C e T I F – U N I V E R S I T A’ C A T T O L I C A
STRATEGIA FINANZA INNOVAZIONE
CeTIF - Centro di Ricerca su Tecnologie, Innovazione e Servizi Finanziari dell’Università Cattolica, dal 1990 realizza studi e promuove ricerche sulle dinamiche di cambiamento strategico e organizzativo nei settori finanziario, bancario e assicurativo. Inoltre è presente la struttura CeTIF Academy, scuola di Alta Formazione Universitaria, che si pone l'obiettivo di trasferire ai top e middle manager le conoscenze sviluppate in oltre vent’anni di ricerca.
APPLYED RESEARCH
KNOWLEDGE SHARING
ADVISORY
ACADEMY
DIGITAL HR
Predictive Analytics 4 Employees
“Da percezione a oggettività:
un muscolo da allenare”
Introduzione, presentazione dei partecipanti e confronto sullo stato dell’arte delle progettualità su HR Analytics
(a cura di CeTIF & BID)
Case study: Analytics applicati alla Network Governance (a cura di Alleanza Assicurazioni)
Brain storming guidato per l’individuazione di use case e confronto sul valore generato dagli Analytics per la funzione e per l’istituzione
Case study: HR Analytics in action (a cura di SAS)
Metrics Analytics 4 HR
AGE NDA
I PARTECIPANTI DELLA GIORNATA .
Per il gruppo di lavoro CeTIF-UCSC, coordina- tore delle attività erano presenti:
• Chiara Frigerio
• Carlo La Rosa
• Clelia Tosi
Con il supporto di CeTIF Academy:
• Marialuisa Allocca
• Serena Piccirillo
Istituzione Nominativo
Alleanza Assicurazioni Sara Gallotti Alleanza Assicurazioni Stefano Fava Banca Mediolanum Flavio Benussi Banca Mediolanum Manuela Magugliani BID Company Milo Faccenda BID Company Walter Ballardin Intesa Sanpaolo Bettella Raffaella Intesa Sanpaolo Stefano Pedron Intesa Sanpaolo Tatiana Tartuferi
ITAS Lucia Arlaud
ITAS Federica Pozzo
Poste Italiane Gita Mucostepa Poste Italiane Michela Gasbarri Poste Italiane Paola Mancini Sara Assicurazioni Micaela Lenzo Sara Assicurazioni Pierluigi Felici
SAS Alena Tsishchanka
SAS Amalia Fuschini
SAS Elena Panzera
SAS Giovanni Brusoni
UBI Banca Cinzia Laura Salvetti
UBI Banca Dario Ceruti
UBI Banca Maurizio Salusti
Unicredit Rita Brondolo
Unicredit Giovanni Anselmo Bini Unicredit Iacopo Valdinoci UnipolSai Assicurazioni Stefano Accorsi UnipolSai Assicurazioni Andrea Corradin UnipolSai Assicurazioni Nadia Toffoli
KEY TAKEAWAY DELLA GIORNATA .
•
Il 60% delle Istituzioni presenti utilizza tecnologie di Advanced Analytics a supporto della funzione HR, prevalentemente nelle fasi di recruiting, selezione e sviluppo. Si tratta di un trend in crescita che ha tra i principali obiettivi quello di miglio- rare i rapporti e la conoscenza dei dipendenti per efficientare i processi interni a loro indirizzati.•
Tutte le Istituzioni presenti al tavolo individuano 3 principali fattori di criticità nell’applicazione di tali tecnologie:1. la necessità di sviluppare, internamente e in outsourcing, soluzioni personalizzate;
2. la difficoltà di integrare dati strutturati provenienti dai diversi silos aziendali e dati non strutturati per aumentare e valorizzare il patrimonio informativo;
3. la complessità di standardizzare i processi tradizionali e quelli data oriented per mantenere una alta Data Quality che, se sottovalutata, rischia di inficiare i risultati ottenuti.
LE PR I NCI PALI S FI DE CR OS S S E TTOR E
Fonte: Dupress, 2016
•
Il mercato italiano risulta essere tra quelli con la più alta importanza percepita del People Analytics, con un punteggio di 84 punti su 100, un valore molto superiore al trend europeo medio che si attesta a 72 punti.•
Tra le 10 sfide principali nelle diverse industry per l’HR 5.0, la tecnologia del People Analytics ricopre solo la 7° posizione a livello globale. È importante notare tuttavia come i Financial Services siano il settore dove tale tematica risulta avere la più alta percezione, al pari della Life Scienze & Health Care, con un punteggio di 80 punti su 100.P E O P L E A N A L Y T I C S – I M P O R T A N Z A P E R C E P I T A
Fonte: Dupress, 2016
•
Come emerso durante le precedenti giornate di ricerca, non esiste una sola tecnologia in grado di rispondere a tutte le sfide della funzione HR. L’insieme di strumenti social, mobile, della virtualization e del content management offre un’ampia gamma di soluzioni efficaci e integrate per rispondere alle nuove esigenze dell’Istituzione e del mercato.•
Tra queste tecnologie si evidenzia la Data Analysis che rappresenta, per il 36% del panel, la principale tecnologia abilitante all’evoluzione della funzione L&D (learning & development).Strumenti social/collaborativi
Mobile delivery
Data analytics
Classi virtuali
Content management
41%
43%
36%
29%
28%
Fonte: brandon hall Group Learning Technology Study, 2016
L E P R I N C I P A L I T E C N O L O G I E A B I L I T A N TI P E R I L L & D
TALENT & CAPABILITY DEVELOPER
COMMUNITY
MENTOR TRUST
BUILDER
INNOVATION INFLUENCER
CHANGE ENABLER
L E S F I D E P E R L ’ H R M A N A G E R
Fonte: CeTIF, 2018
DATA EXPLORER STRATEGIC
BUSINESS PARTNER
HR 1.0
1. Operation Excellence 2. Hierarchy
3. Technical skills (Functional) 4. Operational Systems 5. Learning by doing
HR 2.0 1. Process
Governance 2. Matrix 3. Technical skills
(Managerial) 4. ERP 4 HR 5. Structured
Approach
HR 3.0 1. Client
Orientation 2. Net 3. Soft skills 4. Reporting &
Descriptive Analytics 5. Blended
HR 4.0 1. Platform Approach 2. Fluid 3. Social skills 4. A.I. &
Predictive Analytics 5. Immersive
Learning
INDUSTRIAL
AGE INFORMATION
AGE DIGITAL
AGE
DATA
AGE 1. Obiettivi strategici
2. Paradigma organizzativo 3. Competenze 4. HR Technology 5. Modalità formativa
PRODOTTO PROCESSO
SERVIZIO
BISOGNO
LEGENDA:
HR 5.0 1. Open
innovation 2. Agile 3. Holistic 4. People &
machine Learning 5. Micro -
learning
EXPERIENCE
L ’ E V O L U Z I O N E D E L L ’ H R V E R S O I L 5 . 0
Fonte: CeTIF, 2018
•
La Data Exploration supportata da tecnologie come l’A.I. e i Predictive Analytics offre alla funzione HR un apporto proatti- vo che aumenta il set informativo e la capacità di analisi attuale e prospettica dell’HR manager, sviluppandone maggior- mente il ruolo strategico di business partner.•
Per raggiungere l’obiettivo dell’HR 5.0 il target “tecnologico” è quello del People & Machine Learning, ossia dell’utilizzo avanzato di tutti i modelli di analisi dei dati descrittivi e predittivi. In questo modo è possibile porre l’employee al centro, conoscerlo in maniera olistica, sia attuale sia prospettica, per offrirgli la migliore esperienza possibile.DE FI NI ZI ONE ADVANCE D ANALYTI CS
L’analisi predittiva si basa sull’uso di algoritmi statistici e tecniche di machine learning che possono variare in base all’obiettivo che si intende raggiungere e alla tipologia di dati che si hanno a disposizione.
L’obiettivo è quello di superare la barriera descrittiva di ciò che può essere conosciuto analizzando il passato, al fine di fornire una migliore valutazione su cosa succederà in futuro.
L’analisi analitica e predittiva è la pratica di estrarre informazioni da dati raccolti su avvenimenti passati, al fine di individuare schemi ricorrenti che consentano di fare previsioni su eventi e trend futuri.
PERCHÉ È IMPORTANTE
COS’È
COME SI REALIZZA
TE X T A N A LYS I S
La Text Analysis consiste in algoritmi in grado di analizzare il contenuto di un testo identificando i termini che lo compongono, l’argomento, il contesto, il sentiment e le associazioni fra i termini e gli argomenti in modo tale da costruire sistemi automatici di categorizzazione.
NLP & ML
Context JL
Machine Learning H Discovery
Human Input
Topics, Insights, Relationships, Taxonomies, Scored Documents
Unstructured
Text Data Operations
Further Analysis
M A CHI N E LE A R N I N G
AMBITO MODELLO DESCRIZIONE
Generalized linear models
Decision Trees
Neural networks
K-means clustering
Consentono di modellare la relazione tra una variabile risposta un insieme di variabili esplicative attraverso una funzione lineare nei parametri, semplice da stimare e quasi sempre interpretabile.
Creano delle partizioni della base dati sulla in funzione di regressori, scelti per massimizzare la capacità di spiegare la variabile dipendente.
Modello composto da strati di neuroni connessi tra loro, ciascuno dei quali riceve informazioni dagli strati precedenti, le trasformano opportunamente le restituiscono come output agli strati successivi.
Le osservazioni vengono raggruppate sulla base della distanza reciproca in un numero di cluster pre-impostato.
SU PER VISIO NA T O
N O N S UPE R V IS IO N A TO SUPE R V IS IO N A TO
M ACHI NE LE AR NI NG
Il machine learning è un insieme eterogeneo di metodi che fornisce ai computer l’abilità di apprendere senza essere esplicitamente programmati.
Con apprendimento si intende lo studio di un comportamento ripetuto nel tempo ed intercettabile attraverso tecniche automatiche.
3 PARADIGMI DI APPRENDIMENTO
3 TIPOLOGIE DI PROBLEMI
• Supervisionato
• Non supervisionato
• Per rinforzo
• Regressione
• Classificazione
• Clusterizzazione
Apprendimento generale
Apprendimento di un’attività specifica
•
Il Customer Journey rappresenta, nella prassi, il percorso che il cliente fa con l’Istituzione Finanziaria evidenziando i mo- menti in cui interagiscono. Integrando le fonti dati interne ed esterne è possibile ora monitorare, anche nel continuo, i punti di contatto di ogni dipendente con l’istituzione e i bisogni (predictive) che può avere dal momento dell’inserimento a quello della conclusione del rapporto professionale.E M P L O Y E E J O U R N E Y & G O V E R N A N C E L I N K A N A L Y S I S
SEGMENTATION DISTRIBUTIONS
CONNECTIONS
La Link Analysis consiste nel processo di investigare strutture dati attraverso l’uso della teoria delle reti e dei grafi. Il dato viene descritto sulla base di nodi e archi.
Le caratteristiche della rete vengono misurate da statistiche raggruppabili in tre macro-categorie.
• Homophily
• Multiplexity
• Mutuality
• Network closure
• Propinquity
• Bridge
• Centrality
• Density
• Distance
• Structural holes
• Strength
• Clustering coefficient
• Cohesion
N E W C H A L L E N G E 4 H R
Leveraging business strategy through people strategy
Simulating scenarios and their implications before business decisions are made
•
L’utilizzo degli Advanced Analytics può supportare tutte le attività svolte dalla funzione HR. Ad oggi il più alto grado di ma- turità sull’implementazione di questa tecnologia, tra le istituzioni rappresentate nel gruppo di lavoro, è stato raggiunto nei processi di Talent Management (Performance & Potential) e nella Total Compensation Strategy, seguite da Organizational Development & Workforce Optimization e Learning & Training. Le applicazioni con il minor grado di maturità risultano invece quelle per la Talent Acquisition e per l’Employer Branding & Climate Analysis.•
La Predictive Analysis rappresenta una risorsa chiave per l’evoluzione verso la funzione HR 5.0 e di conseguenza per tutta l’organizzazione in quanto permetterà di sviluppare simulazioni e previsioni degli scenari futuri complessi e di conseguen- za costruire strategie di lungo periodo efficienti, che consentiranno alla struttura di rispondere al meglio e in maniera resi- liente ai cambiamenti con il corretto time to market.P I N C I P A L I H R A R E A
TALENT ACQUISITION RECRUITING & SOURCING
EMPLOYER BRANDING
&
CLIMATE ANALYSIS
LEARNING
&
TRAINING ORGANIZATIONAL DEVELOPMENT
&
WORKFORCE OPTIMIZATION TALENT MANAGEMENT PERFORMANCE & POTENTIAL
TOTAL COMPENSATION
STRATEGY Actionable
Insights
•
La leva che consentirà il reale sviluppo degli Advanced Analytics nella FSI sembra essere la necessità di offrire una visione oggettiva dei meccanismi che ad oggi, troppo spesso, godono di una visione soggettiva e influenzata dalle percezioni.•
Tra le principali barriere di implementazione di tali tecnologie, vi è quella dello scarso commitment dei manager, so- prattutto in alcuni ambiti come il Performance & Talent Management e la Workforce Opitimization. Per superarla è neces- sario allenare tutta la popolazione aziendale all’utilizzo, alla lettura e all’interpretazione dei dati che, così come un musco- lo, per raggiungere risultati sfidanti, deve essere costantemente esercitato.G e t C o n n e c t e d
CeTIF, Centro di Ricerca su Tecnologie, Innovazione e Servizi Finanziari
@cetif
@cetifunicatt
@CeTIF1
www.cetif.it
Via San Vittore, 18 Milano [email protected] 02 72342590
Headquarter
Via San Vittore, 18 20123
MILANO
3 L I V E L L I D I A N A L Y T I C S
Applicazione di tecniche di Data Visualization per l’abilitazione di report e dashboarding interattivi delle principali metriche e KPI HR Utilizzo di tecniche di Machine Learning per anticipare fenomeni e problem relative ad esempio a employer branding, analisi del turnover e dell’abbandono, forecasting dell’assenteismo, etc.
Implementazione di algoritmi di Intelligenza Artificiale al fine di conciliare corporate & people strategy e definire action plan data driven
