หลายองค์กรในไทยพยายามทำ HR Analytics — แต่ไม่แน่ใจว่าตัวเองอยู่ที่จุดใดของ journey และควรพัฒนาไปทางไหนต่อ
กรอบที่ตอบคำถามนี้ได้ดีที่สุดคือ People Analytics Maturity Model — กรอบที่แบ่งความพร้อมขององค์กรในการใช้ข้อมูลคนออกเป็น 4 ระดับ
กรอบนี้พัฒนามาจากแนวคิด analytics maturity ทั่วไป โดยถูกปรับให้เข้ากับบริบทของข้อมูลทรัพยากรบุคคล
People Analytics Maturity Model คืออะไร
People Analytics Maturity Model คือกรอบที่แบ่งระดับความสามารถขององค์กรในการใช้ข้อมูลคนออกเป็น 4 ระดับ ตามคำถามที่ analytics ตอบได้
แต่ละระดับสะท้อนทั้งคุณภาพข้อมูล เครื่องมือที่ใช้ ทักษะของทีม และวัฒนธรรมการตัดสินใจในองค์กร
กรอบนี้ใช้ได้สองทาง คือ ใช้ประเมินสถานะปัจจุบัน และใช้วางแผน roadmap การพัฒนา HR Analytics ขององค์กร
4 ระดับของ People Analytics Maturity
| ระดับ | คำถามที่ตอบได้ | ตัวอย่าง |
|---|---|---|
| 1. Descriptive | เกิดอะไรขึ้น? | อัตราการลาออกไตรมาสนี้คือเท่าไร, headcount แต่ละแผนกเป็นเท่าไร |
| 2. Diagnostic | ทำไมจึงเกิดขึ้น? | ทำไมทีม Sales มีอัตราลาออกสูงกว่าทีมอื่น, ปัจจัยอะไรเชื่อมโยงกับ engagement ที่ลดลง |
| 3. Predictive | มีโอกาสเกิดอะไรขึ้น? | พนักงานคนไหนมีแนวโน้มลาออกใน 6 เดือนข้างหน้า, แผนกไหนเสี่ยงต่อปัญหาผลงานในไตรมาสถัดไป |
| 4. Prescriptive | ควรทำอะไร? | ระบบแนะนำ action ที่เหมาะสมกับพนักงานเสี่ยงลาออก, แนะนำ learning path ที่ตรงกับช่องว่างทักษะ |
การเลื่อนระดับไม่ได้เกิดจากการซื้อเครื่องมือใหม่อย่างเดียว แต่ต้องการการพัฒนาสามด้านพร้อมกัน คือ คุณภาพข้อมูล ทักษะวิเคราะห์ และการตัดสินใจที่อิงข้อมูลในระดับผู้บริหาร
วิธีประเมินระดับขององค์กร
การประเมินใช้คำถามเชิงโครงสร้าง 4 ด้าน
- Data Foundation — ข้อมูล HR ถูกเก็บในที่เดียวกันหรือกระจายในหลายระบบ? คุณภาพข้อมูลถูกตรวจสอบเป็นประจำหรือไม่?
- Tooling — ใช้ Excel, BI tool, หรือ specialized analytics platform? มีระบบแสดงผลแบบ real-time หรือไม่?
- Talent — มีคนในทีม HR ที่มีทักษะวิเคราะห์ข้อมูลโดยตรงหรือไม่? หรือพึ่งทีม IT/Data ทุกครั้ง?
- Decision Culture — ผู้บริหารใช้ข้อมูลในการตัดสินใจเรื่องคนหรือใช้ประสบการณ์/ความรู้สึก?
คะแนนต่ำสุดในสี่ด้านมักเป็นตัวบ่งบอกระดับ maturity จริงขององค์กร — ไม่ใช่คะแนนเฉลี่ย เพราะ analytics ที่สูงต้องการทุกด้านพร้อมกัน
ตัวอย่างในบริบทธุรกิจไทย
HR Director บริษัทประกันภัยขนาด 1,500 คน ประเมินสถานะ analytics ของทีมตนเองพบว่า องค์กรอยู่ที่ระดับ Descriptive ที่ค่อนข้างเสถียร — มี dashboard แสดง headcount, turnover, และค่าเฉลี่ย engagement รายเดือน แต่ไม่สามารถตอบได้ว่าทำไมตัวเลขเปลี่ยน
โครงการเลื่อนระดับ 18 เดือน ออกแบบเป็น 3 phase
- เดือน 1-6: รวม HR data จาก 4 ระบบเข้าสู่ data warehouse เดียว, แก้ data quality issues, สร้าง self-service BI
- เดือน 7-12: เริ่มทำ diagnostic — เชื่อม turnover กับปัจจัยเช่น tenure, manager, performance rating, compensation percentile
- เดือน 13-18: สร้าง predictive model สำหรับ flight risk โดยร่วมมือกับทีม Data Science
ผลคือสิ้นปีที่สอง สามารถระบุพนักงานเสี่ยงลาออกล่วงหน้า 90 วันได้แม่นยำ 72% และผู้บริหารเริ่มใช้ข้อมูลนี้ในการอนุมัติ retention budget
ข้อควรระวัง
1. การข้ามขั้นไม่ทำงาน องค์กรที่ยังไม่มี Descriptive ที่เสถียร แต่พยายามทำ Predictive โดยตรง มักล้มเหลวเพราะข้อมูลพื้นฐานไม่สมบูรณ์ — model จะให้ผลที่ไม่น่าเชื่อถือ
2. Tools ไม่ใช่คำตอบเดียว การซื้อ analytics platform ราคาแพงโดยไม่ได้พัฒนาทักษะทีมและวัฒนธรรมการตัดสินใจ ทำให้เครื่องมือถูกใช้ในระดับ Descriptive ตลอดไป — สิ้นเปลืองงบประมาณ
3. Predictive ไม่ใช่ Prescriptive หลายองค์กรเข้าใจสับสน — Predictive ตอบว่าจะเกิดอะไรขึ้น แต่ไม่บอกว่าควรทำอะไร การเลื่อนสู่ Prescriptive ต้องการการเชื่อมข้อมูลกับ playbook ของ HR ที่ชัดเจน
4. การพัฒนาภายในไม่ใช่ทางเดียว องค์กรที่ขาดทรัพยากรในการสร้างทีม analytics ภายในสามารถใช้บริการประเมินภายนอกที่ผ่านการสะสม benchmark ข้ามองค์กร — ซึ่งบางครั้งให้ผลที่แม่นยำกว่าการสร้าง model จากข้อมูลภายในองค์กรเดียว