hr-analyticsLedakan era teknologi informasi membuat organisasi/perusahaan beralih dari sistim pengelolaan SDM secara manual menjadi penggunaan HRIS (human resources information system). Penggunaan HRIS ini selain mempercepat proses, mengurangi human error, mengurangi biaya SDM, juga berdampak perusahaan kaya data yang dapat dimanfaatkan untuk membuat kebijakan dalam pengelolaan SDM atau disebut sebagai HR Analytics.

Data-data absensi pegawai, penilaian kinerja, kepesertaan diklat, penghasilan dan tunjangan, hasil survey engagement/kepuasan pegawai, menjadi informasi yang sangat berharga bagi perusahaan.

Tantangan perusahaan saat ini adalah bagaimana memanfaatkan data yang melimpah tersebut menjadi informasi yang bermakna bagi perusahaan untuk memprediksi trend kepegawaian ke depan, meminimalkan resiko serta memaksimalkan pendapatan perusahaan.

3 Level HR Analytics

Level 1: Analisis Deskriptif

Analisis deskriptif dimaksudkan untuk memberikan dashboard atau gambaran terkait informasi-informasi dasar tentang kondisi SDM perusahaan, meliputi:

  1. Jumlah SDM berdasarkan unit kerja, departemen, cabang, jenis kelamin, usia, klasifikasi talent, etnis, dan data demografi lainnya.
  2. Training dashboard, meliputi program yang telah diikuti, tingkat penguasaan (post test training), biaya training, jumlah jam/hari diklat.
  3. Performance tracking, meliputi ketidakhadiran, hukuman disiplin, keluhan pelanggan, penilaian kinerja, penyelesaian tugas-tugas.
  4. Requisition tracking, meliputi lowongan jabatan, kesesuaian skill, dan kompetensi.
  5. Catatan terkait penggajian, meliputi potongan akibat ketidakhadiran, sakit, kecelakaan, lembur dll.

Level 2: HR Metric

HR metric membantu HR Department dalam menentukan tingkat efisiensi dari fungsi-fungsi pengelolaan SDM di perusahaan. Berikut ini beberapa rasio yang sering digunakan:

  1. Rasio Turn Over: Banyaknya SDM yang keluar dibagi jumlah SDM keseluruhan.
  2. Joiners Rate: Banyaknya SDM yang masuk dibagi jumlah SDM keseluruhan.
  3. Kinerja SDM: banyaknya SDM dengan kinerja rendah, sedang atau tinggi. Banyaknya SDM dengan peningkatan dan penurunan kinerja.
  4. Rasio promosi: Banyaknya SDM yang mengalamii promosi dibagi jumlah SDM secara keseluruhan.

Level 3: Predictive Analysis

Ketersediaan data historis dapat dimanfaatkan untuk menemukan pola dan memprediksi perilaku di masa yang akan datang. Beberapa prediksi yang dapat dilakukan sebagai berikut:

  1. Attrition forecasting: Prediksi banyaknya SDM yang akan keluar dari perusahaan.
  2. Attrition segmentation: Prediksi tentang segmentasi SDM pada unit kerja atau karakteristik tertentu yang ada kecenderungan untuk resign atau keluar dari perusahaan.
  3. Top performer segmentation: Segmentasi SDM berdasarkan kinerjanya dengan mengidentifikasi unit kerja, atau karakristik lainnya.
  4. Analisis kompensasi: Dengan menggunakan tools dapat diketahui kompensasi yang tepat berdasarkan kompetensi, kebijakan perusahaan, dan atau perbandingan dengan market.
  5. Strategi rekrutmen: Strategi rekrutmen dapat disusun berdasarkan segmentasi SDM yang keluar maupun segmentasi SDM yang menampilkan kinerja terbaik.

HR analytics sebagai pendekatan kuantitatif dalam pengelolaan SDM merupakan suatu cara yang sangat powerful dalam mengembangkan kebijakan-kebijakan dalam pengelolaan SDM berbasis data riil. Metode ini mengurangi subyektifitas dalam pengambilan keputusan.