Indica un intervallo di date:
  • Dal Al
©credits

#SOCIALHR: I TRENDS PIU’ INNOVATIVI DEL 2015. 2. USARE I BIG DATA PER INDIVIDUARE I TALENTI

Una definizione di Big Data

Il fenomeno dei Big Data sta impattando in maniera assai rilevante sulle imprese e sulla funzione HR in particolare. Nel post Le #SocialHR nel labirinto dei Big Data, partivamo da questa definizione: “La crescita delle fonti informative disponibili e della relativa mole di dati prodotti, affiancata dalla disponibilità di tecnologia di elaborazione e storage più potente e accessibile a minor costo, ha portato nel corso degli ultimi anni nelle grandi imprese a livello internazionale la consapevolezza di dover raccogliere e analizzare efficacemente le enormi moli di dati sia strutturati che destrutturati, creati dai propri sistemi informativi aziendali e disponibili da altre fonti esterne. I Big Data sono il risultato della collezione di tali informazioni e sono caratterizzati da proprietà quali volume, velocità e varietà: la quantità di dati è tale da rendere inefficiente il ricorso a database tradizionali e richiedere l’utilizzo di sistemi di memorizzazione scalabili; sono elevate la frequenza di aggiornamento del dato e la rapidità con cui il dato è memorizzato, storicizzato ed elaborato; le fonti sono tra loro estremamente eterogenee per origine, contenuto e rappresentazione”.

“In particolare”,  si legge poco dopo, “è possibile classificare gli strumenti di Analytics in due principali categorie di sistemi di BDA & BI:

Performance Management & Basic Analytics, l’insieme di strumenti di Descriptive Analytics che permettono di accedere ai dati secondo viste logiche, flessibili e dinamiche e di visualizzare in modo sintetico e grafico i principali indicatori di prestazione. Si tratta di un’analisi passiva, che mira a rappresentare in modo tempestivo i dati mediante funzionalità di query e reporting, limitandosi a offrire una vista logica dell’esistente;

Advanced Analytics, l’insieme di strumenti avanzati che consentono di gestire con efficacia processi decisionali di elevata complessità attraverso l’utilizzo di metodologie evolute di prescriptive e predictive analysis, come modelli e metodi matematici di forecasting, statistica, data mining e ottimizzazione, consentendo di determinare trend e prevedere il valore futuro di variabili numeriche e categoriche”.

Netnografia e Analytics

Sul tema degli Analytics particolarmente innovativa appare  la proposta di Swoop. La società  sviluppa quelle tecniche di ricerca netnografica che rappresentano un’opportunità senza precedenti di effettuare ricerca online e scoprire business insight, investigando gli aspetti più qualitativi e di valore delle comunità online e dei social network interni ed esterni.

SWOOP_Enterprise

Osservare le culture e le comunità online in maniera non intrusiva fornisce una comprensione profonda delle esperienze e dei bisogni degli individui e dei gruppi. Questo perchè il ricercatore si immerge in dinamiche relazionali, analizzando testi e temi di interesse, e ricostruendo atteggiamenti e valori degli stakeholder interni ed esterni.

La ricerca netnografica può così aiutare lo sviluppo dell’azienda tradizionale in     Social Organization:

  • identificando e mappando gli influencer delle decisioni
  • ricostruendo la rete delle comunità di riferimento
  • qualificando i valori portanti dei gruppi e delle community.

In questo quadro è interessante l’indicazione offerta da Nicoletta Vittadini che, nel volume a cura di Giovanni Boccia Artieri  Gli effetti sociali del web    (Franco Angeli), evidenzia due prospettive di osservazione relative alle reti sociali mediate dalle tecnologie digitali, la distinzione tra mappare e tracciare. Sul versante del “mappare” troviamo quegli approcci che prediligono una visione macro sulle reti, tesi a cogliere i flussi comunicativi, la mainstreamizzazione del privato, le flickering connectivities – strutture sociali in senso ampio – e il senso più generalmente condiviso. I metodi del data mining e della ricerca computazionale riescono in tal senso a restituire una cartografia dall’alto utile a restituire la dimensione emergente del senso. Il “tracciare” racchiude invece quelle prospettive di analisi che indagano le esperienze individuali e dei gruppi come vissuti che attraversano le piattaforme, come pratiche e produzioni culturali, nel loro dispiegarsi come conversazioni e nella co-creazione di valori. Ci troviamo qui di fronte ad uno sguardo dal basso, ad altezza d’uomo, che predilige i metodi della ricerca qualitativa etnografica, la tecnografia e la netnography, particolarmente interessante per chi si occupa di Risorse Umane.

Benissimo. Ma quali sono concretamente le implicazioni operative per i Direttori HR? Per uscire dal dedalo di definizioni teoriche e descrizioni di modelli, proviamo ad esaminare qualche caso concreto.

Conoscere il mercato del lavoro

In primo luogo, un adeguato utilizzo dei Big Data consente di conoscere più approfonditamente le dinamiche del mercato del lavoro. Vediamo ad esempio quanto emerge dall’analisi dei big data di Face4Job che, grazie allo sviluppo di uno speciale algoritmo, riesce a mappare e classificare gli annunci di lavoro e le vacancies direttamente pubblicati nei siti web ufficiali delle aziende di tutto il mondo.

Il database di Face4Job conta centinaia di migliaia di annunci di lavoro, una grande quantità di dati da cui è partita la ricerca per definire quali sono i settori che offrono maggiori opportunità professionali. E in cima alla classifica non poteva che esserci l’Information Technology con oltre il 26,72% di offerte di lavoro attualmente disponibili sul mercato. A seguire, distanziato di oltre 10 punti percentuali, il settore Commerciale per la vendita di beni e servizi che copre il 14,09% delle offerte di lavoro. A completare il podio, sul terzo gradino si posiziona la Libera Professione, con una richiesta di occupazione pari al12,05% del totale del mercato.

Di seguito l’intera classifica con i 18 settori professionali che attualmente stanno creando maggiori opportunità per il mercato del lavoro in Italia:

  1. Technology/Information Technology (26.72% sul totale delle offerte di mercato)
  2. Commerciale & Vendite (14.09%)
  3. Consulenza & Libera Professione (12.05%)
  4. Neolaureati in Diritto, Economia, Ingegneria, Indirizzi Tecnici (9.92%)
  5. Engineering & Manufacturing (7.03%)
  6. Retail (6.90%)
  7. Marketing & Comunicazione (4.28%)
  8. Sanità & Life Sciences (4.19%)
  9. Finance & Controlling (2.73%)
  10. Neodiplomati (2.19%)
  11. Digital & Social Media (2.13%)
  12. Risorse Umane (1.81%)
  13. Turismo e Ristorazione (1.67%)
  14. Acquisti & Logistica (1.42%)
  15. Banking & Insurance (1.32%)
  16. Legal (0.95%)
  17. Property & Construction (0.51%)
  18. Top Management (0.09%)

Una classifica che evidenzia come sia sempre più marcata la richiesta di una profonda specializzazione delle competenze per cogliere le opportunità del mercato. Emerge anche un dato molto importante, svelato proprio dal dna di Face4Job che si concentra esclusivamente sulla mappatura degli annunci online: ci sono settori come il Turismo e la Ristorazione che, data la stagionalità del business, dovrebbero in questo periodo avere dei volumi di offerte molto maggiori rispetto a quelli evidenziati dalla classifica. Questo dato in realtà dimostra come il Turismo utilizzi poco il web come piattaforma per segnalare le nuove opportunità professionali e per questo ha minor visibilità in un periodo dell’anno che invece dovrebbe posizionarlo in testa tra le divisioni più calde in termini di opportunità di lavoro offerte, evidenziando quindi una difficoltà a comunicare le opportunità di lavoro tramite i canali online più in linea per la ricerca di personale qualificato.

Social recruitment

Ma, grazie ai Big Data, la funzione HR non solo può conoscere meglio le dinamiche del mercato del lavoro in generale: come ha osservato Jeanne Meister su Forbes, ha soprattutto l’opportunità di diventare più analitica e strategica nell’acquisizione dei candidati.

Rispetto ai canonici processi burocratizzati, si possono ottenere maggiori e più interessati informazioni su potenziali candidati attraverso i loro diversi profili di social media, i database di curriculum on line, le applicazioni dedicate al recruitment, i test online e persino sfidandoli con giochi o concorsi, come Google Code Jam,  concorso per sviluppatori di software on-line globale che attira oltre 7.500 persone ogni anno.

Società  focalizzate sulla ricerca dei talenti come Entelo, Gild, TalentBin, o thesocialCV non si limitano ad analizzare i profili social presenti su Linkedin, i feeds generati su Twitter o i post pubblicati su  Facebook, ma ne osservano i comportamenti sui siti dedicati a professionalità specifiche, come i forum della community open-source StackOverflow e GitHub (per gli sviluppatori) Proformative (per gli accountants), e Dribbble (per i designers.)

Si tratta di un approccio completamente rivoluzionario, che basa la valutazione dei candidati non tanto su quanto essi raccontano di loro stessi nei cv o nel corso di una intervista, ma sulla base di quanto effettivamente realizzano con il decisivo contributo dei giudizi espressi dai loro peers.

In particolare, lavorare sull’intersezione fra Big Data e Recruiting è utile per individuare i talenti più difficili da reperire.  Gild ad esempio verifica il comportamento dei candidati per posizioni di programmatori rispetto ad item quali: i codici pubblicati dal candidato in rete quanto sono apprezzati dalla community? Quanto sono riutilizzati? Quale è lo stile di comunicazione adottato dal candidato nel comunicare le proprie idee agli altri?  Gild, fra le altre cose, per rispondere a queste domanda esamina i punteggi ottenuti dai candidati, che sono di pubblico dominio, disponibili in siti specialistici come  Google Code, GitHub e Bitbucket.

Da un punto di vista più generale, scrive la sopra ricordata Nicoletta Vittadini, “gli oggetti sociologici di questo tipo di ricerca sono il “mainstream di informazioni (private) che vengono postate in uno spazio pubblico” (Beer, Burrows 2007, p. 8) e le “flickering con- nectivities” che si sviluppano online. In un contesto in cui, sottolineano sempre gli autori, “gli utenti partecipano alla generazione o alla produzione del contenuto che costruisce l’archivio delle loro vite quotidiane” (ibidem) e spesso lo lasciano accessibile al pubblico.

Diventano allora mappabili le forme in cui l’espressività online, i vasti archivi sulle vite quotidiane dei soggetti, si costituiscono come forma di progressiva codificazione dell’habitus e quindi le ricerche diventano uno strumento per individuare modelli di habitus in relazione ai consumi ad esempio, ma anche a visioni, opinioni correlabili a variabili socio- demografiche come collocazioni geografiche, lavoro, educazione ecc. (Burrows, Gane 2006). Diventano anche mappabili le “flickering connectivities” o meglio le strutture relazionali che si sviluppano online che nel contesto statunitense sono definite in modo più ampio “strutture sociali”. Si apre, in questo secondo caso un filone di ricerca in grado di “analizzare e costruire teorie su ampi sistemi sociali utilizzando il loro riflettersi in massive dataset” (Kleinberg 2008).

L’obiettivo è quello di arrivare ad osservare la struttura di modelli sociali che si sviluppano online e che sarebbero poco visibili in scala più ridotta, anche se a discapito della capacità di cogliere la significatività del singolo legame. Le potenzialità di questa forma di analisi si esprimono al meglio nelle mappature sincroniche delle strutture di relazioni, nell’illustrazione delle fasi evolutive delle reti sociali o nell’individuazione dei nodi “cataliz- zatori di discussioni”. In esse i soggetti/nodi sono descrivibili a partire da tratti identitari desumibili dal loro statuto formale (privati, rappresentanti di imprese commerciali, operatori del newsmaking), dai comportamenti comunicativi che li caratterizzano (propongono news o commenti, sono i primi a rilanciare nel network un nuovo topic o meno), dai topic che li connotano (gossip, news, family life) (Wu, Hofman, Mason, Watts 2011)”.

Talent Scouting interno

Ma i talenti spesso sono nascosti anche all’interno dell’azienda: il problema è quello di individuarli prima possibile per poterli valorizzare al meglio. A questo fine una metodologia ormai largamente usata è quella dell’Organizational Network Analisys.

Come leggiamo sul sito di OpenKnowledge, “l’analisi delle reti organizzative informali permette a un’organizzazione di rappresentare e analizzare le connessioni e le interazioni reali presenti all’interno di un’azienda. E’ attraverso queste connessioni informali che viaggiano le informazioni, il problem-solving, il supporto operativo, l’efficacia, l’energia e le idee.

L’Organizational Network Analysis visualizza e interpreta le caratteristiche delle reti (tipo, densità, forza, cluster, etc.), la tipologia di relazioni (natura e quantità) e l’identità online degli attori (broker, hub, bridges, etc.) per aprire nuove prospettive su differenti dimensioni.

L’Organizational Network Analysis permette di identificare e interpretare le relazioni e gli scambi di valore nei processi organizzativi e di business, fornendo ad esempio indicazioni per introdurre le tecnologie emergenti in modo adeguato al contesto o individuare i talenti su alcuni temi chiave quali l’innovazione.

Questa analisi viene svolta attraverso varie fasi di attività: l’individuazione dei processi esistenti tramite workshop, la mappatura dei flussi informali tramite survey, workshop di sense making e un action plan per orientare l’organizzazione a cogliere le opportunità offerte dai network informali”.

Nel caso specifico del Talent Scouting è indispensabile individuare i knowledge owner (ovvero coloro che hanno le conoscenze/esperienze su processi core, prodotti e servizi, territori e aree di business) e i gatekeeper (coloro che hanno la capacità di connettere singoli individui, gruppi e aree aziendali).

Più specificamente, conoscere chi sono effettivamente  i process owner e i gatekeeper aiuta a rispondere ad almeno tre esigenze:

·      individuare i punti di riferimento (community manager) per la creazione di comunità di pratica interne

·      valorizzare gli esperti da coinvolgere più direttamente nei sistemi di social customer care

·      coinvolgere le persone più autorevoli nei processi di diffusione della conoscenza e di comunicazione interna ad esempio tramite la costituzione di una redazione di blogger aziendali.

Si è osservato in molti contesti come queste attività scatenino l’emersione dal basso di contributi (informazioni, tecniche, esperienze, eccetera) che rimarrebbero altrimenti un patrimonio meramente individuale.

L’ Organizational Network Analysis – ONA è appunto il modo migliore per mappare in modo veloce, puntuale e condiviso knowledge owner e gatekeeper, proprio perchè si tratta di una metodologia rapida e non invasiva, che consente di visualizzare le reti di relazioni informali esistenti nell’ambito di un’organizzazione e di rappresentare e valutare i flussi informativi e collaborativi reali all’interno dell’impresa.

organizational-xray-two-ona-case-studies-in-the-italian-public-sector-15-728

La rappresentazione di questi legami informali – asset sempre più rilevanti e di grande impatto sulle performance aziendali – permette di visualizzare elementi altrimenti non identificabili, a partire da due livelli di indagine:

·      per rappresentare i network della conoscenza, della collaborazione, del problem solving, dei flussi di knowledge, dell’innovazione, ecc.

·      per identificare gli attori che giocano ruoli chiave nei processi organizzativi e identificare le “competenze sociali” dei componenti di ogni rete, a supporto ed integrazione dei tradizionali processi di valutazione.

La case history di KENT 

Una case history interessante realizzata da noi di OpenKnowledge è quella di KENT. Nella pubblica amministrazione britannica è in atto da tempo un processo di alleanza tra le municipalità centrali, le amministrazioni locali e le agenzie non governative per offrire migliori servizi ai cittadini (le cosiddette Local Strategic Partnerships). In alcuni ambiti questa auspicata collaborazione risulta piuttosto complessa poiché il governo locale è diviso in due aree di competenza: il County Council che ha responsabilità sull’educazione e sui servizi sociali e il District Council che controlla la gestione delle case popolari, dei servizi di gestione del suolo pubblico, della raccolta dei rifiuti… . Il Kent County Council rappresenta la municipalità centrale che aggrega 12 municipalità locali con una popolazione di circa 1 milione e 700 mila abitanti e un budget annuo che supera i 2 miliardi di sterline. La Local Strategic Partnerships coinvolge, oltre alle pubbliche amministrazioni locali, numerose agenzie territoriali non profit. La municipalità centrale mantiene comunque la responsabilità di coordinare e definire gli accordi per erogare i servizi al cittadino e coordinare le iniziative presenti sul territorio. Le partnership sono siglate su base triennale ed è compito della municipalità centrale monitorare la qualità dei servizi erogati dagli enti locali.

Per cercare di migliorare il livello di erogazione dei servizi il County Council della contea di Kent ha deciso di ricorrere alla Social Network Analysis. La Social Network Analysis ha rappresentato il primo passo di un’iniziativa di ri-progettazione dei servizi al cittadino attraverso una metodologia che pone l’utente come protagonista della definizione del servizio stesso.

OpenKnowledge ha mappato le reti informali e messo in evidenza il ruolo che ogni soggetto aveva nei processi di collaborazione e di generazione del valore, mettendo in luce legami forti e legami deboli, individuando i nodi chiave e i nodi isolati del network. Sono stati inviati 350 questionari per definire lo scopo della relazione con le altre strutture di competenza. Il questionario raccoglieva informazioni sulle persone (ruolo, organizzazione, sede, attività della divisione, interessi dell’organizzazione…), sulle relazioni (chi fornisce supporto, chi informazioni, chi è particolarmente utile in situazioni critiche) e sui soggetti a cui i rispondenti avrebbero voluto rivolgersi per raggiungere al meglio gli obiettivi del loro lavoro.

Sulla base di questi dati sono state elaborate circa 100 mappe che visualizzano le differenti aggregazioni di persone e consentono di avere indicazioni chiare su come migliorare la collaborazione e finalizzare interventi per migliorare l’erogazione dei servizi.

Il caso del Kent County Council è fra l’altro un esempio di come in determinati contesti la Social Network Analysis possa essere impiegata anche nel settore pubblico. L’analisi ha permesso di effettuare delle comparazioni che consentono di valutare il livello di fluidità e di efficienza nella distribuzione delle informazioni di un’organizzazione consentendo di muoversi in modo puntuale e preciso per l’ottimizzazione e il miglioramento dell’efficienza dell’intera struttura.

2. continua