Datagedreven werken gaat over het gebruik van onderzoek, data en analyse om besluitvorming omtrent mens, werk en organisatie te onderbouwen.

• Met behulp van cijfers en feiten kun je nieuwe inzichten krijgen die mogelijk voor verbeteringen in de organisatie kunnen zorgen.
• Bedenk eerst goed wat het vraagstuk is waar de organisatie mee worstelt of een oplossing voor wil vinden.
• Zoek dan de juiste informatie, data en analyse(s) om het vraagstuk van inzichten te voorzien. 
• U kunt kiezen voor simpele beschrijvende analyses of complexe voorspellende analyses. 
• In de fase van het verklaren van de resultaten is het belangrijk om de resultaten in een verhaal te verwerken met behulp van storytelling.
• Qua vaardigheden zijn strategisch denken, luisteren en vertalen, analytische basistechnieken, datavisualisatie, storytelling en projectmanagement het belangrijkste.

Het vraagstuk
Voordat je op zoek gaat naar informatiebronnen binnen en buiten de organisatie helpt het om eerst een afgebakend vraagstuk helder te krijgen. Waar ligt de uitdaging?

Een voorbeeld
‘Er moet een strategisch personeelsplan komen voor afdeling X’ is niet een heel afgebakend vraagstuk en kan heel breed worden opgevat. Als u deze scherper maakt met meer businessfocus kan het worden: ‘Om de strategie van afdeling X te verwezenlijken, willen we weten wat onze behoefte aan aantallen mensen en benodigde kwaliteiten is voor de komende jaren’. Dit is natuurlijk nog steeds een vrij grote vraag maar geeft wel duidelijk aan waar we naar op zoek zijn.

Het is goed om helderheid over het specifieke vraagstuk rondom een thema te krijgen samen met de businesspartners. Zo creëert u ook draagvlak voor het onderzoek dat erop volgt. 

Benodigde informatie verzamelen
Vervolgens is het zaak om te bepalen wat de benodigde informatie is om inzichten te krijgen rondom het vraagstuk. Denk hierbij aan verschillende soorten informatie en middelen:

• Wetenschappelijke artikelen en boeken: hier valt vaak al veel relevante informatie te vinden.
• Bestaande rapportages in de organisatie:  de cijfers of inzichten die je nodig hebt kunnen in een ander project al eens naar boven zijn gehaald.
• Externe databronnen: veel informatie is vrij beschikbaar, zoals van het CBS, StatLine en het CPB.
• Interne databronnen: uit de (HR-)systemen kan een hoop relevante data gehaald worden. De kunst zit hem in het omzetten van deze data naar relevante inzichten. Dit kan bijvoorbeeld met een analyse of HR-analyticsproject.

Het is niet ongewoon dat er een getrapte aanpak gekozen wordt om het vraagstuk van informatie te voorzien. Eerst kijkt de organisatie wat er over het onderwerp bekend is in de literatuur of de marktinformatie. Wellicht zijn daar al aanknopingspunten voor beleid in terug te vinden. Mocht dit nog niet voldoende zijn, of er is een aanleiding om dieper in de materie te duiken dan is het zaak om in de eigen data te gaan kijken.

Informatie binnen de organisatie verzamelen
Soms vergt een vraagstuk vanuit meerdere informatiebronnen informatie. Het staat meestal sterker als het lukt om op basis van data uit de eigen organisatie inzichten te leveren, omdat dit meer tot de verbeelding spreekt en bovendien meer maatwerk kan opleveren. Dit is echter niet altijd mogelijk doordat data niet beschikbaar zijn of kwalitatief slecht in orde. Stel uzelf dan de volgende vragen:

• Kan ik op een slimme manier data toevoegen? Als bijvoorbeeld opleidingsniveau niet geregistreerd staat dan kan een eenmalige uitvraag bij werknemers een oplossing zijn in combinatie met een signaal aan de afdeling Werving & Selectie om dit voortaan direct te registreren in de selectiefase.
• Is het voldoende om een steekproef te gebruiken? Als data niet volledig zijn dan kan een eerste analyse best gemaakt worden op basis van een (representatieve) steekproef.
• Is het de investering waard om de issues qua beschikbaarheid of kwaliteit op te lossen door een stagiair of uitzendkracht in te zetten om data in te tikken? Dit kan bijvoorbeeld bij assessmentscores uit papieren rapporten of door vrij invoerbare potentieelbeoordelingen om te zetten naar scores. Dit vergt een kleine investering maar kan een hoop waardevolle informatie opleveren. Houd hierbij wel rekening met de AVG-regels!

Heb je wel kwalitatief goede data beschikbaar? Bedenk dan goed wat er met de data moet gebeuren. Soms is een simpel lijstje of een draaitabel voldoende om de inzichten te geven die nodig zijn. Soms is een meer uitvoerige analyse nodig waarin effecten in kaart worden gebracht.

Analyseren van data
Informatie en data kunnen op verschillende manieren worden geanalyseerd en gepresenteerd.

Een beschrijvende analyse is niet veel meer dan een manier om de data in een bepaalde vorm weer te geven. Denk hierbij aan:

• het percentage ziekteverzuim per vestiging in een staafdiagram;
• het percentage elektrische lease-auto’s in de organisatie.

Dit soort analyses zijn vaak in standaardrapportages terug te vinden en met een beetje kennis van de gebruikte HR-systemen en Excel kunt u deze cijfers zelf ophalen en opmaken in een tabel of grafiek.

Een complexe beschrijvende analyse gaat iets verder en combineert een aantal databronnen om diepere inzichten te laten zien. Denk aan:

• de uitstroom van high-potentials gedurende het jaar bij de verschillende businessunits;
• de gemiddelde time-to-hire van nieuwe mensen in de verschillende functies.

Sommige van dit soort analyses zijn in standaardrapportages of dashboards te vinden maar vaak komt het neer op handwerk via Excel of een ander gespecialiseerd pakket zoals Power BI of Tableau. Om dit goed te kunnen uitvoeren is iets meer dan basiskennis van Excel nodig.

Een predictieve of voorspellende analyse combineert ook een paar databronnen en maakt gebruik van statistische toetsing om effecten in kaart te brengen.
Bijvoorbeeld:

• de invloed van verschillende methoden van roosteren op productiecijfers binnen een fabriek;
• de effecten van kort verzuim op werknemersbetrokkenheid;
• de invloed van engagement op gestelde KPI's binnen een callcenter.

Dit is vrijwel altijd maatwerk en vereist kennis van analytische technieken en gaat vaak gepaard met specifieke software zoals SPSS, Python of R.

Een complexe predictieve analyse combineert een aantal databronnen om een predictief model te vormen. Denk hierbij aan:

• de samenhang van factoren zoals leeftijd, engagement en functiejaren en impact op behalen teamdoelen
• de voorspellers van dalen engagement binnen een afdeling en effecten op vitaliteit en uitstroom

Hierbij is het nodig om complexe statistische modellen te kunnen bouwen en dit vereist specifieke tooling en kennis over combinaties van statistische technieken zoals in bijvoorbeeld neurale netwerken.

Ook hier is er vaak sprake van een getrapte aanpak en duikt men eerst in de beschrijvende analyses voordat er aan statistische modellen gedacht wordt. Sterker nog, het is vaak verstandig om eerst door middel van beschrijvende analyses te bekijken hoe de data er aan toe zijn.