Proč Excel zabije vaše HR analytiky rychleji než špatný šéf
Když se jeden vzorec v buňce A512 pokazí, může zničit celý den — a důvěru vedení v HR data. Jak se dostat od hrdinských analytiků k systémům, které skutečně fungují?
People Analytics v mnoha firmách začíná stejně: Excel, kontingenční tabulky a jeden hrdina-analytik, který drží vše pohromadě. Dokud firma neroste, funguje to. Ale jakmile se pokusíte škálovat HR analytiky napříč celým podnikem, Excel vás zabije.
Tony Ashton z One Model to zažil na vlastní kůži. Začínal ve vládních pozicích se spreadsheety, protože nic jiného nebylo k dispozici. Později se dostal do malé analytické firmy, která se stala součástí SuccessFactors a SAP — ze 150 lidí na 100 tisíc skoro přes noc. Bolestná lekce: co funguje pro analýzu, nefunguje pro škálování.
V Excelu totiž logika žije v jednotlivých souborech, znalosti v hlavách lidí a riziko všude kolem. Když někdo odejde, jde na dovolenou nebo upraví špatný vzorec, důvěra se hroutí. A jakmile vedení přestane věřit číslům, analytiky přestávají ovlivňovat rozhodnutí — bez ohledu na to, jak dobré pozorování přinesou.
HR analytiky jsou navíc obzvlášť náročné na škálování, protože se dotýkají životů lidí, etických rozhodnutí a vysoce citlivých dat. Na podnikové úrovni se vedení ptá: Kolik vlastně máme lidí a shodnou se na tom všichni? Počítáme do toho externisty? Proč vypadá fluktuace v této zprávě jinak než v té minulé? V Excelu se každá taková otázka stává debatou — ne proto, že by analytik chyboval, ale protože systém nemá jediný zdroj pravdy.
Skutečný posun spočívá ve změně toho, na co tým tráví čas. V nezralých analytických prostředích lidé věnují většinu energie vytahování dat z různých systémů, čištění, opakovanému budování stejných metrik a obhajování čísel na schůzkách. Ve zralých prostředích tohle dělá platforma. Teprve pak se tým může soustředit na interpretaci trendů, pochopení příčin, predikci výsledků a poradění lídrům, co dělat dál.
Pokud chcete začít používat AI a máte pod ní špatně spravované systémy, budete mít špatně spravovanou AI. Zralé people analytics prostředí má konzistenci (stejná otázka vrací stejnou odpověď), sledovatelnost (každé číslo lze vysvětlit), dostupnost (lídři nemusí být analytici) a governance (bezpečnost a etika jsou zabudované, ne dolepené dodatečně). Teprve tohle umožňuje zodpovědně používat AI a prediktivní modelování.
Co si z toho odnést
- 1Ověřte, jestli vaše HR metriky vrací stejné odpovědi napříč různými reporty — pokud ne, máte problém se zdrojem pravdy, ne s analytiky
- 2Změřte, kolik času váš tým tráví sestavováním dat versus interpretací výsledků — pokud je to více než 50/50, potřebujete lepší systémy, ne lepší lidi
- 3Připravte se na to, že nasloupávání nástrojů a týmů problémy nevyřeší — vytvoří jen nové v podobě křehkých integrací a nekonzistentních definic
- 4Zvažte, jestli vaše současná infrastruktura unese AI — špatně spravované základy pod umělou inteligencí vytvoří ještě větší chaos