponudba podjetja (RAC Group Limited, 2017):

pomoč na cesti z več kot 8 milijonov trenutnih naročnikov storitve,

zavarovanja za prevozna sredstva,

preverjanje avtov in pregledi ob nakupu avtomobila,

informacije o prometu in potovanju,

RAC-ov planer poti in

pravne storitve.

Podjetje je zgodaj prepoznalo potrebo po razumevanju, ocenjevanju in priporočanju

sprememb, ki so potrebne, da dosežejo enoten pristop do HRM-praks. Podjetje je tako

predstavilo strategijo upravljanja s človeškim kapitalom. Začeli so spreminjati način pristopa

do človeškega kapitala v podjetju.

Tabela 4: Gonila kadrovske funkcije za privzemanje analitike v podjetju RAC

Gonila za HRM Razlog za gonilo

Sprejeta strategija vodstva Prilagoditev poslovni strategiji

Povečanje vpogleda v zajete

podatke

Iskanje pomena in povezav med podatki

Merjenje rezultatov HRM-

aktivnosti

Pridobivanje kredibilnosti kadrovske funkcije v očeh vodstva

Prihranek podjetja (zmanjšanje

števila odsotnosti z dela in števila

odhodov)

Ključni problem v podjetju med zaposlenimi

Partnerstvo s ponudnikom

informacijske rešitve

Partnerstvo s podjetjem IBM Corporation, ki je bilo ponudnik

tehnološko-informacijske rešitve, uporabljene v podjetju

Vir: IBM Corporation, How smart HR departments win with business intelligence, 2009.

Vzvod za vpeljavo nove strategije je bilo število odsotnosti z dela in pogosti odhodi

zaposlenih iz podjetja. Zabeleženi podatki o omenjenih problematikah niso bili na voljo.

Nosilec teh podatkov in partner na področju človeškega kapitala je kadrovska funkcija (IBM

39

Corporation, 2009). Gonila privzemanja BI v HRM v podjetju prikazane v Tabeli 4. Sprejetje

nove strategije je HRM potisnilo v pregled razpoložljivih podatkov in ocenitev HRM-

sistemov, ki so bili razdrobljeni (IBM Corporation, 2009).

Zaradi njihove nepopolnosti je bilo zaupanje v podatke majhno in kadrovska funkcija je

pričela pripravljati korake na področju podatkovne in analitične podpore, ki bi zagotovila

obveščenost funkcije in vodstva o problematikah na človeškem kapitalu in zagotovila

merljivost ukrepov in HRM-aktivnosti za zmanjšanje prepoznane problematike. Koraki k

boljši podatkovni in analitični podpori so bili: združitev HRM-sistemov, začrtanje metrik in

ključnih indikatorjev uspešnosti, zajemanje potrebnih podatkov za merjenje metrik in z

njihovo uporabo merjenje napredka HRM-aktivnosti na problematičnih področjih. Za

dosego teh ukrepov so se tako pojavljale ovire, ki so predstavljene v Tabeli 5 (IBM

Corporation, 2009).

Tabela 5: Ovire kadrovske funkcije pri privzemanju analitike v podjetju RAC

Ovire za HRM Razlog za oviro

Podpora vodstva Čeprav je strategija prišla iz vodstva, je kadrovska funkcija za

izboljšanje razmer potrebovala investicijo v privzemanje

analitike. Ta investicija je predstavljala tako finančno kot časovno

komponento. Finančno v novi sistem, ki vključuje podatkovno

skladišče, ki bi združilo podatke iz različnih sistemov, časovno

komponento pa zaradi novo začrtanega zajemanja podatkov v

kadrovski funkciji.

Administrativna vloga in

kredibilnost predloga

Kadrovska funkcija je imela vlogo administrativnega centra in ni

nudila aktivne strateške podpore vodstvu, kar je vplivalo na njeno

kredibilnost pri pridobivanju podpore vodstva.

Povezovanje KPI in metrik Kadrovska funkcija ni imela vzpostavljenih metrik, ki bi jih želela

meriti, in ni imela jasno vzpostavljenih prioritet, kaj meriti.

Sledljivost aktivnosti tako ni bila mogoča. Vzpostavitev metrik je

zahtevala dodatno zajemanje podatkov.

Razdrobljenost sistemov,

nepopolni podatki in nezaupanje v

podatke

V HRM so uporabljali različne HRM-sisteme za sisteme za plače.

To je bila posledica prevzemanja podjetij z različnimi sistemi.


Prvi korak je bil združitev sistemov in privzemanje tehnične rešitve, ki so jo našli v IBM

Corporation-ovem sistemu Cognos. Skupaj z združitvijo sistemov so prav tako opredelili

metrike, ki so jih želeli meriti. Za te metrike je bil potreben tudi dodaten čas, da so zajeli

podatke, ki jih predhodno niso. Po združitvi razdrobljenih sistemov so pridobili veliko

podpore znotraj podjetja, saj so lahko poizvedovali po ključnih indikatorjih uspešnosti, ki so

jih ustvarili (IBM Corporation, 2009).

40

V podjetju RAC so si začrtali listo 10 metrik, prikazane v Tabeli 6, vendar so se ravno zaradi

povezanih stroškov z zbiranjem podatkov odločili in fokusirali na štiri glavne metrike. S

planiranim zajemanjem najpomembnejših metrik in podatkov so skozi čas izboljšali

zmožnost poizvedovanja. Zbiranje dodatnih podatkov se je moralo zaradi dodatnih

administrativnih stroškov tudi obrestovati (IBM Corporation, 2009).

V podjetju RAC se je s privzetjem podatkovnega skladišča, opredelitvijo prioritet in

pričetkom merjenja metrik spremenila vloga kadrovske funkcije iz administrativnega centra

v center donosnosti. Z izboljšavo zajemanja podatkov in ustvarjanja ključnih indikatorjev

uspešnosti je lahko končno ponudilo tudi nekaj preostalim funkcijam znotraj podjetja. S tem,

ko je HRM pridobil na razpolago orodje, s katerim lahko hitro opredeli kritična področja in

kaže uspešnost HRM-ukrepov, se je povečal tudi vpliv na strategijo podjetja, ki jo HRM

ima. Sistem jim je omogočil, da se osredotočijo na točke, kjer so zaznali problematiko.

Postali so bolj osredotočeni nad problematična področja in niso potrebovali širokega pristopa

za reševanje specifičnih težav. Prav tako so postali veliko bolj odzivni pri soočanju s

problematiko. Strategija še vedno igra ključno vlogo v podjetju in je pripomogla k

razumevanju zaposlenih, problematike in vrednot, povezanih z njimi (IBM Corporation,

2009).

Tabela 6: Ključne HRM-metrike v podjetju RAC

RAC Komentar

Zadovoljstvo z notranjimi sodelavci

Prioritetne metrike Odsotnosti z dela (bolniški dnevi in odsotnost z dela)

Fluktuacija

Stabilnost kadra

Zadrževanje novih sodelavcev

Metrike sekundarnega pomena

Razlogi za odhode

Spol in razmerje med zaposlitvijo za določen in nedoločen čas

Etnični profil

Čas zaposlitve v podjetju

Starostni profil


Doprinos BI in poslovne analitike je bil ocenjen kot pozitiven zaradi sledečih razlogov (IBM

Corporation, 2009):

poizvedovanje po podatkih in metrikah je pomenilo, da so pridobili vpogled v zajete

podatke in človeški kapital;

utrjen položaj HRM kot strateškega partnerja;

zaupanje v HRM-analitiko po ovrednotenem rezultatu in pridobljeni dodatni podpori;

nadgradnja prvotnega plana in strategije ter zasledovanje poglobljene analize;

41

3.000 izvedenih poročil na mesec po metrikah, ki so jih opredelili takoj po privzetju

sistema;

avtomatizacija procesa in odvzem administracije kadrovski funkciji;

zaposleni, ki so upravljali s podatkovnim skladiščem, so sedaj lahko analizirali tudi

podatke, ustvarjene v kadrovski funkciji;

v letu 2002 je bila odsotnost z dela velik problem in zaposleni so bili odsotni z dela v

povprečju 10 bolniških dni na leto. Število bolniških dni jim je uspelo znižati na 8,5, kar

v prihrankih nanese 1,5 milijona funtov.

Kadrovska funkcija v podjetju RAC je doživela hiter uspeh pri privzemanju BI. Za naslednji

cilj so želeli izkoristiti zanos, ki so ga prejeli, in razširiti vpogled v podatke, ki jih zajemajo

tudi izven v drugih funkcij.

3.2 Primer: divizija Maersk Drilling podjetja Maersk Group

Podjetje je del skupine Maersk Group in obratuje od leta 1972. Njihovo področje dela so

storitve na področju gradbeništva in dobava surove nafte do večjih podjetij, kot je Statoil.

Maersk Drilling ponuja storitve črpanja nafte drugim podjetjem. Je eno izmed večjih

podjetij, ki gradi oljne ploščadi in ima več kot polovični delež naftnih ploščadi na

Norveškem (Maersk Drilling, 2017).

Zaradi nevarnosti, ki delavcu grozijo vsak dan na vsaki od ploščadi, je podjetje zahtevno pri

iskanju novih članov svojih posadk. Poleg tega podjetje investira v izobraževanje delovne

sile za nadaljnji dve leti (Maersk Oil, 2017).

Podjetje Maersk je zgodaj opazilo pomen človeškega kapitala v industriji, ki se je soočala z

zaostrenimi poslovnimi pogoji. Zaostrene poslovne razmere pa so dodatno vzbudile potrebo

po vzpostavitvi partnerskega odnosa med HRM in vodstvom podjetja. Doslej je bilo videnje

podjetja kljub globalnemu trgu centralizirano in se je ideja o globalnem pregledu in nastopu

šele rojevala (Rasmussen & Ulrich, 2015).

Potrebovali so spremembo v organizaciji podjetja, ki jo je izpolnjevala kadrovska funkcija.

Z reorganizacijo so prebili silosno organizacijo in se približali matrični strukturi. HRM je

vzpostavil svojo strategijo, ki je bazirala na bodočih poslovnih potrebah in podkrepitvah

lastnih sposobnosti, da podpirajo poslovne potrebe na tej poti (Hill, 2016).

V podjetju Maersk so prav tako verjeli v HRM-analitiko, ki ni omejena le znotraj kadrovske

funkcije, ampak je smatrana kot del, ki nudi dodatne informacije na strateški ravni. HRM-

cilj je bil, da podatke, zajete v kadrovski funkciji, smiselno povežejo do poslovnih rezultatov

ter s svojimi storitvami in aktivnostmi nudijo dodano vrednost. To so zagotovili s praktično

uporabo metrik, statistike in raziskovalne metodologije. Pridobljene informacije pa so vodile

do bolj strateškega odločanja. V podjetju stremijo k uporabi napredne analitike in na podlagi

42

statističnih raziskav in raziskovalnih metodologij napovedujejo dogodke in izdajajo

priporočila. To so storili s povezovalnim korakom med enostavno in napovedno analitiko,

ki so jo poimenovali povezovalni člen (Votteler, 2014).

Primer: povečanje učinkovitosti naftnih ploščadi

V podjetju so bile med vrtalnimi ploščadmi velike razlike v učinkovitosti ob sicer podobnih

pogojih. Vodstvo podjetja in CHRO so si zato postavljali ključna vprašanja glede uspešnosti

naftnih ploščadi (Rasmussen & Ulrich, 2015):

1. Kaj pojasnjuje varianco v uspešnosti med ploščadmi?

2. Kako je lahko pridobljeno znanje učinkovito preneseno na nove ploščadi, ki začenjajo z

delovanjem?

3. Kako bodo lahko rezultati uporabljeni, da zagotovijo naročnikom, da bo podjetje

dosegalo obljubljene standarde uspešnosti ob trenutni rasti na trgu?

Tabela 7: Ključne HR-metrike modela učinkovitosti ploščadi v podjetju Maersk

Maersk (uspešnost ploščadi) Komentar

Zadovoljstvo kupcev Merjeno v CRM

Kakovost vodstva Merjeno v letni anketi

Izkušenost delovne sile Dokumentirana v primerjavi z zahtevami in standardi industrije

Uspešnost pri varnosti Merjeno v notranjem varnostnem sistemu

Uspešnost v varovanju okolja Zabeležena razlitja v sistemu zdravja, varnosti in okolja v skladu s

standardi industrije

Ure vzdrževanja

Rezultati operativne uspešnosti Merjeno v BI-sistemu podjetja

Vir: T. Rasmussen, & D. Ulrich, Learning from practice: How HR analytics avoids being a management fad,

2015.

Z uporabo poslovne analitike in tako kvalitativnih kot kvantitativnih podatkov preteklih

poslovnih izkušenj in intuicij vodij ploščadi glede tega, kaj žene uspešnost, so našli močne

povezave med metrikami in podatki, ki so podani v Tabeli 7.

Ko so identificirali ključna področja in vprašanja, so spremenljivke povezali v model: sprva

model, ki je temeljil na dosedanjih dognanjih in predvidevanjih, zatem pa so analizirali

podatke in jih povezali s tem, kar so jim pravile izkušnje. Zgrajeni model je razviden na

Sliki 9.

43

Slika 9: Model faktorjev v podjetju Maersk


2015.

V modelu so vključeni determinacijski koeficienti, ki z odstotki opredelijo delež pojasnjene

variance. Model kaže determinacijski koeficient med zadovoljstvom kupcev in obratovalnim

časom ter operativno uspešnostjo ploščadi. Podobno so determinacijski koeficienti

izračunani za preostale elemente znotraj modela. HRM v Maersku je skušal ne le prikazati

povezavo med dvema spremenljivkama, temveč skozi celotno vrednostno verigo.

Tabela 8: Gonila kadrovske funkcije za izgradnjo analitičnega modela v podjetju Maersk


Poslovna potreba in poslovni

problem

Različna uspešnost naftnih ploščadi, povezana s človeškim

kapitalom.

Povečanje vpogleda v zajete

podatke

Iskanje pomena in povezav med podatki z izgradnjo modela.

Opredelitev kritičnih področij Najprimernejša področja za HRM-aktivnosti, ki vplivajo na

rezultat.

Status HRM kot strateški partner

vodstvu

Utrditev položaja HRM in doprinos funkcije k sprejemanju

strateških in boljših odločitev vodstvu.


2015.

Znotraj modela je vidna močna povezava med kakovostjo vodstva. Če je le-ta boljša, pomeni

manjše število odhodov zaposlenih, torej bolj izkušeno posadko, kar pa pomeni manj

44

vzdrževalnih ur, razlitij in boljšo varnost pri delu. Vse to pa je povezano tudi z

zadovoljstvom kupcev in naročnikov. Na podlagi modela so izdali priporočilo za izboljšanje

kakovosti vodstva (Rasmussen & Ulrich, 2015). Tabela 8 predstavlja gonila kadrovske

funkcije v podjetju za izgradnjo analitičnega modela v podjetju Maersk.

Tabela 9: Ovire kadrovske funkcije pri izgradnji analitičnega modela v podjetju Maersk

Ovira za HRM Razlog za oviro

Podpora vodstva HRM je za aktivnosti na podlagi modela potrebovala dodatno

podporo vodstva.

Interpretacija in prikaz podatkov

za odločanje

Povezano s pridobivanjem podpore vodstva. Primeren prikaz

podatkov vodstvu za odobritev HRM-aktivnosti.


2015.

Podjetje Maersk je imelo k analitiki celostni pristop in ne omejuje analitičnih naporov na

kadrovsko funkcijo. Prav tako so v preteklosti že imeli izkušnje z uporabo napredne analitike

v domeni HRM. Pričakovanja podjetja so bila, da kadrovska funkcija nudi dodaten vpogled

v podatke in prepozna ključna področja, ki se jih mora podjetje lotiti. Tako je podjetje

predstavilo ključna vprašanja, HRM pa je pripravil model, s katerim so odgovorili na ta

vprašanja (Votteler, 2014). Ta model jim je prav tako služil kot orodje za bodoče odločanje.

V podjetju se sicer zavedajo razlike med znanstvenim in praktičnim modelom, ki lahko

zgleda popolnoma drugače. Praktični model potem služi tudi kot napovedni model. Tabela

9 predstavlja ovire kadrovske funkcije pri izgradnji analitičnega modela v Maersk-u.

Prikaz podatkov je kljub uporabljenim naprednim statističnim metodam (logistični

regresijski model na longitudinalnih podatkih) vključeval le determinacijski koeficient med

različnimi elementi prav zaradi neakademske publike. Vse to z namenom pripovedovanja

zgodbe za tehnično in poslovno občinstvo ter poudarjanje pomena kokreiranja zgodbe z

vsemi deležniki. Na podlagi modela so izdali priporočilo, na podlagi katerega sta se podjetje

in HRM osredotočila na kakovost vodstva s treningom in selekcijo, na izkušenost delovne

sile s sredstvi za izobraževanje in kontrolo ter umestitev ur za vzdrževanje na sistem

kazalnikov posamezne enote (Rasmussen & Ulrich, 2015).

Primer: pomanjkanje ustreznega kadra in ROI na izobraževanje

V podjetju Maersk uporabljajo sistem kazalnikov, ki je uravnotežen s ključnimi kazalniki

uspešnosti in tarčami ter ima v celoti podporo s strani vodstva. Najbolj kritični kazalniki so

obvezni za vse izpostave in opredeljujejo njihovo uspešnost, za katero so tudi pogodbeno

odgovorni. Kritični kazalniki vplivajo tudi na izplačilo nagrad vodstvenim ekipam.

Kazalniki, ki jih uporabljajo, merijo spremembo v številu zaposlenih v primerjavi s stroškom

45

delovne sile, odhode visoko uspešnih posameznikov, uspešnost zapolnitve prostih delovnih

mest in percepcijo plačila za uspešnost.

Tabela 10: Ključne HR-metrike notranjega izobraževanja v podjetju Maersk

Notranje izobraževanje zaposlenih Komentar

Čas, potreben do polne usposobljenosti zaposlenega Merjeno za skupino zaposlenih v

izobraževalnem programu in

skupino zaposlenih z zunanjo

izobrazbo

Zadrževanje kadra po petih letih

Čas, potreben za usposobljenost na pozicijo vodja specialist

Celotni stroški investicije pred pozicijo vodje specialista

Povprečna uspešnost na poziciji vodja specialist


2015.

Kot ključni izziv v podjetju vidijo vojno za kader, saj jim primanjkuje kandidatov za

pozicije, ki jih zaposleni na poti v pokoj zapuščajo (Hill, 2016). Ključne HR metrike v Tabeli

10. Specifično so imeli težave z zapolnitvijo pozicije vodje specialista. Poslovna analitika je

bila uporabljena pri oceni notranjega izobraževalnega programa za pripravnike specialiste.

Pokazali so, da pripravniki kažejo dobre rezultate na ključnih znanjih v primerjavi s

sovrstniki izven podjetja. Poleg tega so povezali enostaven ROI na izobraževanje in z

izsledki sprožili diskusijo o strateškem kadru. Na podlagi predstavljenih rezultatov HRM-

analitike se je podjetje odločilo, da podvoji število kandidatov iz njihovega izobraževalnega

programa (Rasmussen & Ulrich, 2015). Gonila predstavljena v Tabeli 11.




problem

Zaostrovanje na trgu dela in vojna za kader

ROI na izobraževanje Ugotovitev doprinosa, ki ga ima notranje izobraževanje za podjetje,

in njegova primerljivost s kadrom, ki so izobraženi izven podjetja.


2015.

Enostavna statistika je bila uporabljena za podporo zgodbi. V tem primeru je bilo tudi

sooblikovanje zgodbe, podprte s podatki in analitiko. Ugotovljena ovira v Tabeli 12. Podjetje

zaradi izkušenj s HRM-analitiko večjih ovir ni imelo, saj je bila kadrovska funkcija že

uveljavljena kot strateški partner.

46



Interpretacija in prikaz podatkov za

odločanje

Interpretacija podatkov in pripovedovanje zgodbe za iskanje

podpore vodstva.


2015.

Največji izziv je predstavljala opredelitev novih poslovnih zahtev in kritičnih področij.

Kadrovska funkcija v podjetju Maersk se je s svojimi aktivnostmi prilagodila smernicam

vodstva in raziskovala strateško pomembna vprašanja (Votteler, 2014).

3.3 Primer: podjetje Ingram Content Group

Podjetje ponuja digitalne in fizične storitve založniški industriji. Storitve nudijo

distributerjem, založnikom, knjižnicam in izobraževalnim ustanovam na globalnem trgu.

Ingram Content Group je podružnica podjetja Ingram Industries (Ingram Content Group,

2017).

Podjetje se je soočalo z veliko fluktuacijo zaposlenih, ki je bila prepoznana kot velik problem

v podjetju. Skozi leta je dosegla 81,7 % skozi celotno podjetje konec leta 2002 in 102 % v

enem izmed distribucijskih centrov. Tako velika fluktuacija zaposlenih je bila moteč

dejavnik in je za vodstvo logistike ter obratovanje predstavljala oviro pri učinkovitem

vodenju. V HRM podjetja so predvidevali, da je s tako visoko fluktuacijo povezan tudi

strošek. Podjetje je s pomočjo zunanjih podatkov ocenilo škodo, ki so jo zaradi tega utrpeli

(Fitz-enz, 2010). V Tabeli 13 prikazana gonila kadrovske funkcije za izgradnjo analitičnega

modela v podjetju ICG.

Tabela 13: Gonila kadrovske funkcije za izgradnjo analitičnega modela v podjetju ICG



problem

Visoka fluktuacija

Identifikacija kritičnih področij Iskanje področij, kjer lahko kadrovska funkcija nudi dano vrednost

in podporo vodstvu.


Za podporo vodij so potrebovali predstavitev stroškov in koristi osredotočanja, vložka

sredstev in truda v to problematiko. Standardna ocenitev stroškov fluktuacije ni bila

primerna. Takšna ocenitev stroškov bi odtujila vodstvo in onemogočila zasledovanje tega

cilja.

47

Tabela 14: Ovire kadrovske funkcije za izgradnjo analitičnega modela v podjetju ICG


Podpora vodstva Potrebovali za opravičenje stroškov in naporov kadrovske funkcije.

Interpretacija in prikaz podatkov za

odločanje

Interpretacija podatkov in pripovedovanje zgodbe za iskanje

podpore vodstva.


Tako so ustvarili svojo formulo za izračun stroškov, ki bi prav tako pritegnila pozornost

vodstva (Fitz-enz, 2010). V Tabeli 14 ovire kadrovske funkcije za izgradnjo analitičnega

modela v podjetju ICG.

Zaposleni z več kot šest mesecev je v povprečju za 6 % presegal standard produktivnosti.

Novi sodelavci, zaposleni na isti poziciji, pa so dosegali le 50 % standarda, 83 % po treh

mesecih in 95 % med tremi in šestimi meseci. Več kot očitno je bil za vsak odhod velik

padec v produktivnosti. Želeli so ustvariti metriko, ki bi merila in prikazala finančni vpliv

(Fitz-enz, 2010). Opredelili so sledečo metriko, katera se izračuna po enačbi (1):

𝑆𝑡𝑟𝑜š𝑒𝑘 𝑜𝑑ℎ𝑜𝑑𝑎 = 𝑥 − 𝑦 ∗ 𝑧 (1)

X – povprečni standard produktivnosti

Y – povprečna produktivnost novega zaposlenega z 0 do 6 mesecev izkušenj

Z – strošek kadra na enoto

S to formulo so izračunali skupen strošek izgubljene produktivnosti, ki je bila 3.652 dolarjev

na odhod (Fitz-enz, 2010).

Metrike, ki so jih v podjetju merili in komunicirali z vodstvom (te metrike so vključili tudi

na nadzorno ploščo sistema), so prikazane v Tabeli 15.

Naslednji korak je ugotovitev dejavnikov, ki stojijo za problemom, in potem narediti

intervencijske predloge ter kako slediti njihovi uspešnosti.

Pri kadrovanju so kakovost najema zagotovili z ocenjevalnim orodjem (AVA), ki služi

identifikaciji vzorcev obnašanja. Orodje je namenjeno povečanju možnosti zadrževanja

kadra. Orodje so dali izpolniti kandidatom in primerjali njihov rezultat s pozicijo, na katero

so se kandidati prijavili. Poleg tega so privzeli robusten proces pregledovanja vlog za vse

pozicije, ki so plačane na uro, in tako uvedli podoben sistem pregledovanja vlog, ki so ga

imeli za srednji management vloge. Tako so povečali število pregledanih vlog, da bi

zagotovili boljše ujemanje kandidata in vloge (Fitz-enz, 2010).

48

Tabela 15: Ključne HR-metrike v podjetju ICG

ICG Komentar

Fluktuacija in strošek fluktuacije Njihov prvotni namen je bil zmanjšati fluktuacijo zaradi

povezanih stroškov.

Čas, potreben za polno

usposobljenost za delo

Izračunan pri oceni stroška fluktuacije.

ROI na razvoj zaposlenih Izračunan prek zmanjšanja fluktuacije, povečanja vodstvenih

veščin, ki so bile neprestano ocenjene z notranjimi napredovanji

in popisom zmožnosti notranjega vodstvenega kadra.

Kakovost najema Merjenje odhodov po 90 dneh in enem letu po zaposlitvi ter

primerjava s podatki in povprečji na trgu.

Število pregledanih vlog in število

zaposlitev

Zagotavljanje pravega ujemanja kandidata je povečalo število

pregledanih vlog za dvakratnik.

Število sodelujočih zaposlenih v

pokojninskem programu


Za zagotavljanje ustreznega razvoja kadra se je podjetje povezalo s fakulteto za

izobraževalne programe s fokusom na nadzorne in vodstvene pozicije. Organizirali so

izobraževanje v sodelovanju s pravno funkcijo za vodstveni kader. Preoblikovali so

menedžment učinkovitosti, ki je vključeval tudi pomen fluktuacije. S tem so postavili

zmanjšanje fluktuacije kot cilj vsake vodje. Lotili so se vzpostavitve skupin s predstavniki

različnih funkcij z namenom ustvarjanja strategij, aktivnosti za zmanjšanje fluktuacije in

merili njihovo učinkovitost (Fitz-enz, 2010).

Podjetje je poskrbelo, da je osnovna plača na nivoju trga, promocija pokojninskega plana in

vpeljava programa nagrajevanja za uspešnost, ki je temeljil na standardih industrije in

kakovosti (Fitz-enz, 2010).

Organizirali so okrogle mize z vodstvenim kadrom, vpeljali program za sodelavce z nižjo

produktivnostjo, izvedli izobraževanja HRM in vodstvenega kadra pri identifikaciji ključnih

kazalcev, ki lahko vodijo v odhod sodelavca z namenom preprečitve odhoda. Povečali so

priložnosti za zavzetost sodelavcev z vključevanjem sodelavcev v ekipe za izboljšanje

procesov (Fitz-enz, 2010).

Po petih letih vpeljave strategij za zmanjševanje fluktuacije je fluktuacija padla v operativno-

logistični diviziji s prvotnih 81,7 na 25,5 %. Na račun znižane fluktuacije je podjetje doseglo

prihranek, povezan z dodatno produktivnostjo, v višini 13,4 milijona dolarjev v 5-letnem

obdobju. V ključnem distribucijskem centru je fluktuacija padla s 102 na 28,8 %. Fluktuacijo

so primerjali z normo industrije in ko je fluktuacija padla pod to normo, o prekomerni

fluktuaciji niso več poročali (Fitz-enz, 2010).

49

Produktivnost se je povečala z zmanjšanjem fluktuacije in izboljšanjem kakovosti

zaposlitve. Zmanjšali so tudi število zaposlenih za 39,9 %, medtem ko je volumen dela ostal

enak. Novi zaposleni so dosegli polno usposobljenost za delo v povprečju v 88 dneh s

prvotnih povprečnih 180 dni. Zaposlovanje je posledično padlo s 1.799 v 2002 na 796 v

2007 (Fitz-enz, 2010).

3.4 Primer: podjetje Chrysler

Podjetje je ameriški proizvajalec avtomobilov, katerega začetki segajo v leto 1920, sedaj

znan kot Fiat Chrysler, ameriška podružnica podjetja Chrysler Automobiles (FCA US LLC.,

2017). Podjetje ima mrežo posrednikov, ki so organizirani kot franšize. Te franšize pa imajo

ekipe prodajalcev, da generirajo prodajo.

Podjetje je izobraževanja za te prodajalce organiziralo s sedeža podjetja, posredniki pa so

naročili in plačali izobraževanja. V podjetju je tradicionalno že veljalo, da je prodaja

povezana z izobraževanji in treningi, ki jih Chrysler nudi. Tako so vedeli, da zaposleni, ki je

del izobraževanja, proda 35 avtomobilskih delov več kot zaposleni brez izobraževanja.

Vendar v tem niso povezali vzročne povezave, ki bi dokazala, da je boljša prodaja res

posledica izobraževanja sodelavca. HRM je tako iskala vpogled v HRM informacijski sistem

(angl. Human Resources Information System, v nadaljevanju HRIS), CRM in sistem za

upravljanje izobraževanj (angl. Learning Management System, v nadaljevanju LMS). Z

enostavno opisno statistiko in vizualizacijo podatkov so lahko videli trende, ki se skozi sete

podatkov ponavljajo. Tako so predpostavljali, da se izobraževanje odraža v prodaji, niso pa

vedeli, v kolikšni meri se ta odraža. Oddelek, ki je bil odgovoren za izobraževanje, ni imel

veljave pri ostalih funkcijah v podjetju.


Chrysler


Poslovni problem Prepoznan problem fluktuacije

Pridobivanje na veljavi kadrovske

funkcije

Kadrovska funkcija je želela pokazati, kakšen je doprinos

izobraževanja na prodaji, s tem pa si zgraditi bolj strateško vlogo v

podjetju.

Že postavljeno podatkovno

skladišče in komponenta BI

V podjetju so imeli možnost vpogleda v več podatkovnih virov in

primerjati podatke.

Iskanje ključnih področij Identifikacija področij za HRM-aktivnosti pri reševanju poslovnih

problemov.

Vir: G. Pease, B. Byerly, & J. Fitz-enz, Human capital analytics, 2013.

V Tabeli 16 prikazana gonila kadrovske funkcije pri izgradnji analitičnega modela v podjetju

Chrysler.

50

Tabela 17: Ključne HR-metrike v podjetju Chrysler

Chrysler Komentar

Prodaja novih avtomobilov

Glavne metrike Zadrževanje prodajnih svetovalcev

Ocena zadovoljstva s prodajo

Izobraženost prodajalca

Sekundarne metrike

Dodatne metrike za razumevanje vsebine

Velikost zastopnika

Tip franšize

Nosilec franšize

Delovna doba v podjetju

Zgodovina izobraževanj in certifikatov prodajnega svetovalca

Prisotnost izobraženega prodajnega vodje

Razmerje vodja/svetovalec

Vtis prvega obiska (zadovoljstvo strank ob prvem obisku)

Stopnja zadovoljstva strank


Korelacija med prodajo in izobraženostjo sodelavcev jim je nudila kot izhodišče za prihodnje

raziskave. Za iskanje vzročno-posledične povezave so se lotili poslovne študije vpliva (angl.

business impact study), z naprednim statističnim modeliranjem pa so odkrili pomenljive

povezave med spremenljivkami (Pease, Byerly, & Fitz-enz, 2013).

V Tabeli 17 so postavljene ključne HR metrike v podjetju Chrysler. Za postavitev teh metrik

so si v podjetju postavili raziskovalna vprašanja, ki so pripomogla k identifikaciji potrebnih

metrik.

Raziskovalna vprašanja, ki so si jih zastavili v HRM (Pease et al., 2013):

odkriti, katero izobraževanje nosi največ dodane vrednosti;

odstotek povečanja prodaje zaposlenega kot posledica izobraževanja;

povezanost izobraževanja in zadrževanja kadra v okolju, ki je zaznamovano z visoko

fluktuacijo;

poslovna situacija posrednika in njena povezanost z naročanjem izobraževanja;

maksimizacija pozitivnih učinkov izobraževanja za akademijo Chrysler.

V vzorec so vključili 33.867 prodajnih svetovalcev in 3.000 neodvisnih zastopnikov.

Podatki, ki so jih vključili, so obsegali tudi preostala področja znotraj podjetja za obdobje

dveh let. Po analizi podatkov so ustvarili testne skupine in izolirali vpliv izobraževanja na

rezultate prodajalnih svetovalcev. Z analizo podatkov so lahko izključili vse ostale

dejavnike, ki so vplivali na prodajne rezultate (Pease et al., 2013). V tem procesu so bile

prepoznane tudi ovire opisane v Tabeli 18.

51

Tabela 18: Ovire kadrovske funkcije pri izgradnji analitičnega modela v podjetju Chrysler


Podpora vodstva Pridobivanje podpore potrebno za odobritev aktivnosti. Prikaz ROI

na izobraževanje.

Položaj HRM in oddelka za

izobraževanje

Nizka veljava kadrovske funkcije, bolj podrobno oddelka za

izobraževanje.

Podatki v domeni HRM Pridobitev podpore ostalih funkcij v podjetju za analitiko na

podatkih. HR-podatki v takšnem primeru nudijo le omejen vpogled.


Zaključki so bili, da je izobraževanje zaslužno za 15,6 vozila od 35 vozil dodatne prodaje,

ki jo sodelavci, vključeni v izobraževanje, dosežejo. To je bil zadosten dokaz, da

izobraževanje res vpliva na prodajno uspešnost, zaključki pa so nudili tudi dodatno spodbudo

za zastopnike, da izobražujejo zaposlene (Pease et al., 2013). Rezultat je bil odražen tudi na

prodaji, ki ga prikazuje Tabela 19.

V Chryslerju so ugotovili, da je le 48 % novo zaposlenih ostalo po 90 dneh po pričetku z

delom. S testnimi skupinami in izključitvijo preostalih dejavnikov so ugotovili, da med

novimi zaposlenimi popolnoma izobraženi prodajalni svetovalci kažejo veliko večjo

verjetnost po nadaljevanju dela (99 % do 90 dni) (Pease et al., 2013).

Tabela 19: Rezultat izobraževanja, odražen na prodaji

Zaposleni Št. dodatno prodanih avtomobilov po izobraževanju

Brez notranjega izobraževanja –1,3

Z delnim izobraževanjem 10,9

S polnim izobraževanjem 14,3


Chrysler je s temi ugotovitvami dokazal, da izobraževanje zadržuje nove zaposlene v

podjetju in posledično zmanjšuje fluktuacijo ter stroške, povezane z njo, in povečuje

pripravljenost zaposlenih za prodajo (angl. sales readiness) (Pease et al., 2013).

Tretji zaključek je bil glede povečanja učinkovitosti izobraževanja. Ugotovili so, da se pri

večjih zastopnikih kaže večji vpliv izobraževanja na prodajne rezultate, zato je podjetje

zaradi omejenih sredstev izobraževalcev napore izobraževanja usmerilo na te zastopnike.

Drugje so se odločali za drugačne programe (Pease et al., 2013).

3.5 Primer: podjetje Lowe's

Lowe's je ameriško podjetje, ki ima v lasti verigo trgovin z izdelki za dom in trgovin z belo

tehniko. V letu 2007 je Lowe's pričel z novim s podatkovno vodenim HRM z namenom

52

povezave aktivnosti funkcije do poslovnih rezultatov. V HRM in preostalih funkcijah so

sicer predvidevali, da povezave med njihovimi aktivnostmi in rezultati obstajajo. Odločili

so se vpeljati odločevalni model, ki bi jim pomagal pri identifikaciji prioritet HRM in

zaposlenih, ter pokazati, kje je donos na HRM-aktivnosti največji (Coco, Jamison, & Black,

2011). Za izgradnjo modela in podporo pri analitični podpori so najeli zunanje podjetje, ki

jim je pomagalo povezati podatke do preostalih metrik skozi celotno podjetje. V povezavi z

zunanjim podjetjem so prek statističnih podatkovnih modelov iskali vzročno posledične

povezave in pripravili metodologijo za upravljanje s kompleksnimi poslovnimi procesi.

HRM si je v izpeljavi projekta začrtal alokacijo in popis podatkov, izgradnjo modela na

podlagi razpoložljivih podatkov, opredelitev ključnih elementov delovanja podjetja in

uporabo modela pri sprejemanju strateških odločitev. Tabela 20 prikazuje gonila kadrovske

funkcije pri izgradnji analitičnega modela v podjetju Lowe's

Na prvi stopnji izgradnje modela so predvideli potrebo po vključitvi drugih funkcij podjetja.

Poudarek so naredili na financah, raziskavah trga in operativi. V tem delu je HRM iskal

zavezništvo v drugih funkcijah in soglasje glede ustvarjenega modela. Z usklajevanjem so

si zagotovili lažje sodelovanje med deležniki v prihodnosti (Coco et al., 2011).

Tabela 20: Gonila kadrovske funkcije pri izgradnji analitičnega modela v podjetju Lowe's


Poslovni problem Uspešnost trgovine

Pridobivanje na veljavi kadrovske

funkcije

HRM je lahko z izgradnjo modela meril svoj doprinos k uspešnosti

trgovin. Takšno kvantificiranje uspehov pa doprinese k strateški

pomembnosti funkcije.

Iskanje ključnih področij Identifikacija področij, kamor se HRM lahko usmeri za največji

možen donos.

Vir: C. Coco, F. Jamison, & H. Black, Connecting people investments and business outcomes at Lowe's:

using value linkage analytics to link employee engagement to business performance, 2011.

Revizija podatkov se je začela z rezultati ankete o zavzetosti zaposlenih. Količina podatkov

zavzetosti je morala biti zadostna, kar pomeni, da so želeli zavzetost zaposlenih razlikovati

po poziciji, ocenjena na več kot 5-stopenjski Likartovi lestvici in po lokaciji. Povezati so si

zadali še HR-podatke (fluktuacijo, število bolniških dni itd.), marketinške podatke

(zadovoljstvo kupcev, lojalnost itd.), operativne podatke (primanjkljaj zaloge, varnost itd.)

in finančne metrike (prodaja na površino, neto prihodek itd.). Proces modeliranja se je začel

z zbiranjem in čiščenjem podatkov iz različnih virov.

Na podlagi podatkov so ustvarili kvalitativne metrike (Coco et al., 2011). Vse ovire

ugotovljene v primeru so povzete v Tabeli 21.

53

Tabela 21: Ovire kadrovske funkcije pri izgradnji analitičnega modela v podjetju Lowe's


Podpora vodstva Podpora vodstva za investicijo v izgradnjo modela in aktivnosti, ki

so iz njega sledile.

Podpora ostalih funkcij Potrebna je bila tudi podpora ostalih funkcij zaradi konsenza, ki so

ga želeli doseči glede modela.

Podatki v domeni HRM – silosi

znotraj podjetja

Podatki so bili raztreseni med več funkcij; silosi znotraj podjetja ter

nepretočnost in oteženo prehajanje podatkov.



V fazi usklajevanja z drugimi oddelki so sklicevali veliko sestankov, katerih namen je bil

tudi ustvarjanje podpore in kredibilnosti med drugimi funkcijami. Naslovili so prehajanje

podatkov v druge funkcije, ustvarili prvotni načrt povezave podatkov glede na to, kateri

podatki so bili dostopni, in ocenili kakovost podatkov. V načrt so prav tako vključili hipoteze

in pričakovanja ključnih deležnikov (Coco et al., 2011).

Zaradi finančnih in operativnih podatkov, ki so bili preobčutljivi za obdelavo izven podjetja,

so analizo izvedli znotraj podjetja. Podatke sta analizirali dve ekipi, ena, ki je vključevala

statistike, in ena, ki so jo sestavljali strategi. Namen ustanovitve dveh ekip je bil, da preverijo

tako statistično natančnost kot poslovno realnost modela. Vključeval je 600 spremenljivk v

začetnih podatkih za analizo (Coco et al., 2011).

Na podlagi temeljnih modelov so kvantitativno opredelili finančni vpliv, ki ga je imel HRM

na podjetje. Modele so sčasoma še dodatno opredelili z dodatnimi metrikami in z njimi

pridobili dodaten vpogled.

Na tej stopnji so s pomočjo modela prišli do ugotovitev (Coco et al., 2011):

izobraževanje poveča stroške, vendar poveča tudi učinkovitost in ima finančni vpliv;

delovne izkušnje managerja in število zaposlenih vplivajo na zadovoljstvo kupca;

najbolj učinkovit HRM-program in kje je najbolj smiselno investirati za povečanje

zadovoljstva kupca.

Na tej stopnji so s pomočjo modela prišli do ugotovitev (Coco et al., 2011):

izobraževanje poveča stroške, vendar poveča tudi učinkovitost in ima finančni vpliv;

delovne izkušnje managerja in število zaposlenih vplivajo na zadovoljstvo kupca;

najbolj učinkovit HRM-program in kje je najbolj smiselno investirati za povečanje

zadovoljstva kupca.

54

Slika 10: Prvi načrt analitičnega modela posamezne trgovine podjetja Lowe's



Z ustvarjenimi modeli, eden izmed modelov predstavljen na Sliki 10, so iskali potrditev s

strani vodstva in ker je bil model usklajen s strani preostalih funkcij, ga je vodstvo podprlo.

Z vodstvom so se dogovorili za ukrepanje in v naslednjih petih letih je projekt prešel čez

celo podjetje; tako se sedaj podjetje osredotoča na zavzetost zaposlenih. HRM še vedno gradi

na modelu z dodajanjem novih podatkov, model pa služi tudi kot orodje za merjenje

učinkovitosti HRM-programov (Coco et al., 2011).

3.6 Primer: podjetje HCL Technologies Limited

Podjetje je bilo ustanovljeno v indijskem mestu Noida. HCL združuje IT- in inženirske

rešitve na področju poslovnih storitev, upravljanje z rešitvami, poslovno analitiko in storitve,

raziskave in razvoj, mobilnost itd. Podjetje je v preteklosti doživelo hitro rast tako po

prihodkih kot po številu zaposlenih. Trenutno zaposluje 111.092 ljudi v 32 državah. Zaradi

velikega števila ljudi ima v IT-industriji strategijo, ki postavlja zaposlenega na prvo mesto

55

(HCL, 2017). S to vizijo so dosegli, da se je prihodek na zaposlenega povečal za 36,8 % v

petih letih in zmanjšala fluktuacija za 16 odstotnih točk. Prihodke so v istem obdobju

potrojili (Dutta & Venkatagiri, 2017). Vsa gonila v tem primeru so povzeta v Tabeli 22.

Strategija s fokusom na človeškem kapitalu in kulturi podjetja je bila vzpostavljena v letu

2012 in je tako nadomestila dolgoletno predhodno strategijo, ki je bila osredotočena na

dobičkonosnost finančnega kapitala. Z novo strategijo pa je bil potreben vpogled v delovno

silo, ki so jo zaposlovali. S projektno organiziranim delom je bil izziv po pravočasni in

odzivni zapolnitvi projektnih skupin velik (Dutta & Venkatagiri, 2017).

Tabela 22: Gonila kadrovske funkcije pri analitični podpori podjetja HCL


Strategija podjetja Človeški kapital je v ospredju

Poslovni cilj Optimizirati sredstva, minimizirati napake in poenostaviti proces

kadrovanja.

CHRO – pobudnik informacijskih

rešitev v HRM

V podjetju so imeli CHRO, ki je bil nosilec strategije HRM pri

uporabi analitike. Prav tako je bil pobudnik sprememb in iskanja

informacijskih rešitev.

V podjetju razvit sistem za

analitiko na podatkih o kadru

Platforma podjetja EdGE je opolnomočila HRM v HCL, da uporabi

svoje znanje, meri zadane metrike in izpolni lastna pričakovanja.

Vir: D. Dutta, & S. Venkatagiri, EdGE Networks: Making HR intelligent, 2017.

CHRO podjetja je bil predan tehnološkim rešitvam za izboljšanje učinkovitosti v organizaciji

in je videl doprinos, ki ga lahko nudi HRM-analitika. Za cilj so si v kadrovski funkciji zadali,

da bodo optimizirati čas in trud pri iskanju kadra, minimizirali napake v kadrovanju in

poenostavili proces kadrovanja. Začeli so prenavljati HRM-procese, ki so neposredno

vplivali na ljudi, in izključili postopke iz procesa, ki niso nudili dodane vrednosti. Vpeljava

sistemov IBM Kenexa in SAP SuccessFactors je bil naslednji korak. Čeprav so sprva vzeli v

obzir le prenovo procesa, je bil fokus kasneje postavljen širše in je zajemal napredno

analitično rešitev, kar je tudi razlog za vključitev tega podjetja v analizo s preostalimi

zajetimi podjetji (Dutta & Venkatagiri, 2017).

Oblikovali so bodočo sliko zaposlovanja kadra, kjer bi kandidat bil predstavljen odločevalcu

z enostavno metriko ali odstotkom ujemanja z delovnim mestom, borzo zaposlenih, kjer

lahko zaposleni sam razglasi, da so pripravljeni na novo zaposlitev skupaj z atributi, ki

opisujejo idealno zadolžitev. Prenovljena vrednostna veriga kadrovalnega procesa je bila

ozko osredotočena na optimizacijo zapolnitve delovnih mest tako z notranjimi kot zunanjimi

kandidati. Prepoznali so dva ključna problema pri izhodiščnem kadrovalnem procesu

notranjih sodelavcev, in sicer ozka grla in asimetrija informacij. Še posebno slednja je

pogosta pri kadrovanju, saj je funkcija, zadolžena za iskanje kadra, strokovno nepodkovana

za prepoznavo potrebnih veščin in kompetenc za delovno mesto. Oba ključna problema so

56

odpravili s sistemom veščin, ki je opolnomočil vsakega zaposlenega, da si ustvari profil z

vsemi veščinami, ki jih poseduje, lokacijskimi omejitvami in zahtevami za plačilo (Dutta &

Venkatagiri, 2017). To so bili filtri, po katerih so lahko odločevalci iskali primeren kader.

Odločevalci so v tem primeru vodje projektov, tisti, ki potrebujejo kader, in ne zgolj

kadroviki. Sistem je imel pomanjkljivosti in kljub dodani vrednosti, ki jo je nudil, ni bil

idealen. Pozitivne spremembe so bilo opuščanje opisa delovnega mesta, ki je lahko zajel le

omejeno število relevantnih informacij, zmanjšanje asimetrije informacij in odprava ozkih

grl z razbremenitvijo kadrovske funkcije.

Za neuspešnega se je sistem izkazal zaradi obsežnega dela prek Excelovih tabel,

neosveževanja liste veščin zaposlenih, nevidnih notranjih virov in neustrezne povezave

zaposlenega do pozicije, ki so imele 40 % do 50 % neuspešnost izmed vseh povezav. To je

vodilo do povečanja stroškov in zmanjšanja profitabilnosti in marž.

Zunanji kandidati so se lahko prijavili na spletnih straneh, bili priporočeni s strani obstoječih

zaposlenih, s poslano prijavnico prek spletne pošte in prek dragih agencij za iskanje kadra.

Aktivnega iskanja kandidatov so se posluževali prek portalov, ki proti plačilu omogočajo

brskanje po bazi življenjepisov, kot sta Monster in Naukri. Uspešnost aktivnega iskanja pa

je v veliki meri zavisela od izkušenosti iskalca kadra. Podobno kot pri zapolnitvi notranjih

delovnih mest HRM ni imel vpogleda v tehnična znanja in veščine, ki jih primerni kandidati

posedujejo. Prav tako lahko iskalcu kadrov primanjkuje znanja, da bi predvideval sicer

relevantne sorodne veščine. Neposredna posledica je bila izključitev sicer primernih

kandidatov in fokus HRM je bil zadostna in ne idealna zapolnitev delovnega mesta. Pasivne

iskalce so v veliki meri spregledali, saj so bili težje dostopni, vendar v mnogo primerih bolj

primerni (Dutta & Venkatagiri, 2017).

Prvotna prenova HRM-procesa je bila ozka in ni nudila celovite rešitve, zato je CHRO

podjetja poiskal poslovnega partnerja, podjetje EdGE Networks (v nadaljevanju Edge), ki je

v preteklosti razvilo produkt HIREalchemy. Gre za orodje, osredotočeno na iskanje kadra na

spletnih straneh, namenjenih za objavo prostih delovnih mest. Skupaj so zasnovali rešitev,

ki ni zgolj osredotočena na pomoč pri iskanju kadra kadrovski funkciji, temveč nudi dodano

vrednost in vpogled v kader tudi preostalim funkcijam v podjetju (Dutta & Venkatagiri,

2017).

Povzete ovire kadrovske funkcije pri analitični podpori vodstva in preostalemu podjetju, ki

so se pojavljale pri privzemanju BI rešitve sopredstavljene v Tabeli 23.

Za nadaljevanje dela so si začrtali HRM-metrike, s katerimi so se primerjali z normami

industrije predstavljene v Tabeli 24.

57

Tabela 23: Ovire kadrovske funkcije pri analitični podpori podjetja HCL


Ugled HRM Kadrovska funkcija znana po številnih napakah in nezadovoljivi

alokaciji kadra.

Neuspeh prenove procesa Preozka osredotočenost kadrovske funkcije na le en proces.

Pomanjkanje poslovnega

cilja/problema

Ozka usmerjenost le na storitev HRM in nepovezanost metrik do

merljivih poslovnih ciljev.

Pomanjkanje podatkov za

prediktivno komponento

V podjetju je kljub dobrim podatkom in obsežnemu merjenju metrik

še vedno primanjkovalo zadostne količine podatkov za prediktivno

komponento.


Na podlagi vira avtorjev Dutta in Venkatagiri (2017) so tudi v sorodnih podjetjih znotraj IT-

industrije merili zmanjšanje zaposlovanja zunanjih kandidatov v primerjavi z zaposlovanjem

notranjih. To je za podjetja pomembno predvsem zaradi stroška, ki je povezan s plačami

sodelavcev. Zunanji sodelavec zahteva dodaten pribitek na svojo plačo, ki se giblje med 15

in 20 %, medtem ko notranji kandidat ob napredovanju v povprečju pridobi 5 % na svojo

plačo. To pa je vodilo do nesorazmerij v plačah in posledično tudi do odhodov zaposlenih

ter zaostrovanja razmer med zaposlenimi.

Tabela 24: Ključne HRM-metrike v podjetju HCL

HCL Komentar

Zmanjšanje zunanjih zaposlitev Zunanje zaposlitve so 20 do 30 % dražje zaradi

povezanih stroškov.

Fluktuacija in odhodi zaposlenih Namesto enega pristopa za vse zaposlene so si

prizadevali graditi zavzetost zaposlenih na bolj

individualni ravni.

Odstotek sprejema ponudbe Verjetnost sprejema ali zavrnitve ponudbe kandidatu za

delovno mesto.

Čas notranje zapolnitve pozicije Potreben čas za zapolnitev pozicije z notranjim

kandidatom.

Odstotek ur zaposlenega, ki jih lahko

zaračunajo klientu

Projektne skupine podjetja HCL so delale neposredno

za kliente.

Pripravljenost potencialnih naslednikov na

premik na vodstvene pozicije

Kandidati, ki so potencialni na dani moment, da

prevzamejo vodstveno pozicijo. Bazen kandidatov za

napredovanje.


Število odhodov je dodatno obremenilo kadrovsko funkcijo in zmanjšalo število zaposlenih

v bazenu sodelavcev za napredovanje in za zapolnitev notranjih mest. Zadrževanje kadra in

razumevanja, zakaj sodelavci odhajajo, je postalo ključno. Pri selekciji kandidatov so merili

58

tudi odstotek sprejema ponudbe, ki se je v industriji gibal od 35 do 75 %. Zavrnitev ponudb

je povečevala izgubo časa in podaljševanje projektov zapolnitve delovnih mest.

Podjetje Edge je za podjetje HCL zgradilo platformo People intelligence, ki je vključevala

njihovo razumevanje masovnih podatkov in strojnega učenja. Platforma je poskrbela za bolj

pregledno ponudbo notranje delovne sile. Deležniki v procesu in vodstvo podjetja so lahko

videli agregirano ponudbo delovne sile. Deležniki HRM-procesa pa so lahko, podobno kot

že predhodno v prenovljenem procesu, tudi filtrirali med notranjimi kandidati. Za te namene

jim je bil dodeljen prilagojen dostop (Dutta & Venkatagiri, 2017).

Sistem, ki ga je razvil Edge, je z naprednimi analitičnimi metodami lahko napovedoval,

predvideval in predlagal kandidate na delovna mesta. Proces kadrovanja se je začel z objavo

opisa in profila delovnega mesta, na katerega je na podlagi ključnih besed algoritem

predlagal potrebne in nakazane veščine, ki naj bi jih uspešen kandidat imel. To je reševalo

problem predhodno omenjene asimetrije informacij in je sedaj s pomočjo algoritma in

predvidevanja sistema dopolnilo znanje HRM pri povezovanju kandidatov z razpisanimi

mesti. Ustvarjen profil je bil namenjen iskanju kandidatov tudi na zunanjih straneh, kot je

prej omenjeni Monster. Sistem je prejete in najdene življenjepise razvrstil in na podlagi

ujemanja podal oceno. V kalkulacijo ujemanja je vključil svežino življenjepisa in ujemanje

z delovnim mestom. Sistem je tudi podal pomanjkljivosti posameznega življenjepisa do

boljše ocene (Dutta & Venkatagiri, 2017).

Za primere, ko niso imeli notranjega kandidata, je platforma tudi sama iskala primerne

kandidate na zunanjih straneh in bazah. Te kandidate je poleg pregleda po izkušnjah

razvrstila tudi po lokaciji, trenutni zaposlitvi in veščinah. Zaradi vključevanja preostalih

deležnikov v kadrovanje in delnega prevzema aktivnega iskanja s strani sistema je to

osvobodilo HRM-kader, da se ni posvečal toliko iskanju in ocenjevanju življenjepisov,

ampak se je lahko sedaj posvečal izbiri kandidatov in intervjuvanju. Projektni vodje so lahko

poleg iskanja kandidatov z notranjim filtrirnim sistemom tudi vstopili v kontakt z njimi

(Dutta & Venkatagiri, 2017).

Velika dodana vrednost sistema je bila tudi prediktivna komponenta, ki je na podlagi

alociranja kadra lahko napovedovala bodoče potrebe po zaposlenih in veščinah, ki jih bodo

potrebovali. Pri tem je lahko oddelek za razvoj in izobraževanje hitro uporabil namige za

organizacijo potrebnih izobraževanj, certificiranj in treningov. Orodje pa ni le povezovalo

zaposlenih do delovnega mesta, ampak tudi ujemanja delovnih mest za posameznika. Da bi

sistem kar se da natančno napovedal možnost zavrnitve ponudbe s strani kandidata, je Edge

uporabil podatkovno bazo agencije, ki se je ukvarjala z iskanjem in selekcijo kadra na IT-

področju. Razlog za uporabo zunanje baze je bilo notranje pomanjkanje relevantnih

podatkov. Predvidevanje verjetnosti, da bo kandidat izstopil iz procesa, je HRM-

strokovnjakom omogočilo, da so postali bolj pragmatični pri izbiri kandidatov (Dutta &

Venkatagiri, 2017).

59

Pri sodelavcih v podjetju HCL se je namesto prvotnega samoizpolnjevanja veščin, ki so ga

predvideli v prenovljenem sistemu, pojavila možnost samodejnega dodajanja veščin glede

na projekte, v katere je bil zaposleni vključen. Podlaga za to je bila mreža kompetenc, ki so

jih klasificirali v strukturo, da jih je lahko sistem povezoval. Prav tako se je odložišče

prilagajalo in ga je sistem vseskozi prilagajal (Dutta & Venkatagiri, 2017).

Prihranki platforme so bili razvidni že pri dokazu koncepta, ki ga je podjetje Edge testno

vpeljalo v HCL. Platformo so merili z enakimi metrikami, kot so jih imeli že postavljene

znotraj HRM. Optimizacija pretočnosti zaposlenih med projekti je prinesla izboljšave glede

alokacije časa in razpoložljivosti kadrov ob pravem času (Dutta & Venkatagiri, 2017).

Ocena stroškov, ki so jih s tem sistemom prihranili, je bila 100 milijonov na račun doprinosa

sistema (Dutta & Venkatagiri, 2017):

optimizacija alokacije kadrov na projektih je vodila do več ur, ki so jih lahko zaračunali

klientu;

manj zamud, ki so prav tako strošek, saj podjetje za neizpolnitev zahteve plača kazen;

povečali so investicijo v sistem pri linijskih vodjah, ki so lahko tudi sami uporabljali

sistem in prav tako opravljali naloge, ki so jih predhodno opravljali sodelavci v HRM;

platforma je omogočila predvidevanje potreb po kadru in veščinah, ki bodo v prihodnosti

v povpraševanju;

izobraževanje in razvoj kadra s predvidevanjem potreb po veščinah in znanjih;

ocenjena verjetnost odhoda sodelavcev iz podjetja za vsakega zaposlenega;

prihranki na času zaradi predvidevanja možnosti kandidata, da bo opustil sprejeto

ponudbo in si premislil.

HRM-vodje so lahko sedaj s pomočjo sistema z 80 % do 90 % uspešnostjo napovedovali

potrebo po zaposlovanju. HRM je lahko povezal povpraševanje po zaposlitvi s prihajajočo

ponudbo. Posledično so lahko prodajniki sklepali posle z realističnimi roki, saj so lahko na

podlagi ponudbe zaposlenih in po potrebi aktivirali zapolnitev mest z zunanjimi kandidati.

4 DISKUSIJA

Na podlagi primerov je razvidno, da je vloga HRM v mnogih podjetjih še vedno nestrateška,

vendar pomen človeškega kapitala raste. Kadrovske funkcije omenjenih podjetij so

privzemale BI z namenom uporabe napredne analitike. Podjetja dodano vrednost napredne

analitike vidijo v predvidevanju dogodkov, ki sledijo odločitvi in tako poskušajo povezati

človeški vpliv na poslovnih rezultatih. Poleg tega se osredotočijo tudi na bolj mikro raven,

kjer želijo meriti uspešnost HRM-aktivnosti in programov ter se osredotočiti na tiste, kjer je

donos na vložek največji.

60

V opisanih primerih je na videz problematika različna: podjetje RAC se je želelo osredotočiti

na odsotnost z dela in število bolniških dni, ki so v podjetju dosegali visoko raven, skupina

Maersk Drilling na vzroke učinkovitosti posameznih naftnih ploščadi in vrednost notranjega

izobraževanja, Ingram Content Group in Chrysler na vzroke za visoko število odhodov, HCL

pri iskanju in povezovanju kadra na prosta delovna mesta ter Lowe's na povezovanje HRM-

aktivnosti do poslovnega rezultata, vendar je vsem podjetjem skupno, da so s pomočjo

analize velikega števila podatkov zgradili vpogled v podatke, zaposlene in procese.

V nadaljevanju so opisane ovire, ki onemogočajo uspešno privzemanje analitike v HRM, in

glavna gonila, ki sem jih zaznal v obravnavanih primerih. Prav tako predstavljam rezultate

privzemanja za podjetja v delu.

4.1 Pomanjkanje podpore vodstva pri privzemanju analitike

Podpora vodstva pri privzemanju velja kot ključna ovira, s katero se soočajo HRM-oddelki

pri privzemanju BI-rešitev v podjetje. Podpora vodstva je pomembna pri zagotovitvi

finančne podpore projektu in sponzorstva, ki daje veljavo projektu znotraj celotnega

podjetja. Pomen pridobitve tovrstne podpore je predvsem v potrebnih finančnih sredstvih, ki

jih tovrstni projekti zahtevajo, in medfunkcijskem sodelovanju s podatki, sredstvi ter skupno

postavljeni strategiji. Čeprav so kadrovske funkcije v analizi večinoma pridobile podporo

vodstva, je za nova podjetja to ključna ovira in onemogoča privzemanje BI v HRM.

Pridobivanje podpore vodstva na podlagi analiziranih primerov:

v podjetju RAC se je izkazalo, da je pomembno zagotoviti hiter uspeh, ki utrdi zaupanje

v naložbo. Z združitvijo ločenih sistemov so zagotovili hiter vpogled v podatke in

možnost merjenja enostavnih metrik ter si tako utrdili zaupanje vodstva;

skupina Ingram Content Group je podporo vodstva pridobila z realno oceno fluktuacije,

katere izračun je odstopal od klasičnega, vendar je bolj realistično odseval sliko v

podjetju in ohranjal pričakovanja na realistični ravni;

v podjetju Chrysler je HRM želel povezati izobraževanje in prodajo novih avtomobilov,

povpraševanje po notranjem izobraževanju pa se je pojavilo s strani jemalcev franšiz.

Nosilci franšize so bili kupci izobraževalnega programa matičnega podjetja. Z

ugotovitvijo korelacije in vzročno-posledične povezave je lahko vodstvo podprlo

investicijo v aktivnosti, ki so doprinašale k boljšim rezultatom;

v podjetju Maersk sta bila zaupanje in podpora v preteklosti že vzpostavljena, vendar se

je kadrovska funkcija z novo iniciativo soočala s potrebo po ponovni pridobitvi podpore;

HRM v podjetju Lowe's je imel podporo vodstva v predhodnem projektu, kar je za

nadaljnje delo funkcija izkoristila in gradila že na obstoječem zaupanju v privzemanju

analitike v kadrovsko funkcijo;

61

zaradi spremembe strategije v podjetju HCL v podjetje, ki je bolj osredotočeno v človeški

kapital, je podpora vodstva prišla skupaj s cilji, ki so bili skladni s strategijo in testnim

projektom, ki je kazal uspehe že v zgodnji fazi.

Pri iskanju podpore vodstva je pomemben skupen poslovni jezik, ki ga strokovnjaki na

področju HRM in vodstvo morajo osvojiti. Kadrovska funkcija se lahko in tudi se odloča za

pristop, ki temelji na metrikah, in tako naredi cilj merljiv, za vzročno posledične povezave

pa v sodelovanju s preostalimi deležniki zgradi model, ki se osredotoča na poslovno tematiko

in vključuje področja v domeni kadrovske funkcije. To se v predstavljenih primerih izkazuje

za pomembno, saj to omogoči kadrovski funkciji razumevanje jezika, ki ga vodstvo pogosto

zahteva od preostalih funkcij. To dodatno podpirajo pogosto majhna analitična podpora

kadrovski funkciji in razumevanje problematik znotraj podjetja v širšem poslovnem

kontekstu.

Kljub temu da se kadrovske funkcije vsebinsko poglobijo v problematična področja in

planirajo aktivnosti za reševanje, v mnogo primerih le predstavljajo podatke in prepuščajo

vsebinsko interpretacijo drugim. Vendar je smiselno, da je interpretacija o problematikah

oblikovana znotraj funkcije, ki je najbolj usposobljena in strokovno podkovana na tem

področju. V podjetjih RAC, Lowe's in Maersk je že predhodno obstajalo prepričanje, da so

podatki med seboj povezani, vendar dokler niso s pomočjo modela vodstvu podjetja tega

tudi predstavili z analizo, nadaljnje aktivnosti niso bile opravičene. Lowe's je s pomočjo

predhodnega prepričanja že ustvaril napovedni model tudi s pomočjo drugih funkcij zgolj

na predhodnih prepričanjih in opredelil, kako se procesi in dejavniki znotraj podjetja

povezujejo. Iz tega sledi, da naj HRM predstavi interpretacijo podatkov in vsebinski

vpogled, naloga vodstva pa je, da to umesti v celotno poslovno sliko, v katero HRM nima

vpogleda. Zaradi tega mora kadrovska funkcija narediti korak naprej ter poleg vseh raziskav

in podatkov ponuditi tudi interpretacijo stanja na vzorčno-posledični bazi ter izdajati tudi

priporočila. Priporočila dajejo kadrovski funkciji strateško vlogo.

Welbourne (2015) opredeli pripovedovanje zgodbe kot način predstavitve podatkov in

vpogleda odločevalcem. V iskanju podpore vodstva se ta izkaže za pomembnega. V Maersku

so predstavljene povezave med dejavniki, ki vodijo do zadovoljstva kupcem, vključevale le

determinacijske koeficiente, torej enostavno predstavitev korelacije podatkov brez

kompleksne statistike. Skupina Ingram Content Group je oceno stroškov ocenila kar se da

realno in konzervativno z namenom, da ne bi odvrnili ciljne publike, v tem primeru vodstva.

Podjetje RAC si je postavilo kvantitativno opredeljen cilj, kjer so vodstvu zagotovili

odstotno zmanjšanje odsotnosti. Chrysler je svoje ugotovitve glede vzorčno-posledične

povezave med izobraževanjem zaposlenih in prodajo uporabil v pridobivanju podpore

vodstva, s čimer so predstavili število avtov, ki jih izobražen prodajalec proda. Podobno se

je lotilo tudi podjetje Lowe's, ki je z izgradnjo modela pojasnilo, kako podjetje deluje in kaj

točno vodi do uspešnosti posamezne trgovine. Zgradili so zgodbo dejavnikov, ki vplivajo na

62

poslovno uspešnost in razširijo razumevanje, kako podjetje deluje. Razlog za takšne pristope

kadrovskih funkcij je postavljanje prejemnika informacij na prvo mesto.

4.2 Podporna vloga HRM kot ovira pri privzemanju BI

Podporna vloga HRM in vloga administrativnega centra sta pogosto omenjeni tudi v

predstavljeni literaturi. Ulrich (1997) namreč v eni izmed vlog umešča HRM kot eksperta

administracije. To pa predstavlja problem pri iskanju podpore vodstva in podpore preostalih

funkcij, saj je percepcija HRM kot nestrateška funkcija, ki ne deluje toliko na podlagi

objektivnih dejstev, ampak na podlagi subjektivnih ocen. S to percepcijo pa se kadrovska

funkcija mora soočiti, saj pri privzemanju BI to predstavlja pomembno oviro. Situacijo

dodatno obremenijo težnje HRM, ki vidijo v BI-sistemih prav priložnost udejstvovanja na

strateški ravni. Čeprav kadrovska funkcija opravlja številne aktivnosti, jih težko poveže s

strateško naravnanostjo, saj le stežka meri njen doprinos in poveže njihovo dodano vrednost.

To pomeni, da je kadrovska funkcija pri privzemanju BI pogosto obsojena na propad, saj za

BI potrebuje podporo vodstva, ki pa ga s sedanjimi praksami in postopki ne prepriča.

V predstavljenih primerih je razvidno, da tako le s težka kadrovska funkcija igra vlogo

pobudnika privzemanja BI, temveč je bolj smiselno izhodišče iz specifične problematike,

kot je zmanjševanje fluktuacije, zasledovanje optimizacije stroškov, povečevanje doprinosa

ali pa sledenje strategiji podjetja, ki jo postavlja vodstvo.

4.3 Pomanjkanje podpore ostalih funkcij v podjetju in silosne omejitve

funkcij

Pri procesu privzemanja BI v HRM igrajo pomembno vlogo tudi preostale funkcije, ki so v

mnogo primerih tudi deležniki pri vzpostavitvi analitike v kadrovski funkciji. Čeprav

kadrovska funkcija včasih deluje samostojno in vodi lastne napore k izboljševanju številnih

kazalcev, povezanih s človeškim kapitalom, so tovrstni napori težavni in se pogosto in

neizogibno problematike prekrivajo tudi s sorodnimi funkcijami v podjetju, naj si bodo

podatki v lasti ostalih funkcij (primer RAC, Maersk) ali pa so področja raziskave vsebinsko

vključena v domeni ostalih funkcij. Predvsem slednje zahteva vsebinsko interpretacijo in

razumevanje s strani preostalih vpletenih deležnikov. Tako se poleg podpore vodstva

izkazuje, da sta potrebna tudi podpora in zavezništvo relevantnih ključnih funkcij.

V HRM podjetja Lowe's so takoj predvideli, da je za izdelavo modela potrebna vključitev

preostalih funkcij podjetja ne glede na to, da je projekt v domeni HRM. Vključili so finance,

marketing in operativo. Pri izdelavi modela je bila HRM-vloga z začetka le koordinacijska

in prioriteta je bila usklajevanje vključenih funkcij. Model je bil dosežen s strinjanjem med

funkcijami in je tako pridobil na veljavnosti. Lowe's je preostale funkcije vključil že v

postopku priprave modela, preden se je HRM lotil povezanih aktivnosti. HRM v HCL je

vključeval preostale funkcije šele v fazi implementacije sprememb. Zaradi preteklih kritik

63

glede dela HRM, povezanih s selekcijo kadra, je kadrovska funkcija vključila druge funkcije

pri soodločanju in pregledu kandidatov in jih tako opolnomočila. Zaradi tega je HCL v celoti

spremenil proces kadrovanja in omogočil pretok podatkov preko meja funkcije. HRM v

podjetju RAC je metrike in ključne indikatorje uspešnosti povezal do drugih funkcij in prav

tako omogočil pretok nekaterih podatkov preko lastnih meja. Prav tako pa je dostopal do

podatkov izven lastnih meja. HRM se je v skupini Ingram Content Group povezal z operativo

in logistiko, da bi analiziral ključne operativne in finančne metrike za divizije. Pri Chryslerju

je HRM na lastno iniciativo zaradi neenakovrednega vpogleda v podatke v primerjavi z

ostalimi funkcijami v podjetju pričel z iskanjem vzročno-posledične povezave med

izobraževanjem in prodajo. Njihovo iskanje dodane vrednosti BI je bilo prav v povezovanju

s funkcijo prodaje in zagotavljanjem sredstev tam, kjer je bil na vložek največji donos.

Čeprav kadrovski oddelki zbirajo veliko podatkov, so podatki, relevantni za analitiko kadra,

tudi v domeni preostalih funkcij. To pomeni, da kadrovska funkcija ni edini lastnik

podatkov, ki se zbirajo o človeškem kapitalu. Metrike znotraj HRM lahko vključujejo tudi

podatke, ki so del sistemov računovodstva, financ, prodaje, marketinga, operative ipd., zato

je nujno, da HRM prestopi meje lastne funkcije in proaktivno nastopi kot pobudnik

sprememb v podjetju. Pomanjkanje podpore sorodstvenih funkcij ni nujno kritično pri

privzemanju BI v HRM, vendar ji daje širino in bolj celostni pregled nad interpretacijo

rezultatov. BI je lahko na podatkih, zbranih znotraj kadrovske funkcije, in njihova

interpretacija, izdelana na strokovnem znanju HRM-strokovnjakov, pomanjkljiva in ne

zajema vseh faktorjev, vključenih v spremembe v človeškem kapitalu. Takšne interpretacije

pa imajo nižjo dodano vrednost, saj zajemajo le en vidik (HRM-vidik) na problematiko, set

podatkov ali analizo. Pri pridobivanju podpore funkcij ali vpogleda v delovanje preostalih

funkcij igra vlogo tudi strategija podjetja pri izmenjavi podatkov med funkcijami. Vodstvo

podjetja je lahko namreč nenaklonjeno izmenjavi podatkov in omejuje njihov pretok, kar

lahko omeji BI na posamezno funkcijo.

Tako ugotavljam, da je podpora preostalih funkcij premostljiva ovira, vendar je v celotni

sliki njena pridobitev pomembna, saj omogoča konsenz v podjetju glede potreb in ciljev

analitike na podatkih človeškega kapitala.

4.4 Razdrobljenost HRM-sistemov, nepopolni podatki in nezaupanje v

podatke

Za najbolj očiten primer slabih in nedoslednih podatkov izmed analiziranih podjetij velja

podjetje RAC. V podjetju je bilo zaupanje v podatke zaradi nepopolnosti majhno.

Razdrobljenost HRM-sistemov je bila prva ovira, s katero se je podjetje soočalo. To je na

prvi stopnji popolnoma oviralo privzemanje BI, saj podatki niso bili dovolj zanesljivi za

njihovo interpretacijo. Podatki so bili fizično ločeni v različnih bazah, kar je onemogočalo

njihovo interpretacijo. Za zanesljivost in zagotovitev vseh potrebnih podatkov so začrtali

metrike, opredelili, katere podatke bo treba zajemati in kje načrtujejo HRM-aktivnosti. Temu

64

je sledilo večletno zbiranje podatkov, na katerih so lahko potem vršili analitiko. Dodatno

zbiranje podatkov je povzročalo tudi dodatne stroške, zato so bili ti skrbno izbrani.

HRM v podjetju HCL se je soočal s pomanjkljivostjo vnosa podatkov zaposlenih.

Vzpostavljen sistem je predvideval, da bodo zaposleni ohranjali popis veščin, ki jih

posedujejo, in tako ustvarili notranji trg dela. Način pridobivanja podatkov se je izkazal kot

neučinkovit in nepopoln. Zaradi tega sta bili potrebna sprememba strategije in nadgradnja

sistema za zajem podatkov nujna. Za nadaljnji vnos so začeli predvidevati veščine

zaposlenih in znotraj sistema zagotavljali zanesljivost podatkov z izključitvijo človeškega

faktorja vnosa.

Zanesljivost podatkov je ključen predpogoj za analitiko na podatkih. Kot sta kadrovski

funkciji ugotovili v podjetjih RAC in HCL, je treba pred privzemanjem BI-sistema

zagotoviti kakovostne in zanesljive podatke. To je v predstavljenih podjetjih pomenilo

načrtno zbiranje podatkov (RAC in HCL), izločitev človeškega vnosa in pridobitev podatkov

partnerskega podjetja (HCL).

4.5 Nezmožnost povezovanja metrik in KPI

Podjetja v analizi so imela težavo pri identificiranju, kaj sploh meriti na podatkih, ki so jih

zajemali. To je od kadrovskih funkcij zahtevalo strateški pristop do zajemanja in ustvarjanja

metrik. Zaradi slabih podatkov je bil včasih težaven izračun tudi osnovnih metrik.

Kadrovske funkcije in podjetja so se po opredelitvi potrebnih metrik lotili zbiranja podatkov,

če so bili v podjetju podatki nepopolni, in privzemanja BI, če so bili podatki zanesljivi. Z

metrikami voden pristop je razviden iz vseh primerov. To izhaja iz potrebe HRM po

upravljanju s kadrom in poskusu izpolnitve poslovnih pričakovanj. Podjetja so si najprej

zadala osnovni cilj in povezano metriko ali pa več metrik, ki so jih zasledovali. Te metrike

so neposredno ali posredno povezane s postavljenim ciljem.

V podjetju RAC so si začrtali listo desetih metrik in se primarno osredotočili na štiri glavne

metrike. RAC se je namenoma tudi lotil zbiranja podatkov, ki jih je potem uporabil za

izračun teh metrik. Lowe's je podatke, ko jih je prečistil in zbral podatke iz različnih virov,

vključil v en enoten sistem. Opredelili so kar šesto spremenljivk, ki so jih s pomočjo analitike

zmanjšali le na tiste, ki so najbolje napovedovale metrike v prodaji, kot sta uspešnost

trgovine in fokus na kupca. Maersk je na podlagi modela opredelil metrike, ki so imele

neposredni in posredni vpliv na zadovoljstvo kupcev in so predstavljale njihovo osrednjo

metriko. Na podlagi metrik in rezultatov so se v podjetju Maersk osredotočili na ključne

prioritete znotraj modela. Merili so tudi zavzetost zaposlenih, predanost vodstva,

izobraževanje in dogodke, povezane z varnostjo, saj so posredno vplivali na osrednjo

metriko. Z uporabo dveh skupin so prav tako dokazali uspešnost in vrednost notranjega

sistema izobraževanja. HRM v podjetju Chrysler je postavil metrike v podporo večji prodaji

65

novih avtomobilov in doprinosa, ki ga ima izobraževanje sodelavcev pri tem. Skozi to je

lahko dokazalo ROI izobraževanja v podjetju. Enostavno prikazani podatki in izračunane

metrike so opredelili, za koliko v povprečju se prodaja na prodajalca poveča ob ustrezni

investiciji v notranje izobraževanje.

Iz tega sledi, da je identifikacija metrik nujna pri privzemanju BI. Metrike morajo biti

postavljene strateško in predvidevati dolgoročne potrebe podjetja po podatkih. Zbiranje

podatkov je dolgoročen postopek, ki ustvarja dodatne stroške. Razvidno je, da nezmožnost

postavljanja metrik predstavlja oviro pri privzemanju BI, saj skozi postavitev metrik

postavljamo tudi usmeritev projekta privzemanja BI. Četudi ima podjetje zanesljive podatke,

so lahko metrike pomensko zgrešene in ne nudijo dodane vrednosti na ravni podjetja.

V obravnavanih primerih zaznavam tudi gonila, ki spodbujajo privzemanje analitike v HRM.

Opisana so v nadaljevanju.

4.6 Začrtana strategija, problem ali cilj vodstva

Na podlagi praktičnih primerov, vključenih v to raziskavo, cilj napredne analitike izhaja iz

poslovnega cilja. Vodstvo je sprva postavilo strategijo ali pa izpostavilo problem, ki ga je

kadrovska funkcija kot deležnica tudi pomagala reševati. HRM v takšnih primerih nudi

vpogled in z aktivnostmi vpliv na človeški kapital. Pri vpeljevanju analitike v HRM je treba

definirati tudi cilj v kadrovski funkciji in oceno, če je HRM res na stopnji, ko lahko analitika

prinese nekaj novega k delovanju funkcije in podjetja. Pri tem je pomembno proučevanje

procesov in podatkov v podjetju, sodelovanje s preostalimi deležniki, postavljanje pravih

vprašanj, upravljanje s pričakovanji deležnikov z direktno komunikacijo rezultatov,

zagotavljanje natančne analize in nadvse prioriteta, da HRM pridobi vpogled, ki je poslovno

pomemben (Votteler, 2014).

V Tabeli 25 je razvidno, da so nekateri cilji s strani vodstva povsem splošni in se ne

navezujejo na specifično funkcijo znotraj podjetja, medtem ko so drugi bolj specifični.

Primer splošnega cilja je zmanjševanje administrativnih stroškov, katere lahko posamezna

funkcija rešuje ločeno in predlaga lastne predloge znotraj področja njihove strokovnosti.

Primer specifičnega cilja je zaposlovanje uspešnejšega kadra v Maersku, ki se že v izhodišču

navezuje na človeški kapital.

Pomembno je, da je cilj merljiv, kar pa v kadrovski funkciji ni enostavno, saj le-ta pogosto

s težavo poveže HRM-iniciative z rezultati poslovanja (Lawler et al., 2004; Harris et al.,

2011), zato se v večini primerov kadrovske funkcije prvotno odločijo za iskanje korelacije

in vzročno posledične povezave HRM-aktivnosti in poslovnega področja, ki ga strategija

opredeljuje kot pomembnega. Tako lahko upravičijo aktivnosti in tudi merijo rezultate

naporov. Kadrovske funkcije v danih primerih so postavile za ta namen metrike, ki so bile

tudi postavljene na strateški ravni in prepoznane skozi podjetje.

66

Tabela 25: Cilji podjetij, zajetih v analizi

Podjetje Cilj s strani vodstva HRM aktivnost za dosego cilja

RAC Zmanjšanje stroškov

(administrativnih, izplačil)

Zmanjšanje št. bolniških dni

Maersk Povečanje uspešnosti naftnih ploščadi

in zaposlovanje uspešnejšega kadra

Izobraževanje vodij in zaposlenih ter

izboljšanje notranjega sistema

izobraževanja

ICG (Ingram

Content Group)

Zmanjšanje stroškov (zmanjšanje

fluktuacije)

Zmanjšanje fluktuacije z individualnim

pristopom do zaposlenih

Chrysler Izboljšanje prodaje Investicija lastnikov franšiz v

izobraževanje

Lowe's Izboljšanje prodaje trgovin Povečanje zavzetosti zaposlenih,

investicija v izobraževanje vodstva

HCL Zmanjšanje stroškov in optimizacija v

procesu kadrovanja in alokacije kadra

Investicija v HRM-sistem in analitiko v

podjetju

V analiziranih podjetjih je bil poslovni cilj postavljen s strani vodstva podjetja, kadrovska

funkcija pa se je na poslovni cilj odzvala. Pomembno je, da so nadaljnje aktivnosti analitike

v podporo postavljenemu cilju. Pobuda vodstva podjetja ali pa strategija podjetja, ki daje

pomen človeškemu kapitalu, je odlična priložnost za kadrovsko funkcijo, da poveča

zmožnosti na področju analitike na zajetih podatkih človeškega kapitala. Ta analitika pa naj

bo v podporo poslovnemu cilju. V primerih se je to izkazalo za odločilno gonilo, ki je

spodbudilo uspešno privzemanje BI v HRM.

4.7 Iskanje konkurenčne prednosti in prihrankov

V analiziranih podjetjih je bila usmeritev v zasledovanje konkurenčne prednosti in iskanje

prihrankov močno gonilo za aktivnosti, ki so sledile.

Davenport (2006) trdi, da je napredna analitika zadnja postaja, kjer podjetja v isti industriji,

s podobnimi izdelki še iščejo konkurenčno prednost. Na iskanje konkurenčne prednosti in

prihrankov je v danih primerih vplivalo veliko različnih dejavnikov. Zaradi

makroekonomskih dejavnikov človeški kapital pridobiva na pomenu in v strukturi podjetja

predstavlja velik strošek, aktivnosti kadrovske funkcije pa naj bi ta strošek poskušale

zmanjšati ali pa maksimirati donos. V podjetju Maersk so opisali, da jih je v privzemanje

HRM-analitike privedlo tudi zaostrovanje dostopa do delovne sile in konkurenca preostalih

igralcev na trgu, ki prevzemajo njihov kader (Hill, 2016). Taktike, s katerimi se HRM

soočajo s temi dejavniki, so predvidevanje povečanja v potrebi kadra, postavljanje HRM-

strategije in individualni pristop pri zadrževanju potencialnih zaposlenih. Tem spremembam

na trgu sledijo tudi strategije podjetij, ki na prvo mesto postavijo zaposlene. Primer tega je

podjetje HCL, kjer so v odziv situacije vzpostavili strategijo, ki se je osredotočila na človeški

kapital po dolgoletni strategiji, usmerjeni v prihodek in dobičkonosnost.

67

Prav tako je to stvar prilagajanja HRM na spremembe v okolju. Pomanjkanje kadra ni le

problem, na katerega opozarja World Economic Forum (2010), ampak je nekaj, s čimer se v

veliki meri srečujejo podjetja. V največji meri se to pojavlja v deficitarnih poklicih in visoko

tehnoloških industrijah. Primer prvega je Maersk, ki se že dolgo srečuje s pomanjkanjem

primernega kadra za delo na naftnih ploščadih. Primer slednjega je HCL, ki s težavo najde

in zadrži kader v IT-industriji. Zaradi tega sta obe podjetji privzeli analitični pristop k

reševanju problematike. Seveda ni analitika tista, ki reši problem, vendar daje dodano

informacijo in fokus kadrovski funkciji za iskanje rešitev in pristopov za omilitev posledic

sprememb poslovnega okolja.

Kadrovska funkcija zaostaja in v mnogih primerih šele sedaj dohaja preostale funkcije

znotraj podjetja. Zaradi povečanja povpraševanja po BI-sistemih (Gartner Inc., 2016a) lahko

sklepamo, da podjetja pospešeno iščejo tudi način, kako iz kadrovskih podatkov pridobiti

dodano vrednost za potrebe poslovanja. S pomočjo metrik delo HRM postaja bolj sledljivo,

merljivo in navsezadnje bolj strateško. Učinkovito ravnanje s človeškim kapitalom je

ključnega pomena pri zasledovanju konkurenčne prednosti. Zaradi hitrih sprememb v okolju

podjetja pa ni dovolj le izvrševanje analitike na preteklih podatkih, ampak je pomembna tudi

sposobnost predvidevanja in napovedovanja. V primerih podjetij HCL in Maersk je analitika

hitro napredovala od opisne do napovedovalne. To je mogoče posledica hitrega privzemanja

analitike na račun zaostalosti za preostalimi funkcijami v podjetju. V teh podjetjih so znanje

in izkušnje z analitiko predhodno že obstajali, vendar v drugih funkcijah podjetja. Vsi ti

pritiski na podjetje in posledično HRM pa se odražajo tudi pri pripravljenosti na privzemanje

BI tudi v funkcije, ki tradicionalno nimajo razvite analitične kulture.

4.8 Iskanje vpogleda v podatkih in analitična kultura

Podjetja v analizi so že pred vpeljavo BI zbirala številne podatke znotraj podjetja in tudi

zunanje podatke o človeškem kapitalu in trgu dela. Najbolj očiten primer slednjega je

podjetje HCL. Čeprav je bilo v podjetju izobilje podatkov, so bile metrike, ki so jih na teh

podatkih merili, osnovne ali pa informacija, pridobljena iz teh podatkov, ni imela zadostne

dodane vrednosti. V primeru funkcij, ki imajo tradicionalno pri delovanju večjo oporo v

analitiki in podatkih, je izločitev informacij iz podatkov bolj instiktivna, kot pa je to v

funkcijah, kot je HRM. Vendar se v primerih izkaže, tudi zaradi iskanja konkurenčne

prednosti, da podjetja čedalje več opore iščejo v podatkih in njihovi interpretaciji tako za

opisovanje kot predvidevanje in napovedovanje scenarijev v prihodnosti.

Tako so kadrovski podatki neizkoriščen vir informacij, ki še niso bile interpretirane oziroma

vključene v širši kontekst poslovanja podjetja. Prav tako se pojavlja pritisk na kadrovsko

funkcijo, da uporablja zunanje podatke in zajema tudi te.

68

Močna usmeritev podjetij, kot so HCL, Maersk in Lowe's, v analitiko na preostalih področjih

znotraj podjetja in poudarjanje analitične kulture skozi vse elemente podjetja ustvarjata tudi

dodaten pritisk na kadrovsko funkcijo, da sledi ostalim področjem in s kadrovskimi podatki

zapolni vrzeli v analitiki.

4.9 Interes HRM, da zasede bolj strateško vlogo v podjetju, in

identifikacija ključnih strateških usmeritev za HRM

BI omogoča kadrovski funkciji priložnost, da postane enakovreden strateški partner pri

soodločanju in postavljanju strategije. Kadrovski funkciji tako kadrovski podatki

predstavljajo pot, kako bi to lahko tudi dosegli. Iz predstavljenih podjetij se to izkaže za

dobro oceno. To gonilo izvira iz težnje kadrovske funkcije po večji prepoznavnosti.

Z analitičnim vpogledom v podatke, nudenjem interpretacije podatkov, izdajanjem

priporočil in zaupanjem vodstva se daje priložnost kadrovski funkciji, da si vzpostavi bolj

strateško vlogo v podjetju. V podjetju RAC se je s prenovo sistemov spremenila vloga HRM

iz podpornega in administrativnega centra v vlogo donosnosti. S privzetim sistemom, ki je

omogočal analitiko na podatkih, je HRM hitro opredelil kritična področja in pokazal

uspešnost HRM-ukrepov. Postali so osredotočeni na problematična področja in bolj odzivni

pri soočanju s problematiko. Strategija še vedno igra ključno vlogo v podjetju in je

pripomogla k razumevanju zaposlenih, problematike in vrednot, povezanih z njimi.

V Maersku je bilo predhodno že vzpostavljeno, da HRM-analitika ni odločilni dejavnik,

vendar pa nudi odločilni vpogled v podatke. Z uvedbo in uporabo analitike v podjetju so

odkrili ključna vprašanja, na katera so se posledično osredotočili in z njo tudi nakazali na

mogočo rešitev. HRM sicer ni narekoval odločitev, ampak je opolnomočil vodstvo, da

sprejema informirane odločitve. Vpogled v podatke jim je zagotovil sedež pri soodločanju.

4.10 Razpoložljive informacijske rešitve, ki rešujejo problem

Ponudniki analitičnih sistemov niso v ospredju primerov, vključenih v analizo, temveč so

opisani le kot orodje, ki je uresničilo vizijo HRM znotraj podjetja in orodje za omogočanje

cilja. V Tabeli 26 so predstavljene rešitve posameznih podjetij.

Edge Networks je predhodno razvil orodje HIREalchemy™ za iskanje kadra na spletnih

straneh za objavo delovnih mest in nišnih skupnosti na spletu. Dodana vrednost podjetja naj

ne bi bila le izboljšanje procesa pridobivanja kadra, ampak podpora celotnemu procesu

znotraj podjetja. Namesto pregleda nad delom le iskalcev kadra, je sistem usmerjen v

celostno sliko pregleda nad ponudbo in povpraševanjem kadra, ne le za HRM, ampak tudi

druge oddelke in funkcije. Potreba po vpogledu v prihodnost je za podjetje pomenila, da

morajo privzeti nov sistem in nov način analitike. Edge Networks je znotraj sistema vključil

tudi prediktivno komponento, namenjeno prepoznavanju potrebe po kadru.

69

Tabela 26: V podjetju izbrana BI-informacijska rešitev

Podjetje Rešitev

HCL EdGE Networks (majhno start-up podjetje) – po meri rešitev

RAC Strata HR Analyser – ponudba s strani Strata Systems, ki temelji na aplikacijah

IBM Cognos® ReportNet, IBM Cognos PowerPlay and IBM Cognos® Metrics

Manager.

Maersk Trenutno v procesu izbire novega sistema za poročanje in analitiko podatkov

(Maersk Oil, 2017), dosedanji sistem vključeval prediktivno analitiko. V 2013 so

vpeljali rešitev s programsko opremo SAP.

Ingram Content

Group

Ni podatka, metrike vključene na nadzorno ploščo, prediktivna analitika

vključena v sistem.

Lowe's Ni podatka (Spring’s People Value Linkage™ – metodologija za ustvarjeni

model)

Chrysler Sistem s podatkovnim skladiščem in BI-komponento (združevanje podatkov iz

LMS, CRM in HRIS).

Rešitev Cognos je vključevala podatkovno skladišče, ki je omogočalo dodajanje podatkov

iz drugih funkcij v podjetju. Kot primer navedejo prodajo, operativo, čas in prisotnost,

izobraževanje in zaposlovanje kadra. Dejavnika pri odločitvi tega sistema sta bila

fleksibilnost sistema in podpora narodno-računovodske iniciative, ki je zadevala človeški

kapital (IBM Corporation, 2009). IBM Cognos vključuje primerjalno analizo,

dimenzionalno poročanje, nadzorne plošče, sistem za dostavo informacij in integracijo

podatkov na eni arhitekturi. Sistem je usmerjen v prikaz podatkov v realnem času in

omogoča poizvedovanje po relacijski bazi ali OLAP (IBM Corporation, 2017).

Za prediktivni del analitike je podjetje HCL uporabilo zunanje podjetje, ki je imelo na

razpolago več podatkov in informacij o kadru v industriji, kot pa so jih lahko zbrali sami. Za

ta namen so uporabili agencijo, ki se je ukvarjala s pridobivanjem in iskanjem kadra za IT-

področje.

Dostopna orodja na trgu ali pa dosegljivost tehnologij, ki omogočajo lasten razvoj BI-orodij,

je gonilo, ki omogoča podjetjem ne glede na velikost, da se poslužujejo tovrstnih rešitev in

zajemajo vrednost lastnih podatkov.

4.11 Izgradnja statističnega modela

Bassi (2011) opozarja, da HRM-analitike ne gre uporabljati za upravičevanje lastnega

obstoja kadrovske funkcije, saj posledično ugotovitve, pridobljene s pomočjo analitike,

izgubijo na verodostojnosti. HRM-analitika pomaga identificirati področja, kamor se splača

investirati s časom, aktivnostmi in proračunom podjetja. Analitika naj gradi na kredibilnosti

kadrovske funkcije in temelji na pristopu, ki je podkrepljen z dokazi od enostavnega

poročanja z metrikami vse do prediktivnega modeliranja.

70

Podjetje RAC, ki je najstarejši primer izmed izbranih, predstavlja začetni korak pri

privzemanju poslovne inteligence in analitike. Podjetje je merilo enostavne metrike in

ključne indikatorje uspešnosti HRM-aktivnosti. V ICG-ju so zaradi želje po ovrednotenju

odhodov iz podjetja sestavili model vseh dejavnikov, ki na to vplivajo. Merili so set metrik

in na podlagi njih načrtovali aktivnosti v podjetju. Modela korelacij in vzročno posledičnega

modela kadrovska funkcija ni predstavila. V ICG-ju so ovrednotili vrednost aktivnosti in

njihov vpliv na uspešnost podjetja na podlagi stroškov, ki so jih privarčevali na podlagi

predpostavljene enačbe.

Chrysler je podatke za poslovno inteligenco združil iz treh sistemov: LMS, HRIS in CRM

(Pease et al., 2013). Združeni podatki so po analizi pokazali več dejavnikov, ki so vplivali

na prodajo posameznega prodajalca. S tem so vzpostavili korelacijo med podatki, to pa je

enostavno pridobiti tudi z enostavno deskriptivno analitiko, ki prek enostavnih prikazov že

pokaže simultane trende znotraj podjetja. Vendar so vodilni vedeli za povezavo med podatki

in ni bilo to nič novega. Za podporo vodstva in ostalih deležnikov so potrebovali dokaz o

vzročno-posledični povezavi. Zaradi tega so naredili študijo o vplivu na poslovni izid. Ko je

bila povezava med izobraževanjem in doprinosom na prodaji prodajalca, je kadrovska

funkcija lahko napovedala učinek izobraževanj. Prav tako se je lahko osredotočila na

preprodajalce avtomobilov, kjer je bil učinek največji.

V podjetju Lowe's so uporabili tehnike modeliranja, kot so faktorska in korelacijska analiza

ter strukturno modeliranje (SEM), da so pokazali vzročno-posledično povezavo in pomagali

soustvariti metodologijo, ki jim pomaga pri upravljanju s kompleksnimi poslovnimi procesi

(Coco et al., 2011). Čeprav je metodologija s svojimi koraki in pristopi prenosljiva na druga

podjetja, rezultati, ki jih z uporabo metodologije pridobimo, niso. Iskanje povezav znotraj

poslovnih procesov je specifično za podjetje, ki jih upravlja. Metodologijo so ustvarili z

zunanjim svetovalnim podjetjem (Coco et al., 2011).

Pred uporabo metodologije so naredili popis podatkov. Prvi set podatkov je bil zaradi

vpletenosti HRM, kot nosilke projekta v podjetju, rezultat ankete zavzetosti zaposlenih, kar

pa seveda ni dovolj za ustvarjanje povezave med podatki. Tako so se po podatkovnih setih

v HRM lotili tudi podatkov preostalih funkcij. Zaradi občutljivosti podatkov so vse

modeliranje naredili znotraj podjetja. Prav tako so sestavili skupino, ki je preverjala tako

skladnost s statističnimi metodami kot skladnost s strategijo podjetja. Po zajetju

spremenljivk so s faktorsko analizo, kombinacijo korelacij in regresije zmanjšali število

spremenljivk na najbolj predvidljive znotraj posamezne funkcije. Tako so predvidevali

metriki zadovoljstvo kupcev in uspešnost trgovine znotraj prodajne funkcije. Strukturno

modeliranje je potem uporabljeno za preverjanje predstavljenega modela. Ustvarili so več

manjših modelov, s katerimi so že lahko odgovarjali na ključna vprašanja. Potem so se lotili

ustvarjanja modela na ravni celotnega podjetja. Sledili so preverjanje modela, osredotočanje

na ključna področja, neprestan razvoj modela in sledenje spremembam na podlagi sprejetih

71

aktivnosti ter iskanje novih povezav med podatki. Podjetje Lowe's to imenuje povezovanje

(Coco et al., 2011).

V Maersku so začeli postopoma, in sicer najprej z opisno analitiko in enostavno statistiko,

da bi odkrili ključne metrike v uporabniku prijaznem formatu, da bi z lahkoto sledili

napredku. Potem so se lotili povezovanja, kjer so statistiko in raziskovalno metodologijo

uporabili za odkrivanje novih vpogledov in jih preoblikovali v priporočila. Končno so bili z

uporabo napovednih analitik zmožni napovedati bodoče dogodke in oblikovati priporočila

tudi tukaj (Votteler, 2014). Maersk je pri predstavitvi modela vodstvu uporabljal le podatek

pojasnjene variance med posameznimi deli modela, vendar je na podatkih uporabljal

logistično regresijo na longitudinalnih podatkih. Cilj je bil ustvariti model nad celotno

vrednostno verigo.

HCL je bilo edino podjetje, ki se je osredotočilo na masovne podatke in strojno učenje. Kot

podatke je poleg notranjih podatkov vključilo tudi podatkovno bazo rekruterske agencije in

zunanje podatke o veščinah v povpraševanju in industrijskih normah (Dutta & Venkatagiri,

2017). Skupaj s prenovljenimi procesi znotraj podjetja so lahko s pomočjo predvidevanja

alokacije delovne sile znotraj podjetja predvidevali potrebo po zunanji delovni sili in

potrebe, ki jih bodo imeli v izobraževanju. Izobraževanje in razvoj kadrov sta bila

prejemnika informacij, ki jih je ustvarjal sistem znotraj HRM-procesa. Skupaj z zunanjimi

podatki in podatki, ki so jih tvorili v HRM-sistemu, so lahko predvidevali in načrtovali

izobraževanja veščin, ki bodo v prihodnosti potrebna. Tako predvidevanje ne nastane le na

podlagi povezav med metrikami in podatki, temveč tudi na podlagi notranjih prejemnikov

ustvarjenih informacij.

Podjetja in funkcije znotraj podjetja zaradi vpogleda, ki ga imajo, že predhodno predvidevajo

korelacijsko ali pa vzročno-posledično povezavo med posameznimi postavkami. Naloga

kadrovske funkcije pa je, da tako kot druge funkcije to povezavo ovrednoti in umesti v širši

poslovni kontekst. V Chryslerju so predvidevali, da je visoka fluktuacija posledica

pomanjkanja izobraževanj v podjetju. V ICG-ju so predhodno predvidevali, da je razlika

med novimi sodelavci in odhajajočimi izkušenimi sodelavci v učinkovitosti. Prav tako so

predvidevali čas, ki ga novo zaposleni sodelavec potrebuje, da dela na ravni izkušenega

sodelavca.

Izgradnja modela v kadrovskih funkcijah analiziranih podjetij je sledila procesu na Sliki 11:

ugotavljanje in preverjanje korelacije med podatki,

ugotavljanje in preverjanje vzročno-posledične povezave,

pridobivanje prediktivne vrednosti modela in

optimizacija.

72

Slika 11: Kontinuum človeškega kapitala

Vir: G. Pease, B. Beresford, & L. Walker, Developing human capital, 2014.

Po izgradnji modela se model lahko uporabi za izgradnjo HRM-strategije in planiranje

aktivnosti glede na identificirana kritična področja. Prav tako omogoči HRM, da sporoča in

napove učinek njihovih aktivnosti. Sposobnost predvidevanja in napredna analitika prideta

iz modela. Z izgradnjo modela in ugotavljanjem odnosov med metrikami in podatki s

statističnimi metodami in orodji lahko na podlagi posameznega dejavnika predvidevamo

obnašanje in rezultate odvisnih metrik in rezultatov.

V predstavljenih primerih je model ključen pri privzemanju analitike v kadrovsko funkcijo.

Zmožnost vzpostavitve modela in povezovanje različnih dejavnikov znotraj podatkov sta v

veliko pomoč pri kadrovskih funkcijah predstavljenih podjetij. Statistični modeli

predstavljajo povezanost dejavnikov, identifikacijo ključnih dejavnikov, celosten pregled

nad poslovanjem podjetja in v primeru podjetij Lowe's in Maersk tudi orodje, s katerim lahko

kadrovska funkcija komunicira svoje namere vodstvu podjetja.

4.12 CHRO – pobudnik sprememb

K vlogi HRM v podjetju pripomore tudi CHRO, saj ob promociji informatizacije in analitike

na podatkih funkcije lahko pospeši ali pa se celo izkaže za glavni dejavnik pridobivanja

podpore vodstva. Informatizacija pa sama po sebi ni dovolj, saj je ravno zaradi tega

kadrovska funkcija v veliko podjetjih razpeta med več informacijskih sistemov, ki pa ne

omogočajo pregleda nad podatki. CHRO, kot pobudnik sprememb, v obremenjenosti

73

kadrovskih oddelkov s podatki oblikuje vizijo, ki jo vizijo pomaga uresničevati. Govori

poslovni jezik ter komunicira merljive in poslovne cilje skozi aktivnosti HRM. CHRO

podjetij v raziskavi so odločno vplivali na uspešnost privzemanja analitike, še najbolj

izrazito v podjetjih RAC, HCL in Maersk.

4.13 Rezultati investiranja v analitiko

V vseh podjetjih je bil rezultat investicije in privzemanja BI in analitike večji vpogled v HR-

podatke. Ni pa to edini doprinos analitike podjetju in pa kadrovski funkciji znotraj podjetja.

Kadrovske funkcije so za analitiko morale pregledati podatke, ki jih zajemajo, ter opredeliti

novo strategijo in cilj obdelave podatkov. Tukaj je kadrovska funkcija za voljo uspešnosti

analitike prisiljena v drugačno razmišljanje, kot ga je vajena. Opredelitev ključnih

indikatorjev uspešnosti in metrik, ki pripomorejo k ustvarjanju širšega pomena kot znotraj

HRM, je nekaj, česar se kadrovska funkcija na podlagi akademske literature redko loteva.

Za ustvarjanje širše zgodbe in pomena podatkov znotraj HRM se je bil oddelek primoran

obrniti na preostale funkcije znotraj podjetja, naj bo to zaradi problematike, ki jih zadeva,

ali pa zaradi skrbništva nad relevantnimi podatki. Za vsa podjetja v analizi je značilno, da so

naredila korak k izgradnji analitične kulture tudi znotraj kadrovske funkcije in k poslovni

osredotočenosti njihovih naporov v človeški kapital.

SKLEP

Privzemanje BI v HRM je slabo dokumentirano, še posebno, ker funkcija zaostaja za

nekaterimi drugimi funkcijami. V literaturi prevladuje ton nujnosti in navdušenja nad

privzemanjem BI v HRM, medtem ko ponudi malo glede korakov in HRM-specifičnih ovir,

s katerimi se funkcija lahko srečuje. Viri se pogosto osredotočijo na položaj HRM v podjetju

in obsežno opisujejo doprinose, ki bi jih BI imela na podjetje in funkcijo v primeru, da se ta

privzame. Prevladuje le pozitivno in manjka kritičen pregled literature, ki bi posamezniku

ob branju nudil še drugo plat zgodbe. Primanjkuje tudi primerov dobre prakse in uspešnih

podjetij, ki bi spodbudili tudi to funkcijo k delovanju. To je mogoče tudi eden od razlogov,

zakaj HRM ne privzema BI-rešitev v tolikšni meri, kot v preostalih funkcijah.

Vloga kadrovske funkcije se razlikuje od podjetja do podjetja. Mnoga podjetja še nimajo

CHRO, ki bi bil del vodilne ekipe, ampak HRM-vloga v podjetju zaseda le administrativno

in podporno vlogo. Nekaj k temu prispeva funkcija tudi sama, saj na podlagi predstavljenega

njihovi nezmožnost in nepripravljenost po vsebinski interpretaciji podatkov vodstvu

neposredno vplivata na njihov položaj v podjetju. To se je presenetljivo predstavilo tudi kot

ključni faktor uspeha pri pridobivanju podpore vodstva. Ovire, s katerimi se kadrovska

funkcija srečuje v veliki meri, zavisijo prav iz položaja, ki ga HRM ima.

Pri analizi podjetij sta se med ovirami najpogosteje pojavljala potreba po pridobivanju

podpore vodstva in način predstavitve potrebe po privzemanju BI vodstvu. Slednja je

74

presenetljiva, a ob podrobnejšem pregledu preteklih aktivnosti in analitični usposobljenosti

kadrovske funkcije smiselna. Za odpravo teh ovir pa bo veliko na tem področju morala storiti

kadrovska funkcija sama, saj obstaja velik prepad med veščinami HRM-strokovnjakov in

veščinami, potrebnimi, da zagotovijo dodano vrednost BI.

Kot gonila se pojavljata zaostrovanje razmer na trgu dela in strošek človeškega kapitala, kar

sili k racionalizaciji in optimizaciji kadra. V predstavljenih podjetjih se kot najmočnejša

gonila pokažejo tudi nadzorovanje metrik znotraj HRM, iskanje ROI na HRM-aktivnosti in

prepoznavanje ključnih področij delovanja HRM za dosego boljše uspešnosti podjetja.

Razlog, zakaj se v HRM ustvarja toliko povpraševanja, pa gre pripisati tudi priložnosti, ki jo

BI-funkciji lahko ponudi pri izboljšanju položaja HRM.

Največ napredka na področju privzemanja BI v HRM so naredila velika podjetja, ki so v

industriji, kjer je najbolj prisotno primanjkovanje kadra, in podjetja, ki služijo kot primer

dobre prakse ponudnikom BI-sistemov, v našem primeru podjetje RAC. Pri teh primerih ni

tolikšen poudarek na tehnološki BI-rešitvi, ampak na funkciji HRM in poslovnem doprinosu

sistema. Tako se bolj omenja analitika, ki se vrši na podatkih, in ne sam postopek

privzemanja sistema.

Namen vključitve obravnavanih podjetij je prikaz privzemanja BI v več stadijih: od

začetnega truda podjetja RAC z vpeljano enovito rešitvijo, posameznega truda na

problematičnih področjih podjetij Maersk, Chrysler in Ingram Content Group, celostnega

pregleda podjetja Lowe's nad spremenljivkami v podjetju s pomočjo analitičnega modela do

HCL, ki je želel z analitiko prenoviti in napovedovati prihajajoče in trenutne potrebe po

kadru znotraj HRM-procesa. Primeri pokrivajo različne zorne kote na problematiko

analitičnega vpogleda v podatke znotraj kadrovske funkcije. V vseh podjetjih, ki so bila

vključena v delo, so pri privzemanju BI v HRM-gonila nadvladale ovire in privzemanje BI

v HRM je uspešno doprineslo k rezultatom podjetja.

Izzivi pri izdelavi magistrskega dela so bili prisotni tudi zaradi izbora sekundarnih virov.

Primeri so opisani z različno pozornostjo do detajlov in dajejo poudarek na različnih

področjih. To onemogoča standardizirano analizo in enak pristop do vseh podjetij. Zaradi

pomanjkanja podrobnosti pa je oteženo tudi prepoznavanje vseh gonil in ovir, ki so bile

prisotne v danem podjetju pri privzemanju BI. Vira za podjetji HCL in RAC sta tudi narejena

s partnersko navezo s podjetjem, ki je ponudnik rešitve BI-sistema, kar vpliva na

pristranskost avtorjev. Pri istih avtorjih se tako tudi bolj poudarjajo gonila, ovire pa so zlahka

premostljive in še dodatno vzbujajo dvom o pristranskosti.

Pri izbiri sekundarnih virov pa so tudi dobre lastnosti, saj analiza več podjetij omogoča

različne vidike privzemanja BI v kadrovsko funkcijo in daje širši vpogled v proces. Podjetja

se prav tako razlikujejo po velikosti in industriji, kar doda še dodatno dimenzijo na analizo

podjetij.

75

Področje te naloge je še neraziskano in omogoča veliko prostora za nadaljnje raziskave,

vendar iz gradiva lahko sklepam, da je potreba po iskanju vpogleda v podatke, zajete v

funkciji, močna in nagrada po privzemanju BI velika. Temu sledi, da gonila nadvladajo ovire

in da mora kadrovska funkcija razmisliti o vpeljavi naprednih analitičnih orodij, s katerimi

bodo iskali pomen in povezave v zajetih podatkih ter tako doprinesli dodatno informacijo

vodstvu pri strateškem odločanju.

Napisano naj služi pregledu literature na tem področju in pregledu primerov, ki so s

privzemanjem BI prek transformacije HRM dosegli pozitivne poslovne rezultate.

76

LITERATURA IN VIRI

1. Angrave, D., Charlwood, A., Kirkpatrick, I., Lawrence, M., & Stuart, M. (2016). HR and

analytics: why HR is set to fail the big data challenge. Human Resource Management

Journal, 26(1), 1–11.

2. Aruldoss, M., Travis, M., & Venkatesan, V. (2014). A survey on recent research in

business intelligence. Journal Of Ent Info Management, 27(6), 831–866.

3. Azizah, A. (2015). Business Intelligence for Sustainable Competitive Advantage.

Advances In Business Marketing And Purchasing, 22A, 3–220.

4. Barney, J. (2001). Is the Resource-Based "View" a Useful Perspective for Strategic

Management Research? Yes. The Academy Of Management Review, 26(1), 41–56.

5. Bassi, L. (2011). Raging Debates in HR Analytics. People & Strategy, 34(2), 14–19.

6. BCG – The Boston Consulting Group. (2016). How to Address HR Challenges

Worldwide Through 2015. Boston: The Boston Consulting Group.

7. Biere, M. (2003). Business intelligence for the enterprise (1st ed.). Upper Saddle River:

Prentice Hall PTR.

8. Bose, R. (2009). Advanced analytics: opportunities and challenges. Industrial

Management & Data Systems, 109(2), 155–172.

9. Budhwar, R. (2007). Indian software industry: the way forward. B-Cognizance, 2(10),

15–21.

10. Cappelli, P. (2015). Why We Love to Hate HR ...and What HR Can Do About It.

Harvard Business Review, 93(7/8), 60–61.

11. Chaudhuri, S., Dayal, U., & Narasayya, V. (2011). An overview of business intelligence

technology. Communications Of The ACM, 54(8), 88.

12. Chen, H., Chiang, R., & Storey, V. (2012). Business intelligence and analytics: from big

data to big impact. MIS Quarterly, 36(4), 1165–1188.

13. Coco, C., Jamison, F., & Black, H. (2011). Connecting People Investments and Business

Outcomes at Lowe's: Using Value Linkage Analytics to Link Employee Engagement to

Business Performance. People & Strategy, 34(2), 1165–1188.

14. Davenport, T. (2006). Competing on Analytics. Harvard Business Review. Najdeno 18.

decembra 2016 na spletnem naslovu https://hbr.org/2006/01/competing-on-analytics

15. Davenport, T. (2014). How strategists use "big data" to support internal business

decisions, discovery and production. Strategy & Leadership, 42(4), 45–50.

16. Davenport, T., & Harris, J. (2007). Competing on analytics (1st ed.). Boston, Mass.:

Harvard Business School Press.

17. Davenport, T., Harris, J., & Shapiro, J. (2010). Competing on Talent Analytics. Harvard

Business Review, 88(10), 150.

18. Deloitte. (2015). Leading in the new world of work. Oakland: Deloitte University Press.

19. Deloitte. (2016). The new organization: Different by design. Oakland: Deloitte

University Press.

20. Dutta, D., & Venkatagiri, S. (2017). EdGE Networks: Making HR Intelligent. Boston:

Harvard Business Review.

77

21. FBI – Federal Bureau of Investigation. (2015). Economic Espionage. Najdeno 21.

avgusta 2016 na spletnem naslovu https://www.fbi.gov/audio-repository/news-podcasts-

inside-economic-espionage.mp3/view

22. Economist Intelligence Unit. (2015). The Outlook to 2015. Chicago: Heidrick &

Struggles.

23. FCA US LLC. (2017). Chrysler. Najdeno 3. aprila 2017 na spletnem naslovu

http://www.chrysler.com/

24. Fitz-enz, J. (2010). The new HR analytics (1st ed.). New York: AMACOM.

25. Gangadharan, G., & Swami, S. (2004). Business intelligence systems: design and

implementation strategies. Information Technology Interfaces, 1(14), 139–144.

26. Gartner Inc. (2009, 18. februar). Business Intelligence Ranked Top Technology Priority

by CIOs for Fourth Year in a Row. Najdeno 13. novembra 2016 na spletnem naslovu

http://www.gartner.com/newsroom/id/888412

27. Gartner Inc. (2011). Magic Quadrant for Business Intelligence Platforms. Najdeno 13.

novembra 2016 na spletnem naslovu http://www.quantum-bso.com/GartnerBIPlatform

MagicQuadrant2011.pdf

28. Gartner Inc. (2012a). Business Intelligence – Gartner IT Glossary. Najdeno 12. avgusta

2016 na spletnem naslovu http://www.gartner.com/it-glossary/business-intelligence-bi/

29. Gartner Inc. (2012b). Business Analytics – Gartner IT Glossary. Najdeno 22. oktobra

2016 na spletnem naslovu http://www.gartner.com/it-glossary/business-analytics/

30. Gartner Inc. (2015). Flipping to Digital Leadership. Najdeno 10. oktobra 2016 na

spletnem naslovu https://www.gartner.com/imagesrv/cio/pdf/cio_agenda_insights2015.

pdf

31. Gartner Inc. (2016a, 3. februar). Gartner Says Worldwide Business Intelligence and

Analytics Market to Reach $16.9 Billion in 2016. Najdeno 13. novembra 2016 na

spletnem naslovu http://www.gartner.com/newsroom/id/3198917

32. Gartner Inc. (2016b). Big data – Gartner IT Glossary. Najdeno 23. novembra 2016 na

spletnem naslovu http://www.gartner.com/it-glossary/big-data/

33. Gartner Inc. (2017). Magic Quadrant for Business Intelligence and Analytics Platforms.

Najdeno 23. marca 2017 na spletnem naslovu https://cdn2.hubspot.net/hubfs/2172371/

Q1%202017%20Gartner.pdf?t=1496260626075

34. Harris, J., Craig, E., & Light, D. (2011). Talent and analytics: new approaches, higher

ROI. Journal Of Business Strategy, 32(6), 4–13.

35. HCL – HCL Technologies Limited. (2017). About HCL Technologies. Najdeno 5. aprila

2017 na spletnem naslovu https://www.hcltech.com/about-us/about-hcl-technologies

36. Hedgebeth, D. (2007). Data-driven decision making for the enterprise: an overview of

business intelligence applications. VINE, 37(4), 414–420.

37. Hill, A. (2016). Exploring the HR Function at Maersk Oil (1st ed.). Ontario: IRC Queen’s

University Kingston.

38. Hočevar, B., & Jaklič, J. (2010). Assessing Benefits of Business Intelligence Systems.

Management, 15(1), 87–119.

78

39. Holsapple, C., Lee-Post, A., & Pakath, R. (2014). A unified foundation for business

analytics. Decision Support Systems, 64, 130–141.

40. IBM Corporation. (2009). How smart HR departments win with business intelligence.

Ottawa: IBM Corporation Canada.

41. IBM Corporation. (2017). Cognos analytics. Najdeno 20. marca 2017 na spletnem

naslovu https://www.ibm.com/analytics/us/en/technology/products/cognos-analytics/

42. Ingram Content Group. (2017). About. Najdeno 3. aprila 2017 na spletnem naslovu

https://www.ingramcontent.com/about

43. ILO – International Labour Organization. (2015). World Employment and Social

Outlook – Trends 2015. Geneva: International Labour Organization.

44. ILO – International Labour Organization. (2016). World Employment and Social

Outlook: Trends 2016. Geneva: International Labour Organization.

45. Jisc. (2011). Using external data. (2011). Najdeno 25. novembra 2016 na spletnem

naslovu https://www.jisc.ac.uk/guides/business-intelligence/using-external-data

46. Kapoor, B. (2010). Business Intelligence and Its Use for Human Resource Management.

The Journal Of Human Resource And Adult Learning, 6(2), 21–30.

47. Kapoor, B., & Sherif, J. (2012a). Global human resources (HR) information systems.

Kybernetes, 41(1/2), 229–238.

48. Kapoor, B., & Sherif, J. (2012b). Human resources in an enriched environment of

business intelligence. Kybernetes, 41(10), 1625–1637.

49. Keim, D. (2002). Information visualization and visual data mining. IEEE, 8(1), 1–8.

50. Ko, I., & Abdullaev, S. (2007). A Study on the Aspects of Successful Business

Intelligence System Development. Journal Of Cases On Information Technology,

4490(2), 89–97.

51. Lawler, E., Levenson, A., & Boudreau, J. (2004). HR Metrics and Analytics: Use and

Impact. Human Resource Planning, 27(4), 27–35.

52. Maersk Drilling. (2017). Najdeno 2. aprila 2017 na spletnem naslovu

http://www.maerskdrilling.com/en/about-us/our-history

53. Maersk Oil. (2017). Jobs & Career. Najdeno 20. marca 2017 na spletnem naslovu

https://jobsearch.maersk.com/vacancies/publication?pinst=005056A5088A1ED6BF8B

4AD46590F738

54. Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Byers, A.

(2011). Big data: The next frontier for innovation, competition, and productivity.

McKinsey Global Institute. Najdeno 15. aprila 2017 na spletnem naslovu

http://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/big-data-

the-next-frontier-for-innovation

55. Mourshed, M., Novales-Flamarique, M., & London, S. (2016). Managing talent in a

digital age. McKinsey Global Institute. Najdeno 29. maja 2016 na spletnem naslovu

http://www.mckinsey.com/industries/high-tech/our-insights/managing-talent-in-a-

digital-age

79

56. Pape, T. (2016). Prioritising data items for business analytics: Framework and

application to human resources. European Journal Of Operational Research, 252(2),

687–698.

57. Pease, G., Byerly, B., & Fitz-enz, J. (2013). Human capital analytics (1st ed.). Hoboken,

N.J.: Wiley.

58. Pemmaraju, S. (2007). Converting HR data to business intelligence. Wiley-Blackwell,

34(3), 13–16.

59. Peng, Y., Kou, G., Shi, Y., & Chen, Z. (2008). A descriptive framework for the field of

data mining and knowledge discovery. International Journal Of Information Technology

& Decision Making, 07(04), 639–682.

60. Pfeffer, J. (1994). Competitive advantage through people (1st ed.). Boston: Harvard

Business School Press.

61. Popovič, A., Turk, T., & Jaklič, J. (2010). Conceptual model of business value of

business intelligence systems. Management, 15(1), 5–30.

62. Powell, T., & Dent-Micallef, A. (1997). Information technology as competitive

advantage: the role of human, business, and technology resources. Strategic

Management Journal, 18(5), 375–405.

63. RAC Group Limited. (2017). Our history. Najdeno 1. aprila 2017 na spletnem naslovu

http://www.raccorporate.co.uk/about-us/our-history

64. Ranjan, J. (2008). Business justification with business intelligence. VINE, 38(4), 461–

475.

65. Rao, S., & Swarup, S. (2016). Business Intelligence and Logistics. Wipro. Najdeno 22.

novembra 2016 na spletnem naslovu http://www.imperiallogistics.co.za/documents/Bu

siness-Intelligence-Logistics.pdf

66. Rasmussen, T., & Ulrich, D. (2015). Learning from practice: how HR analytics avoids

being a management fad. Organizational Dynamics, 44(3), 236–242.

67. Rittenburg, T., Valentine, S., & Faircloth, J. (2006). An Ethical Decision-Making

Framework for Competitor Intelligence Gathering. J Bus Ethics, 70(3), 235–245.

68. Rogers, E. (1995). Diffusion of innovations (5th ed.). New York: The Free Press.

69. Royal, C., & O'Donnell, L. (2008). Emerging human capital analytics for investment

processes. Journal Of Intellectual Capital, 9(3), 367–379.

70. Smeyers, L. (2015). What we learned about HR Analytics in 2014 - Part 2. HR Analytics

Insights. Najdeno 25. novembra 2016 na spletnem naslovu http://www.inostix.com/blo

g/en/what-we-learned-about-hr-analytics-in-2014-part-2/

71. Snell, A. (2011). Developing talent intelligence to boost business performance. Strategic

HR Review, 10(2), 12–17.

72. Taleo. (2010). Talent Intelligence: Key to Business Success. Dublin: CA.

73. Ulrich, D. (1997). Human resource champions (1st ed.). Boston: Harvard Business

School Press.

74. Votteler, S. (2014, 11. junij). The HR analytics journey at Maersk: interview with Peter

Hartmann. HR Analytics Insights. Najdeno 26. novembra 2016 na spletnem naslovu

80

http://www.inostix.com/blog/en/the-hr-analytics-journey-at-maersk-interview-with-

peter-hartmann/

75. Watson, H. (2004). Justifying and assessing a data warehouse. Business Intelligence

Journal, 9(2), 6–17.

76. Watson, H., & Wixom, B. (2001). An Empirical Investigation of the Factors Affecting

Data Warehousing Success. MIS Quarterly, 25(1), 17–41.

77. Watson, H., Fuller, C., & Ariyachandra, T. (2004). Data warehouse governance: best

practices at Blue Cross and Blue Shield of North Carolina. Decision Support Systems,

38(3), 435–450.

78. Welbourne, T. (2015). Data-Driven Storytelling: The Missing Link in HR Data

Analytics. Employment Relations Today, 41(4), 27–33.

79. World Economic Forum. (2010). Stimulating Economies through Fostering Talent

Mobility. Geneva: World Economic Forum.

80. Wu, L., Barash, G., & Bartolini, C. (2007). A Service-oriented Architecture for Business

Intelligence (6th ed.). Newport Beach: IEEE.

PRILOGA

1

Priloga 1: SLOVAR KRATIC

Tabela 1: Slovar tujih izrazov

TUJ IZRAZ ALI KRATICA SLOVENSKI PREVOD

BI – Business Intelligence Poslovna inteligenca

CHRO – Chief Human Resources Officer Kadrovski direktor

CRM – Customer Relationship Management Upravljanje odnosov s strankami

Data mashup Prepleteni podatki

e-HRM

Informacijski sistemi v kadrovski funkciji, ki

uporabljajo tehnologijo kot so informacije v

oblaku ipd.

ERP – Enterprise Resource Planning Celovita programska rešitev na nivoju podjetja

ETL – Extract, Transform, Load Sistem za pridobivanje, čiščenje,

transformacijo in integracijo podatkov

HCI – Human - Computer Interaction, Interakcija človek-računalnik

HRM – Human Resources Management Management človeških virov

HRIS – Human Resources Information System Informacijski sistem za management človeških

virov

HR – Human Resources Človeški viri

IT – Information Technology Informacijska tehnologija

KPI – Key Performance Indicator Ključni kazalniki uspešnosti

LMS – Learning Management System Sistem za upravljanje z izobraževanji in

znanjem

OLAP – Online Analytical Processing Sprotna analitična obdelava podatkov

ROI - Return On Investment Povračilo na investicijo

SCM – Supply Chain Management Upravljanje oskrbovalne verige

Documents

GONILA IN OVIRE PRIVZEMANJA SISTEMOV POSLOVNE INTELIGENCE ZA MANAGEMENT ČLOVEŠKIH … · 2018. 2. 27. · IZJAVA O AVTORSTVU Podpisani Lucijan Ratajc, študent Ekonomske fakultete