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
Tabela 11: Gonila kadrovske funkcije za izgradnjo analitičnega modela v podjetju
Maersk ............................................................................................................... 45
Tabela 12: Gonila kadrovske funkcije za izgradnjo analitičnega modela v podjetju
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
Tabela 18: Ovire kadrovske funkcije pri izgradnji analitičnega modela v podjetju
Chrysler ............................................................................................................. 51
Tabela 19: Rezultat izobraževanja, odražen na prodaji ....................................................... 51
Tabela 20: Gonila kadrovske funkcije pri izgradnji analitičnega modela v podjetju
Lowe's ................................................................................................................ 52
Tabela 21: Ovire kadrovske funkcije pri izgradnji analitičnega modela v podjetju
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
Vir: BCG, How to address HR challanges worldwide through 2015, 2016.
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
Vir: BCG, How to address HR challanges worldwide through 2015, 2016.
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.
Vir: IBM Corporation, How smart HR departments win with business intelligence, 2009.
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
Vir: IBM Corporation, How smart HR departments win with business intelligence, 2009.
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
Vir: T. Rasmussen, & D. Ulrich, Learning from practice: How HR analytics avoids being a management fad,
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
Gonila za HRM Razlog za gonilo
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.
Vir: T. Rasmussen, & D. Ulrich, Learning from practice: How HR analytics avoids being a management fad,
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.
Vir: T. Rasmussen, & D. Ulrich, Learning from practice: How HR analytics avoids being a management fad,
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
Vir: T. Rasmussen, & D. Ulrich, Learning from practice: How HR analytics avoids being a management fad,
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.
Tabela 11: Gonila kadrovske funkcije za izgradnjo analitičnega modela v podjetju Maersk
Gonila za HRM Razlog za gonilo
Poslovna potreba in poslovni
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.
Vir: T. Rasmussen, & D. Ulrich, Learning from practice: How HR analytics avoids being a management fad,
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
Tabela 12: Gonila kadrovske funkcije za izgradnjo analitičnega modela v podjetju Maersk
Ovira za HRM Razlog za oviro
Interpretacija in prikaz podatkov za
odločanje
Interpretacija podatkov in pripovedovanje zgodbe za iskanje
podpore vodstva.
Vir: T. Rasmussen, & D. Ulrich, Learning from practice: How HR analytics avoids being a management fad,
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
Gonila za HRM Razlog za gonilo
Poslovna potreba in poslovni
problem
Visoka fluktuacija
Identifikacija kritičnih področij Iskanje področij, kjer lahko kadrovska funkcija nudi dano vrednost
in podporo vodstvu.
Vir: J. Fitz-enz, The new HR analytics, 2010.
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
Ovira za HRM Razlog za oviro
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.
Vir: J. Fitz-enz, The new HR analytics, 2010.
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
Vir: J. Fitz-enz, The new HR analytics, 2010.
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.
Tabela 16: Gonila kadrovske funkcije pri izgradnji analitičnega modela v podjetju
Chrysler
Gonila za HRM Razlog za gonilo
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
Vir: G. Pease, B. Byerly, & J. Fitz-enz, Human capital analytics, 2013.
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
Ovire za HRM Razlog za oviro
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.
Vir: G. Pease, B. Byerly, & J. Fitz-enz, Human capital analytics, 2013.
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
Vir: G. Pease, B. Byerly, & J. Fitz-enz, Human capital analytics, 2013.
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
Gonila za HRM Razlog za gonilo
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
Ovire za HRM Razlog za oviro
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.
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.
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
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.
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
Gonila za HRM Razlog za gonilo
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
Ovire za HRM Razlog za oviro
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.
Vir: D. Dutta, & S. Venkatagiri, EdGE Networks: Making HR intelligent, 2017.
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.
Vir: D. Dutta, & S. Venkatagiri, EdGE Networks: Making HR intelligent, 2017.
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.
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