Big Data & HR Analytics

ในความพยายามที่จะยกระดับฝ่ายทรัพยากรมนุษย์ให้ก้าวขึ้นมารับบทบาทในเชิงยุทธศาสตร์และเป็นกลไกในการสร้างความได้เปรียบในการแข่งขันให้กับองค์กร นักวิชาการ/ที่ปรึกษาในกลุ่ม Society for Human Resource Management  (SHRM) เป็นกลุ่มบุคคลที่ตั้งใจนำเสนอมุมมองใหม่ๆ ให้เป็นเครื่องมือที่สำคัญของฝ่าย HR ในการยกระดับสถานภาพ กระแสหลักของนักวิชาการกลุ่มนี้อาจจำแนกได้เป็นสองแนวทางที่แตกต่างคือ HR Scorecard และ HR Analytics

ในส่วนของแนวทาง HR Scorecard นั้น นำโดย Brian E. Becker, David Ulrich Mark A. Huselid จากสมาคม SHRM ที่อาศัยความนิยมในกรอบความคิด Balanced Scorecard (BSC)เป็นแกน และนำเสนอสิ่งที่พวกเขาเรียกว่า “HR Scorecard”  เพื่อเกาะเกี่ยวการบริหารทรัพยากรมนุษย์เข้ากับ Learning and Growth Perspective ของ BSC อันจะแสดงถึงความเชื่อมโยงระหว่างการบริหารทรัพยากรมนุษย์กับเป้าหมายเชิงกลยุทธ์ขององค์กร

Big data and hr analytics1

ปัจจุบันหลายแห่งได้นำ HR Scorecard ไปปรับใช้ในการวางแผนด้านทรัพยากรมนุษย์ แต่เครื่องมือนี้ก็ยังไม่ทำให้ฝ่าย HR บรรลุเป้าหมายของการเป็นส่วนหนึ่งในกลุ่มผู้กำหนดยุทธศาสตร์ระดับองค์กร หนำซ้ำ ในบ้านเรายังมีหน่วยงานจำนวนมาก นำชื่อเรียก “HR Scorecard” ไปเรียกกรอบความคิด BSC ที่นำมาใช้ด้านการบริหารงานบุคคล โดยละเลยโครงสร้างภายในที่นักวิชาการกลุ่มนี้นำเสนอตั้งแต่ต้น

ในอีกด้านหนึ่ง นักวิชาการจากสมาคม SHRM ที่สนใจด้านการวิเคราะห์เชิงปริมาณ นำโดย Jac Fitz-enz เชื่อว่าอุปสรรคสำคัญของฝ่าย HR คือวิธีการสื่อสาร เพราะในการบริหารองค์กรธุรกิจปัจจุบันล้วนขับเคลื่อนด้วยข้อมูลเชิงปริมาณ และผู้บริหารระดับสูงรับทราบข้อมูลและสื่อสารกับฝ่ายงานสำคัญๆ โดยใช้ตัวเลขหรือดัชนีที่สำคัญต่อผลประโยชน์ของกิจการ  ในขณะที่ฝ่ายทรัพยากรมนุษย์นั้นขาดดัชนีหรือค่าพื้นฐานที่ใช้ในการคำนวณ  ดังนั้น การจะยกฐานะฝ่ายทรัพยากรมนุษย์ให้สามารถสื่อสารกับผู้บริหารระดับสูงและฝ่ายงานอื่นๆ ได้อย่างทัดเทียมกันจึงต้องสร้างดัชนีที่มีความหมายทางธุรกิจเพื่อใช้เป็นเครื่องมือ

ก่อนหน้านี้ Jac Fitz-enz เป็นผู้ริเริ่มการใช้ HR metrics และต่อมาได้นำเสนอ HR RoI ซึ่งทั้ง HR metrics และ RoI นั้น มีการคำนวณที่เรียบง่ายโดยใช้เครื่องมือทางคณิตศาสตร์  จากนั้นก็เป็นผู้นำทีมพัฒนา HR analytics ให้มีคุณประโยชน์ในการใช้งานมากขึ้น โดยใช้เครื่องมือทางสถิติร่วมกับการออกแบบตัวชี้วัด

อาจกล่าวได้ว่า HR Analytics ก็เป็นการต่อยอดฐานความคิดเดิมโดยอาศัยความเชื่อมโยงกับกระแสแนวคิดที่ได้รับการยอมรับเช่นเดียวกัน  กระแส  Analytics นั้นเริ่มต้นในช่วงเวลาเดียวกับ HR Metrics  แต่เริ่มโดดเด่นขึ้นมาในระยะหลัง  เมื่อ Tom Davenport ได้ตีพิมพ์บทความอันเป็นรายงานผลการศึกษาสูตรสำเร็จของบริษัทต่างๆ 32 แห่งที่ใช้ประโยชน์จาก Business Analytics จนสามารถสร้างความแตกต่างเหนือกว่าคู่แข่ง ในปี ค.ศ. 2006  ในบทความนั้น ได้กล่าวถึงการใช้ Analytics เพื่อสร้างความได้เปรียบในการแข่งขัน ในด้าน supply chain ด้านการตลาด ด้านการปรับปรุงคุณภาพสินค้า ด้านการเงิน ด้านวิจัย และใช้เพื่อการสรรหาบุคลากร

หากนิยาม Analytics ว่าเป็นการใช้เครื่องมือทางสถิติกับข้อมูลต่างๆ เพื่อให้สามารถค้นพบแบบแผนเชิงคุณภาพจากข้อมูลเชิงปริมาณ โดยใช้โปรแกรมการคำนวณ หรือใช้วิธี operation research  และอาจสื่อสารข้อมูลเชิงปริมาณที่ได้มานั้นได้อย่างมีความหมายด้วยภาพหรือแผนภูมิ  HR Analytics ก็จะเป็นการใช้ analytics เพื่อทำความเข้าใจและคาดทำนายความน่าจะเป็นต่างๆ ในกรอบของการบริหารทรัพยากรมนุษย์

Jac Fitz-enz ย้ำว่า ในการทำ Analytics นั้น สิ่งสำคัญเบื้องแรกคือตรรกะในการออกแบบกรอบการวิเคราะห์ ซึ่งมีแต่ผู้อยู่ในวิชาชีพการบริหารทรัพยากรมนุษย์เท่านั้นจึงจะเข้าใจถ่องแท้และสามารถตั้งคำถามและกำหนดกระบวนการวิเคราะห์รวมทั้งข้อสนเทศที่เกี่ยวข้องได้อย่างตรงประเด็น จากนั้นจึงใช้เครื่องมือทางสถิติเป็นตัวช่วยในการวิเคราะห์ข้อมูล

เนื่องจากการวัดในทางธุรกิจทำได้ 5 แบบ คือ

–        ต้นทุน Cost
–        เวลา Time
–        ปริมาณ Quantity
–        คุณภาพ Quality และ
–        ปฏิกิริยาของมนุษย์ (human reaction)

เพื่อให้ได้ข้อสนเทศที่เป็นประโยชน์ต่อการเชื่อมโยงการบริหารทรัพยากรมนุษย์เข้ากับเป้าหมายทางธุรกิจ  Fitz-enzและนักวิชาการในกลุ่ม จึงได้เสนอดัชนีที่เป็นประโยชน์แก่การวิเคราะห์ไว้มากมายให้ครอบคลุมการวัดในด้านต่างๆ เหล่านั้น อาทิ

  • Professional/Managerial Ratio สัดส่วนระหว่างจำนวนผู้ทำงานวิชาชีพกับจำนวนผู้บริหาร
  • Readiness Ratio สัดส่วนตำแหน่งสำคัญที่มีการเตรียมคนทดแทน
  • Commitment Ratio อัตราความผูกพันกับองค์กร
  • Leadership Rating คะแนนนิยมของผู้นำ
  • Depletion Ratio อัตราการสูญเสียคนเก่งออกจากองค์กร
  • Cost per hire, time to fill, hiring quality ต้นทุนต่อการจ้างพนักงานใหม่แต่ละคน จำนวนเวลาเฉลี่ยในการแต่งตั้งทดแทนตำแหน่งว่าง และคุณภาพของพนักงานใหม่

การกำหนดดัชนีหรือกรอบการวิเคราะห์ข้อมูลยังอาจเพิ่มเติมหรือปรับเปลี่ยนได้นานาประการ ขึ้นอยู่กับวิสัยทัศน์และความต้องการขององค์กร

การใช้ HR Analytics ให้ได้ผลสูงสุดตามเจตนา ควรต้องออกแบบการวิเคราะห์ให้กว้างไกลไปกว่าโจทย์ด้านคนที่จบในตัวเองหากแต่จะต้องจัดทำกลุ่มดัชนีที่มุ่งตอบโจทย์เกี่ยวกับธุรกิจ เช่นต้นทุนและเวลาของโครงการ  หรือผลกำไรทางธุรกิจ  ซึ่งโจทย์เหล่านี้ จะเชื่อมโยงกับการวางแผนกำลังคน ประสิทธิภาพของการบริหารตำแหน่ง และการบริหารคนเก่ง

การนำ HR Analytics มาใช้ในปัจจุบันมีหลายระดับ บางองค์กรมีความรู้ความสามารถในการวิเคราะห์ แต่ยังคงใช้ Excel เป็นเครื่องมือหลัก ในขณะที่บางองค์กรมีเทคโนโลยีเหนือกว่านั้น แต่ยังขาดผู้ที่มีความสามารถในการวิเคราะห์ หากเป็นองค์กรที่มีความพร้อมสูงทั้งในด้านเทคโนโลยีและทักษะความสามารถในการวิเคราะห์ จะใช้ประโยชน์จาก Analytics ได้เต็มที่

แม้ HR Analytics จะสร้างดัชนีชี้วัดที่เป็นประโยชน์กับการวัดและการคาดทำนายทางด้านทรัพยากรบุคคลโดยเชื่อมโยงกับธุรกิจได้ดีกว่าการใช้ HR Metrics ซึ่งเป็นเพียงการคำนวณแบบเรียบง่าย  แต่จุดเด่นของ HR Analyticsก็เป็นจุดอ่อนโดยตัวของมันเองด้วย

การใช้ Analytics ยังคงเป็นเรื่องยากที่ต้องใช้เวลาและจำเป็นต้องอาศัยนักวิเคราะห์และการออกแบบตัวแบบการคำนวณ จึงทำให้ยังมีช่องว่างระหว่างผู้ตัดสินใจในการบริหารและกระบวนการวิเคราะห์ กระบวนการทางสถิติยังมีความซับซ้อนในการจำแนกกลุ่มตัวอย่างและการบริหารกระบวนการเก็บข้อมูล  การคำนวณ ยังคงเป็นแบบ “batch” ซึ่งจะใช้เวลานาน ผู้ดำเนินการเรื่องข้อมูลและการวิเคราะห์มักเป็นผู้เชี่ยวชาญเฉพาะทาง มิใช่นักบริหาร นอกจากนั้น ดัชนีจำนวนมากยังคงอาศัยการเก็บข้อมูลด้วยการสำรวจความเห็น ซึ่งยากจะได้ข้อมูลที่ครบถ้วนและเที่ยงตรงปราศจากอคติจริงๆ

ในช่วง 2009 เป็นต้นมา การก้าวกระโดดทางเทคโนโลยีทำให้การวิเคราะห์ข้อมูลจำนวนมหาศาลพร้อมกันในครั้งเดียวเป็นไปได้อย่างรวดเร็วและค่าใช้จ่ายไม่สูงนัก อีกทั้งระบบการเก็บข้อมูลด้วย sensor แบบต่างๆ ตลอดจนความสามารถในการเก็บรักษาข้อมูลขนาดใหญ่ก็พัฒนาไปในระดับที่สอดคล้องกัน จึงทำให้วงการต่างๆ เริ่มหันมาใช้สิ่งที่เรียกว่า “Big Data” เพื่อหาคำตอบที่ก้าวล้ำไปกว่า Analytics เดิมๆ อีกหนึ่งขั้น

จากเดิมที่ผู้ทำงานข้อมูลคอมพิวเตอร์จะคุ้นเคยกับคำว่า Megabyte และ Gigabyte การวิเคราะห์ข้อมูลในปัจจุบันนี้อาจนับเป็น Petabyte ซึ่งมีขนาดเท่ากับ  1015เท่าของความจุ 1 byteหรือ 1.5 ล้าน Gigabyte  หน่วยความจุเป็น Petabyte นี้ เหมาะสมกับการใช้กล่าวถึงการจัดเก็บหรือประมวลผลข้อมูลจำนวนมาก เช่น Google ประมวลผลข้อมูล 20 Petabyte ในแต่ละวัน  และนับวัน เทคโนโลยีในการประมวลผลข้อมูลก็จะทำได้รวดเร็วจนทำให้ การทำงานกับข้อมูลจำนวนมหาศาลในงานปกติประจำวันกลายเป็นเรื่องธรรมดา

big_data_lost_in_a_sea_of_big_data

ด้วยเหตุนี้ การประมวลผลข้อมูลขนาดใหญ่ที่เรียกกันว่า “Big Data” จึงเข้ามามีบทบาทเหนือ Analytics และอาจใช้แทนที่การข้อมูลขนาดจำกัดแบบเดิมๆ เพื่อให้ได้ผลลัพธ์ที่น่าเชื่อถือยิ่งกว่า

การวิเคราะห์แบบ Analytics กับการวิเคราะห์โดย Big Data นั้นมีความแตกต่างที่หลายคนอาจมองข้ามไป

ความแตกต่างประการแรกเป็นเรื่องของความเรียบง่ายและความซับซ้อน   Analytics จะมีรูปแบบที่ซับซ้อนกว่า เนื่องจากต้องมีการกำหนดตัวแบบการคำนวณตามหลักการหรือเหตุผลบางประการ รวมทั้งออกแบบโครงสร้างการจัดเก็บข้อมูลให้รองรับตัวแบบนั้น ความซับซ้อนอาจรวมไปถึงความละเอียดในการคัดแยกข้อมูลในช่วงของการนำเข้า  ในขณะที่ Big Data ไม่พึ่งพาโครงสร้างตัวแบบ ไม่มีสมมติฐานตั้งต้น และไม่จำเป็นต้องใช้ความละเอียดลออมากนักในการคัดแยกข้อมูล  ปัจจัยสำคัญของ Big Data คือปริมาณข้อมูลต้องมาก ข้อมูลที่นำมาใช้มิใช่กลุ่มตัวอย่างแต่เป็นประชากร  และเนื่องจากไม่ต้องพึ่งพาการอ้างอิงทางสถิติเพื่อพิสูจน์ว่ากลุ่มตัวอย่างเป็นตัวแทนของประชากรได้ดีเพียงใด ผู้จัดเก็บข้อมูลรวมทั้งเครื่องมือที่ใช้เก็บข้อมูลจึงอาจมีความหยาบและยอมรับการคลาดเคลื่อนได้มาก เพราะแม้ข้อมูลแต่ละรายการที่ได้มาอาจบกพร่องหรือคลาดเคลื่อนบ้างเนื่องจากข้อจำกัดของเครื่องมือจัดเก็บ แต่หากปริมาณครบถ้วน Big Data จะให้ความแม่นยำมากกว่าการจัดเก็บข้อมูลจำนวนน้อยด้วยผู้เชี่ยวชาญหรือข้อมูลที่ใช้เครื่องมือชั้นสูงในการจำแนก

การเก็บข้อมูลจำนวนมากโดยไม่เลือกและยอมรับความบกพร่องของข้อมูล แม้จะดูเหมือนเป็นภาระและค่าใช้จ่าย แต่เพื่อให้ได้ข้อมูลที่มีคุณภาพเท่ากัน การกวาดเก็บข้อมูลจากประชากรทั้งหมดอาจมีต้นทุนน้อยกว่าและทำได้รวดเร็วกว่าการจัดทำเครื่องมือที่เจาะจงและเก็บข้อมูลจากกลุ่มตัวอย่างที่เหมาะสมจำนวนจำกัดเสียอีก

ความแตกต่างประการถัดมา คือการนำข้อมูลมาใช้อธิบายความสัมพันธ์หรือปรากฏการณ์ ในขณะที่ Analytics ใช้การวิเคราะห์สถิติในระดับต่างๆ  สำหรับ Big Dataใช้เครื่องมือการวิเคราะห์ทางสถิติเพียงเรื่องเดียวคือ Correlations ดังนั้น การวิเคราะห์แบบ Analytics จึงอาจอธิบายปรากฏการณ์ หรืออธิบายความสัมพันธ์เชิงเหตุผลได้หลากหลายตามที่ได้ออกแบบโครงสร้างไว้ รวมทั้งอาจมีหลักการหรือทฤษฎีรองรับ  แต่ Big Data จะให้คำตอบว่า ในความเป็นจริง มีปัจจัยใดบ้างที่สัมพันธ์กัน โดยไม่มีคำอธิบายอย่างอื่น และไม่ตอบคำถามว่า “ทำไม”

ตัวอย่างของความสัมพันธ์ที่นำไปใช้ประโยชน์ได้ โดยไม่ต้องการคำอธิบายว่า “ทำไม” ได้แก่ พฤติกรรมการเลือกซื้อสินค้าบางรายการที่สัมพันธ์กับการซื้อสินค้าบางรายการ เช่น ผู้ซื้อเบียร์ในร้านสะดวกซื้อ มักซื้อพร้อมกับซื้อผ้าอ้อมเด็กด้วย  หรือความร้อนและการสั่นสะเทือนในบางเงื่อนไขสัมพันธ์กับการเสื่อมสภาพของชิ้นส่วนรถบรรทุกบางรายการ และใช้ทำนายความจำเป็นในการเปลี่ยนอะไหล่ได้ตามความจำเป็นก่อนที่รถจะเสีย  หรือลักษณะความสามารถเฉพาะด้านของนักกีฬาที่สัมพันธ์กับจำนวนชัยชนะของทีมในแต่ละปี

การเก็บข้อมูลในแบบของ Big Data คือเก็บทั้งหมดโดยไม่ตั้งสมมติฐานล่วงหน้าว่าปัจจัยใดมีความสัมพันธ์กัน ข้อมูลที่นำมาใช้ล้วนเป็นข้อเท็จจริง มิใช่แบบสำรวจหรือการสอบถามทัศนคติ และปล่อยให้ข้อเท็จจริงต่างๆ นั้นเผยความสัมพันธ์ระหว่างกันออกมา เพื่อให้ผู้ใช้เลือกนำไปใช้ประกอบการตัดสินใจในส่วนที่เกี่ยวข้อง  ข้อมูลเหล่านั้นอาจได้มาจากการติด sensor  เช่น การตรวจจับการเคลื่อนไหว หรือจำนวนการใช้งาน/ จำนวนการผลิต  ผลงานที่ได้แปลงเป็นไฟล์ดิจิตัล เช่น ยอดผลิต ยอดขาย ความเร็วในการทำงาน ปริมาณงาน สัดส่วของความสำเร็จต่อจำนวนกิจกรรมที่ได้ทำ เวลาในการให้บริการ จำนวนการให้คำปรึกษา จำนวนการแก้ไขงาน หรือข้อมูลเบื้องต้นทั่วไปที่แปลงเป็นดิจิตัล เช่น อายุ เพศ จังหวัดที่จบการศึกษา จำนวนพี่น้อง ประสบการณ์การทำงาน แหล่งข้อมูลที่พบประกาศสมัครงาน  จำนวนครั้งของการสมัครงาน  ประวัติการรักษาตัวเป็นผู้ป่วยในโรงพยาบาล งานอดิเรก

ในโลกตะวันตก มีการใช้  Big Data กันอย่างแพร่หลาย โดยส่วนใหญ่จะใช้ประโยชน์ด้านการตลาด logistics หรือการวิเคราะห์ความต้องการบริการสาธารณะ สำหรับองค์กรขนาดเล็ก สามารถใช้ Big Data เพื่อทดแทนการเปิดสาขาหรือจ้างคนงาน โดยทำระบบข้อมูลความต้องการของลูกค้าและลูกค้าเป้าหมายรายบุคคล การกำหนดราคาสินค้า/บริการตามจังหวะเวลาหรือตามเงื่อนไขเฉพาะของลูกค้าแต่ละรายโดยอัตโนมัติ การวางแผนซ่อมบำรุง การประมาณกำลังผลิตและวางแผนจำแนกสินค้าเพื่อเตรียมจัดส่ง เป็นต้น

ในด้านการบริหารทรัพยากรมนุษย์นั้น ที่ผ่านมาองค์กรที่มีการคัดสรรพนักงานจำนวนมากในแต่ละช่วงเวลาจะใช้เพื่อการสรรหาคนเก่งเข้าสู่องค์กร โดยจัดทำตัวแบบของพนักงานที่ต้องการโดยวิเคราะห์จากข้อมูลคนเก่งในองค์กร และใช้ตัวแบบนั้นจำแนกและจับคู่กับใบสมัคร  หรือใช้เพื่อวิเคราะห์ประสิทธิผลของแหล่งประกาศงาน/สรรหากำลังคน ว่าแหล่งใดเป็นช่องทางที่เข้าถึงกลุ่มเป้าหมายที่ตอบสนองความต้องการขององค์กรได้สูงสุด

องค์กรขนาดใหญ่ที่หันมาใช้ระบบแรงจูงใจที่จำแนกรายบุคคล ยังอาจใช้  Big Data เพื่อวิเคราะห์ความสัมพันธ์ระหว่างการให้รางวัลและสิทธิประโยชน์รูปแบบต่างๆ กับประสิทธิภาพของผลงาน เพื่อให้สามารถจัดสัดส่วนของรางวัลและสิทธิประโยชน์รายบุคคลให้เกิดประโยชน์อย่างแท้จริง

ilovedatamug

การใช้ประโยชน์จาก Big Data ให้ได้อย่างเต็มที่ต้องมีองค์ประกอบที่จำเป็น ดังนี้

–        ผู้นำที่มีเป้าหมายชัดเจนและสามารถกำหนดโจทย์ได้อย่างเฉียบคม

–        โครงสร้างและวัฒนธรรมการตัดสินใจแบบ fact-based

–        เทคโนโลยีและทักษะความสามารถด้านการจัดการข้อมูลขนาดใหญ่

–        โครงสร้างการเข้าถึงข้อมูลและการแบ่งปันข้อมูลข้ามพรมแดนแผนกงานหรือหน่วยธุรกิจ และ

–        ความสามารถในการจัดทำข้อมูลให้เป็นเชิงปริมาณและให้อยู่ในรูปดิจิตัล

ปัจจุบัน การใช้งาน Big Data มักใช้ร่วมกับเทคโนโลยี Cloud Computing เพื่อให้รองรับการจัดเก็บฐานข้อมูลจำนวนมาก และบางครั้งใช้ร่วมกับวิธีการ Crowdsourcing เพื่อให้ได้ข้อมูลจำนวนมากและหลากหลายจากกลุ่มเป้าหมาย

แม้  Big Data จะเป็นวิธีการวิเคราะห์ที่แม่นยำและเครื่องมือช่วยในการวางแผนและตัดสินใจที่มีประสิทธิภาพและรวดเร็ว  แต่การใช้ประโยชน์จาก Big Data ก็ยังจำกัดอยู่เฉพาะในองค์กรธุรกิจและองค์กรภาครัฐขนาดใหญ่ หรือองค์กรเอกชนขนาดเล็กที่โดดเด่นด้านเทคโนโลยี  เนื่องจากยังมีอุปสรรคที่สำคัญคือองค์กรอื่นๆ โดยทั่วไป ยังความรู้ความเข้าใจทั้งในเทคโนโลยีการจัดการฐานข้อมูลขนาดใหญ่ และ ในการบริหารระบบสารสนเทศเพื่อการตัดสินใจ

การนำ Big Data มาเป็นเครื่องมือด้านการบริหารทรัพยากรในองค์กรให้เป็นรูปธรรมได้สูงสุด จึงควรเริ่มจากการจัดทำโครงสร้างพื้นฐานด้านสารสนเทศทรัพยากรมนุษย์ให้พร้อมมูล จัดทำ HR Metrics และก้าวเข้าสู่การใช้ HR Analytics โดยเตรียมคนให้มีทักษะความพร้อมในด้านนี้ ในชั้นแรก HR Analytics อาจทำโดยโปรแกรม Excel หรือ spreadsheet ธรรมดา แต่สิ่งสำคัญคือความสามารถในการจัดทำข้อมูลอย่างเป็นระบบ ครบถ้วน และความสามารถในการออกแบบการวิเคราะห์ให้ตอบโจทย์ธุรกิจได้อย่างแท้จริง จนกระทั่งสามารถสร้างวัฒนธรรมองค์กรที่ยอมรับและปรับใช้ข้อมูล HR Analytics ได้ในระดับเดียวกับที่ใช้ข้อมูลจากรายงานการเงินเพื่อวิเคราะห์ธุรกิจ  จากนั้น การปรับเข้าสู่ Big Data จะเป็นการปรับที่ต้องเผชิญความเปลี่ยนแปลงสูงในชั้นแรก แต่จะได้ผลลัพธ์ที่มีประสิทธิภาพยิ่งกว่า HR Analytics มาก โดยมีกระบวนการบริหารจัดการที่เรียบง่ายกว่ากันอย่างมาก

Big Data อาจเป็นเรื่องที่ค่อนข้างใหม่ในบ้านเรา แต่หากฝ่ายทรัพยากรมนุษย์เอาชนะความไม่สันทัดในการวิเคราะห์เชิงปริมาณ และทำความเข้าใจ HR Metrics, HR Analytics จนมีพื้นฐานเพียงพอ การก้าวเข้าสู่ Big Data อย่างเข้าใจ จะสามารถใช้ช่องทางนี้เชื่อมโยงการบริหารทรัพยากรมนุษย์กับการบริหารธุรกิจเข้าหากันได้อย่างยั่งยืนและไร้รอยต่อ

 

อ้างอิง

Cukier, Kenneth Neil, and Mayer-Schoenberger, Viktor. (May/June, 2013)  The Rise of Big Data: How It’s Changing the Way We Think About the World. Foreign Affairs.

Davenport, Thomas H. (2013) Preparing for Analytics 3.0.Wall Street Journal, Feb 20.  from http://blogs.wsj.com/cio/2013/02/20/preparing-for-analytics-3-0/

Davenport, Thomas H. (2006) Competing on Analytics.Harvard Business Review. January. 84(1): 98-107.

Fitz-enz, Jac. (2013) The New HR Analytics: Predicting the Economic Value of Your Company’s Human Capital Investments. AMACOM: NY.

McKinsey Global Institute. (May, 2011) Big Data: The Next Frontier for Innovation, Competition, and Productivity.

McAfee, Andrew, and  Brynjolfsson, Erik. (October 2012) Big Data: The Management Revolution. Harvard Business Review, 90(10), pp.61-67.

The Human Capital Institute. (2012) The State of HCM Analytics: talent & Technology Imperatives.

Advertisements

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s