Dansk artikkel med fokus på værdien, på godt og ondt, fra de data man indsamler i HR, samt et råd om at være bevindst om at disse data “kan have mange ansigter!”
Der kan være mange grunde til disse data ser ud som de gør, og det skal med i den samlede vurdering, for at disse data kan bruges til at give et validt faktisk billede. Endelig skal man træne sig selv i at arbejde med disse data, ikke alt er så sort og hvidt som disse “fakta” baserede oplysninger kan give signal om.

Maj 2019 – en hurtig status

De sidste mange år har HR arbejdet på at klargøre og få sine data brugbare til at træffe beslutninger på. De fleste har tal klar, og de fleste kan i dag skabe dokumentation ofte i form af nogle tal, der kan guide til en beslutning i den ene eller den anden retning. Men glem ikke hvad der “ligger bag ved tallene!”

Rigtig mange taler om Artificial Intelligence (AI), ofte også omtalt som machine intelligence (MI).

Klik på + og du vil se mere om emnet:

Artificial Intelligent (AI) nøgleområder (UK):


Definition of Artificial intelligence (UK):


Artificial intelligence can be classified into three different types of systems: analytical, human-inspired, and humanized artificial intelligence. Analytical AI has only characteristics consistent with cognitive intelligence; generating cognitive representation of the world and using learning based on past experience to inform future decisions. Human-inspired AI has elements from cognitive and emotional intelligence; understanding human emotions, in addition to cognitive elements, and considering them in their decision making. Humanized AI shows characteristics of all types of competencies (i.e., cognitive, emotional, and social intelligence), is able to be self-conscious and is self-aware in interactions with others.

Men begrebet, eller arbejdsformen som AI er betegnet; hvor det er computeren der selv tænker og træffer beslutninger; det ser vi ikke endnu så meget af i HR, men det vil komme i en eller anden form, ingen tvivl om det. Vi har i dag programmer som træffer beslutninger på eksisterende data.
Men det vil gå hurtigt med at komme til det næste trin. Det anes dog; at man først vil sætte fokus på områder hvor man har mere faktuelt baggrundsmateriale, så at sige. Her tænker jeg på lægevidenskaben, bogholderi/finans & auditering, kvalitetssikring, lovgivning/advokater, da disse data ofte er ”enten eller” og det har computerne det godt med.

AI og Talent Management

En computer vil have ganske svært ved at arbejde med, og ikke mindst vurderer mængden af evnerne som; empati, social interaktion, innovation, kreativitet og struktur, eller begreberne engagement, absorbering, adoptions hastighed. Jeg har ikke endnu set noget system som kan det. Naturligvis vil den dag komme, men vil der gå noget tid før det kan betragtes som validt og i en form hvor det kan bruges.
Det vil som så meget andet blive en svær start, måske ikke teknisk, eller at programmerer, men at sikre man får skabt nogle modeller som i sin virkelighed kan bearbejde denne form for data. Og så kommer vi til systemerne som skal arbejde med disse data! 

Kan Vi Stole På Systemerne så?

Nej; det kan vi ikke endnu.
Man kan måske sige at vi er kommet til starten på alt dette, og vi ser:

  • IT-systemer installeret i fly; 737 MAX-8 anti-stall-systemet MCAS som kan overtage kontrollen med haleplanet, systemer skulle korrigerer, men som viser sig i to tilfælde har fået fly til at styrte ned;
737-max-8-2
  • Client Relationship Mangement systemer som kun kan lagre eksisterende data/e-mails 30 dage bagud, selv om de fleste skal bruge 1-2 år bagud, nogle kunder kontaktes jo med længere interval en 30 dage;
  • Applicant Tracking System som viste sig fravælger kvinder da kvinder brugte en bestemt sammensætning af ord der fravalgte dem, 6 måneder efter studser man over så få kvindelige nyansatte;
  • Performance Management System som ikke beskriver og bruger begreberne kompetencer og evner korrekt, og som blander begreberne adfærd, intelligens og engagement sammen;
  • Linkedin som i sin virkelighed har et ikke validt udvælgelsessystem, som du ovenikøbet selv kan manipulerer.

Så vi er ikke kommet så langt som det ser ud til, men det er jo også ganske nyt. Ofte ser vi systemer som faktisk slet ikke matcher det behov de skal dække, lidt som at købe en bil, og når du skal hente den, så har bilen ingen dæk påmonteret? Du spørger sælgeren, hvor er dækkene, han siger: ”Det havde vi ikke tænkt var vigtigt!”

Og der er rigtig mange flere eksempler..

  • Vi har lige set et nyt site, der vejleder dig i “at snyde” et applicant tracking system (ATS), lader du dette site guide dig først er der 73% større chanche for at du bliver indkaldt til et job interview. Så kender du linket har du altså 73% bedre chance end dem som ikke kender linket, men er det iorden?
    Det viser sig også at du har en angt dårligere chanche hvis du sender dit CV som PDF fil, istedet for a sende det som MS .DOcx format (husk x’et), ganske enkelt fordi ATS ikke har det så godt med PDF filer og frasorterer flere kandidater;
  • Vi har selv testet og vurderet over 25 applicant tracking system (ATS) som profesionelle folk. I mange tilfælde kunne man ikke justerer den matrix der ligger til grund for udvælgelsen; og i mange andre tilfælde, når vi kontrollerede systemet, hvor vi sendte 200 CV til systemet og gennemgik de samme 200 CV manualt, så kom man slet ikke engang tæt på at vælge de rigtige kandidater. Alligevel ser vi systemerne implementeret i meget stor stil i andre virksomheder – det estimeres 83% af danske virksomheder allerede bruger disse systemer. Køber virksomheder virkelig ting som ikke virker, “Ja; det gør de”.

Nogle tænker ikke over dette og tager tal og systemernes vurdering “for gode varer”! Men der er meget som skal rettes og der er en meget stor opgave i at sikre at systemerne dækker det behov man har, før man overlader sine beslutninger til et system som i mange tilfælde ikke løser opgaven korrekt. Er baggrundsviden- og materialet ikke korrekt, bliver resultatet det ikke heller. Og skal en computer senere hen – i bedste AI stil danne egne beslutninger på data eller arbejdsformer som ikke er korrekte, eller som ikke er nok dækkende, så går det først helt galt.

Det vil kræve et langt bedre samarbejde imellem afdelingerne i et firma, da meget nok er viden som man havde, og man skal nok være mere modig som medarbejder, men også virksomheden skal sikre; at når man ser en fejl, at der er en mulighed for at stå frem og fortælle hvad man ser. Der er ofte mere fejet ind under gulvtæppet end man lige tror!
Så især se på baggrundsdata og sørg for at undersøge om systemerne løser opgaverne som ønsket. Fejl her kan koste dyrt, dit job og mange menneskeliv.

Begrebet talent - The Concept of Talent (UK):


Talent

Ikke alt er lige brugbart

I dag ser vi ofte er en større modstand mod at arbejde med disse data, det er der mange grunde til, nogle mener de data man har ikke matcher den beslutning der skal tages, eller hvilken mængde data ligger til grund for beslutningen? Nogle efterspørger måske langt flere års data at træffe beslutninger på, og det er rigtig gode points.

Faktisk mener jeg man skal være ganske kritisk. Vi har allerede set “en lille hvid fjer der er blevet til mange sorte elefanter”, og det tog den pågældende CEO meget lang tid at få “renvasket” de forkerte antagelserne og meningerne som var skabt, fordi en rapport havde konkluderet på data som faktisk ikke var valide.

Vi oplever jo også i disse år en større tvivl til det der siges og det der gøres, og vi ser man fra mange sider bevist påvirker situationer, hvad der måske er rigtigt i dag kan være forkert i morgen, og der er jo altid “to sider på en mønt”, så hvilket fokus bruger man sine data på?

Det er nyt! Det er en forandring, og vi mennesker har jo ofte svært ved at arbejde med forandringer, hvorfor jeg kun kan anbefale at sætte stort fokus på forandringsledelse, og naturligvis skal man vælge hvad er relevant og hvad ikke er relevant.

Sikre valide data til fremtidens beslutninger

Da vi selv startede processen i 2012 med data processerne, besluttede vi os for at sikre at vi også for fremtiden indsamlede data som kunne være til en værdi, igen for at have data vi kunne bruge som var relevante. Her tænker jeg på data som kan bruges til at understøtte HR arbejdet, men også for at kunne tydeliggøre nogle værdifulde relevante målepunkter som:

  • Vores tiltrækningsevne af kandidater;
  • Målværdier som den udarbejder virksomhedskultur, kommunikationen af værdier, vision, mission og mål giver virksomheden;
  • Evalueringer af rekruttering;
  • Analyser omkring trivsel de første 180 dage i virksomheden;
  • Analyser for effekt af motivation, inspiration og ledelses;
  • Analyser for den værdi HR tilfører virksomheden;
  • Data omkring fravær;
  • Relationer til opsigelser;
  • Målepunkter som inddeler virksomhedens medarbejdere i flere kategorier, der synliggør ekstra fokus for eksempelvis antal freelancers, effektivitetsgrad og aflønning. Flere målepunkter på medarbejderne med fokus på aldersgrupper, genrationer, pension;
  • Data der kan styrke det vigtige arbejdet med at sikre lige løn imellem mand og kvinde;
  • Målepunkter for medarbejder glæde;
  • Data der kan tydeliggøre værdien af uddannelse og personaleudvikling, eksempelvis investering i uddannelse og effektivitet og generelle værdiforøgelser;
  • Success kriterier målepunkter for intern rekruttering og forfremmelsesmuligheder;
  • Evaluering af virksomhedens evne til transformation og forandring, tilpasning og absorbering;
  • Målepunkter for at kunne måle engagement og tilknytningsniveau til virksomheden;
  • Målepunkter der kan tydeliggøre fejl og mangler i vores evne til at fastholde medarbejdere;
  • Evaluering af uddannelse, i en form så vi kan måle udviklingen i tilfredshed, værdi tilført virksomheden og opnåede resultater;
  • Målepunkter for evaluering af den enkelte leder, og dennes indsats som motiverer, inspirator og leder;
  • Hvad er værdien og vigtigheden i at medinddrage medarbejderne og optimerer kommunikationen;
  • Data der kan kortlægge værdien i brugen af planlægningsværktøjer.

Hvem bestemmer?

Et af de mere spændende spørgsmål er i hvor høj grad skal tal eller computerens svar bestemme?

Vi havde en etisk dialog om emnet ”hvad og hvordan skal en computer kunne træffe beslutning om?” Her talte man om selvkørende biler hvor en computer skulle træffe et valg. Her var fokus et uheld, skulle bilens computer bilen vælge imellem at rede passagerene eller den/dem som man måske var ved at køre ind i? Og hvad hvis bilens computer skulle vælge imellem at ramme en ældre dame eller en gruppe børn! Og kan man bede en computer om at træffe sådan et valg? Blot et eksempel på at den nye teknologi kræver meget eftertanke og mange dilemmaer melder sig.

Det er efter min mening også meget svært at få en computer til at arbejde med hele spekteret af det fundament vi træffer beslutninger på, med mindre man lære den det, eller den lære det selv.
Men som sagt har HR i dag en langt større mængde data der kan arbejdes med, det er dog ikke alle der har systemerne til at arbejde med disse data endnu, men det kommer nok.

Dette arbejde kan være lidt tricky men det er ganske vigtigt, så man sikre de rette data er til rådighed når man skal bruge dem i sin evaluering, og denne nye arbejdsform skal man vænne sig til, og man kan ramme en grænse for hvad der ønskes indsamlet. Nogle vil måske ligefrem kalde det for forarbejdet til at skabe data der kan synliggøre hverdagens indsats.
Og man rammer lidt hvad ”skal dikteres”, hvad skal være ”fri udfoldelse”, da disse målinger jo meget hurtigt bliver ganske solide beviser, så at sige. Så det kræver også en tilvending og en forståelse for hvordan disse data er skabt og ikke mindst at der kan være mange underliggende faktorer i at tallene ser ud som de gør.

Indsamlede data i Indien, kan være ganske forskellige til de samme indsamlede data i Kina, værdierne kan ganske enkelt være forskellige, eller have en anden værdi. Eller kan man bruge samme ”regneformel i Indonesien som i Thailand”, det vil man i mange eksempler ikke kunne, så der skal altså kalibreres ligeså.

Christian Hoffeldt

“En innovativ og resultatbevist Professionel med 22 års Human Resources Management ekspertise med operationelle aktiviteter, udvikling, strategi og vækst. 12 år fra Asien og Stillehavet og 10 år fra Europa. Ekspertise i at arbejde med bredt spektrum af brancher, såsom medier, marketing, grafisk design, og PR, investering, app / Fin tech, tech og programmering, service og salgsselskaber. Meget erfaren i både de daglige HR-opgaver samt udformning og implementering af nye Human Resources-processer, som er lette og bedre tilpasset virksomhedens behov. HR digitalisering, forandringsledelse og transformation, produktivitet, omkostningseffektivitet og effektive processer. 24 års psykologi og HRM studier. Lidenskabelig om HRM-arbejdet og har en veludviklet empati, et højt niveau af integritet, ærlighed, ydmyghed og mod. Teoretisk ballast fra psykologi, strategi og Human Resources Management studier”. Ekspertise vækst og resultatgivende Human Resources Management. 

Curriculum Vitae

Du er velkommen til, og jeg giver dig mit samtykke til at se mit CV og downloade det, samt gemme det, måske du, eller én i dit netværk, på et tidspunkt mangler en HR Chef som kan lave resultater? Investeringerne i de ansatte er ofte de største tal, og det er vigtigt at de menneskelige resourcer giver det bedste. Det er her man vinder, det er her “skatten ligger”.

Vi kan sagtens tage en dialog om emne, måske du kan få lidt inspiration; Ring gerne: 53 33 58 49 – “Kvit og frit!”
Eller find en tid i min kalender der passer dig, ved at klikke her.  Og vi kan også mødes fortroligt over en kop kaffe.
Den Internationale Investor verdenen arbejder i en “smal korridor” og fokus er resultater – så efter 15 års træning, er der bestemt noget at arbejde med.

“Det handler om hvordan, og hvormeget man vil træder på pedalen, og det kan gøres så det skaber glæde.”

Når nu emnet er Data, så her du her mit skriftlige samtykke til at du må modtage, bruge og oplagrer mit CV.

Eksempel 1: Produktivitet falder med 12-15%, eller hvad skete der faktisk?


Man bemærker:
“Vi ser et stort udsving i produktivitet”, flere målepunkter viser et fald på 12-15% i enhederne i Kina.

Handling:
Lederen kalder til et krisemøde. HR bliver bedt om at flyve til Kina.

Fakta:
Men i sin virkelighed har man afholdt en række salgs/træningskurser i det kvartal man havde fokus på, ligesom vi havde det Kinesiske Nytår, hvor folk er på ferie, men dette korrigerede systemet ikke for.

Eksempel 2: Medarbejder tilfredsheden falder, eller var det nu sådan?


Man bemærker:
Vi ser et markant skift i medarbejder tilfredsheden i et stort nøgleområde, og det skaber kritik fra et bestyrelsesmedlem.

Handling:
CEO inviteres til møde, HR skal deltage. Det er ganske spændt. Rygterne går hurtigt. 

Fakta:
Bag ved tallene viser det sig man har slået 3 afdelinger sammen, hvor 2 af afdelingerne har gennemgået store forandringer, fået helt ny ledelse, og det på ganske kort tid. Efter analysering af situationen viste det sig at vi faktisk havde klaret transformationen langt bedre end forventet, når man tog disse aspekter med i vurderingen og sammenlignede med tidligere sammenlægninger på personaleomsætningshastighed, tab af medarbejdere, ønske om forflytning og egen opsigelser.

Det kræver med andre ord mere indsigt og flere spørgsmål bør besvares, mere kalibrering skal der måske til, før målingerne bliver valide.

Eksempel 3: Forkert svar på: Er du tilfreds med din lønstigning?


En leder scorer meget lavt i evalueringerne for de netop afholdte medarbejder løn samtaler, vi er ind til sagen, og kan først ikke lige se hvad grunden skulle være. Vi gennemgår alt og finder ud af at to af spørgsmålene der stilles i efterfølgelse analyser ikke er præcise nok. Et spørgsmål går på: ”Er du tilfreds med din lønstigning?”

Her svarede næsten alle nej, da man det år ikke gav lønstigning i den afdeling, man gav nogle flere benefit.

Formen hvorpå spørgsmålet er stillet kan skabe misforståelser da man i samme spørgsmål har brugt negative udsagt og spørgsmålet ser sådan ud: ”Vi oplever ikke at lederen, ikke lever op til forventningerne i sin feedback omkring præstation”.

Ordet ”ikke” har mange svært ved at forstå meningen af i en sætning, som denne, og her har man så brugt ordet ”ikke” to gange, altså benægtende, hvad betyder sætningen egentligt?

HR vælger at gå tilbage til de 8 medarbejdere der angav ”Nej” og stillede spørgsmålet ” mere rigtigt” og nu får lederen meget ros og man er meget glade for de nye benefit, men da man ikke steg i løn, kan man jo ikke sige ja.

Så husk at der kan være mere bag de faktuelle tal, der er ofte flere grund til tallenes udsving, viser sine signaler, så at sige.

Vær sikker på at du vælger rigtigt

Køber du et system udefra, så husk at sætte fokus på spørgsmålene:

  • Hvad gør systemet egentligt og hvad gør de ikke!
  • Opfylder systemet alle vores krav?
  • Hvad skal et spørgsmål/svar kunne analysere?
  • Vil spørgsmålene give et validt billede af hvad der skete?
  • Kan alle forstå spørgsmålet?
  • Påvirker kultur og landets/medarbejdernes udviklingsstadie svarene?
  • Og for nogle systemers vedkomne, forstår man hvordan man indgiver sit svar?
  • Er systemet enkelt at bruge og tror vi på det vil blive brugt?

Sørg for at sikre spørgsmålene er neutrale og ikke farver i en eller anden retning. Ord der påvirker og farver er ofte tillægsord.

Og i nogle lande, vil man grundet forskelle i kultur og ”ubeskrevne” ramme, ganske enkelt ikke fortælle sandheden, og slet ikke hvis virksomheden kender hvem der gav oplysninger, som måske var negative overfor ledelsen.

Så overvej om man kan lade kun HR skal vide hvem som svarede hvad, og sørg for at alle kender hertil.

Eller måske det er et eksternt firma som kun har disse data.

Vi har testet dette ud i flere lande i Asien og vi ser meget markante forskelle i hvis man ved ”hvem har sagt hvad” i virksomheden, eller hvis man har sikret resultatet, er anonymt skabt – meget markante forskelle!

Hvad ligger “der bagved” tallene?

Husk også at se på hvor mange der deltog i en analyser og hvem der mangler, lav en vurdering af om analysen er valid og kan bruges med et mindre eller langt mindre antal deltagerer?
Laver du en analyse i eksempelvis Singapore kan du få en deltagelse på måske 90-95%, hvor du måske i et andet land kun får en deltagelse på 40-42%, så her skal man altså lave et noget andet oplysnings- og motivations-arbejde for at få flere med i analysen.

Men analyser trækkes jo også ud fra eksisterende fakta tal. Det er korrekt men husk at se på hvilke mængder tal, der ligger bag de tal der konkluderes på.

Eksempel 1: 800 rekrutteringer - 6.400 timers arbejde


En CEO kontakter HR for at få vores mening om hvorfor en HR medarbejder ikke kan løse rekrutteringerne hurtigt nok.

Man rekrutterer 800 medarbejdere årligt, man har registreret at man mødes med gennemsnitligt 4 kandidater som man mødes med 2 gange i virksomheden. Det vil sige man bruger 6.400 interview, af en time, hvert år til rekruttering. De 3200 timer bliver lavet af HR, HR har 1 medarbejdere allokeret til dette. Men man er altid bagud og der er meget lang ventetid.

I dette tilfælde/land: En medarbejder arbejder 37 timer om ugen x 52 uger = 1.924 timer årligt. Året har som bekendt 365 dage. Herfra skal vi trække weekenderne og de 30 fridage, som hovedparten af lønmodtagerne har som ferie hvert år. Medarbejderen har altså fri 147 dage. Og arbejder 218 dage. (Ikke medregnet er sygedage og uddannelsesdage). 52 lørdage, 52 søndage og 13 fridage bliver det til i 2019. Læg dertil 30 feriedage, og du får i alt fri 147 dage i 2019. (Ikke medregnet er sygedage og uddannelsesdage som sagt).

En hverdag består af 7.40 time, minus frokost. Så har vi 7 timer per dag til rådighed. Der var 218 arbejdsdage. Et interview tager 60 minutter plus gennemlæsning af CV, forberede spørgsmål, kommunikation, forberedelse, hente og bringe kandidat til mødelokale, evt. små forsinkelser fra kandidaten, så vi regner med en tidsforbrug på 2 timer.

En rekrutteringsekspert har altså 7 timer til rådighed dagligt, 5 dage om ugen, 218 dage. Rekrutterings eksperten kan altså foretage 3,5 interview per dag x 218 dage. Og kan derved løse 763 interview.

Systemet viste at rekrutterings specialistens produktivitet var faldet! Og det var også et spørgsmål fra CEOen, og vi undersøgte dette for at finde et svar:

Grundet at enkelte helligdage flader anderledes i 2019, er der i 2019 3 fridage flere end 2017 – og 6 fridage flere end 2016.

Helligdagene giver dermed et mindre antal arbejdstimer (6 dage x 3,5 interview = 21 interview), det giver ganske enkelt færre dage på arbejdet i 2019. Dette tager analysen ikke højde for, og medarbejderens aktivitet antyder systemet som lavere, men i sin virkelighed er det ikke medarbejderens effektivitet men helligdagene/fridagene der er forskellen.

Analysen viste også at en medarbejder jo aldrig kan være nok til at varetage 3.200 timers interview, når medarbejderen kun kan løse 763. Skal man løse 3.200 skal man have 4,45 medarbejdere til at løse opgaven. Så efterfølgende blev teamet justeret til 6 rekrutterings specialister, da der også skulle tages højde for andre opgaver, administrative opgaver som annoncering, database vedligeholdelse. Og der var ikke medtaget reservation for sygdom og uddannelsesdage. I dag kan vi se at rekrutteringen løses hurtigt og gnidningsfrit, man har endda nedbragt rekrutteringstiden fra 6-8 måneder til 1 måned, ved at arbejde på en ny måde!

Blot et eksempel på hvor vigtigt det er man analyserer tallene korrekt og ser på hvad tallene egentligt repræsenterer. I dette tilfælde fandt man ud af hvad der skulle til for at sikre en fortsat strøm af medarbejdere.

Eksempel 2: Hvordan vi fandt USD 8.227.100


En medarbejder registrerer sine medarbejdere ved indgangsdøren, der er 1400 medarbejdere. Gennemsnitslønnen er på USD 23. En morgen står HR teamet og hilser medarbejderne velkommen. Et dejligt initiativ. Da den Finansielle kontroller går forbi, laver han lidt sjov og siger ”det ser dyrt ud”.

Da vi står og byder velkommen, ser vi at medarbejderne går ind i garderoben og klæder om, og tager bad og skifter tøj. Der står i medarbejderhåndbogen ”man er først mødt på arbejde fra man står i sin afdeling omklædt. Vi spørger IT hvorfor sidder klok uret ved indgangsdøren? Vi får at vide at kablet der går til en computer er meget dyrt og derved har man sat den tæt på udgangsdøren, så kablet ikke er så langt. Kablet koster USD 210.

Vi beslutter os for at se på tallene. 1.400 medarbejdere som klæder om og tager bad i 21 minutter når de møder, og 21 minutter når de skal hjem. Det er 42 minutter dagligt. Det giver 58.800 minutter per dag, man har åbent 365 dage. Det giver 21.462.000 minutter per år. Omregnet til timer 357.700 timer, timelønnen er USD 23 så prisen for at virksomheden betaler for medarbejderne tager bad og klæder dig på og igen når de skal hjem er USD 8.227.100.

Det var den pris det kostede at have 4 fra HR stå og mødes med medarbejderne. Ledelsen besluttede at flytte klok uret og bruge pengene til en bedre sygeforsikring til hver enkelt medarbejder, en pensionsordning, flere muligheder for medarbejderudvikling og lave et bedre overskud.

Hvad koster en for høj personaleomsætningshastighed?


Nu vi taler om HR, hvad koster det så at have en for høj personaleomsætningshastighed? Her kan man se en virksomhed som laver 800 rekrutteringer om året. Vi har beregnet af 300 ville svarer til en personleomsætningshastighed på 6% hvilket er en fornuftig procent. Hertil har man en pæn vækst der gør at man skal ansætte 150 mere om året. Man kan sige virksomheden altså har et “overforbrug” af medarbejdere på 350 medarbejdere.

For at rekrutterer 350 ekstra skal man bruge 1.400 timer til interview. Det er næsten 2 fuldtidsmedarbejdere det koster blot for at lave udvælgelsen, en fra HR og så en fra det operationelle: I dette tilfælde har vi beregnet omkostningen til rekruttering til DKK 1.750.000. Hertil kommer alle de øvrige ting der skal til for at sikre en ansættelse. Vi har sammen med bogholderiet regnet på hvad en medarbejder koster at ansætte og følgende er medtaget:

  • Lille buket blomster første dag;
  • Et skrivebord og en skrivebordsstol;
  • En laptop, programmer, en Ipad og en mobil telefon (printer ikke medregnet, man bruger fælles printer);
  • Internet hjemme, sundhedsforsikring (rejseforsikring ikke medregnet;
  • Rejseaktiitet og ophold ude, bespisning;
  • Deltagelse i onboarding processer, velkomst i afdelingen, alle sociale aktiviteter de første 6 måneder;
  • 1,5 månedlønninger (de første måneder vil personen ikke være fuld effektiv, hvorfor vi har indlagt 1,5 månedsløn);
  • Reservation til feriepenge, administration, øvrige lovpligtige reservationer;
  • Kursus deltagelse de første 6 måneder;
  • Evaluerings processer de første 6 måneder;
  • Oprettelse i 5 forskellige IT systemer og optræning heri;
  • Et antaget antal sygedage estimeret til 5%.

Og i dette eksempel koster en ansættelse DKK 163.500 per medarbejder, i dette eksempel 350 medarbejdere: DKK 57.235.000 – årligt.

Man kan altid diskutterer om man skal købe nyt skrivebord og stol hver gang, ligesom priserne naturligvis er forskellige på de enkelte ting man vælger.
Fokus er mere – her er rigtig mange penge at sparer, penge man ofte ikke ser nogen taler om. Så hvis man nedbragte det til de 6% i personaleomsætningshastighed så er der en stor sum penge “lige til at tage op”. Nogle vil også sige ja og så mister vi en del igen, og det tager også længere tid før den enkelte yder optimalt osv.

Vi har søgt på Internettet og vi har fundet 7 forskellige som indikerer en person kan koste langt mere, vi ser tal på DKK 400.000-750.000 per medarbejder, i disse eksempler indregnes hvad det eksempelvis koster hvis en sælger forlader virkeomheden, eller den tid der skal til før en sælger indtjener sig selv osv.
Så der ligger meget guld begravet her!

Quotes

“There are a terrible lot of lies going about the world, and the worst of it is that half of them are true.”

— Sir Winston Churchill