Bersin Talent Analytics Maturity Model

Het Bersin Talent Analytics Maturity Model betreft een raamwerk dat is ontwikkeld door Josh Bersin en helpt organisaties in de kern genomen om hun volwassenheid op het gebied van talentanalytics te beoordelen en te verbeteren. Het raamwerk duidt verschillende niveaus van volwassenheid, van eenvoudige rapportage tot geavanceerde en voorspellende analyses. Het doel is om organisaties te begeleiden bij het effectiever gebruiken van data en analytics teneinde beslissingen over talentmanagement te ondersteunen.
Onderstaand worden de vier niveaus weergegeven, de wijze waarop het raamwerk ingezet kan worden om de mate van volwassenheid te bepalen – en te verbeteren- alsmede welke kanttekeningen bij het raamwerk geplaatst kunnen worden.

1. Niveau 1: Operationele rapportage
   • Organisaties verzamelen basisgegevens over personeel, zoals headcount, verloop en kosten.
   • Rapporten zijn vaak handmatig en reactief, gericht op het voldoen aan wettelijke vereisten en/of interne rapportagebehoeften.
   • Er is relatief beperkt focus op analyse of inzichten.
2. Niveau 2: Geavanceerde rapportage
   • Organisaties beginnen gegevens te centraliseren en dashboards te gebruiken teneinde trends en patronen te identificeren.
   • Er is meer focus op het begrijpen van historische gegevens, zoals verloopanalyses of prestatie-indicatoren.
   • Data wordt vaker gebruikt om vragen te beantwoorden, maar nog niet om beslissingen te sturen.
3. Niveau 3: Strategische analytics
   • Organisaties gebruiken data om strategische beslissingen te ondersteunen, zoals het voorspellen van verloop, het identificeren van vaardigheidskloof of het optimaliseren van recruitmentprocessen.
   • Er wordt gewerkt met geavanceerde analysetechnieken, zoals correlaties en regressieanalyses.
   • HR en talentmanagementteams werken nauwer samen met de business om inzichten te vertalen naar acties.
4. Niveau 4: Voorspellende en prescriptieve analytics
   • Organisaties gebruiken geavanceerde technologieën, zoals machine learning en AI, om toekomstige trends te voorspellen en aanbevelingen te doen.
   • Data wordt gebruikt om proactief problemen aan te pakken, zoals het voorspellen van toekomstige talentbehoeften of het identificeren van risico’s op verloop.
   • Talentanalytics is volledig geïntegreerd in de bedrijfsstrategie en wordt gebruikt om concurrentievoordeel te behalen.

Hoe volwassen is jouw (bedrijfs)organisatie?

Het toepassen van het Bersin Talent Analytics Maturity Model vereist een gestructureerde aanpak om de volwassenheid van talentanalytics binnen een organisatie te beoordelen en te verbeteren. Onderstaand een stapsgewijze handleiding.

Stap 1: Beoordeel de huidige volwassenheid

• Evalueer waar je organisatie staat:
  Gebruik het model om te bepalen op welk niveau van volwassenheid jouw organisatie zich bevindt. Stel vragen als:
  • Welke data verzamelen we momenteel?
  • Hoe gebruiken we deze data om beslissingen te nemen?
  • Hebben we geavanceerde tools of technieken zoals dashboards, voorspellende analyses of AI?
• Voer een gap-analyse uit:
  Identificeer de verschillen tussen je huidige staat en het gewenste niveau van volwassenheid.

Stap 2: Stel doelen en prioriteiten vast

• Bepaal waar je naartoe wilt:
  Kies het gewenste niveau van volwassenheid op basis van de behoeften van je organisatie. Bijvoorbeeld:
  • Wil je overstappen van operationele rapportage naar strategische analytics?
  • Wil je voorspellende analyses implementeren?
• Prioriteer initiatieven:
  Bepaal welke verbeteringen het meeste impact zullen hebben, zoals het verbeteren van datakwaliteit, het implementeren van dashboards of het trainen van medewerkers in data-analyse.

Stap 3: Verbeter datakwaliteit en -infrastructuur

• Centraliseer en standaardiseer data:
  Zorg ervoor dat HR-data (bijvoorbeeld over verloop, prestaties, trainingen) op één plek wordt opgeslagen en gestandaardiseerd is.
• Investeer in technologie:
  Implementeer tools voor data-analyse, zoals HR-analyticsplatforms, dashboards of geavanceerde analytics-software.
• Zorg voor datakwaliteit:
  Verwijder dubbele of onnauwkeurige gegevens en zorg ervoor dat data up-to-date en betrouwbaar is.

Stap 4: Ontwikkel analytische capaciteiten

• Train HR-medewerkers:
  Zorg ervoor dat HR-professionals basiskennis hebben van data-analyse en dat ze weten hoe ze tools kunnen gebruiken.
• Breid expertise uit:
  Overweeg om data-analisten of data scientists aan te nemen of op te leiden om geavanceerde analyses uit te voeren.
• Stimuleer een data-driven cultuur:
  Moedig managers en medewerkers aan om data te gebruiken bij het nemen van beslissingen.

Stap 5: Integreer analytics in besluitvorming

• Koppel analytics aan bedrijfsdoelen:
  Zorg ervoor dat talentanalytics wordt gebruikt om strategische vragen te beantwoorden, zoals:
  • Hoe kunnen we het verloop verminderen?
  • Welke vaardigheden hebben we in de toekomst nodig?
• Betrek stakeholders:
  Werk samen met leiderschap en managers om ervoor te zorgen dat analytics wordt gebruikt om beslissingen te ondersteunen.
• Maak inzichten actiegericht:
  Vertaal data-inzichten naar concrete acties, zoals het aanpassen van recruitmentstrategieën of het ontwikkelen van trainingen.

Stap 6: Blijf itereren en verbeteren

• Monitor voortgang:
  Meet regelmatig hoe goed je organisatie talentanalytics gebruikt en welke impact het heeft.
• Pas aan waar nodig:
  Pas je strategie aan op basis van feedback en veranderende behoeften.
• Streef naar hogere niveaus:
  Blijf investeren in technologie, vaardigheden en processen om naar hogere niveaus van volwassenheid te groeien.

Welke kanttekeningen kunnen bij het model worden geplaatst?

Hoewel het Bersin Talent Analytics Maturity Model een nuttig raamwerk biedt om de volwassenheid van talentanalytics te beoordelen en te verbeteren, zijn er enkele kanttekeningen te plaatsen:

1. Het model is lineair, echter is de realiteit complex

• Lineaire benadering:
  Het model suggereert een lineaire progressie van lagere naar hogere niveaus, maar in de praktijk kunnen organisaties op verschillende gebieden tegelijkertijd verschillende niveaus van volwassenheid vertonen. Bijvoorbeeld: een organisatie kan geavanceerde rapportage hebben (Niveau 2) maar nog geen voorspellende analytics (Niveau 4).
• Niet altijd haalbaar:
  Niet alle organisaties hebben de middelen of behoefte om naar het hoogste niveau (voorspellende analytics) te groeien. Voor sommige bedrijven is een strategisch niveau (Niveau 3) al voldoende.

2. Cultuur en weerstand tegen verandering

• Data-driven cultuur:
  Het succes van talentanalytics hangt sterk af van een cultuur waarin data en analytics worden gewaardeerd. Als managers en medewerkers niet openstaan voor data-gedreven besluitvorming, zal het model minder effectief zijn.
• Weerstand tegen verandering:
  Medewerkers kunnen weerstand bieden tegen nieuwe technologieën of processen, vooral als ze het gevoel hebben dat analytics hun werk overneemt of hun autonomie beperkt.

3. Kwaliteit en beschikbaarheid van data

• Datakwaliteit:
  Het model gaat ervan uit dat organisaties toegang hebben tot betrouwbare en hoogwaardige data. In de praktijk kampen veel organisaties echter met problemen zoals incomplete, verouderde of inconsistente data.
• Data-integratie:
  HR-data is vaak versnipperd over verschillende systemen (bijvoorbeeld payroll, recruitment, prestatiebeheer), wat het centraliseren en analyseren van data bemoeilijkt.

4. Technologische en financiële beperkingen

• Kosten van technologie:
  Geavanceerde analytics-tools, zoals AI en machine learning, kunnen duur zijn om te implementeren en te onderhouden. Voor kleinere organisaties kan dit een belemmering zijn.
• Technische expertise:
  Het ontbreekt veel organisaties aan de technische expertise om geavanceerde analyses uit te voeren. Het aannemen of opleiden van data scientists en analisten kan tijd en geld kosten.

5. Ethische en privacyoverwegingen

• Privacyrisico’s:
  Het verzamelen en analyseren van HR-data brengt privacyrisico’s met zich mee, vooral als het gaat om gevoelige informatie zoals prestaties, gezondheid of gedragspatronen.
• Ethische dilemma’s:
  Het gebruik van voorspellende analytics kan ethische vragen oproepen, bijvoorbeeld als algoritmen bepaalde groepen medewerkers benadelen of als medewerkers zich “bekeken” voelen.

6. Overmatige focus op technologie

• Technologie is geen oplossing op zich:
  Het model kan de indruk wekken dat het implementeren van geavanceerde tools voldoende is om talentanalytics te verbeteren. In werkelijkheid zijn mensen, processen en cultuur minstens zo belangrijk.
• Balans tussen mens en machine:
  Te veel vertrouwen op data en algoritmen kan leiden tot het negeren van menselijke intuïtie en ervaring, wat juist essentieel is voor effectief talentmanagement.

7. Contextafhankelijkheid

• Geen one-size-fits-all:
  Het model is generiek en houdt geen rekening met de specifieke context van een organisatie, zoals grootte, sector of bedrijfscultuur. Wat voor een multinational werkt, is niet per se geschikt voor een MKB-bedrijf.
• Andere prioriteiten:
  Sommige organisaties hebben mogelijk andere prioriteiten dan het investeren in talentanalytics, zoals het verbeteren van basis-HR-processen of het omgaan met acute personeelstekorten.

8. Impact lastig te meten

• ROI van talentanalytics:
  Het is vaak moeilijk om de return on investment (ROI) van talentanalytics te meten, vooral op de langere termijn. Dit kan het lastig maken om steun te krijgen voor verdere investeringen.
• Causale verbanden:
  Het identificeren van causale verbanden tussen HR-interventies en bedrijfsresultaten (bijvoorbeeld het effect van training op productiviteit) is complex en vereist geavanceerde analyses.

Conclusie

Het Bersin Talent Analytics Maturity Model is een waardevol hulpmiddel, echter is het raadzaam de beperkingen en samenhangende uitdagingen te erkennen. Organisaties dienen het raamwerk aan te passen aan hun eigen context, rekening houden met culturele en technologische factoren, en zorgen voor een evenwichtige aanpak die zowel data als menselijk inzicht waardeert. Door deze kanttekeningen te adresseren, kunnen organisaties het model effectiever toepassen en duurzame verbeteringen realiseren.

LITERATUUR

1. Bersin, J. (2013). The Bersin talent analytics maturity model: A framework for evaluating and improving talent analytics capabilities. Bersin by Deloitte.
2. Bersin, J. (2017). Predictive analytics in HR: A primer. Bersin by Deloitte.
3. Davenport, T. H., Harris, J., & Shapiro, J. (2010). Competing on talent analytics. Harvard Business Review, 88(10), 52-58.
4. Fitz-enz, J. (2010). The new HR analytics: Predicting the economic value of your company’s human capital investments. AMACOM Div American Mgmt Assn.
5. Marler, J. H., & Boudreau, J. W. (2017). An evidence-based review of HR Analytics. The International Journal of Human Resource Management, 28(1), 3-26.
6. van den Heuvel, S., & Bondarouk, T. (2017). The rise (and fall?) of HR analytics: A study into the future application, value, structure, and system support. Journal of Organizational Effectiveness: People and Performance, 4(2), 157-178.