A 21. században - akárcsak az élet más területein - az üzleti életben is kiemelt figyelmet kaptak az automatizáció, a mesterséges intelligencia és tanuló algoritmusok, valamint az adatok. A nagy mennyiségben rendelkezésre álló adatok lehetővé teszik, hogy a vállalkozások azokat különböző adatbányászati módszerekkel elemezve, értékes tudásra tegyenek szert és növeljék az üzleti hatékonyságukat.

„Amit nem tudsz mérni, azt nem tudod jobbá tenni!”

Az adatok mellett egy másik aktuálisan - és a jelenlegi munkaerőpiaci környezetben különösen indokolta - felkapott téma a munkáltatói márkaépítés. Bár még az adatokkal foglalkozó szakemberek sem gondolnak mindig rá, de az employer branding is egy olyan terület, ahol a márkaépítést adatalapú megközelítéssel mérhetővé és sikeresebbé lehet tenni! 

Miért építünk munkáltatói márkát?

A válasz egyszerűnek tűnik: értelemszerűen növelni kívánjuk a márkánk népszerűségét, a márkaértéket a potenciális munkavállalók szemében. Ugyanakkor ez nem egy öncélú folyamat, hanem szeretnénk minél hatékonyabban toborozni, a legjobb jelölteket elérni, a leghatékonyabban kommunikálni, a meglevő munkavállalók lojalitását növelni.

Végeredményben pedig a vállalkozás üzleti céljaival összhangban a munkáltatói márkának hozzá kell járulnia a profitabilitás növekedéséhez, amelyet többek között a toborzási és fluktuácós költségek alakulásán keresztül számszerűsíthetünk. De természetesen a megfelelő kiválasztás közvetve is hozzájárul a bevételek és profit növekedéséhez: a működési és termelési hatékonyság, az innovációs képesség, ügyfélkiszolgálás színvonala mind olyan tényező, amely jelentősen függ attól, milyen képességű munkatársakat tud a vállalkozás bevonzani vagy megtartani. 

Hogyan mérd ennek hatékonyságát és sikerességét?

Számos olyan piackutatási, marketing vagy egyéb analitikus módszer áll rendelkezésre, amit a munkáltatói márkaépítésen kívül más esetekben is használhatunk. Az employer branding során tudni kell, hogy mikor melyiket és miért vetjük be!

Érdemes elkülöníteni azt is, hogy épp rövid távú hatásokat (pl. egy konkrét EB kampány sikerét) vagy hosszabb távú hatásokat mérünk (pl. fluktuáció). 

A projekt előkészítése, indítása előtt például piackutatási eszközökkel érdemes megmérni, hogy mik a munkavállaló igények? Mennyien ismerik a márkát? Mit gondolnak róla? A meglevő munkatársak ajánlanák-e ismerőseiknek, barátaiknak az adott munkáltatót?

Amikor már fut egy kampány, akkor „hagyományos” marketing metrikákkal érdemes dolgozni, amelyek a kampány vagy az egyes kampánycsatornák és formátumok elérését, valamint és hatékonyságát mérik. Ilyen adatok lehetnek  a forgalmi analitikák, konverziós ráták, cost-per-click mutató stb. Fontos például látni, hányan kattintanak egy karrier oldalra, ott milyen aktivitást végeznek (megosztás, jelentkezés pozícióra).

Egy sikeres munkáltatói márkaépítési projektnek pedig végeredményben olyan HR és üzleti mutatószámokban is tükröződnie kell, mint például a toborzás költséghatékonysága, a meghirdetett pozíciókra jelentkezők száma, a fluktuáció és ezzel kapcsolatos költségek csökkenése.

Konkrét mérőszámok és KPI-ok

Az alábbi metrikák (KPI-ok) segítenek számszerűen is nyomon követni, hogy a munkáltatói márkaépítés mennyire volt sikeres. Figyelmbe kell azonban venni, azt is, hogy ezek a mérőszámok nem kizárólag a márkaépítési aktivitásnak köszönhetők! 

Hosszú távú hatások - fluktuáció költségei

A fluktuáció jelenti az egyik legnagyobb kihívást, mivel annak jelentős közvetlen és közvett költsége van. Éppen ezért, a márkaépítés hosszabb távú hasznát üzleti szempontból talán ezen keresztül lehet a legjobban mérni: ide sorolhatjuk a toborzás közvetlen költségeit is - mint pl. a hirdetések, fejvadászat - de ennél is fontosabb, hogy közvetett költségekkel is tisztában legyünk!

Itt a kilépő munkavállalóval elvesztett „know-how”-tól kezdve, az új belépő alacsonyabb termelékenységen keresztül a szervezeti morálra és hatékonyságra gyakorolt negatív hatásokon át, számos költségnövekedést vagy bevételcsökkenést okozó tényező felmerülhet.

Predikítv analitikák, adatbányászati módszerek

A fenti metrikák alapvetően egy "statikus" megközelítést jelentenek, érdekes lehet ezeket mélyebben is elemezni, akár idősorosan a tendenciák figyelembe vételével, akár az egyes változók közötti összefüggéseket keresve.  

Ha már a fluktuáció, mint kulcs mutató többször is előkerült a bejegyzésben, akkor ezen keresztül rávilágíthatunk arra is, hogy a komplexebb adatbányászati módszerek és statisztikai modellek, hogyan segítik a HR szakembereket.

Megfelelő adatsorok bitrokában ugyanis építhetünk ,olyan prediktív modelleket, amelyek segítenek a munkavállalók kilépésének kockázatát felmérni, az esetleges kilépést előrejelzni. Ezt megtehetjük ún. logisztikus regressziós modellekkel vagy létrehozhatunk ún. döntési fákat, amelyek tulajdonképpen a kilépéssel kapcsolatos szabályszerűségeket írják le.

Adatgyűjtés, adatstratégia

Ahhoz, hogy a fenti információkkal tisztában legyünk és elemzéseket végezhessünk, szükséges egy tudatos adatgyűjtési stratégiával. Ha nem rendelkezünk az EB projektet és annak eredményeit követő mérőszámokkal, ahhoz szükséges adatokkal, akkor nem tudjuk megítélni a projekt sikerét és nem is tudunk beavatkozni, ha valami nem  tervek szerint alakul!

Ennek során többek között ki kell alakítani, hogy milyen rendszerességgel és hogyan gyűjtünk adatokat az online felületekről (pl. karrier oldalak, közösségi média profil, HR tematikájú blogbejegyzések, hirdetések forgalmi adatai); a toborzási tevékenységről vagy épp a munkavállalók elégedettségéről... és számos más tényezőről.