Analytics เป็นหนึ่งในคำที่พูดกันในกลุ่มคนทำงาน HR บ่อยมากในระยะนี้ เช่นเดียวกับ Design Thinking และ Agility แต่จริงๆแล้ว คนส่วนใหญ่น่าจะเข้าใจในแง่ที่ คำเหล่านี้ “แปลว่าอะไร” และคงจะมีคนราว 60% ที่ทราบรายละเอียดของแนวคิด และอาจจะเหลือ 40% สำหรับคนที่ทราบกระบวนการของเรื่องนั้นๆ จากการเข้าอบรม 20% พอจะนึกออกว่าประยุกต์ใช้กับงาน HR อย่างไร และเหลือเพียงไม่ถึง 10% ที่ได้นำมาปฏิบัติจริงในองค์กร
เมื่ออาทิตย์ก่อนผมได้มีโอกาสไปบรรยายในงาน 2018 Thailand HR Forum ที่จัดโดยสมาคมการจัดการงานบุคคลแห่งประเทศไทย ในหัวข้อเรื่อง Making a Difference through Analytics ซึ่งโดยปกติ ผมจะใช้เวลาราว 20% ในการคิด Theme และ Story-line ว่าจะเล่าเรื่องในหัวข้อนั้นอย่างไร และใช้เวลาที่เหลืออีก 80% หาข้อมูลและทำ presentation material แต่ในหัวข้อนี้ ผมใช้เวลาในการคิดว่าจะนำเสนออะไร และเวลาในการจัดทำเนื้อหาเท่าๆ กัน คือ 50% : 50% ทั้งนี้ เพราะความยากอยู่ที่ การเล่า People Analytics ในช่วงที่คำนี้ยังเป็น Buzzword ที่พูดกันในวงกว้างโดยไม่ทราบรายละเอียดที่แท้จริงนั้น สามารถเล่าได้ 2 แบบ คือแบบแรก เราสามารถนำตัวอย่างบริษัท ในต่างประเทศที่มีการนำ People Analytic มาใช้กับงาน HR ซึ่งสร้างผลกระทบที่ดีให้องค์กรมาเล่าให้ฟังเป็น success story แบบนี้น่าจะเป็นวิธีที่ง่าย และผู้ฟังคงจะชอบ เพราะฟังแล้วเพลินไม่คิดอะไรมาก วิธีการเล่าอีกแบบหนึ่งคือการปูพื้นสิ่งที่ควรทราบเกี่ยวกับ data และ analytics เพื่อให้ผู้ฟังสามารถนำพื้นฐานความรู้เหล่านี้ไปต่อยอดในการศึกษาหาความรู้เพิ่มเติมที่มีอยู่มากมายในโลกไซเบอร์ปัจจุบัน ซึ่งการพูดTheme แบบที่สองในเวลาเก้าสิบนาทีนั้น มีความเสี่ยงอย่างมากที่คนจะหลับ หรือเดินออกก่อนที่การบรรยายจะสิ้นสุด เพราะเนื้อหา แม้จะดูธรรมดาสำหรับผู้ที่มีความคุ้นเคยกับตัวเลข แต่สำหรับ HR ที่ประขากรกว่า 2ใน 3 ไม่ชอบ หรือไม่ค่อยได้ใช้ตัวเลขแล้ว เรื่องนี้คือ ยาขมที่ HR คิดว่าไม่จำเป็นต้องรู้ แต่ในที่สุดหลังจากใช้เวลาคิดอยู่นานผมก็เลือกจะนำเสนอตามวิธีหลัง และก็เป็นไปตามคาดว่าเนื้อหาค่อนข้างหนักสำหรับผู้ฟัง อาจจะเพราะไม่ได้เตรียมมาฟังเรื่องแบบนี้ในตอนแรก สังเกตได้จากแววตาและคิ้วของผู้ฟังที่ขมวดตลอดเวลาบรรยาย แต่ที่น่าดีใจก็คือผมบรรยายเกินเวลาไปอีก 15 นาทีโดยไม่มีใครลุกหนีไปก่อน หากใครสนใจ presentation materialการบรรยายวันนั้น สามารถดาว์โหลดได้ตามนี้ครับ (Making a Difference through Analytics)
จริงๆ แล้ว People analytic เป็นแค่ Buzzword ที่นิยมพูดเพื่อให้ผู้พูดดูดีแล้วก็หายไปในเวลาไม่นาน หรือ People Analytics คือ สิ่งจำเป็นที่ยกระดับการทำงานของ HR ให้มีความสำคัญเช่นเดียวกับ Finance ซึ่งเปรียบเสมือนมือขวาของ CEO มาหลายทศวรรษ
เริ่มต้นจากการรู้จักประเภทของข้อมูลก่อน
ก่อนจะตอบคำถามว่า People Analytic คืออะไร มีประโยชน์อย่างไร และจะใช้อย่างไร HR ต้องรู้จักแหล่งต้นทางของเรื่องก่อน นั่นก็คือ ข้อมูล ( data) ที่หลายๆ คนมักจะพูดถึงข้อมูลในปัจจุบันว่า เป็น Big Data โดยนัยยะที่ผู้พูดต้องการจะแสดงให้เราเห็นภาพว่า Data สมัยนี้มีความซับซ้อนทั้งในแง่ปริมาณที่มีจำนวนมหาศาลและจะทวีคุณเพิ่มขึ้นทุกวัน มีรูปแบบที่หลากหลายตั้งแต่ รหัส ข้อความ รูปภาพ เสียง วีดีโอ และมีความปัจจุบันมากทั้งในแง่การจัดเก็บและการประมวลผลที่เป็น real time แต่ในมุมมองของผม data ในปริบทของ People Analytic ไม่ว่าจะ Big หรือ Small data มีความสำคัญเหมือนกันหมด ตราบใดที่สามารถนำมาวิเคราะห์เพื่อตอบโจทย์ทางธุรกิจได้ เพราะหากเรามุ่งเน้น แต่ Big data ที่จำเป็นต้องใช้เทคโนโลยีพิเศษในการรวบรวม จัดเก็บ และ วิเคราะห์ บางครั้งเราอาจจะมองข้ามข้อมูลที่ได้จากชีวิตประจำวัน เช่นจากใบสมัครงาน ที่นำมาวิเคราะห์ด้วยวิธีการทางสถิติพื้นๆ เช่น ร้อยละ มัธยฐาน ฐานนิยม ค่ากลาง ส่วนเบี่ยงเบนมาตฐาน ว่าไม่มีความสำคัญในยุคปัจจุบันที่ทุกคนพูดถึงแต่ Big data และ Predictive Analytics ทั้งที่ข้อมูลและวิธีการอธิบายข้อมูลแบบง่ายๆ เช่นนี้ก็สามารถเสนอภาพของสถานการณ์ ที่กระตุ้นให้ผู้บริหารรับรู้ ตระหนัก และ นำไปสู่การกำหนดแนวทางเพื่อแก้ปัญหาได้เช่นเดียวกัน
สำหรับ HR ข้อมูลที่สามารถนำมาใช้ให้เป็นประโยชน์ได้แบ่งออกเป็น สองมิติ
มิติแรก เป็นมิติ “แหล่ง หรือ ความเป็นเจ้าของ” ของข้อมูล ได้แก่ (1) ข้อมูลภายในที่บริษัท หรือหน่วยงานจัดเก็บเอง ดังนั้นจึงมีสิทธิเต็มที่ในการนำมาใช้ เช่น ประวัติพนักงาน โครงสร้างองค์กร ฐานข้อมูลลูกค้า โครงการและรายงานข้อมูลทางธุรกิจในรูปแบบต่างๆ (2) ข้อมูลจากแหล่งภายนอก ที่บริษัท ได้มาโดยการซื้อ เช่น ข้อมูลการตลาด พฤติกรรมผู้บริโภค ฐานข้อมูลลูกค้าใหม่ ฯลฯ หรือ ข้อมูลที่บริษัทเข้าถึงจากการเผยแพร่โดยสาธารณะของแหล่งข้อมูล เช่น ดัขนีผู้บริโภค เป็นต้น
มิติที่สองเป็นมิติ “รูปแบบ” ข้อมูล ซึ่งจะแบ่งได้เป็นสองแบบได้แก่ (1) Structured data คือ ข้อมูลที่การจัดเก็บในรูปแบบ row, column, spreadsheet ซึ่งสะดวกต่อการคำนวณและประเมินผล มักจะใช้ภาษา SQL หรือ structured query language ในการเขียนโปรแกรมเพื่อจัดการกับฐานข้อมูลเหล่านี้โดยเฉพาะ ข้อมูลเหล่านี้เรียกว่า Relational database ที่ HR จะคุ้นเคยกันดี เพราะเป็นข้อมูลที่อยุ่ในระบบ HRIS ของแต่ละบริษัท นอกจากนี้ยังรวมถึงข้อมูลจากภายนอก เช่น การสำรวจอัตราเงินเดือนของตลาดแรงงาน ดัชนีค่าครองชีพของประเทศต่างๆ เป็นต้น อีกรูปแบบหนึ่งคือ (2) Unstructured data คือ ข้อมูลที่ไม่มีรูปแบบตายตัว อธิบายง่ายๆ ก็คือ อะไรก็ตามที่ไม่ใช่ข้อมูลในรูปแบบที่ (1) ถือเป็นข้อมูลแบบไม่ตายตัวทั้งสิ้น เช่น อีเมล์การโต้ตอบของพนักงาน, องค์ความรู้ที่จัดเก็บในรูปแบบต่างๆ, บันทึกภาพกล้องวงจรปิดภายในบริษัท, บันทึกสนทนาระหว่างพนักงาน กับ HR Shared Services , บันทึกการสนทนาระหว่างลูกค้ากับพนักงานคอลเซนเตอร์, องค์ความรู้ที่เผยแพร่ใน wiki, เนื้อหาที่มีการเผยแพร่ ส่งต่อ แสดงความเห็นในโซเชียลมีเดีย ทั้งที่เป็นรูปภาพ เสียง ข้อความที่เขียน เป็นต้น เมื่อก่อนเราไม่ค่อยสนใจ unstructured data เท่าไหร่เพราะการรวบรวม จัดเก็บ และวิเคราะห์ข้อมูลประเภทนี้มีข้อจำกัดและมีค่าใช้จ่ายสูง แต่ความก้าวหน้าทางเทคโนโลยีทำให้ข้อจำกัดเหล่านี้หมดไป unstructured data จึงมีความสำคัญเพิ่มมากขึ้น ในฐานะที่เป็นตัวอธิบายเหตุผล (why) เพิ่มเติมให้ภาพที่ชัดเจนมากขึ้นจากที่ทราบว่าเกิด อะไร(what) ที่ไหน(where) เมื่อไหร่ (when) และมีใครเกี่ยวข้องบ้าง (who)ซึ่งได้มาจากการวิเคราะห์ข้อมูลแบบ structured data
เมื่อพูดถึงการวิเคราะห์ข้อมูล HR จะนึกถึงเฉพาะข้อมูล Structured data ภายในที่มีการจัดเก็บในถังข้อมูล HRIS เป็นส่วนใหญ่ ซึ่งในความเป็นจริง ข้อมูล Structured data ก็ไม่ได้มีแค่ ข้อมูลพนักงานในระบบ HRIS เท่านั้น แต่ยังมีข้อมูลอื่นๆ เช่น ผลประกอบการทางธุุรกิจ ข้อมูลทางการเงิน ข้อมูลประสิทธิภาพและประสิทธิผลของการผลิต ข้อมูลความพึงพอใจของลูกค้า ฯลฯ ที่ HR ไม่คุ้นเคยและไม่ได้นำมาใช้ให้เกิดประโยชน์ ส่วนหนึ่งอาจจะเป็นเพราะว่าองค์กรไม่เห็นความสำคัญในการที่ HR จะเข้าถึงข้อมูลเหล่านี้ เลยไม่ได้ให้สิทธิเพื่อเข้าถึงและใช้ข้อมูลกับ HR แต่ในทางกลับกัน ข้อมูลพนักงานก็มักจะถูกมองว่าเป็นข้อมูลความลับสุดยอด “เฉพาะและสำหรับ” HR [บางตำแหน่ง บางกลุ่ม บางคน] เท่านั้น ทั้งที่ข้อมูลหลายอย่างสามารถเปิดเผยให้ผู้บริหาร หรือ นักวิเคราะห์ในสายงานอื่นเข้าถึงและใช้ประโยขชน์ได้ สภาพที่กล่าวถึงทำให้เกิด “สุญญากาศ” ที่ข้อมูลเรื่องคน และ ข้อมูลธุรกิจไม่ได้มีการเชื่อมโยงและนำมาใช้ประโยชน์เต็มที่อย่างที่ควรจะเป็น
People Analytics คืออะไร
เพื่อไม่ให้สับสนในการทำความเข้าใจ เราจึงตั้งสมมติฐานร่วมกันก่อนว่า HR [ควรจะ]มีข้อมูลแบบ Structured data ที่มีความถูกต้อง น่าเชื่อถือได้ จากการบันทึกเป็นประจำ หรือจัดเก็บตามระยะเวลา เช่น การสำรวรความพึงพอใจ) อยู่แล้ว ข้อมูลเหล่านี้เป็นข้อมูลปัจจุบัน หรือข้อมูลในอดีต (historical data) ที่นำมาใช้เพื่อใช้เพื่ออธิบาย สภาพ หรือ สถานการณ์ ที่เกี่ยวข้องกับ คนและองค์กร เช่น มีจำนวนพนักงานกี่คน(แยกตามเพศ ช่วงอายุ การศึกษา ประสบการณ์ ภูมิลำเนา สังกัด ลำดับชั้น ฯลฯ) มีอัตราการรับใหม่และลาออกเป็นอย่างไร, พนักงานได้รับการฝึกอบรมโดยเฉลี่ยกี่ชั่วโมงต่อคนต่อปี การจัดอบรมคลอบคลุมพนักงานคิดเป็นร้อยละเท่าไหร่ของพนักงานทั้งหมด มีการกระจายอย่างเหมาะสม หรือ กระจุกตัวเฉพาะบางกลุ่ม, ระดับความพึงพอใจและความผูกพันเป็นอย่างไร เป็นต้น
หากนำข้อมูลเหล่านี้มาวิเคราะห์ด้วย เทคนิคทางสถิติพื้นฐานสามาถ จะตอบคำถามได้ว่า
พนักงานมีเหตุผลอะไรในการตัดสินใจลาออก
ความพึงพอใจในแต่ละหน่วยงาน กลุ่มอายุ และ ลำดับชั้นมีความแตกต่างกันอย่างไร
พนักงานที่ลาออกก่อนอายุงานครบหนึ่งปีคิดเป็นร้อยละเท่าไหร่ของพนักงานใหม่ที่รับเข้ามาทั้งหมด
และหากมีการนำเทคนิคทางสถิติที่สูงขึ้นมาใช้ โดยมีการ “ตั้งสมมุติฐานที่ดี” จะทำให้สามารถตอบคำถามว่า
ผลการปฏิบัติงานของพนักงานมีความสัมพันธ์กับจำนวนเวลาที่หัวหน้างานโค้ชและสอนงานหรือไม่
สามารถใช้เกรดเฉลี่ยเพื่อทำนายอัตราการผ่านทดลองงานของวิศวกรที่ไม่มีประสบการณ์ได้หรือไม่ และอย่างไร
การอบรมในห้องเรียนแบบ instructor-led กับการผสมผสานระหว่าง micro-learning & coaching วิธีการไหนมีประสิทธิภาพในการพัฒนาเพื่อเตรียมความพร้อมในการเลื่อนตำแหน่ง (transitional development) มากกว่ากัน
ยิ่งไปกว่านั้น ควรมีการนำ people data มาเชื่อมโยงกับ business data เพื่อตอบคำถามว่า
ความพึงพอใจของพนักงานมีผลต่อยอดขาย การควบคุมต้นทุนการผลิต หรือ ความพึงพอใจของลูกค้า
คุณสมบัติใดที่พนักงานศูนย์บริการลูกค้าควรจะมีเพื่อให้สามารถปฏิบัติงานได้อย่างมีประสิทธิภาพ
แต่หากต้องทำนายความสัมพันธ์และความเป็นเหตุของกลุ่มตัวแปรต่างๆ ว่าจะมีผลอย่างไรต่อตัวแปรที่สนใจ เพื่อจะนำผลสรุปที่ได้ไปใช้ในการปรับปรุงหรือสร้างรูปแบบการทำงานใหม่ๆ แล้ว เราควรจะมีความเข้าใจหลักการวิเคราะห์แบบ สมการโครงสร้าง (structural equation modelling) ซึ่งจะอธิบายความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรต่างๆ โดยในตัวอย่างที่นำมาแสดงเป็นตัวอย่างจริงที่สามารถนำไปใช้ในการออกแบบหลักสูตรการฝึกอบรมที่มีประสิทธิภาพซึ่งส่งผลต่อธุรกิจได้
และด้วยความก้าวหน้าทางเทคโนโลยีดังเป็นที่ทราบกันโดยทั่วไป ทำให้เทคนิคการวิเคราะห์ "ตัวแปร"ไม่ได้ไม่ถูกกำหนดกรอบแค่คำจำกัดความทางสถิติเดิมๆ เท่านั้น แต่เทคโนโลยี machine learning มีส่วนทำให้การวิเคราะห์รูปแบบ(pattern detection) ที่ไม่ใช่ตัวหนังสือ ทำได้ง่ายและเป็นประโยชน์กับองค์กร ดังจะเห็นได้จากความนิยมที่เพิ่มขึ้นของการวิเคราะห์รูปแบบการติดต่อภายในองค์กร (Organization Network Analysis) ที่นำไปสู่การออกแบบโครงสร้าง และ ปรับการจัดพื้นที่ทำงานใหม่ที่สร้างผลกระทบต่อผลการดำเนินธุรกิจได้
แต่อย่างไรก็ตาม ขอให้ตระหนักไว้เสนอว่า ระดับความซับซ้อนของเทคนิคทางสถิติไม่ใช่ตัวชี้ระดับความสำเร็จของ People Analytics เพราะไม่ว่าจะใช้เทคนิคทางสถิติที่ก้าวหน้าขนาดไหน หากผลการวิเคราะห์ไม่ได้นำไปสู่การลงมือปฏิบัติให้เกิดผล หรือไม่ได้ใช้เพื่อสร้าง HR intervention ใหม่ๆ ที่เชื่อมโยงกับเป้าหมายทางธุรกิจ เทคนิคและผลการวิเคราะห์เหล่านั้นก็ไม่มีประโยชน์ เมื่อหลายปีก่อนผมเคยใช้ข้อมูลประชากรศาสตร์พื้นๆ (Demographic) เพื่ออธิบายการกระจายทางอายุของพนักงานว่ามีแนวโน้มที่จะเป็นอุปสรรคต่อความคุ้มค่าของการลงทุนในโครงการพัฒนาบริษัทให้เป็นดิจิตอลอย่างไร หากลงทุนทางเทคโนโลยี และปรับ Business model โดยไม่มีการพัฒนาทักษะทางดิจิตอลให้คนที่ยังไม่พร้อมแล้ว การลงทุนก็จะสูญเปล่า หรืออีกตัวอย่างหนึ่งคือการใช้ข้อมูลจากภายนอกเกี่ยวกับระยะเวลาในการสรรหาพนักงานที่มีการเผยแพร่ทั่วไป มาใช้ร่วมกับ historical data เกี่ยวกับอายุงานซึ่งเป็นข้อมูลภายในเพื่อกระตุ้นให้ผู้บริหารเห็นความสำคัญของปัญหา Talent Shortage อันจะนำไปสู่การอนุมัติงบประมาณในการสร้าง Employment Branding ในทีสุด
จะเห็นได้ว่าทั้งสองตัวอย่างไม่ได้ใช้เทคนิคทางสถิติที่ล้ำหน้าแต่อย่างใด แต่ถือว่าประสบความสำเร็จเพราะเป็นการแสดง insight ที่สร้างความตระหนัก และนำไปสู่ action คือโครงการ Employment branding และ Digital Capability building ตามลำดับ
มาถึงตรงนี้ หลายคนคงเห็นพ้องกับผมว่า people analytic ไม่ใช่เป็นแค่ buzzword แต่เป็นสิ่งจำเป็นที่ HR ต้องเรียนรู้ เข้าใจ เพื่อที่จะได้นำมาใช้สร้างคุณค่าและความสามารถในการแข่งขันให้กับธุรกิจได้อย่างทันเวลาและมีประสิทธิภาพ
การเรียนรู้และเข้าใจได้หมายความว่า เราต้องเปลี่ยน HR ที่ไม่มีความรู้ และไม่สามารถใช้วิธีการทางสถิติออกไปและหานักสถิติ หรือ data scientist เข้ามาทำงานแทน เพราะการทำแบบนั้นก็ไม่ได้รับประกันความสำเร็จเสมอไป ด้วยเหตุที่ว่า การสร้าง HR Domain knowledge และ sound HR experience ให้นักสถิติเพื่อให้สามารถ กำหนด The right question ที่เหมาะสมสำหรับงาน HR อันจะนำไปสู่การทดสอบสมมติฐานได้ ก็ไม่ใช่เรื่องง่าย ทางออกที่เหมาะสมคือการสร้างความรู้ระดับพื้นฐานให้ HR ไม่ว่าจะมีพื้นฐานการศึกษาทางด้านไหน ได้เข้าใจว่า สถิติแต่ละตัวที่ใช้กันบ่อยๆ คืออะไร ใช้เพื่ออะไร เงื่อนไขในการใช้มีอะไรบ้าง โดยไม่จำเป็นต้องคำนวณได้ด้วยตัวเอง เพราะในปัจจุบันเราสามารถ outsource การคำนวณ โดยใช้ผู้เชี่ยวชาญจากภายนอกช่วยดำเนินการ หรือ อาจจะทำความร่วมมือกับ สถาบันการศึกษาที่มีบุคลากรด้าน data science อยู่เป็นจำนวนมาก ให้ช่วยในส่วนนี้ก็ได้
การที่เราจะใช้ประโยชน์จาก data ให้เกิดประโยชน์สูงสุดนั้น ไม่ได้ขึ้นอยู่กับการมีข้อมูลที่ครบสมบูรณ์ และความสามารถในการใช้เทคนิคทางสถิติที่เหมาะสมเท่านั้น แต่ยังประกอบไปด้วยปัจจัยอื่นๆ หลายอย่าง เช่น การระดมการมีส่วนร่วมจาก Stakeholders ต่างๆ ในการกำหนด คำถามที่ดีอันจะนำไปสู่การรวบรวมและวิเคราะห์ข้อมูลจาก people และ business ร่วมกัน, การนำเสนอที่สร้างผลกระทบให้เกิดกับผู้ฟัง ตลอดจน การแปลงข้อมูลไปสู่การปฏิบัติที่เกิดผลอย่างยั่งยืน
Analytic คือความท้าทายแรกที่ HR ต้องเผชิญในยุค Digital Economy เพราะ HR ต้องสร้าง capability เพื่อจัดการกับสิ่งที่เราไม่คุ้นเคยมาก่อน
Analytics is a bitter pill for HR but we must swallow as we cannot avoid it!!!!