אחת השגיאות הנפוצות ביותר באסטרטגיית תכנון כוח אדם נגרמת בשל הסתמכות יתר על נתונים פגי תוקף (lag data) במקום על נתונים מובילים (lead data), אמר קולין בימס, מומחה להון אנושי, לאתר hrdaily. lag data עשויים להתייחס לעזיבה, העלאה במשכורות או יוזמות כמו השקעות מהעבר בהכשרה. כאשר מודדים את הדברים האלה, "משאבי האנוש בעצם מודדים היסטוריה," אמר בימס.
Lead data או "נתונים יחסיים" לעומת זאת, הם מנבאים. המידע הזה נאסף באמצעות סקרים והערכת התאמת כישורים, אומר בימס. "הם מה שאני מכנה נתוני 'רופא'. במילים אחרות, החולה עדיין חי. זהו ניבוי של ביצועים או שימור עובדים עתידי, והשאלה היא: מה אנו יכולים לעשות כדי לשפר את מצבו של החולה? מה אנו יכולים לעשות על מנת לשפר את בריאותו וביצועיו?" בימס אומר שאנשי משאבי אנוש יכולים לעצב את הנתונים שלהם באמצעות הזנתם אל "people data cube". מודל הקובייה עובד באמצעות חלוקת הנתונים לשלוש קטגוריות: lag (פגי תוקף), lead (מובילים) ודמוגרפיים.
נתוני lead מתחלקים חלוקה פנימית לאזורים כמו:
• שיקול דעת.
• שביעות רצון מהתפקיד.
• מחויבות רגשית.
• כוונות להישאר.
• יכולת.
חלוקה פנימית של נתוני lag:
• דירוג ביצועים.
• דירוג פוטנציאל.
• העלאת משכורות.
• עזיבה.
• הוצאות על הכשרה ופיתוח.
חלוקת הנתונים הדמוגרפיים:
• שירות.
• גיל.
• מגדר.
• דרג.
• מרכיב בכוח העבודה.
לדברי בימס, שימוש במודל הקובייה מאפשר לארגונים לנתח את הסיכונים המעורבים בכל תרחיש הנוגע לסגל המועסקים. אפשר להשתמש בקובייה למשל כדי לענות על השאלה "האם העובדים בעלי הנתונים הגבוהים נמצאים בסיכון לעזיבה בהשוואה לאנשים אחרים?" באמצעות השוואת נתוניlead לדירוג ביצועים.
נתונים בונים אסטרטגיה
בימס משתמש בדומה של רשות מקומית שצומחת במהירות על מנת להדגים איך הצוות שלו עזר למעסיק להשתמש בנתוני lead ו-lag לטובת האסטרטגיה שלו. התהליך החל בכמה סדנאות של היחידה העסקית, שבהן המידע נאסף. סגמנטציה של הנתונים וניתוחם סיפקו הבנה מעמיקה יותר, בעיקר ביחס לעזיבה. תפקידים נותחו וחולקו לשלוש קטגוריות: קריטיים, מקצועיים וביצועיים. העזיבה השנתית מרצון עמדה על 12% אצל הקריטיים,15% אצל המקצועיים ו-17% אצל הביצועיים. ניתן לחשב ולמצוא למשל שעלות העזיבה של הקריטיים הייתה 1.8 מיליון דולר אוסטרלי בשנה. עלות עזיבת המקצועיים והביצועיים יחד הייתה 1.66 מיליון דולר אוסטרלי.
התרגול הראה שגורם הסיכון הגבוה ביותר הוא עזיבה של הקריטיים. בהמשך הארגון יכול היה לקיים סקר סיכון של מעורבות ועזיבה בקרב הסגל הקריטי שלו כדי לבדוק מהן הסיבות לעזיבה,ולמצוא פתרון. מודל הקובייה מאפשר אם כן להצליב נתונים, לחזות טוב יותר את הסיכונים והפוטנציאל ולפעול באופן פרואקטיבי.
