Шесть Сигма применяется к HR Analytics: Введение

1. Часть A (Определить)
2. Часть Б (Мера)
3. Часть C (Анализ)
4. Часть D - Контролируемый дизайн эксперимента (расширенный анализ)
5. Часть E - Улучшение
6. Часть F - Контроль
7. Авторы

Сегодня наука о данных затрагивает все аспекты бизнес-функций. Это обеспечивает большую скорость, точность и качество принятия деловых решений. Будучи неотъемлемой частью основных бизнес-операций, «функции людей» не были защищены от этого развития.

Известно, что лучшие методы работы с данными объединяют инструменты управления со статистическими и машинными знаниями. Эти комбинации очень помогли в принятии стратегических решений, непосредственно повышая производительность и прибыльность большого числа компаний по всему миру.

Шесть Сигма, пожалуй, самый устоявшийся и документированный подход в этом отношении. По сути, Six Sigma - это методология, основанная на данных, для улучшения качества процесса (т. Е. Любой повторяющейся бизнес-функции) за счет уменьшения отклонения от среднего значения процесса.

Другими словами, обеспечение того, чтобы процесс попадал в допустимый диапазон допуска (насколько это возможно). Это называется «уровень прав на процессы» в Six Sigma.

Теоретически, идеальный результат в Six Sigma - 6. Это будет означать, что 99,7% всех точек данных попадают в пределы допуска. Однако на практике хороший показатель сигмы зависит от динамики конкретного рассматриваемого процесса.

Проекты Six Sigma обычно включают хорошо документированную структуру DMAIC (определение, оценка, анализ, улучшение и контроль):

определять

A. Определение подлежащего совершенствованию бизнес-процесса и его зависимых подпроцессов.

Мера

B. Сбор данных, относящихся к процессу / подпроцессам.

анализировать

C. Формирование гипотез с помощью множества инструментов мозгового штурма.

D. Тестирование уровня сигмы с помощью множества статистических расчетов по накопленным данным.

улучшать

E. Наконец, повышение уровня сигмы за счет реализации предложений и отчетов, полученных при проверке гипотез.

контроль

F. Долгосрочный мониторинг процесса, чтобы обеспечить непрерывность улучшенного процесса.

Часть A (Определить)

Бизнес проблема

В данном конкретном примере мы применили Six Sigma для решения важной бизнес-проблемы с персоналом: «Повышение эффективности функции подбора персонала».

Наш клиент для этого проекта - известная международная фирма, занимающаяся хедхантингом. По оценкам нашего клиента, «их ROI (возврат инвестиций) в контексте инвестиций в рабочие порталы и платформы социальных сетей не соответствует лучшим отраслевым критериям и может быть улучшен».

Это негативно влияет на нашего клиента через:

1. Общие стандарты обслуживания по сравнению с конкурентами
2. Неэффективное использование дефицитных средств
3. Низкое качество, несвоевременное и недостаточное количество профилей кандидатов
4. Брендинг и позиционирование на рынке

Определение CTQ (критического для качества) с помощью QFD (развертывание функции качества)

Чтобы начать проект, нам нужно было определить аспект CTQ для бизнес-задачи клиента: «Повышение эффективности функции подбора персонала».

Предпочтительным инструментом для предварительного анализа высокого уровня в проектах Six Sigma является QFD (развертывание функции качества). Это обычно используется в качестве первого компонента на этапе «Измерение». Этот инструмент объединяет подпроцессы CTQ, соотнося их с их функциональными компонентами (т.е. техническими параметрами).

QFD вычисляет «явный количественный и корреляционный метод» для функциональных компонентов, необходимых для подпроцессов (основного процесса), а затем развертывает весовые функции для определения приоритетности параметров функциональных компонентов.

Это помогает в выборе и настройке функциональных компонентов для улучшения качества процесса. Важные функциональные компоненты могут обрабатываться как отдельные проекты Six Sigma.

В контексте нашего проекта были обнаружены следующие подпроцессы: качество профилей, время обработки, общее время обработки, эффективная проверка подлинности профилей кандидатов и способность сохранять конфиденциальность при приеме на работу и вакансиях конкурентов и рынка.

Затем они были нанесены на график вместе с качественными характеристиками, такими как методология, применяемая для найма, эффективное управление, индексация базы данных резюме и методологии профессионального взаимодействия с основными рабочими местами.

На основе QFD мы определили наш CTQ для этого проекта Six Sigma как «Оптимальная оценка методологий профессионального взаимодействия с основными порталами вакансий и сетевыми сетевыми платформами для максимизации ROI».

Как таковой не существовало надежной системы регистрации данных, относящейся к «Оптимальной оценке профессиональных методологий взаимодействия с крупными рабочими порталами и сетевыми сетевыми платформами для максимизации ROI» .

Тем не менее, благодаря детальному и инновационному анализу, включая извлечение исторических записей электронной почты, которыми обменивались за последние 3 года, было проанализировано, что рентабельность инвестиций наших клиентов в «профессиональные услуги рабочих порталов и сетевых сетевых платформ» составила около 230%.

Основываясь на оценках бизнес-аналитики, лидеры рынка (Korn Ferry, Manpower и т. Д.) Получают прибыль в размере 400% или выше для этого конкретного бизнес-процесса.

Цель этого проекта

Исходя из бизнес-проблемы, анализа QFD и идентификации CTQ, цель этого проекта была обозначена как « ROI должен быть увеличен с 230% до 300% или выше (составляется ежемесячно) ».

Три основных компонента (Факторы) были определены на основе опыта бизнес-процессов, которые напрямую влияют на «эффективность функции найма и взаимодействия с рабочими порталами». Гипотеза будет проверена на:

1. Оптимальное денежное вложение в профессиональную ассоциацию с рабочими порталами и профессиональными сетевыми порталами
2. Наиболее эффективное и действенное распределение времени сбора резюме среди рекрутеров среди 4 порталов вакансий / баз данных
3. Относительные сильные / слабые места среди рабочих порталов и профессиональных сетевых сайтов
4. Если должна быть четкая методология и подход к работе / переговорам с различными рабочими порталами и профессиональными сетевыми сайтами

Подводя итоги этого раздела: В этом разделе мы поняли основную бизнес-проблему нашего клиента и углубились в бизнес-проблему с помощью приложения QFD. Это помогло нам определить ключевые вовлеченные подпроцессы, CTQ проекта и, в конечном итоге, цель проекта.

Целью нашего проекта является « окупаемость инвестиций с 230% до 300% и выше (ежемесячно) .

Часть Б (Мера)

Возможность процесса

В соответствии с целью проекта, ROI был определен как «процентная доля дохода в неделю по сравнению с расходами / инвестициями в рабочие порталы и сайты социальных сетей» .

Доход за неделю не всегда коррелировал с расходами / инвестициями в рабочие порталы и сайты социальных сетей за эту конкретную неделю, поскольку выгоды часто были реализованы гораздо позже. Однако для обеспечения единообразия и практичности вычислений предполагалось, что это так.

Выборка данных для возможностей процесса и другой статистический анализ.

Для нашего проекта не было формальных записей и достоверных данных. Поэтому данные были тщательно извлечены из неофициальных записей и из записей электронной почты / персонала четырех рекрутеров по избирательному протоколу IMAP.

После предварительной предварительной обработки и оценки извлеченных данных было решено:

1. Используйте комбинацию стратифицированной и случайной выборки. Данные были стратифицированы по «стратам с 3-месячным циклом, было создано 10 страт, причем каждая страта содержала данные за 3 месяца, разделенные на единицы по одной неделе». На основании кривой мощности для t-критерия с одним образцом (см. График ниже) была выбрана случайная выборка с равной пропорцией от слоев (6 единиц от каждого слоя, каждый из которых состоит из 12 единиц) для оптимального размера выборки 60 единицы.
2. Используйте «кривую мощности для t-критерия с одной выборкой», чтобы рассчитать «оптимальный размер выборки при данных обстоятельствах» (кривая мощности для одного)

Подводя итоги этого раздела: В этом разделе мы рассмотрели карту процесса, собрали и предварительно обработали данные для анализа и определили оптимальный размер выборки. Расчет оптимального размера выборки важен для достоверности любого статистического анализа.

На основе выборочных данных, собранных с помощью вышеуказанного шага, был создан анализ возможностей процесса для непрерывных данных (выборка):

Анализ возможностей процесса для непрерывных данных (на основе выборочных данных)

Уровень сигмы (скорректированный), рассчитанный по CPK = (3CPK + 1,5) = 2,1

Был составлен график выполнения для непрерывных данных (выборка) (на основе порядка дат), чтобы получить лучшую визуализацию тенденций во времени (кластеризация, колебания).

Наблюдения и пункты, чтобы отметить здесь

В центре внимания этого проекта по усовершенствованию Six Sigma находится процесс наведения между целевым уровнем и уровнем USL для улучшения оценки возможностей процесса:

1. Технологические возможности были исторически низкими в быстро развивающейся и высококонкурентной индустрии технологического рекрутинга. Основываясь на оценках бизнес-аналитики, лидеры рынка (Korn Ferry, Manpower и т. Д.) Работают на уровне около 3,2 сигма (для данного конкретного CTQ)
2. Целевой уровень в 320% был сохранен на амбициозном уровне с целью определения областей улучшения
3. График пробега показал циклический тренд с интересным всплеском производительности между 25-й и 35-й неделями. Данные будут интенсивно добываться в этот период, чтобы обнаружить основную причину скачка производительности в этот период. Другие основные параметры графика выполнения, похоже, находятся под контролем.
4. Контрольная диаграмма показала, что процесс в целом уже находится под контролем, хотя изменение еще можно улучшить.

Подводя итоги этого раздела: мы рассчитали сигма-оценку нашего процесса (как 2.1). Мы также смогли выявить тенденции в процессе с помощью диаграмм SPC (статистический контроль процесса) и отметили всплески. Эта информация является отправной точкой для дальнейшего анализа.

Часть C (Анализ)

Основываясь на наблюдениях «Анализ возможностей процесса», основные компетенции источников данных о работе / Службы социальных сетей были статистически проанализированы с использованием индивидуального графика значений и дисперсионного анализа (ANOVA).

Записи были извлечены для общего количества резюме, закупленного в неделю (исключая дубликаты) из четырех источников данных о работе / служб социальных сетей [A, B, C, D] за все 60 недель (единицы) четырьмя рекрутерами.

Обратите внимание, что эти данные дают информацию только об общем количестве всех найденных подходящих резюме, независимо от набора навыков и коэффициента конверсии.

Анализ этих данных дает нам общее представление об общем объеме ресурсов всех четырех оцениваемых источников данных. Этот анализ может помочь нам расставить приоритеты / оценить наши ресурсы на предварительном уровне.

Академия АИПЧ онлайн

Спрос на специалистов в области HR с навыками, связанными с аналитикой, намного превышает текущее предложение. Академия HR Analytics предлагает уникальную возможность развить эти востребованные навыки.

Начните или продвиньте свою карьеру в HR Analytics

Обзор курсов

Данные были собраны за 60 недель в соответствии с количеством и типом ресурсов, полученных от каждого конкретного ресурса.

Числовые идентификаторы [1, 2, 3, 4] были присвоены источникам рабочих данных / Техническим сетевым источникам данных и числовым идентификаторам [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 , 13] были приведены конкретные технические требования

График отдельных значений и анализ одностороннего (не сложенного) ANOVA показывают, что источник данных 1 был маргинальным лидером в отношении общего количества ресурсов. Тем не менее, изменение здесь было неприемлемо высоким.

Источник данных 3 - очень близкая секунда с намного меньшим изменением. Поэтому источник данных 3 должен быть предпочтительным источником в соответствии с предварительным визуальным осмотром. Производительность Data Source 2 была чуть ниже двух других.

Производительность источника данных 4 была неудовлетворительной по всем параметрам (как средство возобновления качества источников). Политическое решение будет принято на этапе «улучшения» на основе этих анализов.

Более сильное отношение к нашим требованиям будет иметь информация о том, какой источник должен быть предпочтительным источником для каждого конкретного технического требования.

Подводя итоги этого раздела: мы оценили все четыре источника данных с точки зрения общего количества соответствующих профилей (для всех наборов навыков), полученных за 60 недель. Эта информация будет важным компонентом, поскольку она поможет расставить приоритеты взаимодействия и инвестиций с нашими источниками данных

Многопараметрические диаграммы позволяют нам знать компетенции источников рабочих данных / сайтов технических сетей в отношении конкретных технических требований. Интересное наблюдение состоит в том, что, хотя общая производительность Data Source 4 является самой низкой, он по-прежнему обладает основными знаниями в области «тестирования программного обеспечения и обеспечения качества». Аналогичным образом, Data Source 2 обладает основными компетенциями в «инструменте хранения».

Графический анализ также указывает на неадекватные ключевые компетенции в некоторой области. Например, требование к операционной системе / мэйнфрейму имеет низкий выход ресурсов по всем каналам, что указывает на то, что нашему клиенту может потребоваться прямой поиск персонала или другие каналы для поиска таланта.

Подводя итоги этого раздела: мы оценили все четыре источника данных с точки зрения общего количества соответствующих профилей (для отдельных наборов навыков), полученных за 60 недель. Эта информация была критическим компонентом, поскольку она помогла адаптировать наш подход к конкретным техническим требованиям, которые должны быть выполнены нашим клиентом.

Существуют две основные модели для сбора резюме с источников данных о вакансиях / сайтов социальных сетей.

1. Прямой доступ к базе данных источников данных.
2. Реклама в соответствующих источниках данных и получение резюме в ответ.

Когда конкретный клиент запрашивает конкретное требование, как время, так и бюджет для получения необходимых ресурсов ограничены. Статистически сравнительный анализ между этими двумя подходами поможет определить приоритетность нашего подхода.

Записи были извлечены относительно общего количества резюме, полученных каждым основным методом, для каждой из 60 недель выборки.

Для получения подробного представления о силе и распределении данных для обоих основных методов был создан рамочный график:

Метод прямого доступа к базе данных был явно более продуктивным, все параметры [среднее значение, медиана, квартили] были выше, чем методы рекламы. На основании этого анализа было принято политическое решение на этапе «улучшения».

Подводя итоги этого раздела: мы тщательно изучили все четыре источника данных и механизмы сбора ресурсов с помощью статистических инструментов, таких как ANOVA, график индивидуальных значений, многовариантный график и блок-график. Этот анализ помог нам понять:

1. Общая сила четырех источников данных и сильные стороны их специалиста
2. Оценка эффективности прямого доступа к базе данных по сравнению с рекламой

Мы приняли политическое решение относительно эффективного использования этих отчетов, которое будет принято на этапе «улучшения» в этом анализе.

Часть D - Контролируемый дизайн эксперимента (расширенный анализ)

Во время сеансов QFD и мозгового штурма подозревалось, что одним из факторов, существенно влияющих на нашу цель «повышения процента дохода в неделю по сравнению с расходами / инвестициями в рабочие порталы и сайты социальных сетей» , было « эффективное и действенное использование». времени привлечения рекрутеров к поиску профилей из этих четырех источников данных ».

Случается, что в течение нескольких рабочих дней рекрутеры не переписываются с охотниками за головами. В эти конкретные рабочие дни задача рекрутера состоит в том, чтобы открыть источники данных и собрать профили в соответствии с ожидаемыми требованиями в будущем.

После этого они помечают и индексируют их в базе данных.

Согласно стандартной практике, рекрутеру предоставляется свобода выбора источников данных, которые он / она желает просматривать. Рекрутер просматривает эти сайты случайным образом или равномерно делит время между этими четырьмя источниками данных. Все зависит от выбора отдельных рекрутеров.

Чтобы рассчитать оптимальное использование времени, которое будет потрачено на просмотр этих 4 источников данных, был проведен контролируемый план эксперимента:

Что такое DOE (дизайн эксперимента)

При планировании экспериментов значения х контролируются экспериментально, в отличие от других статистических исследований, в которых они наблюдаются. DOE также называют наблюдательными исследованиями.

Цель DOE состоит в том, чтобы понять уравнение y = f (x) в максимально возможной степени и настроить его на максимально возможную производительность.

Ключевые области для понимания в дизайне экспериментов:

1. Х, которые оказывают максимальное влияние на Y (в нашем случае X - это время рекрутера, потраченное на соответствующие источники данных, а Y - доход).
2. Точная (или самая близкая) математическая связь между значимыми x и Y.
3. Статически подтверждает, что улучшение было сделано, или что существует разница в отношении различных значений X.
4. Обнаружение, где установить значения / уровни значимых x, чтобы иметь максимальный положительный эффект на их соответствующие y.

Методология DOE для этого проекта: Так как эффекты взаимодействия не рассматривались как фактор, и для того, чтобы минимизировать время и затраты в эксперименте за счет сокращения количества прогонов, была использована методология DOE Placket-Burman.

Определение архитектуры проекта: четыре источника данных 1, 2, 3 и 4 были факторами, уровни были 1 и -1. Всего было проведено восемнадцать экспериментальных прогонов.

Задача в отношении архитектуры проекта: эксперимент проводился в течение 18 дней подряд одним рекрутером.

Задача, порученная рекрутеру, заключалась в том, чтобы провести 2 часа (120 минут) во всех 4 источниках данных и собрать, пометить и проиндексировать до 24 резюме (2 резюме в каждом из 12 различных наборов навыков, случайным образом пронумерованных)

+1, +1, +1, +1 в конкретном прогоне означало бы, что рекрутер инвестирует 30 минут каждый из четырех источников данных.

+1, +1, -1, +1 в конкретном прогоне означало бы, что рекрутер инвестирует по 40 минут каждый из трех источников данных со знаком +1, оставляя источники данных с выходом -1.

+1, +1, -1, -1 в конкретном прогоне означало бы, что рекрутер инвестирует по 60 минут каждый из двух источников данных со знаком +1, а два источника данных со знаком -1 останутся.

+1, -1, -1, -1 в конкретном прогоне будет означать, что рекрутер инвестирует 120 минут в источник данных со знаком +1, а три источника данных со знаком -1 останутся.

и так далее в общей сложности 18 пробежек.

Был проведен эксперимент, и было должным образом учтено общее количество собранных, помеченных и проиндексированных резюме. Результаты эксперимента были проанализированы и наблюдались следующим образом:

Анализ и наблюдения за экспериментом

1. Источник данных 1 оказался самым сильным положительным фактором, тогда как Источник данных 4 оказался самым сильным отрицательным фактором в эксперименте. Это было видно из регрессионного анализа, ANOVA, графика основных эффектов и графика стандартных эффектов.
2. Источники данных 2 и 3 не являются статистически значимыми факторами (как видно из значения P ANOVA и регрессионного анализа). Тем не менее, они по-прежнему имеют определенное деловое значение для определенных мандатов.
3. Факторные эффекты источника данных 2 и источника данных 3 оказались близкими друг к другу. Однако случайный визуальный анализ показал, что Источник данных 3 работал лучше с точки зрения качества резюме по сравнению с источником данных 2. Источник данных 2 работал лучше в отношении размера базы данных, однако математическая оценка выходит за рамки этой Шесть сигм проект. Это будет рассмотрено в последующих проектах.

Подводя итог этому разделу : Контролируемый план эксперимента дал нам более глубокое понимание, чем то, которое можно получить только в ходе случайных наблюдательных исследований. Благодаря DOE мы смогли подтвердить разницу в производительности относительно времени, затраченного на четыре источника данных. Это поможет нам оптимизировать затраты времени рекрутера среди четырех источников данных на этапе улучшения.

Часть E - Улучшение

На основании общих выводов этапа «Определить, измерить, проанализировать и улучшить» были инициированы и реализованы следующие стратегические шаги:

1. Профессиональные услуги источника данных 4 не были возобновлены.
2. Распределение бюджета было пересмотрено. 60% бюджета было выделено на источник данных 1, тогда как источники данных 2 и 3 были выделены по 20% каждый.
3. Многопараметрическая диаграмма была бы руководящим инструментом для последовательного использования соответствующих источников данных задания, основываясь на конкретных требованиях, данных клиентом.
4. 75% финансирования для сбора ресурсов по конкретному проекту будет использовано для «прямого доступа к базе данных» и 20% средств для «рекламы». 5% будет за резерв.
5. «Тестирование программного обеспечения», «QA», «инструмент хранения», «почтовые серверы» и «шаблоны проектирования EJB» будут продаваться как основные компетенции консультанта.
6. Была создана политика для рабочих дней, в которые рекрутер просматривает источники данных и собирает резюме для ожидаемых требований будущего. 60% времени будет потрачено на источник данных 1, а 40% оставшегося времени будет поровну разделено на источник данных 2 и 3.
7. Ежеквартальный обзор, накопление свежих данных и обзор графических и аналитических инструментов, используемых в этом проекте. Если есть какие-либо изменения в статус-кво, результаты должны быть проанализированы и соответствующим образом обновлены.

30-дневный срок был дан для выполнения рекомендаций. Как и в первом проекте, наблюдались подходящие улучшения в производительности, даже при случайных наблюдениях в течение месяца после запуска программы улучшения.

Из-за нехватки времени данные за восемь недель были собраны после внедрения, и возможности процесса были соответствующим образом оценены.

Уровень сигмы (скорректированный), рассчитанный по CPK (3CPK + 1,5), равен 3. Значительное улучшение по сравнению с 2,1 и уже соответствует лучшим отраслевым стандартам.

За последние две недели выручка выросла на 32% . Поскольку несколько проектов Six Sigma проводились бок о бок, что затрудняет расчет реальных денежных выгод обоих проектов в отдельности на данный момент.

Ожидается, что уровень сигма возрастет в течение следующих 6 месяцев, так как в полной мере реализуются инициативы по улучшению, ведущие к:

Часть F - Контроль

Контрольная диаграмма показывает, что процесс находится под полным контролем (как это было для этого CTQ), даже до этой конкретной инициативы Six Sigma.

Подводя итог основным долгосрочным последствиям применения концепции Six Sigma для HR:

Эти шесть сигма, примененные к проекту HR, имеют несколько последствий, как указано ниже:

1. Эти типы статистического анализа, основанные на данных, собранных с помощью улучшенных систем управления персоналом, обеспечат, чтобы инвестиции в управление персоналом были в большей степени ориентированы на данные, что помогает HR стать более стратегическим по своей природе.
2. Анализ также может помочь компаниям создать свои собственные уникальные алгоритмы, оптимизировать процесс и даже помочь в их усилиях по автоматизации процессов (RPA). Это дополнительно повышает эффективность и результативность (как в этом случае их рекрутеров).
3. Поставщики услуг, а именно порталы вакансий и сайты социальных сетей, будут все чаще вынуждены демонстрировать такие фактические данные для обеспечения безопасности бизнеса. Многие Порталы вакансий сегодня продают одну и ту же базу данных нескольким игрокам, не предлагая такого разграничения фактической эффективности своей базы данных для закрытия позиций.

Мы считаем, что, поскольку HR продолжает цифровизировать свои операции и собирать больше данных о своих процессах, HR может интегрировать стратегические и основанные на фактических данных подходы, такие как Six-Sigma.

Мы твердо верим, что эпоха аналитики в целом и HR Analytics в частности уже наступила, и мы все можем работать вместе, чтобы улучшить наши бизнес-процессы и обеспечить ценный возврат инвестиций.

Авторы

Амол Павар , соавтор, является старшим бизнес-консультантом, занимающимся организационным развитием. Он является экспертом по внедрению HR-технологий, сочетая человеческий, технологический и технологический аспекты.

Похожие