HR analytics merupakan studi tentang SDM dan dampaknya terhadap kinerja bisnis perusahaan. Umumnya, bisnis memanfaatkan analitik ini untuk membuat keputusan terkait personalia, restrukturisasi kebijakan perusahaan, dan pengambilan keputusan berbasis data untuk perusahaan.
Pengambilan keputusan yang berbasis data membantu perusahaan dapat membuat keputusan dengan hasil terukur, sehingga dapat dibandingkan dengan data masa lalu atau disimpan untuk masa depan. Pada intinya, HR analytics membuat pengelolaan sumber daya manusia menjadi lebih efisien.
Melalui insight yang dihasilkan oleh HR analytics, Anda dapat melihat area yang efektif dan di mana perlu dilakukan perbaikan. Dengan data yang mudah diperoleh, para pemimpin SDM juga dapat menjawab pertanyaan dan menawarkan solusi berdasarkan bukti yang jelas.
4 Jenis HR Analytics
Dilansir dari AIHR, terdapat empat jenis HR analytics yang memiliki tujuan masing-masing dengan lebih spesifik. Jenis-jenis tersebut dapat Anda pilih salah satu atau dikombinasikan sesuai dengan kebutuhan dan akses yang dimiliki perusahaan.
Perlu Anda ketahui, jenis analitik dapat berfungsi jika berdiri sendiri, namun Anda dapat memperoleh gambaran yang lebih lengkap saat semua analitik tersedia.
Berikut penjelasan dari masing-masing jenis HR analytics:
1. Descriptive Analytics
Jenis HR analytics yang pertama adalah descriptive analytics atau analitik deskriptif. Ini menjadi jenis yang paling dasar untuk menganalisis pla data guna memperoleh insight tentang masa lalu.
Descriptive analytics mencakup analitik keputusan, serta menggunakan teknik analisis statistik untuk menjelaskan atau merangkum kumpulan data historis tertentu. Data tersebut berfokus untuk menjelaskan apa yang terjadi di masa lalu, namun tidak membuat preidksi untuk masa depan.
Penerapan Descriptive Analytics
Analitik deskriptif dapat menggunakan kombinasi data numerik dan data kualitatif. Hal ini melibatkan perhitungan matematika, seperti central tendency, frekuensi, variasi, peringkat, rentang, deviasi, dan lain-lain. Dengan data tersebut, Anda dapat melihat pola dan inkonsistensi untuk meningkatkan perencanaan.
Analitik deskriptif membantu Anda untuk:
- Mengevaluasi perilaku
- Membandingkan karakteristik dari waktu ke waktu
- Mendeteksi anomali
- Mengidentifikasi kekuatan dan kelemahan
Analitik deskriptif memiliki kelebihan, yaitu metode analisis yang sederhana dan bisa dipahami dengan mudah. Namun, kelemahannya adalah hanya dapat memberikan analisis yang sederhana dan terbatas pada beberapa variabel setelah peristiwa terjadi.
Contohnya, Anda bisa menggunakan analitik deskriptif untuk melihat rata-rata hari libur yang diambil karyawan dalam setahun atau membandingkan tingkat perputaran karyawan antara dua tim atau departemen.
Penting untuk dicatat bahwa dengan menggabungkan semua jenis analitik SDM ini, Anda bisa mendapatkan gambaran yang lebih lengkap dan membantu pengambilan keputusan yang lebih baik dalam bidang SDM.
2. Diagnostics Analytics
Analitik diagnostik merupakan analitik deskriptif ke tingkat berikutnya, yakni dengan memberikan penjelasan tentang apa yang telah ditemukan. Tujuannya untuk mencari tahu alasan di balik data yang ditemukan.
Walaupun sama-sama menggunakan data historis seperti analitik deskriptif, tetap terdapat perbedaan penting di antara keduanya. Analitik diagnostik membahas dan merangkum lebih jauh tentang masalah yang terjadi dengan kata-kata yang mudah dipahami.
Jenis HR analytics ini mencoba menjawab pertanyaan ‘mengapa’ di balik tren data, hubungan antar data, dan hal-hal yang dinilai tidak biasa.
Proses analitik diagnostik umumnya melibatkan beberapa langkah berikut:
- Mengidentifikasi pola dan hal-hal yang tidak biasa dalam data yang menimbulkan pertanyaan dan perlu dikaji lebih lanjut.
- Menemukan faktor-faktor yang mungkin memberikan kontribusi pada pola dan hal-hal yang tidak biasa untuk mengidentifikasi data yang relevan.
- Menentukan hubungan sebab-akibat dengan menganalisis data menggunakan berbagai metode.
Terdapat beberapa teknik analitika diagnostik, di antaranya:
- Penelusuran data: Mengambil informasi dari tinjauan umum dan memberikan pandangan yang lebih detail tentang data.
- Data mining: Menemukan pola-pola dari data yang membantu memprediksi peristiwa di masa depan.
- Teori probabilitas: Mengukur kejadian acak dengan mengestimasikan kemungkinan hasil yang tidak pasti.
- Analisis regresi: Menentukan variabel mana yang mempengaruhi hasil yang diamati.
- Analisis korelasi: Menguji hubungan antara variabel-variabel.
- Analisis statistik: Mengumpulkan dan menginterpretasi data untuk menemukan pola-pola yang mendasarinya.
Tujuan Diagnostic Analytics
Analitik diagnostik bertujuan untuk mengubah data menjadi pemahaman yang berharga bagi perusahaan. Analitik ini membantu Anda mengidentifikasi pola, perbedan, dan hubungan sebab-akibat di dalam data, dengan mempertimbangkan faktor internal dan eksternal yang mempengaruhinya.
Dengan bantuan analitik ini, Anda dapat melihat gambaran besar suatu situasi dan fokus pada faktor-faktor yang dapat menyebabkan masalah, sehingga Anda dapat melakukan upaya yang lebih tepat untuk mengurangi masalah tersebut.
Analitik diagnostik memiliki kelebihan berupa pemahaman yang lebih lengkap dalam pengambilan keputusan dan memungkinkan untuk memahami alasan di balik data yang ada.
Sementara kekurangannya terletak pada analitik ini lebih berfokus pada peristiwa masa lalu dan bersifat reaktif dan tidak memberikan insight langsung yang dapat digunakan untuk mendukung proses perencanaan.
Contoh Penggunaan Diagnostic Analytics
Berikut adalah dua contoh kasus yang menggunakan diagnostic analytics:
1. Abseenteism: Saat tingkat ketidak hadiran karyawan meningkat, maka Anda dapat menggunakan analitik diagnostik untuk menemukan alasan mengapa karyawan sering tidak hadir.
2. Keterlibatan karyawan: Analitik diagnostik dapat digunakan untuk meningkatkan keterlibatan karyawan dan budaya perusahaan Anda. Dengan menganalisis data dari survei internal atau wawancara, Anda dapat menemukan area yang membuat karyawan merasa terhubung dan puas dengan pekerjaan mereka, serta area yang harus diperbaiki.
3. Predictive Analytics
Analitik prediktif dapat memperkirakan apa yang mungkin terjadi di masa depan. Prosesnya melibatkan memilah data masa lalu dan sekarang untuk menemukan pola, hubungan, dan hal-hal yang tidak biasa, lalu membuat model untuk memprediksi apa yang akan terjadi di masa depan.
Kemudian, akurasi model dievaluasi dengan mengaplikasikannya pada data baru.
Analitika prediktif dalam SDM Analitika prediktif dalam SDM mendukung pengambilan keputusan yang lebih baik dalam SDM. Ini mengubah data historis yang dikumpulkan dari berbagai area, seperti keterampilan pekerjaan, keterlibatan karyawan, produktivitas, resume, dll., menjadi perkiraan tentang apa yang diharapkan di masa depan.
Perkiraan ini memberikan informasi kepada Anda untuk meningkatkan pengambilan keputusan dalam hal seperti merekrut kandidat yang tepat, mengatasi kesenjangan keterampilan, dan mempertahankan bakat terbaik.
Predictive analytics memiliki keuntungan berupa mampu mengurangi human error, membantu terhindar dari risiko, meningkatkan efisiensi operasional, dan meningkatkan akurasi perkiraan untuk perusahaan Anda.
Sementara kelemahannya adalah membutuhkan data yang penting dan relevan, serta sulit untuk memastikan bahwa semua faktor diperhitungkan, dan model harus diperbarui saat data berubah.
Contoh Penggunaan Predictive Analytics
Analitika prediktif digunakan dalam dua fungsi SDM yang penting:
1. Rekrutmen: Analitika prediktif membantu menganalisis data perekrutan seperti resume dan deskripsi pekerjaan untuk menemukan kandidat yang sesuai dengan kebutuhan organisasi. Hal ini juga dapat memperkirakan kebutuhan rekrutmen di masa depan agar Anda dapat memulai proses rekrutmen pada waktu yang tepat.
2. Retensi: Dengan analitika prediktif, Anda dapat memprediksi karyawan yang berisiko tinggi untuk berhenti. Dengan mengumpulkan dan menganalisis data terkait, Anda dapat mengidentifikasi faktor-faktor yang mempengaruhi keputusan karyawan untuk berhenti. Hal ini membantu Anda mengevaluasi dan mengambil tindakan yang tepat untuk meningkatkan retensi karyawan.
4. Prescriptive Analytics
Analitik preskriptif adalah tahap terakhir dalam proses analitika yang lebih kompleks. Tahap ini mengubah hasil dari analitik prediktif menjadi rekomendasi tentang apa yang sebaiknya dilakukan selanjutnya.
Analitik preskriptif memberikan saran tentang pilihan keputusan dan tindakan yang tepat berdasarkan temuan dari analitik prediktif. Ini menggunakan data besar (big data) dan berbagai alat teknis seperti pembelajaran mesin, algoritma, kecerdasan buatan, dan pengenalan pola.
Jika analitik prediktif hanya memprediksi hasil yang paling mungkin, sedangkan analitik preskriptif memperkirakan apa yang akan terjadi, mengapa hal itu terjadi, dan apa yang dapat dilakukan selanjutnya.
Dengan analitika preskriptif, Anda dapat mengantisipasi berbagai skenario yang mungkin terjadi dan menentukan tindakan yang optimal untuk mencapai hasil yang diinginkan.
Analitik prediktif memiliki keuntungan seperti dapat membantu Anda sebagaitim HR untuk membuat keputusan yang tepat waktu dan berdasarkan pada informasi akurat untuk meningkatkan kinerja, menyelesaikan masalah, serta memanfaatkan peluang yang ada.
Sebagai contoh, analitik predikitif dapat memberikan rekomendasi tentang strategi pelatihan yang bisa meningkatkan kinerja karyawan.
Selain kelebihan, jenis HR analytics ini juga memiliki beberapa kekurangan, yakni proses yang berulang dan membutuhkan waktu, perlu berhati-hati dalam mempertimbangkan pilihan yang disajikan serta masuk akal, dan algoritma tidak selalu mencakup semua kompleksitas dalam berurusan dengan manusia yang beragam.
Contoh Penggunaan Prescriptive Analytics
Berikut ini adalah dua contoh penggunaan analitika preskriptif yang berhubungan dengan SDM.
1. Penempatan Karyawan: Analitik preskriptif dapat membantu Anda mempersiapkan kebutuhan penempatan karyawan yang akan datang. Data mengenai interaksi karyawan dengan opsi manfaat digital dapat memberikan petunjuk tentang kemungkinan ada posisi kosong.
Jika ada peningkatan aktivitas seputar perencanaan pensiun atau kebijakan cuti medis dan keluarga, analitik preskriptif dapat memberikan rekomendasi penempatan karyawan yang dapat mengatasi kepergian dan absensi jangka panjang.
2. Tingkat Pengunduran Diri:
Terdapat beberapa perusahaan yang menggunakan kecerdasan buatan (AI) untuk memprediksi karyawan dengan risiko tinggi mengundurkan diri. Namun, mereka juga mengambil langkah berikutnya dengan menggunakan analitik preskriptif untuk mencegah faktor-faktor penyebab risiko pengunduran diri tersebut terjadi.