Zkušený HR manažer svou organizaci dobře zná. Má přehled o zaměstnancích, rozumí firemní kultuře a dokáže odhadnout, kde vznikají problémy. Přesto mu mohou uniknout důležité souvislosti. Právě tady podle Jana Sládka přichází ke slovu práce s daty.
„I ti nejinteligentnější a nejzkušenější lidé mají nějaké slepé skvrny. Z nějakého důvodu některé věci prostě nevidíte,“ vysvětluje. Data podle něj nepředstavují nezpochybnitelnou pravdu, ale další pohled na situaci. „Chcete udělat nějaké rozhodnutí, máte u stolu tři lidi a já vám přivádím čtvrtého v podobě dat. A ten má na věc také nějaký názor.“
Oblíbený zaměstnanec nemusí být pro tým nejdůležitější
Jedním z příkladů je měření výkonnosti. Firmy často sledují výsledky jednotlivců, skutečný přínos zaměstnance však může záviset také na jeho vztazích s ostatními. Člověk s méně výraznými individuálními výsledky může být tím, na koho se kolegové obracejí při řešení nejsložitějších problémů.
Takové souvislosti pomáhá odhalovat sociometrie, která mapuje vztahy uvnitř pracovních týmů. Může ukázat rozdíl mezi oblíbeným zaměstnancem a člověkem, jehož práce je zásadní pro fungování ostatních.
„Když odstraníte člověka, kterému naměříte špatný individuální výkon, můžete tím v týmu udělat nepořádek v jiném ohledu,“ upozorňuje Sládek. Připomíná, že všechno změřit nelze a žádná analýza nedokáže plně zachytit neformální vztahy mezi kolegy.
Důležitá je také kontinuita měření. Jednorázový dotazník poskytne obraz určitého okamžiku, opakovaná šetření umožňují sledovat vývoj. Nemusí přitom jít o roky. Pokud firma zavádí zásadní změnu, může dávat smysl porovnat situaci před jejím uskutečněním a krátce po něm.
Proč zaměstnanci odcházejí? Čísla sama odpověď nedají
Samostatným tématem podcastu je spokojenost zaměstnanců a fluktuace. Sládek upozorňuje, že dotazníkové šetření často ukáže, co lidé chtějí nebo jak hodnotí pracovní podmínky, ale nevysvětlí jejich motivaci.
Proto doporučuje kombinovat kvantitativní data s osobními rozhovory. V jedné organizaci například pomohla změna způsobu vedení výstupních rozhovorů. Odcházející zaměstnanci se obtížně svěřovali lidem, kteří je původně přijímali. Jakmile rozhovory začala vést nezávislá osoba, firma získala otevřenější odpovědi.
„Každý analytik by měl být také dobrým pozorovatelem. Nemůžete se na všechno dívat jen přes excelovou tabulku,“ říká Sládek.
Podobné problémy podle něj vznikají i při práci s běžnými personálními ukazateli. Firmy shromažďují značné množství informací, ale někdy nevědí, kdo je spravuje, co přesně obsahují nebo k jakému rozhodnutí mají sloužit.
AI analýzy zjednodušuje, odpovědnost za výsledky ale nepřebírá
Umělá inteligence výrazně snižuje technickou náročnost datových analýz. Úkoly, které dříve vyžadovaly znalost programování a statistických nástrojů, dnes zvládne podstatně širší okruh zaměstnanců.
To však přináší nové riziko. AI může zpracovat i nevhodně zadanou analýzu a nabídnout přesvědčivě vypadající výsledek. Uživatel proto musí rozumět tomu, na co se ptá, jaká data používá a zda z nich lze požadovaný závěr skutečně vyvodit.
Sládek upozorňuje také na ochranu citlivých personálních údajů. Organizace by měly vědět, kam zaměstnanci data vkládají a co se s nimi následně děje.
Vzdělávání se nepozná podle počtu absolvovaných kurzů
Skutečný dopad rozvoje zaměstnanců je podle Sládka obtížné vyhodnotit především proto, že se projevuje v různých oblastech a často až po delší době.
Krátkodobě lze například sledovat chybovost nebo efektivitu při plnění konkrétních úkolů. Dlouhodobě však vzdělávání ovlivňuje také schopnost firmy přizpůsobovat se změnám.
Právě zavádění AI podle něj ukazuje rozdíl mezi organizacemi, které mají učení pevně zakotvené ve firemní kultuře, a těmi, které začínají zaměstnance vzdělávat teprve pod tlakem konkurence.
„Učení dospělých zahrnuje také vytvoření návyku učit se,“ připomíná. Bez tohoto návyku nemusí ani intenzivní školení vést k tomu, že zaměstnanci nové nástroje skutečně začnou používat.
Nejdříve rozhodnutí, potom data
Velké množství dostupných dat samo o sobě neznamená, že firma dokáže lépe rozhodovat. Sládek proto doporučuje začít otázkou, k jakému rozhodnutí mají konkrétní informace sloužit. Teprve potom má smysl určovat, co a jak měřit. V některých organizacích se podle něj pravidelně připravují reporty, u nichž už nikdo nepřemýšlí, zda jsou stále potřebné. Sledování ukazatelů, které vedení nevyužívá, přitom stojí čas i peníze.
Význam kvalitních dat roste také v souvislosti s připravovanými pravidly transparentního odměňování. Firmy budou muset věnovat větší pozornost evidenci mezd a jednotlivých složek odměňování. Sládek upozorňuje, že zatím není zcela jasné, které složky odměny se budou do vykazovaného výdělku zahrnovat – zda například pouze základní mzda, nebo také roční bonusy. Příprava na nové povinnosti tak může být příležitostí sjednotit dosavadní evidenci mzdových údajů a získat kvalitnější podklady pro vlastní rozhodování.
Stejně důležitá jako kvalita dat je schopnost správně je interpretovat a srozumitelně představit vedení společnosti. Analytik musí rozumět nejen statistickým metodám, ale také prostředí organizace a časovým omezením, ve kterých management rozhoduje. Smyslem datové analytiky není vytvářet stále podrobnější tabulky, ale poskytovat informace, které umožní rozpoznat podstatné souvislosti, ověřit dosavadní předpoklady a přijímat kvalifikovanější rozhodnutí.
Tento článek přináší zkrácený přepis rozhovoru z našeho podcastu, který byl vytvořen s využitím automatizované technologie pro přepis řeči. Celý rozhovor si můžete také poslechnout na HR News nebo na Spotify.
Tomáš Pospíchal (HR News): Naším dnešním hostem je Jan Sládek, sociolog a lektor vzdělávací společnosti 1. VOX. Dobrý den, Honzo.
Jan Sládek (1. VOX): Dobrý den, děkuji za pozvání a těším se na rozhovor.
Jak jste se dostal k práci s daty a jaká byla vaše profesní dráha?
Je to můj životní zájem. Vždycky mě bavilo dívat se na věci tímto způsobem. Nikdy jsem se nepovažoval za matematika a myslím, že v matematice bych nijak zvlášť nevynikal. Vždy mě ale zajímalo spojení dat a rozhodování. Když potřebuji něco rozhodnout, lze se na problém podívat také prostřednictvím dat. Tímto směrem se ubírala i moje profesní dráha. Když jsem spolupracoval například na marketingových či jiných kampaních, často jsem byl tím, kdo se ptal: Pokud se takto rozhodneme, jak změříme dopad našeho rozhodnutí?
Dá se rozhodovat jen podle pocitu?
Pocity mám rád, ale při řízení organizací mě rozhodování založené pouze na pocitech příliš nepřesvědčilo. Na druhou stranu ani opačný extrém, tedy úplné ignorování pocitů, nevede v sociologii k dobrým výsledkům. Když například někomu předložím dotazník, vyvolá to v něm určité pocity. Bylo by ode mě nerozumné je zcela přehlížet. Musím s nimi při výzkumu počítat.
Jedna věc je tedy to, co čísla ukazují, a druhá to, jak je lidé vnímají a co v nich chtějí vidět?
Přesně tak. V HR existují například otázky, které není vhodné pokládat prostřednictvím dotazníku, protože vyvolávají silné emoce a ty nemohu mít pod kontrolou. Když do dotazníku vložím rasistický výrok a zeptám se na souhlas či nesouhlas, můžete reagovat jinak než při osobním rozhovoru, v němž vidím vaše bezprostřední reakce.
Součástí mé práce je také pomoc s různými typy výběrových řízení. Data při nich mají svou roli, ale vždy doporučuji s uchazečem osobně mluvit a sledovat jeho reakce. Totéž platí třeba pro otázky týkající se peněz. Stejná odpověď může v dotazníku a v osobním rozhovoru znamenat něco jiného, protože při rozhovoru lépe vnímáte kontext. Pocity tedy z práce s daty jednoduše odstranit nelze.
Pokud jako HR ředitel dobře znám svou firmu a sleduji základní metriky, co dalšího mi data nabídnou?
Vidím tři důležité věci. První je ochota přijmout pohled zvenčí. Nemusíte se s ním ztotožnit, ale může vám ukázat něco, co jste dosud neviděl. Druhou věcí jsou slepé skvrny, které mají i velmi inteligentní a zkušení lidé. Mohou souviset s životní zkušeností, výchovou nebo emocemi. Zkušený analytik proto musí umět také „číst místnost“, pochopit, co od něj zadavatel skutečně očekává, a vnímat například i vnitřní politikaření v organizaci.
Třetí věc je, že nepřicházím do organizace jako někdo, kdo přináší jedinou nezpochybnitelnou pravdu. Vysvětluji to takto: Chcete přijmout rozhodnutí, u stolu sedí tři lidé a já k nim prostřednictvím dat přivádím čtvrtého. I ten má na věc svůj názor.
Mají data v HR nějaká specifika?
Mají jedno zásadní: jsou to data o lidech.
Co to v praxi znamená?
Především dvě věci. Tu první výstižně shrnuje známá myšlenka ze seriálu Dr. House: Lidé lžou. Nemá smysl se nad tím pohoršovat a říkat jim, aby s tím přestali. Důležitější je zkoumat, proč jejich odpovědi nejsou pravdivé nebo přesné. Někdy jde o vědomou lež, jindy o nevědomost. Při výuce studentů jsme například ukazovali, že zdánlivě jednoduchá otázka na výši příjmů může být zatížena řadou zkreslení. Jedno je kulturní: v Česku se o příjmech obecně nebavíme rádi. Další problém je, že lidé své příjmy někdy sami přesně neznají. Mohou zapomenout na výnos z pronájmu či jiný příjem. Nemusí v tom být žádný úmysl.
Druhé specifikum je ještě složitější: při zkoumání lidí nemáte laboratorní podmínky. V přírodních vědách můžete část proměnných odstínit a ostatní sledovat. Když ale chcete změřit individuální výkon člena týmu, nikdy jej úplně neoddělíte od působení ostatních lidí.
S jakými HR ukazateli začínáte na svých kurzech? Od čeho se odrazit?
Na začátku potřebuji základní informace o jednotlivých lidech a také o vztazích mezi nimi. K jejich zkoumání slouží například sociometrie. Představte si desetičlenný tým, kde máte oblíbenou „hvězdu“, kterou mají všichni rádi. Skutečný výkon týmu však může záviset na někom jiném, za kým ostatní chodí, když potřebují vyřešit problém. Někdo vás zkrátka může oslnit, a oslnění je určitý druh slepoty. Data vám pomohou tyto rozdíly odhalit.
Důležité je také dlouhodobé sledování. Organizace, které s daty dobře pracují, je systematicky sbírají a archivují. Nestačí udělat jednorázový výzkum a při dalším začínat znovu bez znalosti předchozích výsledků.
Dá se určit, po jaké době začnou být výsledky vypovídající? Po pěti, nebo deseti letech?
Záleží na tom, co měříte. U většiny otázek může dávat smysl sledování v řádu měsíců, roky jsou samozřejmě výhodou. Když přijmete nového zaměstnance, nemá smysl vyhodnocovat jeho situaci každý týden. Stejně tak ale nedává smysl udělat jedno měření na konci zkušební doby a o rok později předpokládat, že se nic nezměnilo.
Může být desetičlenný tým dostatečný pro vypovídající výsledky?
Vzorek používáte tehdy, když nemůžete zkoumat celou populaci. U desetičlenného týmu bych se snažil získat odpovědi od všech. Ve firmě s tisícovkou zaměstnanců je to už obtížné, proto musíte vzorek cíleně sestavit. Důležité je ale také sledovat, kdo se výzkumu nezúčastnil. Pokud například chybějí oba lidé, kteří v týmu zastávají klíčovou roli, může to výsledky výrazně zkreslit.
Tomu se říká analýza chybějících dat. Neúčast může být náhodná, ale také systematická. Někteří lidé dotazníky nevyplňují nebo výzkumu nedůvěřují kvůli předchozí zkušenosti. Musíte proto zjistit, zda za chybějícími odpověďmi není hlubší důvod, a při interpretaci výsledků s tím počítat.
S jakými tématy se na vás firmy nejčastěji obracejí? Co chtějí řešit?
Jedním z častých témat je spokojenost zaměstnanců. V jedné veřejné organizaci měli omezené možnosti finančního odměňování a rozhodovali se mezi třemi variantami benefitů. Nejdříve jsme udělali dotazníkové šetření a potom výsledky probrali se zaměstnanci. HR tým tak získal další informace. Dotazník vám často řekne, co si lidé myslí, ale ne proč. Osobní diskuse to může objasnit.
Přiznám i vlastní slepou skvrnu. Nikdy jsem úplně nechápal princip stravenek, raději bych dostal peníze. Když jsem při jednom šetření navrhl elektronické stravenky, zaměstnanec mi vysvětlil, že papírové rozděluje mezi své děti, aby si za ně mohly nakupovat. S elektronickou kartou to udělat nemůže. To mě vůbec nenapadlo. Právě tehdy jsem si uvědomil, jak mohou naše zkušenosti ovlivňovat pohled na věc.
Když ve firmách pracujete na podobných projektech, v čem podle vás často nemají jasno? Začněme úplně od základů.
Firmy dnes shromažďují velké množství dat, ale často nevědí, jaké informace z nich mohou získat, kdo je spravuje nebo kde se nacházejí. Dalším problémem bývají například odchody zaměstnanců ve zkušební době. V jedné organizaci téměř nevedli výstupní rozhovory, protože mezi odcházejícími zaměstnanci a lidmi, kteří je přijímali, panovala určitá vzájemná hořkost.
Když rozhovory začal vést někdo nezávislý, zaměstnanci byli otevřenější a firma získala nové informace. Z dat samotných by tento problém nemusel vyplynout. Dobrý analytik proto musí být také pozorným pozorovatelem a nesmí se na organizaci dívat jen prostřednictvím excelové tabulky.
Přejděme k tomu, jak HR komunikuje s vedením a majiteli firem. Jaký vztah mají HR data k výkonnosti?
Výkonnost je pochopitelně velmi žádaný ukazatel, ale způsob jejího měření se pravidelně stává předmětem kritiky. V poslední době se více zdůrazňuje, že je vhodné měřit výkon celých týmů, nejen jednotlivců. Chápu, že to nemusí odpovídat bezprostředním potřebám managementu. Máte například pět zaměstnanců a potřebujete snížit počet pracovních míst o dvě. Informace, že tým funguje dobře, vám sama o sobě nepomůže rozhodnout, koho si ponechat. Přesto je práce často kolektivnější, než si připouštíme.
Když z týmu odstraníte člověka s nízkým individuálně měřeným výkonem, může to mít nečekané důsledky. Možná ostatním pomáhal v situacích, které jste nesledovali. Všechno se změřit nedá. Navíc mezi kolegy existují neformální vztahy, které mohou ovlivňovat fungování týmu. Nemusí jít o nic mimořádného: někdo druhému pohlídá děti nebo mu půjčí auto.
Tady se už ale dostáváme od dat ke složení týmu. Dokážeme i takové vztahy z dat vyčíst?
Do určité míry ano, především pomocí sociometrie. Ta umožňuje zobrazit různé role v týmu: kdo je oblíbený, kdo stojí stranou, ke komu ostatní přicházejí pro radu. Nejzajímavější výsledky získáte při opakovaném měření.
Představte si projektový tým, který pracuje tři roky. Vztahy můžete sledovat každý půlrok nebo jednou za rok. Potom uvidíte jejich vývoj: kdo byl na začátku v centru dění a postupně ztratil vliv nebo kdo se naopak stal pro tým zásadní osobou.
Tři roky jsou ale v obchodních organizacích velmi dlouhá doba. Lze měření zkrátit, aby bylo prakticky využitelné?
Ano, pokud to dává smysl. Viděl jsem sociometrické měření s dvouměsíčním odstupem. Důležitý však nebyl samotný interval, ale skutečnost, že mezi oběma měřeními nastala významná událost.
Příkladem může být armáda, která má o fungování týmů poměrně podrobné informace. U vojenské mise můžete změřit stav na začátku a po jejím skončení sledovat, co se změnilo a zda jsou potřeba personální zásahy. Podobně ve firmě: zavádíte zásadní změnu a chcete porovnat situaci před ní a po ní. V takovém případě může mít i krátký odstup mezi měřeními velký význam.
Zmínili jsme dlouhé i krátké časové období. Kolik dat vlastně potřebujeme pro dobré rozhodnutí? Nehrozí, že se jimi zahltíme?
S pocitem zahlcení daty se setkávám velmi často. Firmy říkají: „Něco sbíráme a měříme, ale už ani pořádně nevíme co.“
Proč se to podle vás děje?
Některá data se sbírají automaticky nebo s malými náklady, ale nemusí být pro konkrétní rozhodnutí užitečná. Mezi analytiky se říká, že když budete data dostatečně dlouho mučit, řeknou vám, co chcete slyšet. Je to jako mít plný kufr nářadí, ve kterém ale chybí právě ten šroubovák, který potřebujete. Můžete zkusit použít kladivo, ale nemusí to fungovat.
Důležité je také přizpůsobit množství a kvalitu dat závažnosti rozhodnutí. U zásadních rozhodnutí potřebujete co nejúplnější informace, u méně závažných se můžete spokojit i s neúplnými daty, pokud víte, co vám chybí. Analytik musí zároveň respektovat časový tlak. Jeho úkolem je pomoci udělat co nejlepší rozhodnutí v dostupném čase, ne analyzovat problém tak dlouho, až rozhodnutí ztratí smysl. Svět nemůžete zastavit, abyste měli čas všechno dokonale prozkoumat.
Přesuňme se k legislativě. Je podzim roku 2026 a firmy řeší evropskou směrnici o transparentnosti a rovnosti odměňování. V mnoha organizacích to vyvolává nejistotu. Setkáváte se s tímto tématem také? Souvisí přece i s měřením výkonnosti.
Souvisí a nejistotu považuji za pochopitelnou. Zaprvé zde působí kulturní prostředí. V Česku nejsme zvyklí otevřeně mluvit o mzdách. Říká se, že pokud chcete zkazit vánoční večírek, zeptejte se lidí, koho volí, zda věří v Boha a kolik vydělávají. V jiných kulturách může mít podobná debata mnohem menší emocionální náboj.
Druhá věc je podle mě nedostatečná komunikace změn. Zákonodárci a instituce, které je zavádějí, mohli mnohem lépe vysvětlovat, co budou znamenat.
V čem konkrétně?
Panuje velký strach z neznáma. Někteří zaměstnanci si například představují, že všichni ve firmě dostanou do e-mailu výplatní pásky ostatních. S podobnou představou jsem se skutečně setkal. Nechci zde politicky hodnotit samotné rozhodnutí. Z analytického hlediska ale vidím velkou nejistotu. Někteří lidé se bojí katastrofických důsledků, jiní naopak očekávají výrazné zvýšení výdělku. V přípravě na rozhovor jsem si procházel zkušenosti ze zemí, kde už podobná opatření fungují. Podle mého vyhodnocení jsou zaznamenané dopady na odměňování spíše malé, přibližně v řádu jednoho až dvou procent. Záleží samozřejmě na tom, koho se změna týká.
Nejde tedy o skokové změny. Podle těchto zkušeností ne. Je také důležité připomenout, že na podzim 2026 ještě není definitivně jasná česká podoba pravidel. Zkušenost s naším zákonodárným procesem nás učí, že konečná úprava se může od dnešních představ podstatně lišit.
Firmy ale čeká přinejmenším administrativa. Jaký dopad podle vás bude mít?
Není reálné očekávat, že se obejde zcela bez administrativní zátěže. Jak velká bude, se často ukáže teprve ve chvíli, kdy se pravidla začnou skutečně uplatňovat a vymáhat. Osobně mám také pochybnosti o jejich praktické vymahatelnosti.
Jak mohou HR oddělením pomoci data? Co by měly firmy začít připravovat, aby případné dopady zvládly?
Firmám bych doporučil udělat si už nyní pořádek v datech o odměňování. Ani zdánlivě jednoduchý údaj o výdělku nemusí být jednoznačný. Budou se započítávat roční bonusy, nebo jen mzdový tarif? Řada detailů zatím není jasná. Nové povinnosti ale mohou firmy využít k tomu, aby si sjednotily evidenci a získaly lepší podklady pro vlastní rozhodování.
Jak říká jeden z mých oblíbených výroků, svoboda je poznaná nutnost. Podobnou zkušenost mám se zaváděním GDPR v roce 2018. Pracoval jsem tehdy v managementu velké organizace, kde panovaly značné obavy. Nakonec se ukázalo, že některé byly přehnané. GDPR nám ale zároveň pomohlo udělat pořádek v oblastech, které jsme předtím zanedbávali. Podobně mohou firmy využít i nová pravidla transparentního odměňování.
Bavíme se o datech, která na první pohled mohou vypadat jako jednoduchá excelová tabulka. Dnes ale máme umělou inteligenci. Co vám osobně přinesla, v dobrém i ve zlém?
Dívám se především na přínosy AI, ale vidím dvě rizika. Prvním je ochrana dat. Znepokojuje mě, když firmy začnou AI překotně používat, ale nevědí, co se děje s informacemi, které do ní vkládají. Druhým problémem jsou znalosti. Před pětadvaceti lety jste i pro jednoduché analýzy potřebovali umět programovat. Dnes je zvládne AI, ale zadávat je musí někdo, kdo ví, co chce zjistit a proč.
AI vám spočítá prakticky všechno, co jí zadáte, i když to nemusí dávat smysl. Bez kritického odstupu tak můžete dojít k zavádějícím závěrům. Myslím, že nás čeká období experimentování, kdy některé organizace udělají chyby a zjistí, že analytika stále potřebují, třeba jen ke kontrole zadání. Přesto vnímám vývoj pozitivně, protože AI může lidem pomáhat lépe se rozhodovat v práci i osobním životě.
Dalším velkým tématem HR je rozvoj a vzdělávání. Na jedné konferenci jsem slyšel, že kdo dokáže skutečně změřit dopad vzdělávání, zasloužil by si Nobelovu cenu. Souhlasíte?
Do velké míry ano. Vzdělávání má široké a dlouhodobé dopady. Nejdřív bychom si však měli říct, co vlastně vzděláváním myslíme. Mám rád starou myšlenku, že vzdělání je jednou z nejlepších obran proti strachu. V organizacích vzniká mnoho chybných rozhodnutí právě ze strachu. Když se například začne něco nového měřit, zaměstnanci mohou propadnout panice a začít se soustředit pouze na sledovanou metriku. Chcete-li rychlost a nesledujete kvalitu, dostanete rychlost, ale kvalita tím může utrpět.
U firemního vzdělávání se také setkávám s tím, že zadavatelé nemají úplně jasnou představu, co si kupují. Pokud chcete zavádět AI a objednáte školení, krátkodobý efekt měřit lze. Můžete sledovat čas potřebný ke zpracování určitých úkolů nebo chybovost. Mnohem hůře se však měří dlouhodobý dopad. Ne všichni zaměstnanci dosáhnou okamžitého zlepšení a AI nepomůže u všech úkolů stejně. Firma si ale postupně může budovat znalosti, zkušenosti a technologické zázemí, které jí přinesou výsledky až později.
Co měřit ve vzdělávání, aby byly investice obhajitelné před finančním ředitelem?
Měřil bych především zlepšení pracovních výsledků, například chybovost. Každá chyba může způsobit další náklady a komplikace. Pokud vzdělávání pomůže zaměstnancům dělat méně chyb, je to dobrý výsledek, který lze poměrně rychle změřit. Druhou věcí je firemní kultura. Organizace, které dlouhodobě podporují vzdělávání, se dokážou lépe přizpůsobovat změnám.
Příkladem je nástup AI. Firmy, jejichž zaměstnanci jsou zvyklí se průběžně učit, mají výhodu oproti těm, které začínají vzdělávání řešit až pod tlakem konkurence. Učení dospělých je totiž také otázkou návyku. Pokud tento návyk chybí, ani osmihodinové školení nemusí nic změnit. Samotné používání AI je přitom formou průběžného učení.
Jak předkládat HR data finančním ředitelům a vedení? Máte příklad dobré či špatné praxe?
Zajímavý příklad představuje společnost Klarna, která působí ve finančních technologiích. Umělou inteligenci při obsluze zákazníků zavedla velmi rychle a sledovala její efektivitu. Naměřila výrazné zkrácení doby vyřízení zákaznického požadavku, zhruba z jedenácti na dvě minuty. Co ale podle mé interpretace zpočátku dostatečně nezohlednila, byl dopad na vnímání značky. Zákazníci tehdy ještě nemuseli mít důvěru v to, že jejich problém dobře vyřeší automatizovaný systém. Sice dostali rychlou odpověď, ale nemuseli mít pocit, že se jejich situací skutečně někdo zabýval.
Firma tak vedle technické efektivity musela řešit i zákaznickou zkušenost. To ukazuje, že když změříte jen jednu veličinu, můžete přehlédnout jinou, která je pro podnikání stejně důležitá. Zároveň se ale mění zvyklosti. Pro naše děti už může být banka především aplikací v mobilním telefonu a osobní návštěvu pobočky nemusejí nikdy potřebovat.
Jak se díváte na výrok, že věřit lze jen statistikám, které si člověk sám zfalšuje?
Skutečně zfalšovaných dat podle mě není tolik. Větším problémem je jejich účelová interpretace, kdy v nich hledáme potvrzení vlastních názorů. Říká se tomu konfirmační zkreslení. Čím pokročilejší analytické nástroje máme, tím snazší je získat výsledek, který chceme. Proto by člověk neměl data interpretovat úplně sám. Někdo jiný může odhalit jeho slepé skvrny.
Představte si hodnocení, kde devadesát procent ukazatelů dopadne dobře a jediný špatně. Někdo propadne panice, jiný si zachová odstup a nejprve zváží, zda je vůbec potřeba něco měnit. Největší riziko tedy často není ve falšování dat, ale v tom, co v nich lidé chtějí vidět.
Jak jste se společností 1. VOX připravovali kurz Data v HR a na co se zaměřuje?
Kurz vznikal a průběžně se upravuje na základě zpětné vazby od lidí z praxe. Nesnažím se jeho obsah vytvářet pouze od stolu. Chci znát skutečné úkoly, které HR pracovníci řeší. Rádi používáme dílenský způsob práce: účastníci mohou předem přinést konkrétní problém a my se mu pak společně věnujeme. Výuka je tedy úzce propojena s praxí.
Zároveň počítáme i s lidmi, kteří mají s datovou analýzou jen malé zkušenosti. Než jim ukážu složité vyhodnocování dotazníkových šetření, vysvětlím jim základní principy: co lze měřit, co nikoliv a jakým chybám je dobré se vyhnout.
S jakými vstupními znalostmi tedy mohou účastníci přijít?
Snažím se jejich znalosti zjistit předem, abych výuku mohl přizpůsobit. Nechci, aby někdo seděl na školení a poslouchal složité úvahy o statistických chybách, když se se statistikou naposledy setkal před dvaceti lety na gymnáziu. Máme proto i kurzy pro úplné začátečníky. Žijeme v době dat a někdy je důležitější umět je správně spravovat a uchovávat než provádět složité analýzy. Technická náročnost analýz totiž díky AI klesá. Pokud však máte neúplná nebo chybně uspořádaná data, AI vám problém sama nevyřeší.
Nemusíte mít doktorát ze statistiky, abyste se například podívali na mzdová data a zjistili, zda vám v nich systematicky nechybějí určité údaje nebo zda způsob sběru nevytváří zkreslení. Právě podobné základní dovednosti chceme účastníkům předávat.
Až si posluchači příště otevřou HR report pro vedení, jak by se na data měli podívat jinak?
Nejprve bych si položil otázku, proč report připravujeme a co od něj vedení očekává. Někdy firmy předkládají stále stejné ukazatele jen ze zvyku, přestože se k nim nikdo nevyjadřuje. Pokud data sbíráme, ale nikdo s nimi nepracuje, plýtváme časem a penězi.
Důležitý je také způsob prezentace. Někde nejlépe funguje excelová tabulka, jinde zajímavější vizualizace, která nabídne jiný pohled na problém a podpoří diskusi. Díky AI máme stále více možností. Pokud ale nad daty neprobíhá žádná komunikace, měli bychom se ptát, proč je vlastně shromažďujeme.