Rumah MSDM Arsip:
[4:32:05 AM] Rumah MSDM Arsip:
Forwarded message: Lavinia Budiyanto [10/31/16]
Selamat malam bapak dan ibu sekalian…. sudah jam 8 malam, tiba saatnya untuk Kulgram :blush:
untuk Kulgram malam ini akan dibawakan oleh bapak Heru Wiryanto

Namun, sebelum Kulgram dimulai, ada peraturan yang harus diikuti, yaitu:
1. Peserta Kulgram dilarang bertanya dan ikutan chat selama Kulgram berlangsung.
2. Pertanyaan Kulgram bisa dikirimkan ke link ini [https://www.rumahmsdm.com/pertanyaan-kulgram/].

Rumah MSDM
Pertanyaan Kulgram
Visit the post for more.

Berikut sekilas tentang profil pak Heru Wiryanto
Beliau adalah Konsultan Pengembangan Sumber Daya Manusia dengan bidang kekhususan, sebagai berikut:
– Menerapkan lansekap arsitektur pembelajaran melalui Implementasi Corporate University
– Mengembangkan konsep HR analytics dengan menerapkan HR Data Mining dan Penerapan Machine Learning di dunia HR.
– Mengembangkan “objective measurement” dan Data Analytics termasuk Computerized Adaptive Testing.

Selama lebih dari 25 tahun meniti pengalaman hidupnya yang didukung oleh minatnya yang tinggi di bidang Pengukuran yang obyektif pada Manajemen Sumber Daya manusia mendorong lulusan Fakultas Psikologi Universitas Padjadjaran, dan Pasca Sarjana Fakultas Psikologi Universitas Indonesia ini untuk berinovasi dan melakukan adopsi konsep dan metode termutakhir dalam dunia bisnis seperti penerapan metode Structural Equation Modeling, RASCH Model dan Item Response Theory, Bayesian Statistics sehingga lahirlah konsep-konsep seperti : Model Kepemimpinan Terintegrasi, Model Organisasi Sehat dan Berkinerja Tinggi, Model Berfikir Komputasi, Model Evaluasi Kebijakan yang teruji secara obyektif melalui data pendukung yang bersifat empiris.

Minat beliau kepada pengukuran dan pemutakhiran melalui pemanfaatan data mengantarkan kepada pengembangan data mining dan test adaptif berbasis komputer yang ditekuni selama ini.

Saat ini diberikan amanah menjadi narasumber untuk membantu Institusi Pemerintah, BUMN, swasta seperti : Garuda Indonesia, Telkom Indonesia, PLN, Kementerian Kesehatan RI, Kementerian Keuangan RI, sektor jasa keuangan, dlsbnya.

Wow…mengagumkan sekali pengalaman pak Heru selama ini….. dan untuk malam ini, kita sangat beruntung pak Heru bersedia meluangkan waktu untuk memberikan Kulgram dengan topik People Analytic yang pastinya akan bermanfaat bagi kita semua

Baik, dengan demikian, tanpa berpanjang lebar lebih lanjut, kami persilakan pak Heru untuk memulai Kulgram ini…. silakan pak Heru

 

Forwarded message: Heru Wiryanto [10/31/16]
Assalamualaykum Warahmatulahi Wabarakatuh, Selamat Malam dan Salam Sejahtera bagi kita semua saya mulai kulgram ini dengan pembagian
Sesi I : Apa itu Workforce/HR/ People Analytics? (20 menit)
Sesi II : People Analytics Tantangan untuk HR ? (30 menit)
Sesi III : Penutup (10 menit)

Sesi I
Apa itu Workforce/HR/ People Analytics

Terdapat banyak literatur tentang apa itu Workforce/HR/ People Analytics, untuk menyamakan persepsi dan kesamaan pandang di antara kita.

Workforce Analytics
From http://www.gartner.com/it-glossary/workforce-analytics

“Workforce analytics is an advanced set of data analysis tools and metrics for comprehensive workforce performance measurement and improvement. It analyzes recruitment, staffing, training and development, personnel, and compensation and benefits, as well as standard ratios that consist of time to fill, cost per hire, accession rate, retention rate, add rate, replacement rate, time to start and offer acceptance rate.”

Gartner IT Glossary
Workforce Analytics – Gartner IT Glossary

Workforce analytics is an advanced set of data analysis tools and metrics for comprehensive workforce performance measurement and improvement. It anal…

HR Analytics
From http://www.techopedia.com/definition/28334/human-resources-analytics-hr-analytics

“Human resource analytics (HR analytics) is an area in the field of analytics that refers to applying analytic processes to the human resource department of an organization in the hope of improving employee performance and therefore getting a better return on investment. HR analytics does not just deal with gathering data on employee efficiency. Instead, it aims to provide insight into each process by gathering data and then using it to make relevant decisions about how to improve these processes.

Techopedia.com
What is HR Analytics? – Definition from Techopedia
Human Resources Analytics HR Analytics Definition – Human resource analytics (HR analytics) is an area in the field of analytics that refers to applying analytic…

People Analytics
From Dr. Sullivan’s article: http://www.tlnt.com/2013/02/26/how-google-is-using-people-analytics-to-completely-reinvent-hr/

“People analytics is a data-driven approach to managing people at work. Those working in people analytics strive to bring data and sophisticated analysis to bear on people-related issues, such as recruiting, performance evaluation, leadership, hiring and promotion, job and team design, and compensation …

ERE Media
How Google Is Using People Analytics to Completely Reinvent HR
First of two parts If you haven’t seen it in the news, after its stock price broke the $800 barrier last month, Google moved into the No. 3 position a…

Dari ketiga definisi di atas, maka kita dapat melihat kesamaan-kesamaan yang dapat dijadikan dasar, yakni :

  • Workforce/HR/People analytics adalah pendekatan berbasis data (data Driven) dalam pengelolaan sumber daya manusia. Data dalam hal ini bukan hanya sekedar pengumpulan dan memiliki data, akan tetapi pertanyaan untuk apa dan digunakan seperti apa data itu. Yang terpenting adalah apakah data tersebut dapat dijadikan acuan untuk pengambilan keputusan yang tepat, artinya HR harus mampu melakukan riset berbasis data sebelum mengambil tindakan sehingga keputusan yang diambil dapat dinilai “obyektif” dan dapat dipertanggungjawabkan (accountable) bukan berdasarkan “gut feeling” atau Kirata (Kira-kira tapi nyata).
  • Ruang lingkup dari “data driven” mencakup SEMUA fungsi dan praktek-praktek pengelolaan SDM tanpa terkecuali, artinya potensi dari penggunaan pendekatan analytics untuk “reinvent” HR dengan mempelajari korelasi yang kuat antara data yang dimiliki HR dengan data bisnis itu sendiri.
  • “Data Driven” implikasinya atas kualitas data yang dimiliki, kualitas data yang dimiliki tentunya ditentukan atas perolehan data tersebut, data tersebut juga tidak hanya data yang transaksional, namun data yang menyangkut kinerja yang merupakan hasil “pengukuran”. Yang perlu diingat pepatah : “One accurate measurement is worth a thousand expert opinions” – Adm Grace Murray Hopper.

Analytics bukan hanya analisis empiris berdasarkan akal sehat, melainkan penerapan alat analisis statistik untuk HR data dan metrik/prinsip-prinsip pengukuran. Akal sehat, gut feeling, opini, pendapat kebanyakan orang hanya merupakan dugaan sementara saja, hal itu harus dikonfirmasi dengan data empiris agar menjadi suatu fakta.

  • Tujuan dari proses Analytics adalah peningkatan atau perbaikan kinerja baik pada tingkat individual atau organisasi HR itu sendiri, diharapkan dengan menampilkan informasi yang lebih akurat, maka HR akan lebih dapat proaktif dan melakukan prediktif ke depan, lebih cepat dalam menangani masalah, lebih produktif dan efisien dalam penggunaan sumber daya.
  • Dalam istilah statistik, ruang lingkup analytics adalah penggunaan metode dan alat untuk melakukan prediksi, korelasi, proses perbaikan kualitas dan kemungkinan metode lainnya seperti SEM, Bayesian, yang dapat diterapkan sesuai dengan kebutuhannya.

Samapai disitu dulu ok ya……rehat 1

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Ok pak Heru….silakan rehat utk ambil minum dulu :blush:
Mengingatkan kembali, untuk pertanyaan, bisa dikirimkan ke link ini [https://www.rumahmsdm.com/pertanyaan-kulgram/].

Baca juga:  Human Capital Strategy

Rumah MSDM
Pertanyaan Kulgram
Visit the post for more.

Pak Heru akan menjawab pertanyaan2 yang masuk pada saat setelah pemberian materi Kulgram sesi III nanti
Bagaimana pak? Bisa lanjut ke sesi II?

 

Forwarded message: Heru Wiryanto [10/31/16]
yap sebentar he he he…pegel juga yah

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Hehehehe oke
Penjelasan yang sudah diberikan di atas sebagai pengantar sangat menarik

 

Forwarded message: Heru Wiryanto [10/31/16]
Sesi II
People Analytics, Tantangan untuk HR ?

Mari kita renung dan pikirkan?

• Saat ini HR dan organisasi memiliki keterbatasan-keterbatasan sehingga sulit untuk menerapkan People Analytics…. mari kita kaji :

Praktik pengelolaan “people” di Google :

‘The basic premise of the “people analytics” approach is that accurate people management decisions are the most important and impactful decisions that a firm can make. You simply can’t produce superior business results unless your managers are making accurate people management decision’

pertanyaannya : Jika anda tidak mulai mengumpulkan data, melakukan pengukuran yang obyektif lalu menganalisisnya secara komprehensif, maka bagaimana anda bisa mengetahui bahwa anda sudah menghasilkan kinerja yang istimewa (superior).

• Dalam daya saing perusahaan yang sedang menurun, HR itu hanya supporting, bukan bisnis inti dan ukuran-ukurannya bersifat kualitatif, sulit untuk dikuantifikasi. Dalam hal ini justru saatnya HR membantu mengungkapkan berdasarkan data obyektif yang dimiliki untuk menunjukkan daya saing internal melalui hasil pengukuran dan data yang obyektif serta menunjukkan perbandingan dengan organisasi lain dengan benchmarking. Hal ini dilakukan secara proaktif tanpa harus menunggu eksekutif ‘meminta’.

Mau niru gaya pak MT ahhhh……sampe disitu anda pada setuju ya……………………………………..

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Setuju pak :blush::+1:

 

Forwarded message: Heru Wiryanto [10/31/16]
• Data Driven bukanlah hal yang baru, sejak 35 tahun yang lalu penerapan pengumpulan data dan analisis atasnya sudah didengung-dengungkan, permasalahannya dieksekusi…banyak perusahaan yang merasa belum banyak merasakan manfaatnya.

  • Pengunaan Data Driven disesuaikan dengan kebutuhan. Alat dan teknologi yang canggih bisa dibeli namun jika tidak dipergunakan secara efektif, akan menjadi tidak berguna. Jadi yang terpenting adalah tindak lanjut dari penggunaan data tersebut untuk perbaikan.

Apa yang harus HR profesional persiapkan menyongsong era people analytics?

Saya mengingatkan premis praktik yang mendasari people analytics adalah :
The basic premise of the “people analytics” approach is that accurate people management decisions are the most important and impactful decisions that a firm can make. You simply can’t produce superior business results unless your managers are making accurate people management decisions.”

Jika anda tidak menyetuji premis di atas, dan tidak melihat kebutuhan untuk menerapkan pengelolaan HR dengan pendekatan “Data Driven”, maka tidak ada yang perlu dipersiapkan, semuanya terpulang kepada praktisi HR sendiri.

Sebaliknya, jika anda setuju dan melihat Data Driven HR dan people analytics ini penting, berikut berbagai pemikiran yang harus dipersiapkan :

rehat II ahhhhh

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Wah….melihat panjangnya text yang sudah diketik….memang pasti pegel ya pak
Silakan rehat dulu sambil memberikan waktu untuk kami mencerna informasi yang telah diberikan di atas
Rupanya sudah ada pertanyaan yang masuk….kami simpan dulu sampai setelah sesi III nanti ya
Bagi yang mau bertanya, bisa dikirimkan ke link ini [https://www.rumahmsdm.com/pertanyaan-kulgram/].

Rumah MSDM
Pertanyaan Kulgram
Visit the post for more.

Bagaimana pak Heru? Kita bisa lanjut?

 

Forwarded message: Heru Wiryanto [10/31/16]
Mulai membaca, melakukan pengkajian dan tetap fokus pada pengembangan areal ini, artinya HR praktisi mulai membaca literatur, mengikuti pelatihan yang menyangkut topik ini, kemudian belajar dari kasus-kasus dan penerapannya….Google adalah tempat terbaik untuk mempelajari ini.

  • Kita harus berani mengklaim bahwa HR analytics adalah domainnya pengelolaan sumber daya manusia; data bisa jadi milik IT atau bidang Finance namun analisisnya harus dari departemen SDM, bahkan jika SDM tidak bisa melakukan analytics, jangan salahkan “bunda mengandung” suatu saat di mana peran HR akan diakuisisi oleh Chief Information Officer atau Chief Finance Officer
  • Mempersiapkan orang-orang HR yang bisa hands-on dalam penggunaan teknologi yang update seperti big data, machine learning, predictive analytics, gamification, dan mobile technology.
  • Pertimbangkan yang masak jika hendak memilih vendors dalam penggunaan piranti lunak, penggunaan propietary dan open source menjadi pertimbangan yang harus dilakukan.
  • Tingkatkan pengetahuan anda mengenai statistik, analisa statistika, pengukuran. Statistika memang bukan merupakan kelas yang favorit dalam bangku-bangku perkuliahan, bahkan tidak sedikit yang menghindarinya karena dianggap rumit…… filosofi yang saya pergunakan pada matematika adalah yang paling sederhana formulanya di dunia ini = hanya bagi kali tambah dan kurang…….
  • Ubahlah paradigma dan mindset mengenai HR ke depan yang tantangannya disruptive di mana teknologi informasi dan knowledge discovery by Data (KDD) menjadi competitive advantage di masa depan.

Sesi III
Penutup

Seperti yang telah saya telah sarankan di atas, saya percaya Workforce/ HR / People Analytics masih dalam tahap awal penggunaan dan penerapannya dalam dunia HR. Ke depannya, jantungnya pengambilan keputusan adalah data driven dan data driven akan melebihi fungsinya dari hanya menghasilkan suatu ukuran atau metrik. Hal ini yang perlu diperhatikan oleh Praktisi HR :

  • Mampu menjawab isu dan pertanyaan tentang HR, memahami data yang ada dan tersedia di sekitar kita dan membuat keputusan atasnya,memahami apakah analisis statistik berguna untuk menjawab pertanyaan itu, penyajian data dan informasi yang komprehensif sebagai bagian dari proses pengambilan keputusan.
  • Memahami metrik dan ukuran yang ada saat ini, mengapa kita mempergunakan metrik tersebut, dan bagaimana cara memperolehnya.
  • Mampu mengelola data, dan ukuran secara keseluruhan, mampu memilih dan memilahnya serta memahami hubungan yang mendasarinya.
  • Sebagai profesional HR, dalam membuat keputusan selalu berbasis “data driven”, dalam artian seperti yang saya sebutkan sebelumnya dalam kulgram ini, kemampuan untuk menghasilkan dan ketersediaan dataset dari HR dan kemampuan menerapkan metode statistik yang telah ada selama setidaknya 35 tahun menjadi andalannya. Teknologi telah berubah menjadi semakin canggih dari waktu ke waktu seiring bertambahnya jumlah dan ruang lingkup data yang telah meningkat pula selama periode waktu, sehingga suatu saat metode, tools dan data yang diperlukan untuk melakukan hal ini bukanlah menjadi kendala yang berarti.

Google adalah satu perusahaan yang melakukan terobosan yang sangat menarik dalam people analytics. Mereka berani mengambil langkah untuk meningkatkan secara dramatis praktik-praktik pengelolaan manusianya melalui “data driven”, mereka juga akan senantiasa terus mengambil manfaat untuk keputusan strategis mereka.

Pertanyaan kunci sekarang adalah Bagaimana Workforce/HR / People Analytics akan berdampak terhadap anda dan Organisasi Anda?

Huhhhhhhh akhirnya kelar juga ada dua contoh yang bisa dilihat pada youtube untuk menggambarkan analytics in cation
kalo yang mau tahu contoh yang analisa descriptive silakan lihat youtube ini :
Ini yang descriptive https://youtu.be/HHTwxkLjwCU
YouTube
People Analytics – Descriptive

Baca juga:  Strategi Remunerasi

Bahan Kulgram 1[Video] Ini contoh yang predictive analytics : https://youtu.be/2v5jwQfuve4

YouTube
People Analytics – Predictive

Kulgram 2[Video] bahannya bisa didownload di http://rpubs.com/heruwiryanto/kulgram1

Yang ini yang descriptive http://rpubs.com/heruwiryanto/people_analytic_descriptive

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Oke pak Heru, bisa rehat sejenak sambil kami mengumpulkan pertanyaan2 yang sudah masuk untuk nanti dijawab di sini :blush:
Sekali lagi, bagi yang ingin bertanya, bisa dikirimkan ke link ini [https://www.rumahmsdm.com/pertanyaan-kulgram/].

Rumah MSDM
Pertanyaan Kulgram
Visit the post for more.

Baik pak Heru, kita bisa mulai menjawab pertanyaan2 yang sudah masuk?

 

Forwarded message: Heru Wiryanto [10/31/16]
silakan mbak

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Pertanyaan dari pak M Afif Rahmatullah (PT PERKEBUNAN NUSANTARA XI PG GENDING):
Untuk metode pengukuran ini sebaiknya dimulai dari mn. Apa saja dan alat pengukuran yg paling disarankan? Terimakasih

 

Forwarded message: Heru Wiryanto [10/31/16]
Memulai dari analisa kebutuhan…..informasi apa yang bapak butuhkan dalam rangka meningkatkan efektifitas pengambilan keputusan, saya selalu menanyakan secara proaktif ke stakeholdernya HR, informasi apa yang diperlukan oleh mereka agar pengambilan keputusan mereka efektif…….ini satu contohnya ya pak….saya memerlukan data yang akurat mengenai prediksi jumlah karyawan saya yang keluar pada periode tertentu, saya memerlukan informasi mengenai data potensi, kompetensi dan engagement dari para karyawan saya dan prediksi kinerja mereka ke depan…..Nah bisa kah kita menyiapkan informasi itu? atau yang lebih mudah management memerlukan data kekuatan tenaga kerja diperusahaan berdasarkan usia, kompetensi, dan data pendukung lainnya. jangan sekali kali dibalik mulai dari alat atau ukuran apa…..saya percaya tidak ada ukuran yang pas untuk segala jenis masalah…. karena pada pengalaman tidak sedikit yang nyaplok sana dan nyomot sini ketika diintegrasi ukuran-ukuran itu tidak nyambung karena memang secara teoritisnya memang berbeda…. jadi mulailah dari yang sederhana saja dulu pak…. perencanaan tenaga kerja….apakah kita sudah memperikan prediksi mengenai penggunaan tenaga kerja yang akurat bagi manajemen itu salah satu contohnya.

lanjut

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Pertanyaan berikutnya
Dari pak Dadang Budiaji (PT MULTI GARMENJAYA (CARDINAL) BDG):
Mohon contoh konkret yg sederhana dari penerapan HR Analytic ini. Terima kasih.

 

Forwarded message: Heru Wiryanto [10/31/16]
ini yang sederhana pak bapak punya data jumlah karyawan per bulan dalam kurun waktu tertentu, data overtime, data pencapaian produksi, data keuntungan perusahaan…..coba silakan hitung pake regresi linier sederhana saja, apakah jumlah tenaga kerjanya masih dalam range, apakah jumlah overtimenya masih dalam range atau outliers, bisa kah kita memprediksi dengan akurasi tertentu jika produksinya ditetapkan sekian maka overtime akan sekian, jumlah tenaga kerja akan sekian….. itu yang sangat sederhana….. menggunakan regresi linier sederhana saja. Saat ini saya lagi mengerjakan projek analytics untuk analisa chun-rate employee untuk sebuah bank, kemudian employee fraud analysis untuk jasa multi finance, dan membuat algoritma untuk credit scoring bank prekreditan rakyat di sebuah provinsi….menarik bukan.

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Wah….menarik sekali pak Heru…..
Oke, pertanyaan selanjutnya:
Dari Irma Pratitia (VICO Indonesia):
Bagaimana langkah awal melakukan people analytics? Data apa saja yg disiapkan?

 

Forwarded message: Heru Wiryanto [10/31/16]
Ini jawaban yang sangat bagus, ini tulisan saya tentang itu Cross-Industry Standard Process for Data Mining (CRISP-DM) merupakan suatu standar yang telah dikembangkan pada tahun 1996 yang ditujukan untuk melakukan proses analisis dari suatu industri sebagai strategi pemecahan masalah dari bisnis atau unit penelitian. Untuk data yang dapat diproses dengan CRISP-DM ini, tidak ada ketentuan atau karakteristik tertentu, karena data tersebut akan diproses kembali pada fase-fase di dalamnya. Terdapat enam fase dalam CRISP-DM ini yakni dijelaskan pada gambar diatas :

Fase Pemahaman Bisnis (Business Understanding Phase)
Penentuan tujuan proyek dan kebutuhan secara detail dalam lingkup bisnis atau unit penelitian secara keseluruhan.
Menerjemahkan tujuan dan batasan menjadi formula dari permasalahan data mining.
Menyiapkan strategi awal untuk mencapai tujuan.

Fase Pemahaman Data (Data Understanding Phase)
Mengumpulkan data, jika data berasal dari lebih dari satu database maka dilakukan proses integrasi data atau Data Integration.
Mengembangkan analisis penyelidikan data untuk mengenali lebih lanjut data dan pencarian pengetahuan awal.
Mengevaluasi kualitas data, memeriksa data dan membersihkan data yang tidak valid atau proses Data Cleaning.
Jika diinginkan, pilih sebagian kecil grup data yang mungkin mengandung pola dari permasalahan.
Fase Pengolahan Data (Data Preparation Phase)
Siapkan data awal, kumpulan data yang akan digunakan untuk keseluruhan fase berikutnya atau proses Data Selection.
Pilih kasus dan variabel yang akan dianalisis, sesuai dengan analisis yang akan dilakukan.
Lakukan perubahan pada variabel jika diperlukan.
Siapkan data awal sehingga siap untuk perangkat permodelan atau Data Transformation

Fase Permodelan (Modelling Phase)
Pilih dan aplikasikan teknik permodelan yang sesuai.
Kalibrasi aturan model untuk mengoptimalkan hasil.
Dapat menggunakan beberapa teknik yang sama untuk permasalahan yang sama
Dapat kembali ke fase pengolahan data jika diperlukan untuk menjadikan data kedalam bentuk kebutuhan tertentu

Fase Evaluasi (Evaluation Phase)
Mengevaluasi satu atau lebih model yang digunakan dalam fase permodelan atau proses Evaluation Pattern.
Menetapkan apakah model tadi sudah sesuai dengan tujuan pada fase awal.
Menentukan apakah terdapat permasalahan penting dari bisnis atau penelitian yang tidak tertangani dengan baik.
Mengambil keputusan berkaitan dengan penggunaan hasil dari data mining.

Fase Penyebaran (Deployment Phase)
Menggunakan model yang dihasilkan dan di persentasikan atau proses knowledge persentation.

Referensi :
Turban, E. Dkk. 2005. Decision Support System and Intelligent Systems. Yogyakarta : Andi.
Larose, Daniel T. 2005. Discovering knowledge in Data : An Introduction to Data Mining. John Willey dan Sons Inc.

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Wow lengkap sekali jawabannya pak :smiley:

 

Forwarded message: Heru Wiryanto [10/31/16]
crisp
Ini bagannya CRISP

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Berikut ini pertanyaan dari denny Jd (PT Human Capital Global):

Pak Heru,
Bagaimana cara terbaik (saran) untuk mulai membudayakan pengambilan keputusan berdasarkan data dalam sebuah organisasi agar tidak membuat keputusan berdasarkan Kirata atau malah sekedar ikut tren. Mohon tips dan trick nya.
Terima kasih.

Sambil menunggu pak Heru meramu jawaban, sekali lagi diinfokan, bagi yang ingin bertanya, bisa dikirimkan ke link ini [https://www.rumahmsdm.com/pertanyaan-kulgram/].

Rumah MSDM
Pertanyaan Kulgram
Visit the post for more.

 

Forwarded message: Heru Wiryanto [10/31/16]
Budaya speak by data sudah sejak lama didengungkan, kita ingat jamannya GKM gugus kendali mutu…..7 tools dan 8 steps itu sebenarnya ngajarin kita speak by data, Six Sigma itu juga ngajarin kita bicara dengan data, apalagi Balanced Scorecard, KPI, 4DX, ISO, hampir semua sistem manajemen berbicara tentang hal itu…. Pembudayaan saya pinjam istilah “paksa rela” kalo mau cepat artinya saya ada contoh bagus di klien saya kalo ada manajer dalam rapat jawabnya kata-kata yang tidak berbasis data seperti kata “mungkin”, “menurut perasaan saya”, “kira-kira” dan sejenisnya saya lupa ada sekitar 50 kata yang tidak boleh digunakan dalam rapat itu didenda sebesar Rp. 50.000. dan dimasukan kotak amal di ruang meeting itu yang pada akhir bulan uangnya dipake sumbangkan ke panti asuhan, saya bisa menurunkan waktu rata-rata waktu rapat didepartemen itu hampir separuhnya, meski ada juga manajer yang bandel pada awalnya ketika ditengah-tengah kita umumkan top skore yang “menyumbang paling banyak bulan itu” bulan besoknya langsung turun drastis…….mungkin itu cara praktisnya.

Baca juga:  Ketrampilan Pengelolaan SDM pada UMKM

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Oke pak Heru…..pertanyaan berikutnya datang dari pak Rusdi Musa ishaq (PT. Bank BRISyariah):
Apakah people analytic bisa di implementasikan pada organisasi yg masih baru?
Pertanyaan berikutnya apakah metode ini bisa digunakan untuk proses akuisisi tallent?

 

Forwarded message: Heru Wiryanto [10/31/16]
dalam people analytics ada namanya social network analysis, saya menggunakan ini untuk menganalisa sebuah struktur organisasi, yang menarik justru untuk manajemen perubahan yang banyak bekerja justru social network ini bukan struktur organisasi formal…..analisa resistensi perubahan, siapa yang menolak perubahan didapatkan dari analisa ini, kekompakan kelompok seperti apa, tekanan dalam kelompok seperti apa…… pertanyaan yang kedua jsutru menarik….bapak bisa melakukan prediksi model talent di organisasi bapak seperti apa, yang menarik dari sebuah Cust Relationship Builder di sebuah bank nasional dulunya menggunakan berbagai metode assessment yang canggih sehingga ada hampir 30 variabel yang menentukan seseorang talent atau bukan……..setelah datanya mencapai hampir 1000 orang saya validasi modelnya yang justru menarik seorang talent di bank itu adalah : berjenis kelamin wanita, usia diantara 35 – 45 tahun, status : single parent, tinggal di daerah penyangga kota besar, urutan anak pertama, prestasi sekolah sedang, jumlah teman di jejaring sosial lebih dari 2000, validasi itu saya gunakan data mining dan analytics atas 1000 orang tadi dan menghasilkan predictive validity sebesar 91% dengan metode random forest…..pertanyaannya apakah masih perlu proses akuisisi talent yang begitu panjang dengan 30 variabel?

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Wah menarik sekali penjelasannya pak Heru….
Masih ada 1 pertanyaan lagi pak, dari pak Heriyanto AP (Bank Danamon):
Apa hal yg paling critical ketika kita menggunakan data analitic sebagai dasar untuk pengambikan keputusan
Mungkin bisa dijawab dengan singkat mengingat waktunya tinggal sedikit lagi sebelum kita closing untuk malam ini :blush:

 

Forwarded message: Heru Wiryanto [10/31/16]
Kualitas Data yang kita dapatkan…….karena data yang kita dapatkan buruk maka pre processing termasuk data cleaningnya memakan waktu yang panjang…….untuk analisa yang saya jelaskan untuk RFB disebuah bank dapetin 1000 itu dari raw data 3500……hah…..pastinya terbelalak….karena data 1000 itu yang lengkap, sisanya ada yang usianya nggakk ada, jenis kelamin enggak jelas….ehhhh maksudnya datanya enggakk ada, staust perkawinan enggakk ada…… kan pak Heru ada perlakuan terhadap missing data…..ya kalo kita perkirakan data jenis kelamin kan nggakk bisa…… jadi pak kulitas kelengkapan data…….kedua yang menyangkut kualitas dari data itu sendiri….pernah ada yang mengambil data tentang kesehatan organisasi nah daftar pertanyaannya disetrahkan ke HRD manajernya dengan alasan peneliti tidak boleh masuk ke areal tertentu diperusahaan itu…..wal hasil ketika di data mining maka pola yang diperoleh diatur melalui ritmik dan aturan tertentu….yang jelas ini diisi oleh orang yang sama pada satu waktu tertentu……kita nanya penelitinya bagaimana data diperoleh…..ya itu tadi…..dan saya tanyakan bagaimana anda yakin bahwa daftar pertanyaan tidak diisi oleh hrd manajer atau diatur oleh manajemen disana….penelitinya terdiam seribu basa……..ketiga hasil pengukuran juga menentukan kualitas data…..pernah di suatu perusahaan yang menggunakan rating scale dalam mengukur suatu variabel…..nah data yang diberikan kepada kami adalah rata-rata dan standard deviasi…….saya tanya lagi kalo rating scalenya 1 sd 5…… ada lima responden menunjukkan angka 1, kemudian ada lima responden menunjukkan angka 5 dari 10 orang responden rata-ratanya 3, bagaimana logikanya ada 5 orang yang sangat buruk dan 5 orang sangat baik….kesimpulan kelompok itu berada pada rata-rata karena rata-ratanya 3…….haduhhhhhhhhh…….jadi kesimpulannya tiga kang, kualitas data yang meyangkut kelengkapan data, kedua kualitas data karena proses perolehan data, ketiga adalah ukuran atau parameter yang digunakan dalam data itu……Walllahu alam bi sawab……

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Wah komprehensif sekali penjelasan dari pak Heru malam ini…..
Sebagai closing di “injury time” ini pak Heru, silakan dipaparkan kesimpulan dari Kulgram malam ini :blush:

 

Forwarded message: Heru Wiryanto [10/31/16]
Kesimpulannya era big data, data scientist mau tidak mau, suka tidak suka sudah di depan mata, profesional Hr harus mempersiapkan segala sesuatunya yang meyangkut people analytics dengan meingkatkan kemampuannya dalam bidang ini, jika tidak bukan tidak mungkin HR data Science perannya akan diambil oleh orang Finance atau Chief Information Officer karena mereka lebih siap mengambil peran yang disruptive ini. Sebagai penutup kita mau mengambil peran untuk itu atau kita menjadi penonton saja padaeranya akan datang……jadi siapkanlah mental untuk menyongsong era itu. Saya tutup dengan mengucap : Maha Suci Engkau Ya Allah, segala pujian untuk-Mu, aku bersaksi bahwa tidak ada sesembahan yang berhak disembah selain Engkau dan aku meminta ampunan dan bertaubat pada-Mu, Assalammualaykum Warahmatulahi Wabarakatuh.

 

Forwarded message: Lavinia Budiyanto [10/31/16]
Wa alaikumsalam Warahmatullahi Wabarakatuh
Terima kasih kepada pak Heru atas Kulgram yang sangat menarik pada malam ini, yang pastinya sangat bermanfaat bagi kita semua.
Mohon maaf apabila ada hal2 yang kurang berkenan….dengan ini Kulgram untuk malam ini kami tutup.
Silakan bagi yang masih ingin tinggal di Rumah, menikmati kopi dan hidangan ala kadarnya :blush:
Selamat malam :pray:

 

Forwarded message: Achmad S. Ruky [10/31/16]
what-hr-needs-to-thrive-with-analytics
— Thursday, November 3, 2016 —

[5:20:55 AM] Rumah MSDM Arsip:
Forwarded message: Rieswan Fauzan [11/2/16]

artikel yg menarik terkait dengan kulgram kang Heru..
https://www.linkedin.com/pulse/hr-analytics-journey-shell-david-green

— Sunday, November 6, 2016 —
[3:01:22 PM] Rumah MSDM Arsip:
Teori pendukung #people #analytics dari pak Heru Wiryanto
#start

[3:05:33 PM] Rumah MSDM Arsip:
Forwarded message: denny Jd [11/6/16]

Berikut adalah file yang dijanjikan pak Heru @Abu_Amany_Assundawy
Pesan dari beliau adalah: “Memang sangat teoritis namun filosofi itu yang sangat diperlukan sehingga kita bisa tahu data yang kita punya termasuk apa dan nanti ngolahnya bagaimana, dan sengaja saya berikan sourcesnya agar teman-teman dapat langsung dari aslinya…..bukan olahan saya.”

 

Forwarded message: Heru Wiryanto [11/6/16]
theory-data-and-psychometric

chapter2-theory-of-data

mathematical_psychology_an_elementary_introduction

[3:05:41 PM] Rumah MSDM Arsip:
Teori pendukung #people #analytics
#end