Etene näin työkyvyn tiedolla johtamisessa
Tiedolla johtaminen edellyttää tiedon hallintaa ja johtamista, joka sisältää datan keräämisen, käsittelyn, jäsentämisen ja analytiikan. Kaikki perustuu laadukkaaseen dataan – myös työkyvyn tiedolla johtamisessa.
Laadukas data on työkykytiedolla johtamisen perusta
Laadukas data työkyvystä ja siihen vaikuttavista tekijöistä on työkykyjohtamisen perusta. Jos mahdollista, työkykyyn liittyvä datan tulee olla saatavilla työntekijäkohtaisesti, vaikka kehittämiskohteena olisivat työprosessit. Esimerkiksi työaikakirjanpidon on hyvä kohdistua yksittäiseen työntekijään eikä vain tiimiin. Terveystietojen käsittelyä työntekijäkohtaisesti rajaavat kuitenkin tiukasti tietosuoja- ja työelämän sääntely.
Yksityiskohtaisesta datasta voidaan muodostaa monenlaisia ryhmätason tarkasteluja, mikä parantaa analyysin tarkkuutta ja vähentää virheiden mahdollisuutta. Mitä laadukkaampaa ja tarkempaa lähtödata on, sitä paremmat edellytykset on tehdä täsmällisiä analyyseja.
Kaikkea tietoa ei voi kerätä ja tallentaa
Muista, että mitä tahansa tietoa työntekijöistä ei voi kerätä ja tallentaa. Yleisesti ottaen työprosessien kannalta tärkeä tieto liittyy työn tekemiseen, kuten poissaoloihin, työaikoihin ja työsuoritteisiin. Arkaluonteisten henkilötietojen, kuten terveystietojen, käsittelyä työntekijäkohtaisesti rajaavat tiukasti lainsäädäntö ja tietosuojasäännökset. Näistä ilmiöistä voit kuitenkin saada tilastomuotoista tietoa työterveyshuollolta ja yhdistää tiedot yrityksesi ryhmätason tietoihin.
Varmista keräämäsi datan laatu
Tiedolla johtamiseen kuuluu varmistaa, että dataa ei puutu ja että se ei ole virheellistä. Ihmisten järjestelmiin syöttämä data on erityisen altista laatuongelmille. Luo käytäntöjä, joilla valvotte ihmisten syöttämän tiedon laatua ja puututte poikkeamiin. Mitä automaattisemmin tietoa kerätään, sitä vähemmän siihen yleensä tulee virheitä.
Jos mahdollista, pyri hyödyntämään mahdollisimman paljon dataa, joka kertyy valmiiksi eri järjestelmiin automaattisesti. Turvaudu kyselyihin ja ihmisiltä saatavaan dataan vasta silloin, kun tiedät, ettei sitä ei ole saatavilla valmiina eikä sitä voi päätellä muusta datasta.
Analysoi dataa
Datan analyysi voidaan jakaa kuvailevaan, selittävään, ennustavaan ja ohjaavaan tasoon. Datasta saamasi arvo kasvaa sitä mukaa kun siirryt kuvailevasta kohti ohjaavaa tasoa. Samalla kasvaa myös dataa analysoivilta asiantuntijoilta vaadittava osaaminen. Hyödynnä asiantuntijoiden näkemystä ja kokemusta data-analyysissa. Tarvitset asiantuntijuutta sitä enemmän, mitä alempana olet analytiikan tasoilla.
-
1. Kuvaileva taso
Kuvailevalla tasolla saat perustilastoja, kuten keskiarvoja ja tapahtumien lukumääriä. Esimerkki: trendikuva sairauspoissaolopäivistä ja tuki- ja liikuntaelinoireisiin liittyvien sairauspoissaolojen keskimääräisestä kestosta.
2. Selittävä taso
Selittävällä tasolla tarkastelet asioiden välisiä yhteyksiä yhdistelemällä ja ryhmittelemällä muuttujia. Esimerkki: taulukko siitä, esiintyykö tietyssä ammatissa muita enemmän tuki- ja liikuntaelinoireita.
3. Ennustava taso
Ennustavalla tasolla hyödynnät tilastollisia menetelmiä, joilla voit tunnistaa ryhmien välisiä eroja ja arvioida ilmiöiden välisiä yhteyksiä. Esimerkki: riskimalli iän, työtehtävän, koulutuksen ja palkkatason yhteydestä tuki- ja liikuntaelinoireisiin perustuen edeltävän 10 vuoden dataan.
4. Ohjaava taso
Ohjaavalla tasolla käytät dataa prosessien kehittämiseen siten, että suositukset voidaan viedä nopeasti käytäntöön ja vaikutuksia seurataan mahdollisimman ajantasaisesti. Esimerkki: älykäs työvuorojärjestelmä, joka vähentää tuki- ja liikuntaelinoireita varmistamalla riittävät lepoajat tai vähemmän kuormittavat työtehtävät kuormittavien työvuorojen välillä.
Joskus ajatellaan, että ohjaavan tason yläpuolella on viides taso: tekoäly. Toisaalta tekoäly voidaan ajatella myös menetelmiksi, joita voidaan käyttää jokaisella tasolla. Tekoälypohjaiset menetelmät ovat arkipäiväistyneet nopeasti perinteisten menetelmien rinnalla.
Työkykyjohtamisen analyysit ovat usein kuvailevalla tai korkeintaan selittävällä tasolla, vaikka yritykset ovatkin jo tottuneet ennustavaan tai jopa ohjaavaan analytiikkaan muissa toiminnoissaan, kuten tuotannon ohjauksessa tai logistiikan suunnittelussa.
-
Seuraavaksi: Seuraa, arvioi ja kehitä
Hyödynnä asiantuntijoiden ja data-analyytikoiden osaamista, ja uudelleenarvioi tavoitteitasi jatkuvasti.
Lue lisää seurannasta ja kehittämisestä