Goed werkgeverschap, nudging of beide?

15-03-2019

Laken, Paul van der

De opkomst van digitale technologie heeft de afgelopen decennia een explosie aan data veroorzaakt. Al snel nam het zulke proporties aan dat we spraken van big data. Gelukkig ontwikkelde de rekenkracht van persoonlijke computers en cloud-oplossingen zich in een gelijksoortig tempo. Met slimme algoritmes en analytics kunnen we patronen herkennen in grote hoeveelheden data, en daarop handelen. Hele nieuwe markten ontstonden, denk aan de streamdiensten zoals Netflix en Spotify, of aan de platform-economieën zoals Uber en Airbnb. Echter kan inmiddels iedere organisatie in enige mate profiteren van analytics, al is het maar om de bedrijfsprocessen te optimaliseren op basis van voor het blote oog onzichtbare patronen.

Mijn eigen achtergrond ligt in het personeelsdomein, de Human Resource (HR) afdeling, en ook hier gaat het de afgelopen jaren steeds vaker over data en analytics. Platgeslagen omvat HR management het zo effectief en efficiënt mogelijk aantrekken, ontwikkelen, motiveren, en behouden van personeel. Enerzijds is bij veel bedrijven het menselijk kapitaal uitgavepost nummer 1. Anderzijds kunnen de kennis, ervaring en motivatie van personeelsleden het verschil maken tussen een goed- of slechtlopend bedrijf. Data-gedrevenheid en optimalisatie binnen het HR domein kunnen zodoende waarde opleveren voor iedere organisatie, los van de data-gedrevenheid van het bedrijfsmodel.

People analytics
People analytics, workforce analytics of HR analytics. Zo noemen de experts het gebruik van data, statistiek, en kwantitatieve analyse om beslissingen te maken binnen het HR domein. De media staan vol van de ontwikkelingen op dit vlak. Middels people analytics zou iedere organisatie op basis van haar HR data kunnen achterhalen en voorspellen:

  • hoe nieuw personeel het beste kan worden aangetrokken;
  • welke sollicitanten het beste bij de baan passen;
  • welke personeelsleden op welke trainingen zouden moeten;
  • hoe goed presteren te herkennen en te belonen;
  • hoe carrièrepaden te stimuleren en te versnellen, en
  • hoe te zorgen dat medewerkers gezond en gemotiveerd bij blijven werken.

Ethische problematiek
Echter, wanneer people analytics toegepast wordt in de praktijk loopt men toch al snel tegen moeilijke ethische vraagstukken aan. Vraagstukken die betrekking hebben op hoe we data mogen verzamelen, verwerken en gebruiken om beslissingen te voeden aangaande personeel.

Hoe meten we bijvoorbeeld het presteren van medewerkers, en zijn die data wel accuraat en valide genoeg voor analytics? En hoe zorgen we dat onze analytische modellen niet discrimineren op leeftijd, geslacht of afkomst? Zulke discriminatie zal al dan niet ongemerkt vaak wel aanwezig zijn in de (historische) data waarmee we modellen voeden.

Alternatief moeten we kijken naar data privacy en -eigenaarschap. Zijn organisaties überhaupt wel gerechtvaardigd in het gebruik van historische personeelsgegevens voor analytics? Was dit doeleinde vermeld ten tijde van de dataverzameling? Hoe gaan we om met de data van medewerkers die niet willen dat hun gegevens gebruikt wordt voor people analytics? En moeten we het medewerkers mededelen als onze datagedreven modellen voorspellen dat ze weinig leiderschapspotentie hebben, of voorspellen dat ze de organisatie gaan verlaten?

Voorspelmodellen brengen verdere problemen met zich mee. Door people analytics kunnen organisaties in steeds meer detail voorspellen hoe medewerkers zich in de toekomst zullen gaan gedragen. Stel je bijvoorbeeld eens voor dat jouw werkgever kan voorspellen hoeveel werkstress jij ondergaat en in hoeverre jij dreigt een burn-out op te lopen. Zou jouw werkgever dat:

  1. mogen voorspellen;
  2. verboden moeten worden dat te voorspellen, of
  3. verplicht moeten worden dat te voorspellen, te voorkomen, en met jou te delen?

Wat zouden we een acceptabele accuraatheid vinden voor dergelijke voorspelmodellen, 80%, 95%, of 99.9%? Hoe denken we over vals-positieven (foutief voorspelde burn-outs die niet plaatsvinden) en vals-negatieven (niet-voorspelde burn-outs)? Welke data mogen organisaties wel of niet gebruiken als ze met die data voordelen voor medewerkers zouden kunnen genereren?

Integratie in bedrijfsprocessen
Bij andere managementfuncties is analytics veelal een onderdeel van de bedrijfsvoering. Bijvoorbeeld, wanneer het om marketing en klanten gaat is het gebruik van voorspelmodellen relatief gebruikelijk. Met willekeurige steekproeven toetsen we onschuldig of advertentie A of advertentie B de klant zal verleiden tot de meeste verkopen.

Wanneer het echter over een medewerker gaat belanden we al snel in een ethisch en legaal, (donker)grijs gebied. Indien we niet weten of de medewerker meer profijt zal hebben van training A of training B, mogen we dan proeven draaien en medewerkers willekeurig toewijzen aan trainingen? En wat als het niet om trainingen maar om carrièrestappen gaat, mogen we het effect dan nog proefondervindelijk toetsen? Wat als carrièrestap B de logische keuze lijkt, maar een datagedreven voorspelmodel met 80% zekerheid carrièrestap A aanbeveelt? Het is een ethisch mijnenveld wanneer we dergelijke impactvolle HR beslissingen gaan testen met, of nemen op basis van, analytics.

Nudging
Maar wat nu als we niet individueel voorspellen, maar als analytics tonen dat beleidsmaatregelen vrijwel zeker tot verbeteringen gaan leiden voor het personeel als geheel? Neem dit voorbeeld bij Google: door people analytics vonden zij dat kleine aanpassingen in de kantine konden zorgen dat medewerkers gezondere eetgewoonten zouden vertonen. Zo zouden onder andere kleinere borden er toe leidden dat medewerkers minder veel aten en door snackcontainers te coderen met kleurtjes zouden medewerkers vaker gezonde snacks opteren. Dergelijke technieken worden nudging genoemd: kleine duwtjes die mensen ’verleiden’ goed gedrag te vertonen.

Positief nieuws, toch? Meteen implementeren? Wat mij betreft blijft het een gecompliceerd aangelegenheid. Wie bepaalt hoe ‘goed’ gedrag er uit ziet? Is het wel aan organisaties om het eetgedrag van medewerkers te beïnvloeden? Waar ligt de grens van wat organisaties mogen beïnvloeden? Zijn mensen niet vrij om hun eigen gedrag te kiezen? Of moeten organisaties medewerkers juist helpen met dergelijke keuzes, en is nudging goed werkgeverschap?

Meer vragen dan antwoorden
Dit artikel zit vol met vragen waar ik ondanks vier jaar promotieonderzoek geen eenduidig antwoord op heb. Wat ik wel weet is dat we binnen organisaties steeds meer data verzamelen over personeel, en dat we daarmee immense waarde kunnen en zouden moeten creëren. Wat rest is het vinden van de implementaties die voordelen kunnen bieden voor zowel werkgevers als werknemers. Maar wees voorbereid: iedere vraag die je zult proberen op te lossen met een slimme data analyse zal alleen maar meer moeilijke vragen met zich meebrengen.

Dit artikel is ook te vinden in het dossier Privacy op de werkvloer

Nieuwsbrief

Blijf op de hoogte van het laatste nieuws over privacy, cybersecurity en data. Abonneer op onze gratis nieuwsbrief.

Abonneer