Os grandes dados em recursos humanos (RH) estão se tornando mais utilizados para recrutar, contratar e manter os melhores funcionários. Aqui estão três razões pelas quais mais empresas estão adotando análises preditivas para melhorar a linha de fundo.

Recrutamento mais efetivo

Dados importantes ajudam a descobrir quais candidatos são mais adequados para posições abertas. Parte do processo de mineração de dados pode incluir a coleta de informações de currículos e perfis de redes sociais para identificar mais claramente quais possíveis contratações podem ser mais produtivas e adicionar diversidade a um local de trabalho. Os gerentes de contratação podem então restringir o grupo de candidatos e decidir quais áreas de avaliação devem se concentrar durante as entrevistas. Ao implementar esta estratégia, o processo de contratação se move mais rapidamente e as pessoas certas são contratadas com mais freqüência.

Por exemplo, um banco na Ásia recrutou anteriormente os principais diplomados de universidades altamente qualificadas para preencher seus 8 mil papéis espalhados por mais de 30 agências. Depois que o banco foi submetido a uma reestruturação organizacional, a instituição iniciou informações de mineração de dados cobrindo 30 pontos nas categorias de desempenho do empregado, histórico profissional, dados demográficos, posse e informações dos ramos de seus recursos atuais. O banco começou a usar a análise de dados para identificar os funcionários atuais com maior probabilidade de se destacarem em suas posições, criando novos papéis dentro da organização e obtendo informações adicionais sobre o que motiva o desempenho dos trabalhadores.

Ao usar análises preditivas, o banco descobriu traços comuns entre alto e baixo desempenho e criou perfis para trabalhadores com uma possibilidade mais forte de se destacar em um papel específico. A informação também mostrou que as agências e as equipes são estruturadas afetam o crescimento financeiro da instituição. Além disso, grandes dados revelaram que papéis específicos tiveram a maior influência no sucesso do banco.

Como resultado, novas estruturas organizacionais foram criadas em torno de equipes específicas e grupos de trabalhadores. Como o banco começou a usar a análise de dados para recrutar e medir o desempenho, a produtividade das filiais aumentou 26%, a taxa de conversão dos novos recrutas aumentou em 80% e a receita líquida aumentou 14%.

Contratação menos tendenciosa

A análise preditiva reduz a quantidade de viés que envolve a tomada de decisões que afetam o desempenho de uma empresa. Por exemplo, muitos gerentes de contratação trazem a bordo candidatos que possuem características semelhantes aos seus principais trabalhadores. No entanto, como os empregados existentes foram contratados pelos mesmos métodos tendenciosos, as organizações normalmente acabam por falta de diversidade cultural e intelectual, o que pode diminuir o sucesso geral de uma empresa. Ao criar modelos e benchmarks para marcar trabalhadores e áreas de negócios, as empresas podem identificar melhor quais funcionários e quais contribuições são mais valiosas para a organização e usar análises preditivas para determinar de forma mais clara quais os trabalhadores que podem se destacar em suas posições.

Por exemplo, um negócio de serviços profissionais que recebeu 250 000 pedidos de emprego anualmente queria reduzir o tempo e o dinheiro gasto na revisão de currículos, melhorar a eficácia do processo de triagem e contratar mais mulheres para sua força de trabalho. Através da utilização de análises preditivas, o algoritmo respondeu pelo recomeço do candidato passado, entrevistados que receberam posições e aqueles que aceitaram. O modelo vinculou os dados aos objetivos de contratação da empresa, reduziu a lista de candidatos com maior probabilidade de se destacar nas posições abertas e movimentou esses currículos para o próximo passo no processo de contratação. Aproximadamente 45% dos currículos acabaram sendo revisados, 15% mais mulheres avançaram no processo de triagem em comparação com a triagem manual e o negócio realizou um retorno sobre o investimento (ROI) de 500%.

Taxas de retenção maior

Os grandes dados ajudam a melhorar as taxas de retenção, mostrando quais os trabalhadores que são mais propensos a sair e quais os que podem exigir ser movidos para uma posição diferente na organização, sendo promovidos ou recebendo um mentor como incentivo para ficar com a empresa. Tais mudanças geralmente aumentam o engajamento no trabalho, a satisfação no trabalho e a produtividade para que os funcionários permaneçam com a organização.

Por exemplo, Bank of America Corp. (NYSE: BAC BACBank of America Corp27. 67-0. 54% Criado com o Highstock 4. 2. 6 ) empregados usam cartões de identificação com incorporado sensores para monitorar interações interpessoais entre seus trabalhadores de call center. Wells Fargo & Co. (NYSE: WFC WFCWells Fargo & Co56. 14-0. 37% Criado com o Highstock 4. 2. 6 ) usa análises preditivas para determinar quais candidatos são mais qualificados para cargos como redatores e banqueiros pessoais, de acordo com os candidatos possuir as características dos trabalhadores envolvidos e de alto desempenho. Após um ano de implementação do programa, a retenção de caixas e banqueiros pessoais aumentou 15 e 12%, respectivamente.

A linha inferior

Os grandes dados em RH ajudam as empresas a economizar tempo e dinheiro ao recrutar, contratar e manter seus melhores trabalhadores. Mais empresas estarão implementando análises preditivas em suas práticas comerciais, pois as organizações vêem cada vez mais o valor no processo e querem melhorar a linha de fundo.