پخش موسیقی

سلام من نگین بیگ‌‌لو هستم و این اپیزود، اپیزود هفتم از پادکست رد ماست. همیشه اول هر اپیزود از همه‌ی کسانی که حمایت کردن، درخواست همکاری داشتن، انتقاد کردن بهمون، پیشنهاد دادن بهمون و ما رو به سمت بهتر شدن هل دادن تشکر می‌کنم. اما توی این اپیزود علاوه بر اون تشکر و قدردانی می‌خوام مخاطبین رد مارو هم دعوت کنن به حمایت از رد ما !! برای شنیده شدن و دیده شدن!

حمایت یعنی اینکه توی اینستا، لینکدین دنبالش کنیم، پست هاشو لایک کنیم، شیر کنیم، اپیزودها رو بشنویم و به بقیه معرفی کنیم و از همه مهم‌تر بهمون فیدبک بدید تا بهتر بشیم. اما اینکه مخاطبین رد ما کیا هستن؟ مخاطبین ردما یعنی شما که دارید الان صدای من رو می‌شنوید.

توی این اپیزود میخوایم راجع به دیتا و تحلیل دیتا توی منابع انسانی صحبت کنیم. موضوع دیتا از اون موضوعاتی که ته نداره و این من رو که از کمال‌گرایی هم رنج میبرم خیلی اذیت کرد برای محتوای این اپیزود. یعنی نمی‌تونستم از همه‌ی ابعاد بهش بپردازم و از اون طرف هم از نظر زمانی محدود بودن در نهایت تصمیم گرفتم با یه نگاه کلی بهش بپردازیم و از اون طرف هم از نظر زمانی محدود بودم، در نهایت تصمیم گرفتم با یک نگاه کلی بهش بپردازیم و توی فصل‌های بعدی از چند تا متخصص که متخصصین این حوزه هستن دعوت کنم بیان و کامل راجع بهش صحبت کنیم.

حالا بیایم ببینیم که چی میشه که تیم مارکتینگ می‌تونه خیلی راحت یه بودجه چند میلیاردی از شرکت بگیره ولی وقتی که می‌رسه به اچ آر برای خرید یه ATS ساده که شاید سال حداکثر بیست تا سی میلیون هزینه داشته باشه ما باید چندین باز جلسه بذاریم، باید توضیح بدیم، توجه کنیم که چرا باید ما ATS داشته باشیم؟ یا ATS چه کمکی به ما می‌کنه؟ یا چرا وقتی که یه کارشناس جذب و استخدام داریم اصلا باید ATS داشته باشیم؟ مگه اون آدم هم این کار رو انجام نمیده؟ یا برای خرید یه بسته‌ی ثبت آگهی توی جاب بورد ها درخواستمون میره تو صف انتظار برای تایید!!

چی میشه که نگاه یک سازمان یا شرکت به هزینه‌های HR نگاه هزینه‌ایه نه سرمایه‌گذاری؟ جواب هم احتمالا یه چیزه ! عدد و رقم یا همون دیتا! چیزی که ما توی HR خلا خیلی خیلی جدی داریم راجع بهش. اگه یه کم دقت کنیم می‌بینیم همه‌ی حرف ها و برنامه‌های ما توی HR محدود شده به یه سری مفاهیم انتزاعی و سطحی ایونت بگیریم حال بچه ها خوب بشه! بیایم یه دوره برای مدیرا برگزار کنیم پیشرفت کنن! ورکشاپ بذاریم برای بچه‌ها تیم ورک یاد بگیرن! برای یلدا جشن بگیریم مثلا تجربه‌ی خوبی داشته باشن! حالا این که توی اجرا چه شکلی هستیم و پیش میریم اینا یه بحثه که ممکنه اصلا حتی اگر داریم کار درستی انجام میدیم، به خاطر اجرای اشتباه تاثیرگذار نباشه! ولی موضوع اصلی این که این کارها اصلا چقدر هزینه داره؟ به نسبت هزینه‌ای که داریم می‌کنیم چقدر سود داره برمی‌گرده به شرکت؟ آوردش چیه؟ چقدر برنامه‌ای که داریم اجرا می‌کنیم توی یک مسیر با اهداف سازمانیمون؟ اصلا ما اومدیم نیازسنجی بکنیم با دیتاهایی که داریم و ببینیم واقعا برنامه‌ای که داریم اجرا می‌کنیم حالا ممکنه که ایونت باشه، آموزش باشه، ارزیابی عملکرد باشه، واقعا توی اون برهه یا اون بازه‌ی زمانی جدی‌ترین نیاز اون شرکت یا آدم‌های اون شرکته؟ اصلا اگر ما یه ایونت و جشن باحال برگزار کنیم، تاثیری تو حال آدما می‌ذاره؟ واقعا خوشحالشون میکنه؟ یا اگر که حالشون بد اصلا دلیل اصلیش ممکنه جای دیگه‌ای باشه و این ایونت بدتر براشون یه شوآف به چشم میاد و منفی‌تر می‌کنه فضا رو!!

من دقیقا خودم یه تجربه این شکلی داشتم، وقتی که وارد فضای HR تازه شده بودم و توی یه شرکتی کار می‌کردم که تازه جذب سرمایه کرده بود و قبل از این جذب سرمایه اوضاع نقدینگی خب خیلی خوب نبود و حتی حقوق ماه آخر بچه‌ها رو نتونسته بود بده! البته که این موضوع شفاف بود، بهشون از قبل اطلاع داده شده بود، بچه‌ها همه اوکی بودن با این قضیه! ولی ما برای این جذب سرمایه اومدیم یه جشنی بگیریم و حالا رود مپ سال آیندمون رو با هم راجع بهش صحبت کنیم و پرزنت کنیم و با اینکه اصلا هدفمون از برگزاری این ایونت تقدیر و تشکر از صبوری بچه‌ها بود و اینکه پلن رشدمون رو حالا بگیم که قراره چی باشه و چیکار کنیم ولی واقعا نتیجه‌ی عکس داد و تنها چیزی که احساس نکردن اون تقدیر و تشکر و حالا در واقع حمایتی بود که شرکت می‌خواست بابت صبوری بچه‌ها تو این مدت ازشون داشته باشه!! خب این یعنی چی؟ یعنی اینکه ما یک برنامه‌ریزی رو احتمالا بدون نیاز سنجی انجام دادیم و شاید می‌تونستیم توی شرایط بهتر، با برنامه‌ریزی بهتر، بعد از رفع نیازهای واقعی شرکتمون انجامش بدیم…!!

بگذریم از این تجربه … ! اما باید چیکار کرد و چاره چیه نقش دیتا چیه این وسط و چه کمکی به ما می‌کنه؟ بیایم برگردیم سراغ سوال اولمون که تفاوت نگاه شرکت یا مدیریت شرکت به HR و یک تیمی مثل مارکتینگ! چرا مارکتینگ می‌تونه مثلا یه بودجه‌ی سه میلیاردی بگیره؟ چون با داده‌های کارهای قبلی که انجام داده و تحلیل اونها میتونه یک گزارش دقیق بده! از اینکه هر هزار تومنی که هزینه شده باعث برگشت چقدر پول به شرکت ما شده؟ چقدر درآمد ایجاد کرده؟ چقدر لید آورده؟ چقدر فروش بوده؟ هزینه‌ی هر یدونه نصب اپ ما چقدر بوده؟ هزینه‌ی هر یک با ورود به سایت ما توسط یوزر چقدر بوده و می‌تونه یه پیش‌بینی نسبتا دقیق داشته باشه از اتفاقات آینده! پس شرکت می‌تونه اعتماد کنه و بودجه‌ی خوبی رو هم اختصاص بده به فعالیت‌های اون تیم.

حالا بیایم ریز بشیم تو فرایندهای HR و ببینیم که دیتا برای ما چجوری می‌تونه کار کنه ؟ یا ما چجوری می‌تونیم ازش استفاده کنیم؟

بیاین از جذب و استخدام شروع کنیم! مهم‌ترین مسئله‌ای که توی فرایند جذب وجود داره اینه که ما با کمترین هزینه ممکن، توی کوتاه‌ترین زمان ممکن، مناسب‌ترین نیروها رو متناسب با حالا فرهنگ سازمان مون و اون موقعیت شغلی جذب کنیم. پس باید چند تا مسئله رو در نظر بگیریم که باهاش سروکار داریم. یکی هزینه‌ است، یکی زمانه و یکی کیفیت جذب. حالا چه دیتا‌هایی بهمون کمک می‌کنه از هزینه شروع می‌کنیم! برای جذب چه هزینه‌هایی داریم؟ اولین هزینه قاعدتا هزینه‌ی انتشار اون آگهیه که ممکنه که هر کسی جز اولین هزینه‌ها توی ذهنش بیاد توی جاب بوردها، مهمترین دیتایی که باید تو این زمینه داشته باشیم اثربخشی اون چنل جذبه! یعنی اینکه باید بیایم ببینیم به تفکیک هر موقعیت شغلی دقیقا چه تعداد رزومه‌ای از کانال‌های مختلف به دستمون رسیده چه تعداد از این رزومه‌ها مورد تایید قرار گرفتن چقدرشون توی مصاحبه‌ها اکسپت شدند و در نهایت استخدام‌های ما برای هر موقعیت شغلی از کدوم یکی از این کانال‌های جذب اتفاق افتاده؟ اینا خیلی چیزهای ساده‌ای که تو دسترس هممون هست. یعنی نیاز نیست کار خارق العاده‌ای انجام بدیم.

این دیتاها باعث میشه ما وقتی می‌خوایم برای یک موقعیت شغلی یه آگهی منتشر کنیم این کار کاملا هدفمند بتونیم انجام بدیم و یک آگهی رو لزوما توی همه‌ی جاب بوردها نذاریم! مثلا یه سری از شرکتها دیدین یه پوزیشن رو توی تمام جاب بوردها میذارن یا توی تمام کانال‌های مثلا تلگرامی، واتساپی میذارن در صورتی که شاید اصلا ورودی مناسبی هم نداشته باشه!

بیاین با یه مثال شفافش کنیم، دیتا داره میگه به ما که برای موقعیت شغلی مثلا پروداکت دیزاینر توی دو سال گذشته بالای هشتاد درصد جذب‌های ما یا حالا ممکنه منجر به جذب هم نشده باشه، مصاحبه‌هایی که انجام دادیم یا ورودی که بابت دریافت رزومه داشتیم از طریق لینکدین اتفاق افتاده! این داده چه کمکی داره به کاهش هزینه‌های ما می‌کنه؟ به جای اینکه بریم بسته سرچ رزومه مثلا از یه جاب بوردی بخریم یا بخوایم آگهیمون رو توی تمام جاب بوردها منتشر کنیم یا اینکه در نهایت بعد از اینکه همه این هزینه‌ها رو کردیم ناراحت و ناامید و مستاصل بریم سراغ هانترها، اول از همه میریم سراغ سرچ کردن توی لینکدین و در واقع اون راه‌هایی که براتون مثال زدم می‌تونه پلن‌های بعدی ما باشه استپ‌های بعدی ما باشه بعد از اینکه پلن اولمون یعنی سرچ کردن تو لینکدین حالا به سرانجام نرسید به هر دلیل! یا مثلا دیتا میاد به ما میگه که موقعیت‌های شغلی که توی سال گذشته داشتیم و جذب کردیم همشون از طریق دو تا حاب بورد مشخص اتفاق افتاده!! این دیتا چی داره به ما میگه؟ داره میگه که آقا نیازی نیست از جاب بوردهای دیگه بسته بخریم! نیازی نیست همه جا حضور داشته باشیم! البته که یک سری شرکت‌ها در واقع پوزیشن هاشون رو توی تمام جاب بوردها بخاطر اینکه بیشتر دیده بشن و سمت و سوی برند کارفرمایی داره و نمیتونیم خیلی راجع به دیتا روشون مانور بدیم.

برمیگردیم سر هزینه‌ها الان راجع به هزینه‌ی انتشار آگهی صحبت کردیم، هزینه‌ی بعدی چیه؟ هزینه‌ی در واقع حقوق افرادیه که تو این فرایند استخدام دخیل هستند! مثلا فرض کنیم که فرایند استخدام ما این شکلیه که رزومه رو دریافت می‌کنیم اسکرین اولیه توسط مثلا کارشناس جذب و استخدام انجام میشه، بعد یه اسکرین نهایی رزومه ها توسط هایرینگ منیجرمون انجام میشه، بعد مصاحبه‌ی تلفنی داریم، مصاحبه‌ی فنی داریم، مصاحبه‌ی HR داریم و در نهایت مصاحبه‌ی مدیرعامل!! دیتا رو که بررسی می‌کنیم می‌بینیم که از بین رزومه‌هایی که اون کارشناس جذب تایید کرده بالای هشتاد درصدشون مدیر جذب هم تایید کرده، بعد میاییم می‌بینیم که مثلا مدیر جذبمون برای اسکرین کردن رزوه‌ها برای هر پوزیشن مجموعا داره یه روز وقت میذاره، حقوق یک روز اون هایرینگ منیجر رو حساب میکنیم، اصلا می‌ارزه که همچنان این هایرینگ منیجر برای اسکرین کردن رزومه ها وقت بذاره؟ اگر نه این مرحله رو حذف می‌کنیم یا مثلا راجع به مصاحبه‌هایی که مدیرعامل ها انجام میدن که توی بعضی از شرکتها هست توی بعضی از شرکت‌ها نیست. میایم دیتا رو بررسی می‌کنیم می‌بینیم که بالای نود درصد کسانی که وارد مرحله‌ی مصاحبه یا مدیرعامل میشن و HR اینارو قبلا تایید داده دوباره تایید میشن. این دیتا میتونه این موضوع رو برای ما شفاف کنه که عملا مصاحبه‌هایی که یک مدیر عامل داره انجام میده یه مرحله اضافیه!! داره هزینه‌ی غیرمستقیم اضافی ایجاد می‌کنه!! زمان جذب مون رو بالا میبره و عملا شانس جذبمون رو هم پایین میاره!! چرا؟؟ چون وقتی که، قاعدتا پروسه‌ی یک استخدام زیاد میشه اون کارجو هم داره با جاهای دیگه قاعدتا مصاحبه می‌کنه و ممکنه که توی همین طولانی شدن فرایند ما جای دیگه اون آدم رو استخدام کنه و اصلا نیرویی که از نظر ما واقعا مورد تایید بوده، به خاطر یک سری در واقع ارزیابی نکردن‌ها یا مراحل اضافه از دست بره!!

حالا این مثال‌هایی که زدیم در واقع برای هزینه‌های جذب بود ولی در مورد زمان جذب هم کاربرد دارن و می‌تونن توی بهینه شدن فرایندهای ما هم کمک کنن. اما دیتای اصلی در مورد زمان جذب چه جوری بدست میاد؟ باید بیایم برای هر شخص که وارد فرایند استخدام ما میشه تاریخ دقیق هر مرحله اش رو ثبت کنیم. از تاریخ دریافت رزومه، تاریخ تایید رزومه، تاریخ اولین تماس، تاریخ هر کدام از مصاحبه‌ها، تاریخ ارسال آفر لتر، تایید یا ردش توسط اون کارجو یا هر چیز دیگه‌ای که توی این فرایند وجود داره … !! حالا از این دیتاها چه استفاده‌ای می‌کنیم؟ میایم توی موقعیت شغلی های مختلف، اختلاف زمانیه بین هر مرحله رو محاسبه می‌کنیم. حالا اگر که مثلا توی شرکتمون ATS داشته باشیم، اینجا کارمون خیلی راحت‌تره، ولی خب اگرم نبود واقعا یه گوگل شیت یا فایل اکسل خیلی کامل نیاز مارو برطرف میکنه!! ممکنه که حالا کار دستیشش زیاد باشه و سخت‌تر کنه کار رو برای م،ا ولی نیاز رو برطرف می‌کنه !

وقتی که اون اختلاف زمانی رو بین هر مرحله محاسبه می‌کنیم، می‌تونیم خیلی واضح ببینیم که اگر یه جذبی توی موقعیت شغلی یا پوزیشنی داره طول میکشه، دقیقا نقطه ضعفمون کجاست؟ احتمالا هممون دیدیم حالا اگرHRایم که لمسش کردیم، اگر که خودمون مدیر یک تیمی هستیم احتمالا ممکنه پیش اومده باشه می‌تونیم از بیرون الان نگاش کنیم که خیلی از مدیران وقتی که قراره براشون نیرو جذب کنیم میان هی غر میزنن که HR برای ما نیرو نمی‌گیره خیلی طولش میده به ما اهمیت نمیده و این دیتا اینجا خیلی کاربرد داره و می‌تونه مشخص کنه که اگر نیرو جذب نشده واقعا تعلل از واحد HR نبوده یا ممکنه که اون مدیر توی فرایند جذب همکاری نکرده مثلا اسکرین نکرده رزومه هارو، مصاحبه‌هارو یکی در میون رفته، مصاحبه‌های حتی با کیفیتی انجام نداده که منجر شده یه مصاحبه‌ی دیگه انجام بشه یا تصمیم‌گیری درستی تو مصاحبه‌ها نتونسته انجام بده و همه‌ی این‌ها باعث طولانی شدن فرایند جذبمون و عملا از دست رفتن نیروها میشه.

حالا بریم سراغ کیفیت جذب!! این قسمت در واقع گره می‌خوره به دیتای بخش‌های دیگه! یعنی دیتاهایی که راجع به پرسنلمون داریم و دیتاهای ارزیابی عملکردمون. چند تا موضوع وجود داره اینجا، یعنی در واقع چندتا بخش وجود دارد. اول اینکه چه تعداد از اون نیروهایی که مثلا جذب شدن بعد از دوره‌ی سه ماه آزمایشی شون توی شرکت ما موندن، قراردادشون تمدید شده ؟ یعنی همین دیتای به ظاهر ساده توی اکثر شرکتها اصلا بررسی نمیشه یا مثلا اینکه نیروهایی که دارن جذب میشن به طور میانگین چقدر ماندگاری توی سازمان ما دارن؟ یا اینکه این افراد چه امتیازی توی ارزیابی عملکرد از ما می‌گیرن؟ البته باز اگر ارزیابی عملکرد داشته باشیم! هر کدوم از اینا بسته به اهمیتشون تو شرکت ما تبدیل به یک عدد میشن و جمع این عددها در واقع میزان موفقیت ما رو توی جذب نیروهای حالا متناسب با سازمانمون نشون میده! همه‌ی این چیزایی که راجع بهش تو این چند دقیقه حرف زدیم یا مثال زدیم در واقع دیتاهای جذب و استخدامه، من فقط می‌خواستم بگم با همین مثال کوچیک می‌بینیم که چقدر دیتا دور و ور ما هست و ما ازش استفاده نمی‌کنیم. چون وقتی بحث دیتا توی منابع انسانی میشه، معمولا یک چیز بزرگی می‌بینیم که آی ما دیتا نداریم !!آی چیکار کنیم؟ آی چقدر دیتا سخته! در صورتی که وقتی ریز میشی توش می‌بینی که همون روتینی که در طول روز یا در طول هفته یا ماه داری انجامش میدی، تک‌تک کارهایی که داره انجام میشه، اتفاقاتی که میفته، افرادی که درگیرش اند، دارن یک سری دیتا برای ما می‌سازن و فقط ما این‌ها رو جمع‌آوری نمی‌کنیم! ما فقط ازشون استفاده نمی‌کنیم!

پخش موسیقی

حالا میریم سراغ یک بعد دیگه از دیتاها توی منابع انسانی، که دیتاهای پرسنلی ان! این دیتاها شاید خیلی ساده به نظر بیاد اما واقعیتش اینه که این دیتاها مبنای همه‌ی دیتاهای ما قرار می‌گیرن! یعنی هر چقدر کامل‌تر و تمیز تر باشن بیشتر به ما کمک می‌کنن توی دیتاهایی که حالا توی بحث آموزش داریم توی عملکرد داریم توی مسیر شغلی داریم و کمکمون می‌کنه که این‌ها رو بتونیم بهتر تحلیل کنیم. دیتاهای پرسنلی می‌تونه شامل مثلا لیست اسم همه‌ی افراد شرکت باشه، کد پرسنلی شون باشه، عنوان شغلیشون، سمتشون، نمیدونم تاریخ استخدامشون، مقدار سابقه‌ی کاری که در گذشته داشتن یا مثلا تحصیلاتشون، جنسیتشون و همه‌ی این‌ها…! یه بخش دیگه‌ای هم داره این دیتاهای پرسنلی که خیلی هم مهمه و اون دیتاهای مربوط به حالا مثلا ساعت ورود و خروج، مرخصی هاشون، غیبت هاشون، اضافه کاریاشون، دور کاریاشون و این‌هاست. این دیتاها باید هر ماه حتما رصد بشه! این در واقع ورود و خروج مرخصی و غیبت و این‌هایی که میگم اصلا ربطی به فلکسیبل (انعطاف) بودن سازمان ما نداره یا اینکه مثلا شرکت ما همه ریموتن یا شناوری داریم یا ساعت کاری برامون اهمیت نداره، این رو یه مقداری بزرگتر ببینیدش، یعنی جنسش جنس سخت گیری یا در واقع مانیتور کردن دقیق آدما که راس چه ساعتی میان راس چه ساعتی میرن و اداری کردنش نیستش.

حالا خروجی‌هایی که این دیتاها بهمون میدن چیا میتونه باشه؟ اول از همه اینکه ما می‌تونیم ببینیم که توی چه تیم‌هایی مثلا ورود و خروج شون بالانس نیست! یعنی یا خیلی تاخیر دارن یا خیلی زود میرن یا غیبت‌های زیادی دارن! این دیتاها وقتی با دیتاهای عملکردی اون تیم یا نفرات مقایسه میشه، می‌تونه به ما نشون بده که آیا این مثلا به اصطلاح کسر کارها تاثیری توی عملکرد این افراد داشته یا نه؟ اگر عملکرد خوبی ندارن پس احتمالا راجع به مثلا ورود و خروجشون هم باید سخت گیری بیشتری بشه که کارها رو به ددلاین‌ها برسونن یا حداقل منافع شرکت به خطر نیفته. حالا به غیر از منافع شرکت یه نکته‌ی دیگه هم داره این دیتاها و داره به شما میگه که معمولا مثلا افرادی که به فکر رفتن از شرکت ما هستن، انگیزه‌شون کاهش پیدا کرده!! ورود و خروجشون منظم نیست یعنی مرخصی ساعتی بیشتری می‌گیرن خیلی تاخیر دارن خیلی زود میرن و خیلی از این موارد ممکن برای این باشه که دارن دنبال کار دیگه ای می‌گردن، دارن مصاحبه میرن و همه این موارد … و اگر ما به طور منظم این دیتاها رو بررسی کنیم، احتمالا می‌تونیم این موضوع رو هم پیش‌بینی کنیم یا حالا موضوعاتی شبیه به این رو و اگر اون مثلا شخص، برای شرکت ما مهره ی کلیدی باشه، باید باهاش وارد مذاکره بشیم و سعی کنیم مسئله‌ای که باعث شده تصمیم بگیره از شرکت ما خارج بشه رو براش حل کنیم. قطعا این موضوع برای همه‌ی افراد صادق نیستااا !! یعنی خیلی وقت ها یه سری آدما هستن که شخصا نامنظمن و این موضوع روی عملکردشون تاثیری نداره! مثلا می‌تونیم این رو توی تیم‌های برنامه‌نویس یا تیم های تک مون ببینیم، که معمولا ورودشون خیلی با تاخیر اگر که کار به صورت حضوری باشه یا ممکنه که خیلی زود برن ولی از اون ور معمولا آدمایی ان که شبا طولانی مدت بیدار می‌مونن، مثلا نیاز به تمرکز بیشتری توی شب دارن و کار رو هم می‌رسونن!!

این دیتا وقتی مهم میشه که یک فرد همیشه در طول سابقه ی کاریش مثلا منظم بوده توی یکی دو ماه اخیر این اختلاله به وجود اومده توی رفت و آمدش یا ایجاد شده و این تداومه یا بررسیش از تمام ابعاد، اتفاقیه که باید توی تیم HR بیفته و این شکلی نیستش که بگیم که هر کس که ورود و خروجش مشکل داره یا توی یه بازه‌ی زمانی مشکل داشت پس یا داره میره یا دلسرد شده یا حالش بده!! ممکنه که خیلی ابعاد دیگه‌ای داشته باشه که الان نتونیم راجع بهش صحبت کنیم.

دیتای مهم بعدی که حالا توی دیتاهای پرسنلی به چشم میاد، میزان اضافه کاری‌هاست. اضافه کاری رو وقتی که می‌خوایم محاسبه اش رو انجام بدیم صرفا اون عددی که به نیرو پرداخت میشه نیست، یعنی یک سری هزینه‌های دیگه مثل هزینه‌های مثلا برق، تجهیزات یا این که اون افرادی که باید توی شرکت حضور داشته باشن تا اون شخصی که داره اضافه کاری می‌مونه بتونه شرایط مطلوبی رو داشته‌ باشه، باید حساب بشه. حالا اگر که ما داریم می‌بینیم که اضافه‌کاری توی یک تیمی زیاده یا برای یک نفر داره به تعداد دفعات در طول ماه اتفاق میفته یه اصطلاحی هست به اسم کارسنجی، کارسنجی باید اتفاق بیفته اینجا!! ممکنه که واقعا حجم کار توی اون واحد خیلی زیاد باشه و افراد یا نیروها مجبورن برا اینکه کارشون رو به موقع برسونن اضافه کار بمونن که این موضوع قطعا توی طولانی مدت باعث مثلا نارضایتی شون میشه، فرسودگی میشه، به هم ریختن تعادل کار و زندگیشون میشه و خیلی چیزهای دیگه… پس احتمالا تو یه همچین شرایطی اگر دلیلش اینه باید به اون تیم یک نیروی جدید اضافه بشه اما اگر حجم کار معقول بود اضافه کار هم داشتیم این موضوع یه جورایی فقط هزینه سربار برای شرکت ما داره ایجاد می‌کنه! بدون اینکه هیچ خروجی داشته باشه! پس باید از طریق حالا مدیر اون تیم یا شرایطی که ما می‌تونیم براشون در نظر بگیریم این موضوع کنترل بشه و به مرور رفع بشه! یه موقع‌هایی هم هست آدما به خاطر نداشتن مهارت مدیریت زمان توی کارهاشونه که اضافه کار مجبور میشن بمونن! یعنی اگر که ما بتونیم این مهارت رو بهشون آموزش بدیم یا کمکشون کنیم از اون درواقع هشت ساعت کاریشون به صورت مفید استفاده کنن، شاید دیگه لازم نباشه که اضافه‌کاری بمونن و این اضافه کاری قاعدتا علاوه بر اینکه هزینه برای شرکت در تاثیرات منفی روی خودشونم داره و می‌تونن از تایم‌های غیر کاریشون به صورت بهینه استفاده کنن. یا مثلا ترکیب دیتای ورود و خروج یا اضافه کاری برای بعضی از واحدها خیلی بلدتر می‌شه و نتایج خیلی جالبیم بهمون میده!!

مثلا واحد مالی یا واحد مثلا فروش سازمانی، دیتای ورود و خروج توشون خیلی مهمه و از اون طرف اگر اضافه‌کاری هم بمونن خیلی مهم میشه! چرا؟ چون این واحدها معمولا مثلا با بانک‌ها، اداره‌های دولتی یا شرکت‌های دیگه سر و کار دارن و این بی نظمی توی ورود و خروج شون می‌تونه تاثیر مستقیم روی سرعت انجام کارشون یا به نتیجه رسیدن کاراشون داشته باشه!! یعنی اگر که از آخر بیایم اول، احتمالا اگر یک تیم مالی یا یک تیم مثلا B2B عملکرد خوبی نداره یه ذره بررسی کنیم می‌بینیم که اضافه کاری بیشتری دارن می‌مونن، یه ذره بررسی کنیم میرسیم به اول قضیه یعنی اینکه بی‌نظمی توی ورود و خروج دارن و خیلی راحت می‌تونین این موضوع حل کنین، با درست کردن و اصلاح کردن ساعت کاریشون !

پخش موسیقی

نمیدونم الان توی چه شرایطی هستید!! توی ترافیکین، استراحت می‌کنین یا هر جای دیگه، ولی میخوام این وسط یه تشکر بکنم از اینکه تا اینجا من رو شنیدید.

میخوایم بریم سراع دیتاهای که توی فیلد آموزش ممکن بدردمون بخوره و اینکه چجوری ازش می‌تونیم استفاده کنیم؟! این دیتا ممکنه که توی همه‌ی شرکت‌ها قابل جمع‌آوری نباشه، چون که ممکنه اون شرکت اصلا رویکرد آموزش یا شرایط اینکه بخواد آموزش رو برای نیروهاشون فراهم کنه نداشته باشه! ولی خب اگر که شما جزو اون دسته از شرکت‌هایی هستند که این رویکرد توش وجود داره و نیروها دارن آموزش می‌بینن یا مثلا بودجه‌ی آموزشی ای براشون در نظر گرفته شده که دارن ازش استفاده می‌کنن، باید یک سری دیتا هارو جمع‌آوری کنیم. این دیتاها مثلا چیه؟ این که این دوره‌ها کلاس بودن؟ ورکشاپ بودن؟ سمینار بودن یا سطح دوره‌ها چه شکلی بوده؟ مثلا یک دوره‌ی عمومی بوده؟ سافت اسکیل بوده؟ تخصصی و هارد اسکیل بوده؟یا مدیریتی بوده؟ یا اینکه دلیل‌هایی که اون نیروها توی اون آموزش شرکت کردن!! مثلا ممکنه یک نیرویی رو نظر مدیرش بوده که توی اون مثلا دوره ثبت نامش کنیم یا ممکنه که ضعف عملکردی داشته و به خاطر برنامه‌ریزی بوده که HR براش در نظر گرفته یا برعکس ممکنه عملکرد خیلی خوبی داشته و به عنوان یه جور پاداش ما داریم بهش می‌دیم تا مهارت‌هاش رو ارتقا بده! اینکه حالا این دوره‌ها چه تعداد جلسه‌ای دارن؟ زمان هر جلسه شون چقدره؟ ساعت شروعشون، روز برگزاری شون و همه‌ی این‌ها اطلاعاتی که ما می‌تونیم توی در واقع دیتاهای آموزشیمون جمع‌آوری کنیم. ما باید یه لیست کامل از تمام کسانی که حتی دارن این آموزش رو ارائه میدن هم داشته باشیم. یعنی کسایی که داریم به عنوان مدرس باهاشون کار می‌کنیم. حالا با ترکیب این دیتاها تحلیل‌ها و خروجی‌های مهمی رو می‌تونیم داشته باشیم، مثلا می‌تونیم بفهمیم که دوره‌هایی که صبح برگزار شده و ورک‌شاپ‌ بوده تاثیر بیشتری داشته نسبت به دوره‌هایی که بعد از ظهر بوده یا مثلا کلاس بوده یا آفلاین بوده یا آنلاین بوده یا هر چیز دیگه… یا مثلا می‌خوایم ببینیم که یه دوره‌ای برگزار کنیم که ممکنه که هجده ساعت زمان نیاز داشته باشه ما می‌تونیم از دیتاهایی که در گذشته داشتیم و جمعشون کردیم بفهمیم که آقا دوره‌هایی که تعداد جلسات بیشتری داره رضایت بیشتری هم بچه‌ها نسبت بهش دارن یا دوره‌هایی که جلسات کم ولی طولانی داشتن مثلا ممکنه که تاثیرگذاری کمتری داشتن یا مثلا دوره‌هایی که مدرساش سابقه‌ی بیشتری داشتن یا جنسیت خاصی داشتن توی میزان رضایت نیروهای ما تاثیر گذار بوده و یه عالمه تحلیل دیگه‌ که از ترکیب این دیتاها با هم می‌تونیم بدست بیاریم.

حالا ما با ترکیب دیتاهایی که داریم مثلا ترکیب دیتای پرسنلی با دیتاهای آموزشمون میتونیم یه سری دیتاهای دیگه به دست بیاریم. اینکه مثلا بیایم ببینیم که میانگین آموزشی که هر نیرو توی شرکت ما دیده چقدره؟ چند درصد از افراد شرکت توی دوره‌ها شرکت کردن؟ چند درصد از افرادی که توی دوره‌ها شرکت کردند به طور میانگین این ساعت آموزشی بینشون تقسیم شده؟ چقدر این آموزش‌ها عادلانه بوده؟ یعنی یک نیرویی ممکنه که یک ساعت دوره‌ی آموزشی شرکت کرده باشه و یک نیروی دیگه‌ای در طول یک سال مثلا پنجاه ساعت دوره‌ی آموزشی شرکت کرده! و از این دیتاها ما می‌تونیم میزان عدالت و نوع رفتارمون با نیروهامون رو هم بسنجیم. یا مثلا می‌تونیم ببینیم که برای هر سطح از سازمانمون چه مقدار آموزش برگزار کردیم؟ به تفکیک تیم هامون چه مقدار آموزش برگزار شده؟ یا آدم‌ها مجموعا چند ساعت آموزش دیدن و همه‌ی این‌ها می‌تونه توی مثلا توسعه مسیر شغلی مون خیلی برامون مهم باشه یا تاثیرگذار باشه! یا از بعد مالی اگر بخوایم نگاه کنیم، مقدار هزینه‌ای که به طور میانگین برای آموزش هر نیرو در طول یک سال انجام دادیم رو می‌تونیم محاسبه کنیم و بعد ببینیم این میزان هزینه اصلا چه تاثیری روی عملکرد نیروهامون داشته یعنی اگر کلی‌تر بخوام بگم این یه جورایی میشه ترکیب دیتای پرسنلی، دیتای آموزش و دیتای عملکرد که خیلی تحلیل های خوبی می‌تونیم ازش داشته باشیم.

حالا که راجع به دیتاهای ارزیابی عملکرد صحبت کردیم، بیایم یکم بازترش کنیم. این دیتاها شاید خیلی واضح به نظر برسند یعنی اگر که ما سیستم ارزیابی عملکرد داشته باشیم، قاعدتا یک سری شاخص هم داریم که این شاخص‌ها برای تیم یا افراد هستش که توی هردوره عملکردی، این شاخص‌ها ی امتیازی دارن و اون تیم یا نفرات ممکنه که یک امتیازی دریافت کنن که حالا در طی طولانی مدت در واقع اینها، این امتیازها و جمعشون ممکنه که باعث اخطار برای قطع همکاری بشه، ممکنه که تو پروسه‌ی فیدبک قرار بگیره برای بهبود عملکرد، ممکنه که منجر به پاداش یا یک سری مزایای دیگه بشه!

چندتا نکته‌ی مهم در مورد این دیتاها وجود داره، اول از همه اون نمودار امتیاز های هر شخص طی دوره‌های متوالیه! یعنی چی؟ یعنی داره پتانسیل رشد نیروها رو به ما نشون میده! خیلی قشنگه! یعنی ممکنه یه آدمی امتیاز خیلی بالایی نداشته باشه‌ها!! اما وقتی اینا رو با هم مقایسه می‌کنیم توی دوره‌های مختلف، توی هر دوره نسبت به دوره‌ی قبلی یه رشدی داشته و روند مثبتی رو داره پیش می‌بره. پس احتمالا اگر ما به این نیرو کمک کنیم که آموزشهای تخصصی بیشتری ببینه یا شرایط رو جوری براش فراهم کنیم که از توانایی‌اش بیشتر استفاده کنه، می‌تونه خیلی سرعت رشد بالاتری داشته باشه! ترکیب دیتاهای ارزیابی عملکرد هم با دیتاهای پرسنلی یا دیتاهای آموزش تحلیل های فوق‌العاده‌ای به ما میدن!! مثلا توی ترکیب دیتای عملکرد با دیتای پرسنلی ما میاییم بررسی می‌کنیم می‌بینیم که توی یک تیمی به صورت مستمر توی همه‌ی دوره‌های ارزیابی عملکرد مثلا آدم‌هایی که توی دانشگاه‌های دولتی درس خوندن امتیازشون بیشتره یعنی به طور میانگین از بقیه بیشتره یا مثلا امتیاز نیروهایی که سابقه کاری بیشتر از دو سال توی شرکت داشتن همیشه بالاتره، یا اونایی که سن بیشتری دارن عملکردشون بهتره یا حتی جنسیتی هم می‌تونیم اینا رو تفکیک کنیم. متاهل یا مجرد بودن، زن یا مرد بودن!

وقتی از ترکیب این دیتاها برای تحلیل توی ارزیابی عملکرد استفاده می‌کنیم، خواه ناخواه داریم اون سلیقه‌ای بودن یا شخصی بودن یه سری برداشت‌ها رو هم کم می‌کنیم. مثلا تو یه شرکتی ممکنه بگه که آقا نیروی فروش فقط خانم بیان این خانوما بهتر می‌فروشن! ولی وقتی که این دیتاها رو کنار هم میزاریم، می‌بینیم که اتفاقا پسرهایی که توی فروش دارن کار می‌کنن، عملکرد بهتری دارن یا مثلا یه سری مدیرها هستن که میگن که ترجیحا نیروی مثلا متاهل استخدام نکنین، متاهل ممکنه که مثلا مسولیت‌های زندگیش باشه، فلان باشه، عملکردش میاد پایین و باز این دیتاها رو ما می‌ذاریم کنار هم می‌بینیم که اتفاقا آدم‌هایی که متاهلن مثلا توی یک تیمی یا توی شرکتمون عملکرد بالاتری دارن، مسولیت پذیری بیشتری دارند، امتیاز بیشتری دارند برعکس اون مجرد و یه جورایی اون ساختارهای سنتی ذهن ما رو که یک جاهایی ممکنه اصلا دست خودمونم نباشه، می‌شکوندش و دید دقیق‌تر، درست‌تر و حرفه ای تری رو به ما میده و باعث میشه که ما بتونیم فرآیند هامون رو بهبود بدیم، آدم‌های درست‌تری رو انتخاب کنیم، برنامه‌ریزی‌های بهتری هم داشته باشیم.

علاوه بر همه‌ی این‌ها این سوگیری‌هایی که ممکنه حتی غیر ارادی توی ذهن ما باشه ممکنه که عادلانه بودن سیستم ارزیابی عملکرد ما رو زیر سوال ببره یا ممکنه که باعث بی‌انگیزه شدن خیلی از نیروها بشه که در نهایت ممکنه شرکت ما رو ترک کنن!! یعنی سیستم ارزیابی عملکرد ما نه‌ تنها به نفع مثلا شرکتمون نیست، برعکس هم عمل کرده و به ضررش هم شده و اگر که ما از این دیتاها استفاده کنیم در واقع داریم از همه‌ی این موارد آسیب زننده که برخلاف منافع شرکتمون و عملکرد نیروهامون هست جلوگیری می‌کنیم. به قول محمدرضا و اما معجون آخر… ! یعنی ترکیب دیتای پرسنلی، دیتای آموزشمون و دیتاهایی که بابت عملکرد داریم و تاثیر زیاد و مهمی که توی توسعه مسیر شغلی مون می‌تونه بذاره.

اول یه کم راجع به نوع جابه‌جایی‌هایی که ممکنه توی مسیر شغلی نیروها تو شرکت ما اتفاق بیفته صحبت کنیم و بعد ببینیم که از دیتا هامون یا اون معجونمون چجوری می‌تونیم توی این مسیر شغلیه استفاده کنیم. یه نوع جابه‌جایی افقی درون تیمی داریم که مثلا کارشناس جذب و استخدام میشه کارشناس توسعه، کارشناس مثلا محتوا میشه کارشناس سوشال مدیا ! یه نوع جابجایی افقی داریم بین تیم یعنی کارشناس مرکز تماس میشه کارشناس فروش یا کارشناس فروش میشه کارشناس مارکتینگ و یک جابه‌جایی داریم عمودی توی شغل یا همون تیمه ! یعنی چی؟ یعنی اینکه کارشناس مثلا حسابداری میشه سرپرست حسابداری یا میشه مدیر حسابداری و یه نوع جابه‌جایی یا یه جورایی ارتقا عمودی دیگه در اون تیمی هستش که مثلا کارشناس توسعه ی منابع انسانی میشه سرپرست جذب و استخدام یا حالا ممکنه که ما جابجایی‌های دیگه‌ای داشته باشیم که الان من خاطرم نیست که راجع بهش صحبت کنیم ولی حالا این دیتاهایی که ما داریم راجع بهش حرف می‌زنیم یا اون معجونه چجوری می‌تونه روی این مسیر شغلیه تاثیر بذاره؟ اول از هر چیز ما باید برای همه‌ی شغل‌هایی که توی شرکتمون وجود داره یه مسیر شغلی طراحی کنیم یعنی بیایم تمام مسیرهایی که برای هر شغل می‌تونه موجود باشه رو بنویسیم و تمام حالت‌های جابه‌جایی افقی و عمودی و اریب :)))) و نمیدونم همه چی رو با هم در نظر بگیریم. حالا میایم یه سری شرط میذاریم، مثلا چی؟ مثلا میگیم که اگر کسی میخواد توی تیم خودشون افقی جابجا بشه باید حتما شش ماه تو این پوزیشن کار کرده باشه یا مثلا امتیاز عملکردش توی دو دوره‌ی ارزیابی عملکرد هشتاد به بالا باشه یا مثلا اگر کسی قرار ارتقا بگیره از کارشناس به سرپرست تبدیل بشه باید حتما صد ساعت مثلا آموزش تخصصی دیده باشه یا پنجاه ساعت آموزش مدیریتی دیده باشه یا چهار دوره‌ی عملکردی مثلا امتیاز عملکردش نود به بالا باشه! حالا ما یه داکیومنتی از این دیتاها داریم که دیتای پرسنلمون، تمام مسیرهایی که هر کس می‌تونه بره، تمام آموزش‌هایی که هر کس دیده، حالا عمومیه، تخصصیه، مدیریتیه و تمام دیتاهای عملکردی نیروها توش ثبت شده و الان به سادگی می‌تونیم تصمیم بگیریم که اگر پوزیشنی توی شرکتمون خالی شده و ما می‌خوایم اون پوزیشن رو مثلا اینترنال پر کنیم چه آدم هایی یا چه نیروهایی مناسبن برای اون پوزیشن! یا اگر می‌خوایم از افراد داخل یک تیم یک نفر به عنوان سرپرست یا مدیر انتخاب کنیم کدومشون انتخاب درست‌تری برای ما هست ؟ یا حتی توی بحث جانشین پروری هم خیلی می‌تونه کمکمون کنه و دیگه از این به بعد انتخابامون براساس سلیقه‌ی شخصی نیست!!

پخش موسیقی

آخرین دیتایی که میخوایم راجع بهش صحبت کنیم دیتاهای مربوط به تعیین حقوق دستمزده! یعنی دیتاهایی که میتونه کمک کنه به ما برای تعیین حقوق و دستمزد. چه در مورد نیروهایی که می‌خوایم جذبشون کنیم یا آفر بدیم بهشون چه در مورد نیروهایی که دارن تو شرکت ما کار میکنن! در مورد حقوق دستمزد توی اپیزود حقوق مکفی کامل صحبت کردیم اما اگر بخوام خلاصه بگم مهم‌ترین دیتایی که این بخش داره در واقع از طریق بنچمارک حقوق که بعضی از شرکت‌ها دارن انجامش میدن و به دست میاد و در کنار اون یک سری گزارش‌هایی که ممکنه که ایران تلنت بده، جاب ویژن بده و در طول سال این‌ها رو منتشر می‌کنن که بعضیاشون مستقیما به حقوق و دستمزد مربوطه و بعضیاشون به بحث جبران خدمات! مثلا گزارشی که جاب ویژن توی سال 1400 در مورد مزایا منتشر کرد نشون میداد که مثلا بر خلاف تصور خیلی از ماها که فکر می‌کنیم اتاق بازی و نمی‌دونم پک ولکام و هدیه مناسبتی و جشن و ایونت خیلی برای آدم‌ها مهمه و تو روحیه‌شون تاثیر می‌ذاره، در واقع این بیمه تکمیلی بود که بیشترین رای رو توی نظرسنجی آورد!! حتی بین نیروهایی که از نسل Z بودن! این نظرسنجی‌ها می‌تونه تو خود شرکت هم توسط ما انجام بشه، یعنی زمانی که میخوایم یه بودجه‌ای رو به یک چیزی اختصاص بدیم برای نیروهامون به عنوان حالا جبران خدمات، مزایا یا هر چیز دیگه‌ای با یه نظرسنجی ساده ببینیم چجوری می‌تونیم حداکثر رضایت رو ایجاد کنیم و بر اساس اون دیتایی که به دست میاریم پیش ببریم نه پیش‌بینی‌های شخصی یا سلیقه‌ای!

مثلا خیلی وقتا مخصوصا من که توی شرکت‌های کوچیک خیلی کار کردم اینجوریه که مدیر عامل یه ایده‌آلی داره یا مثلا خوشش میاد اصلا به بچه‌ها کادو بده، ایونت بگیره، یه محیط صمیمی رو ایجاد کنه ولی خب این ذهن اونه و در واقعیت و نیروها اصلا اون چیزا رو نیاز ندارن بهش یا اگر هم که استقبال بکنن تاثیری روی رضایتشون یا بهبود رضایتشون نداره و اینجا این نظرسنجی‌ها خیلی می‌تونه کمک ما کنه!! یعنی خود نظرسنجی‌ها یک ابزاریه برای جمع‌آوری دیتا مخصوصا توی بحث رضایت و تعیین حقوق و دستمزد و جبران خدمات و مزایایی که می‌خوایم اختصاص بدیم به نیروهامون.

مثلا با یه نظرسنجی رضایت کارکنان ما می‌تونیم میزان تاثیرگذاری حقوق یا مزایای جدیدی که توی شرکتمون برای نیروها در نظر گرفتیم رو بررسی کنیم! چه شکلی ؟ اینکه قبل و بعد از اختصاص دادن اون حقوقه یا مزایائه، نظرسنجی رضایت کارکنان رو انجام میدیم بدون اشاره مستقیم به اون حالا اتفاق جدیدی که داره میفته و بعد، از اون دیتایی که به دست میاریم بررسی می‌کنیم ببینیم هزینه‌ای که کردیم یا حتی نکردیم توی رضایت کارکنان مون تاثیر مثبت داشته یا نه؟! یا یه نکته‌ی دیگه‌ای که داره می‌تونیم این نظرسنجی رو مثلا دو یا سه ماه بعد هم مجددا تکرار کنیم! چرا؟ چون میاییم بررسی می‌کنیم ببینیم که این اقدامی که ما انجام دادیم تاثیرات بلند مدت داشته یا نه توی کوتاه مدت اثر خودش رو از دست داده!! مثلا ممکنه که ما یه افزایش حقوقی داشته باشیم یا یه مزیتی رو توی شرکتمون به وجود بیاریم یا به نیروهامون بدیم و نیروها فقط یک ماه، دو ماه خوشحال باشن و بعد تموم بشه! یعنی دیگه یه جورایی عامیانه بخوام بگم، از چشمشون بیفته و ما این نظرسنجی‌ رو اگر تکرار نکنیم، متوجه نمیشیم که توی طولانی‌مدت این تاثیری داشته یا نه همون یکی دوماه اول بوده!

حالا که بحث نظرسنجی داغه و اتفاقا نظرسنجی یکی از ابزارهای خیلی مهم توی منابع انسانی برای جمع‌آوری دیتا هست یه کوچولو توش عمیق‌تر بشیم و ببینیم که کجاها می‌تونیم از این ابزار خارق‌العاده برای جمع‌آوری دیتاها مخصوصا توی قسمت بال نرم منابع انسانی استفاده کنیم. مثلا یه دوستی تعریف می‌کرد که تو یه شرکتی کار می‌کرده و یک شرکت خیلی معروفیم بوده و مدیر تیم فکر می‌کرده که همه خیلی خوشحالن و از کار توی شرکت راضین و همه چیز خیلی خوبه اما دیتاهایی که راجع به خروج نیروها داشتن این رو نمی‌گفت، حرف بین بچه ها که بیرون از اتاق مدیر نشسته بودن، این رو نمی‌گفت! چرا اون مدیر تصورش غلط بود ؟ چون براساس دیتا به موضوع نگاه نمی‌کرد و اینجا دقیقا همون دغدغه‌ی تعلق سازمانیه مطرح بود که ما می‌تونستیم از طریق دیتای نظرسنجی مربوط به همون تعلق سازمانی و دیتایی که بابت موندگاری نیروها توی شرکتمون داریم به یه نتایج خیلی خوبی برسیم. حالا اینکه نظرسنجی تعلق سازمانی چه شکلیه و چه تحلیل هایی میشه ازش به دست آورد؟ چجوری میتونیم اجراش کنیم و همه‌ی این‌ها، فکر می‌کنم تنها کسی که باید راجع به این موضوع صحبت کنه خود مجید منوچهریه که داره تو این مسیر حرکت میکنه و واقعا حرف برای گفتن داره! اما برای اینکه توی این اپیزود حالا یه کوچولو راجع بهش صحبت کنیم می‌تونم بگم که برای ساخت نظرسنجی‌های تعلق سازمانی یک سری مدل‌های استاندارد جهانی وجود داره که میاد توش یه سری المان‌های مشخص رو می‌سنجه! مثلا فرصت رشد توی یه شرکت، ارتباطات تیمی، ارتباطات درون تیمی، نحوه‌ی فیدبک گیری، حقوق های دریافتیشون و خیلی المان‌های دیگه…!

حالا این نظرسنجی به چه درد ما می‌خوره؟ به این درد می‌خوره که ما دیگه بر اساس شهود خودمون به نتیجه نمی‌رسیم که چالش‌های سازمان ما کجاست؟ مثلا حدس نمی‌زنیم که وای تیم ورک توی شرکت ما خیلی خوبه یا مثلا نقطه ضعف ما اینه که ارتباطات بین تیمیمون درست شکل نمی‌گیره! این نظرسنجی ها در واقع میاد جلوی مارو می‌گیره برای اینکه بخوایم خودمون رو بذاریم جای نیروهامون و به جای اونا فکر کنیم. میاد به ما کمک می‌کنه که دقیق بفهمیم نقاط ضعفمون و قوتمون کجاست؟ و اگر کارمون اون شکلی که ما می‌خوایم جلو نمیره بفهمیم مشکل از کجا داره آب می‌خوره و ما باید برای برطرف کردنش در واقع چه اقدام‌هایی انجام بدیم یا چه کارهای اجرایی باید انجام بدیم؟ حالا دیتای این نظرسنجی‌ها کجا جالب‌تر میشه یعنی دیتاهایی که جمع کردیم، اونجا که میایم حالا دیتاها رو دوباره با هم ترکیب می‌کنیم، یعنی جواب هارو میایم برای یه سری گروه‌های خاصی فیلتر می‌کنیم. مثلا دیتاها رو بر اساس جنسیت میایم مقایسه می‌کنیم یا کسایی که توی دوره‌ی آزمایشی هستن یا کسایی که سال اول کارشون توی شرکته، کسانی که سابقه کار بیشتری دارند و همه‌ی این‌ها رو می‌تونیم با هم مقایسه کنیم. یا مثلا نتیجه‌ی نظرسنجی رو توی لایه‌های مختلف شرکتمون یعنی مثلا سطح کارشناسی، سطح مدیریتی میایم مقایسه می‌کنیم و مهمتر از همه به تفکیک تیم‌های شرکتمون!!

این شکلی دقیقا می‌تونیم بفهمیم مسئله کجاست؟ یا مساله‌ی هر تیم یا هر بخش چیه و چه برنامه‌هایی می‌تونیم براشون طراحی کنیم که مختص نیاز اون تیم باشه و دقیقا مسئله رو حل کنه!! مثلا خانومایی که توی واحد مثلا حسابداری مونن که سابقه‌ی بیشتر از یک سال هم دارن، اینجورین که فرصت رشد آموزش براشون به اندازه‌ی کافی تو شرکت وجود نداشته! حالا ما میتونیم بیایم دیتاهای آموزش مون رو، دیتای عملکرد مون رو و دیتاهای پرسنلیمون رو که قبل‌تر راجع بهش حرف زدیم بررسی کنیم. ببینیم که این افراد چقدر آموزش دیدن؟ چقدر ارتقا یا افزایش حقوق داشتن؟ و این دیتاها رو بیایم با بقیه‌ی شرکتمون مقایسه کنیم ! ممکنه ببینیم واقعا این مسئله درسته و نیاز باشه که مثلا برای آموزش این نیروها توی این تیم خاص و با این جنسیت تمرکز بیشتری بزاریم! یا دوره‌های بیشتری براشون برگزار کنیم که کمتر مثلا در جا بزنند یا حس بهتری بابت ارتقا یا مسیر رشدشون توی شرکت ما داشته باشن.

یه نکته‌ی مهم توی نظرسنجی‌ها هست، یعنی توی در واقع زمانی که می‌خوایم نظرسنجی رو منتشر کنیم که بقیه جواب بدن و کاملا هم عمومیه! یعنی مربوط به نظرسنجی خاصی نیست! اینکه هویت افراد باید مشخص نشه و معلوم نشه که چه کسی چه نظری داره میده و فقط میانگین اون امتیازاتی که داره جمع میشه رو ما هم برای گزارش‌دهیمون هم به مدیر تیم یا مدیر شرکتمون که در واقع همون مدیرعامل بدیم و دیتا هامون رو هم بر اساس همین میانگین یا این کلی‌گوییه جمع‌آوری کنیم.

پخش موسیقی

توی این اپیزود من سعی کردم از اهمیت دیتا و استفاده‌هایی که میتونیم توی هر فیلد از منابع انسانی ازشون داشته باشیم و خروجی‌هایی که بهمون میده خیلی خلاصه صحبت کنم و یه سری مثال‌های کوچیک هم بیارم تا یک ذهنیت کلی ازش برامون به وجود بیاد تا بتونیم توی اپیزودهای بعدی با متخصصین این حوزه راجع به جزییاتش حرف بزنیم. اگر بخوایم جمع بندی کنیم این اپیزود رو باید بگم که جدا از اینکه توی دنیای امروز دیتا خیلی خیلی خیلی اهمیت داره، ولی نوع استفاده‌ی ما، جمع‌آوریش و تحلیلش اهمیت بیشتری داره! یعنی تحلیل نادرست از دیتا با استفاده نکردنش خیلی فرقی نداره و حتی ممکنه ما یا شرکتمون رو به سمت ذهنیت‌های کاذب یا تصمیم‌گیری‌های اشتباه ببره! از طرفی توی این دوره زمونه دیتا نداشتن معنی نداره! چون دیتا با هر فعالیتی که ما در طول روزمون داریم انجام میدیم به وجود میاد و فقط کافیه که ببینیمشون و جمعشون کنیم و بهشون اهمیت بدیم. اگر که هنوز می‌گی که دیتا نداری یا دیتاهایی که داری رو بهشون توجه نمی‌کنی و هنوز تصمیماتت بر اساس نظرات شخصیت داره جلو میره، جمله‌ی درست‌تری باید استفاده کنی و بگی که من یا ما از دیتا استفاده نمی‌کنیم. این خیلی بهتر از اینه که بگی دیتا نداریم درسته که مانیتور کردن و تحلیل کردن دیتا از روی داشبوردهای تخصصی و رنگ و لعاب دار خیلی جذابه ولی برای شروع کردن کافیه که از گوگل شیت کمک بگیری! یعنی جمع آوری دیتا مثل ارزیابی عملکرده! حتی کوچیک، حتی ناقص، فقط شروع کن! نذار فکرش از خودش بزرگتر بشه…!

و اما این اپیزود از رد ما هم تموم شد و دوباره تشکر می‌کنم از محمدرضا شجاعی به خاطر کمک توی تولید محتوای این اپیزود و اپیزودهای قبلی و اپیزودهای بعدی مخصوصا برای انتقال تجربیاتش به عنوان یک HR و امیرحسین بحرینی نژاد به خاطر همه‌ی حمایت‌هاش!

من مشتاقم و دوست دارم تجربیات و چالش‌های شما رو راجع به جمع‌آوری دیتا بشنوم! اینکه کجا ازش استفاده کردین؟ اصلا تیم منابع انسانی تون دیا دریون هست یا نه؟ چه تحلیل هایی از دیتا هاتون داشتین؟ نتیجه‌ی اثربخشیش چطور دیدین و حتی کجا استفاده‌ی اشتباه یا تحلیل اشتباهی ازش داشتین؟

شما می‌تونید از طریق ایمیل، لینکدین، اینستاگرام، واتساپ و توئیتر با رد ما در ارتباط باشید و این تجربیات رو برای ما ارسال کنید! لینک های مربوط به هر کدوم از راه‌های ارتباطی هم توی قسمت توضیحات پادکست قرار داده شده و شما فقط کافیه که بخواین تا با ما ارتباط بگیرین!

اپیزود بعدی رد ما هم طبق معمول خیلی زود منتشر میشه پس منتظرش بمونید…! حمایت از رد ما رو فراموش نکنید، مرسی که هستین، مرسی که من رو شنیدین، تا اپیزود بعدی خوب بمونین…!

پخش موسیقی

پایان.