Big Data en HR. Kansen en valkuilen volgens statistiek goeroe Nate Silver. Liveblog HCSummit #6

Ook hier op de Human Capital Summit in Orlando is Big Data een van de buzz-words. Big data om als HR je meerwaarde te laten zien (blijkbaar een universeel thema), om voorspellingen te doen, om je managers te overtuigen. Big Data om houvast het hebben in turbulente, onzekere, complexe en dubbelzinnige tijden, het thema van deze conferentie.

We hebben natuurlijk ook meer data dan ooit. Maar ja: er zijn drie soorten leugens: leugens, grove leugens, en statistieken, leerde Benjamin Disraeli ons ooit al. Hoe vertaal je al die data tot betrouwbare cijfers waar je ook wat aan hebt? Als iemand daar met gezag iets over kan zeggen, dan is het wel Nate Silver. Wanneer je de afgelopen verkiezingen in de VS een beetje hebt gevolgd dan is Nate Silver geen onbekende. In een land waarin zelfs de opiniepeilingen politiek georiënteerd zijn, was Nate veel beter – en dus objectiever – dan welke opiniepeiler  ook in het voorspellen van uitslagen van die verkiezingen. Zijn blog fivethirtyeight.com is nu onderdeel van de NY Times.

Kracht van data voor HR

Mensen maken het verschil. Dat behoeft geen betoog. Beslissingen rond HR, recruitment, beloning, opleiding, ze worden toch nog steeds veelal gemaakt zonder de cijfermatige onderbouwing zoals dat bijvoorbeeld wel bij IT-beslissingen gebeurt.

De waarde van data voor HR kwam de aflopen dagen wel terug in bijna alle presentaties die ik bijwoonde. Van het nieuwe workforceplanning-programma bij Boeing, tot het recruitment en retentie beleid bij Zynga. Van de inhuur/MPS bij Walt Disney tot het leiderschapsprogramma bij Facebook. Overal ging het om (big) data.

Welke universiteiten leveren de meest succesvolle kandidaten op voor je bedrijf; welke online kanalen voor kandidaten werken echt, vooral ook kwalitatief; welke vacatures hebben de meeste prioriteit; welk type leiderschap werkt het best. Al waren er zeker ook tegengeluiden (‘recruitment is an art, not a science’ stelde het hoofd recruitment van Pepsico), Nate Silver was niet voor niets uitgenodigd om zijn visie te geven over hoe gebruik te maken van ‘Big Data’.

Gevaar 1: zien wat je wilt zien

Silver liet om te beginnen ook zien wat er mis kan gaan. We leven in een waar de hoeveelheid zo groot is en zo hard groeit dat het nauwelijks te bevatten is. Al die data bieden grote mogelijkheden om informatie te vergaren. Er schuilen ook gevaren. Een van de leerpunten uit de verkiezingen is dat in situaties dat er veel informatie is, de neiging ontstaat om juist die informatie te gebruiken die past bij de eigen voorkeur.
Silver stelt dat we in het verkrijgen en verspreiden van data een enorme vooruitgang geboekt hebben. Onze hersenen, onze instincten zijn nog grotendeels hetzelfde als die van onze voorouders in het stenen tijdperk. We zijn nog niet in staat om vanuit een ‘gevoel’ data te interpreteren of patronen te herkennen. Al denken we van wel. Aan de pokertafel en op de beurs overschatten we elkaar permanent.

We zijn al helemaal niet goed in staat om waardevolle data te onderscheiden van verkeerde data. En naast dat er een boel waardevolle data is, is er ook heel veel data die niet juist is. Dat verstoort een goede interpretative van cijfers. Ruis, noemt Silver dat.
De enige manier voor Silver om alle data om te zetten naar waardevolle, betrouwbare cijfers, is om dat professioneel en met kennis van zaken te doen.

Gevaar 2: Big Brother

Nate Silver is vanzelfsprekend enthousiast over Big Data. Een tweede gevaar benoemde hij niet, ik moest tijdens zijn presentatie wel even terug denken aan een anekdote die eerder in de week verteld werd. Zo’n beetje elke winkelketen heeft hier zijn eigen loyaliteit programma. Dus hebben ze ook heel veel data over hun klanten. Een Amerikaanse drogisterij keten (Target) wilde vrouwen babyproducten aanbieden, lang voordat bekend was dat ze een kind hadden gekregen. Een marketeer kreeg de opdracht om op basis van het koopgedrag vrouwen uit te filteren die vroeg in hun zwangerschap zaten. Zo gezegd zo gedaan. De keten startte op basis daarvan met het rond sturen van aanbiedingen. Totdat een boze vader opbelde naar een lokale filiaalhouder. Hoe ze het in hun hoofd haalde zijn dochter van zestien aanbieding voor babyproducten toe te sturen. De filiaalhouder schrok en ging op onderzoek uit bij het hoofdkantoor. Twee weken later belde hij de vader terug om zijn verontschuldigen aan te bieden. Om vervolgens te horen dat de vader vond dat hij zich moest verontschuldigen. Ze dochter was inderdaad zwanger. De drogisterij-keten wist het eerder dan hij.
Een analogie daar de mogelijkheden rond HR data is snel gemaakt. Waar liggen echter de grenzen? Ik heb het al eens eerder geschreven, het wordt tijd dat iemand Orwell’s klassieker 1984 gaat herschrijven.

Hoe big data om te zetten naar voorspellingen

Terug naar Nate Silver. Hij heeft een paar tips hoe vanuit data ook voorspellingen gedaan kunnen worden. Voorspellingen die ook uitkomen.

• Werk met ‘waarschijnlijkheid’. Een belangrijker manier om er voor te zorgen dat je cijfers serieus genomen worden is niet te werken met een exact getal, maar met een spreiding. Naar mate je meer ervaring opbouwt, wordt die spreiding kleiner. Het zorgt er op zijn minst voor dat je niet gelijk wordt ‘afgeschoten’ wanneer een eerste voorspelling niet helemaal juist is.
• Weet waar je vandaan komt. Sluit bij de manier waarop data gebruikt wordt aan bij de cultuur van de organisatie. Anders vallen cijfers dood. Een mooi voorbeeld is het HR analytics programma Oxyen bij Google, zoals ik ooit eerder zag in een presentatie. Nu zijn ze bij Google niet bang voor cijfers en analyse. Toen er interne data (externe data wordt in de Google cultuur niet vertrouwd) werd verzameld om te komen tot beter people management, was de weerstand niet tegen de cijfers. De techneuten moest eerst overtuigd worden dat people management überhaupt zin heeft. Het HR analytics maakte hard welk type leiderschap bij Google effectief is en welk niet. Van daaruit werd het MD programma ontwikkeld.
• Uitproberen, en fouten maken. De 80/20 regel geldt ook hier. Met beperkte inspanningen is al veel te bereiken. Van daaruit is het verbouwen, fouten maken, leren. Over de angst voor cijfers (speelt zeker bij HR…) heen stappen. Het is gewoon een andere taal.

(alle blogs over de Human Capital Summit zijn te vinden via deze link).