Leíró és diagnosztikai elemzések: mi történt és miért

Rusznyák András

mesterséges intelligencia szakértő

If you prefer to read in English, you can find this article here

A legutóbbi cikkünkben azzal foglalkoztunk, miért fontos lefektetni az alapokat tiszta adatokkal, jól definiált mérőszámokkal és célokkal. Ezekre az alapokra építve, a legtöbb HR-csapat leíró analitikával kezdi – riportokkal, amelyek elárulják, mi történt, például létszámváltozásokat, fluktuációs mutatókat vagy képzés-kibocsátást. Ezek hasznosak, de csak tüneteket mutatnak, nem az okot.

A diagnosztikai analitika mélyebbre ás – megválaszolja a miért kérdést. Miért ugrott meg a fluktuáció? Mi okozta az elköteleződés visszaesését? Miért nőtt a hiányzások száma? A diagnosztika összekapcsolja az adatokat, és lehetővé teszi, hogy a HR már értelmes megoldásokat tervezzen — nem csak követi az eseményeket. Ez az ugrás az éberségtől a cselekvésig vezet.

FONTOS MEGJEGYZÉS:

Generatív MI-t is használtunk ennek a cikknek az elkészítéséhez..

🔍 Leíró analitika – „Mi történt?”

• Például: „A fluktuáció elérte a 12%-ot az elmúlt negyedévben.”

• Segít megállapítani a kiindulási értékeket és jelzi az eltéréseket.

🧠 Diagnosztikai analitika – „Miért történt?”

• Például: „A fluktuáció növekedése A csapatban egy vezetőváltás és ismételten alacsony elköteleződési pontszámok után jelentkezett.”

• Különböző módszereket foglal magába: korreláció, ok-okozati elemzés, hipotézis-próba — hogy azonosítsa a mozgatórugókat.

E kettő alkotja az analitikai létrát: a leíró analitika beazonosít, a diagnosztikai magyaráz, majd a prediktív előrejelez, a preskriptív pedig javaslatot tesz a következő lépésre.

Mi a különbség a leíró és diagnosztikai analitika között?

Miért van szüksége a HR-nek mindkettőre?

• Csak leíró analitika → reaktív és felületes: „Itt a probléma.”

• Diagnosztikai kiegészítéssel → proaktív és stratégiai: „Megértettük a miérteket – lépjünk!”

Például önmagában az nem elég, ha tudjuk, hogy magas a fluktuáció – tudnunk kell, mi áll mögötte: csökkenő elköteleződés, vezetőváltások, karrierlehetőségek hiánya stb. A diagnosztikai HR-analitika nélkülözhetetlen a valódi okok feltárásához.

Gyakori diagnosztikai módszerek a HR-ben

Gyakorlati példa: fluktuáció diagnosztizálása az Ügyfélszolgálat területén

Az alábbiakban bemutatunk néhány kulcsfontosságú diagnosztikai módszert, amelyet a HR-csapatok gyakorlatban is alkalmazhatnak:

1. Ok-okozati elemzés (Root-cause analysis)

   • Használjunk kilépési interjúkat vagy pulzusfelméréseket annak feltérképezésére, milyen okok állnak a dolgozói elégedetlenség mögött (pl. munka-magánélet egyensúly, szerepköri tisztázatlanság).

2. Részletes bontásos elemzés (Drill-down analysis)

   • Bontsuk az adatokat részlegek, munkaviszony hossza, földrajzi hely és beosztási szint szerint, hogy azonosítsuk, hol koncentrálódnak a problémák.

3. Korrelációs elemzés (Correlation analysis)

   • Vizsgáljuk meg, van-e kapcsolat például az alacsony elkötelezettség és a magas fluktuáció között.

   • Pl.: Azok a dolgozók, akik 3/5 alá értékelik vezetőjük támogatását, kétszer nagyobb valószínűséggel távoznak.

4. Hipotézisvizsgálat (Hypothesis testing)

   • Fogalmazzunk meg egy feltételezett okot, például: „A vezetői fluktuáció növeli a csapat lemorzsolódási kockázatát”, majd teszteljük statisztikai módszerekkel (pl. T-próbával).

   • Ez segít megkülönböztetni a valódi mintázatokat a véletlenszerű zajtól.

5. Kohorsz- és idősorelemzés (Cohort and time series analysis)

   • Kövessük nyomon egyes csoportok (pl. negyedéves belépők) alakulását időben, hogy lássuk, hogyan változik a teljesítmény vagy megtartás különböző intézkedések vagy események hatására.

Ezek a technikák megvalósíthatók táblázatokban, SQL-lel vagy BI-eszközökkel – nem szükséges hozzájuk fejlett szoftver. Ami igazán számít, az a strukturált gondolkodás és jól előkészített adathalmaz.

Forgatókönyv

Az első negyedévben az Ügyfélszolgálati csapat fluktuációja jelentősen megemelkedik a korábbi 11%-ról 16%-ra – ami aggodalomra ad okot.

1. lépés – Leíró analitika: a trend megerősítése

Mit teszel?

• Összesített fluktuáció kiszámítása az Ügyfélszolgálaton az elmúlt negyedévben az átlagos értékhez képest.

Szükséges adat:

• HRIS rendszerből származó kilépési dátumok, részlegkódok, időszakos létszámadatok.

Eszközök és készség:

• Excel pivot táblák vagy BI-szűrők (pl. Looker, Power BI) használata.

• Egyszerű aggregáció: fluktuációs ráta = kiszálló létszám ÷ átlaglétszám.

Ez megerősíti a problémát és pontosan lokalizálja az elemzést egy adott csapatra és időszakra.

2. lépés – Drill-down elemzés: hol a legsúlyosabb a helyzet?

Mit teszel?

• A fluktuáció lebontása munkaviszony hossza, helyszín vagy belépési cohort szerint.

Szükséges adat:

• HRIS-ben szerepel a belépési és kilépési dátum, lokalizáció és munkaviszony hosszának kalkulálása.

Eszközök és készség:

• Pivot tábla szűrőkkel, vagy BI eszközök kohorsz-diagramjai.

• Alapvető tudás az adatok szelekciójáról és elemzéséről.

Felfedezés: ~80%-ban az új belépők (<6 hónap) a X irodában lépnek ki.

3. lépés – Korreláció és ok-okozati vizsgálat

Mit teszel?

• Összehasonlítod a fluktuációt az elkötelezettségi felmérések és vezetői értékelések pontszámaival – különösen az onboarding során.

Szükséges adat:

• Elkötelezettségi felmérés: válaszok egyéni azonosítóval.

• HRIS: vezetői kijelölés és belépési kohorsz.

Eszközök és készség:

• Excel vagy BI használata szórásdiagramokhoz vagy korrelációs mátrixokhoz.

• Alapstatisztika: korrelációs együttható számítása (például Pearson r).

Megállapítás: az új belépők, akik ≤2.4/5 pontot adtak vezetői támogatásra, sokkal nagyobb valószínűséggel távoznak, mint akik ≥3.8-at értékeltek.

4. lépés – Hipotézisvizsgálat: a jelentőség ellenőrzése

Mit teszel?

• Teszt: „Azok az új belépők, akik alacsony vezetői támogatást kaptak, nagyobb eséllyel lépnek ki.”

Szükséges adat:

• Két csoport: alacsony vezetői támogatás vs. magas támogatás – fluktuációs adatokat is tartalmaz.

Eszközök és készség:

• T-próba végrehajtása Excel Analysis Toolpak modullal, Analyse-it bővítménnyel vagy nem-kódoló opensource eszközzel (pl. Rattle GUI).

• P-érték (<0.05) értelmezése statisztikai szignifikancia meghatározásához.

Az eredmények szerint a különbség statisztikailag valós, nem véletlenszerű.

5. lépés – Elméletalkotás: ok-okozati narratíva megépítése

A bizonyítékok alapján felállítod a hipotézist: egy nemrég történt vezetőváltás azt eredményezte, hogy az új belépők az X irodában nem kaptak megfelelő támogatást a korai időszakban, ami önkéntes kilépésekhez vezetett.

Szükséges kompetenciák és eszközök:

• Adattörténetmesélés képessége (storytelling), hogy világosan összefoglalhasd a főbb megállapításokat.

• Prezentációs eszközök (PowerPoint vagy BI dashboard-slides), hogy főbb érintettek számára kommunikáld a létrejött összefüggést.

Diagnosztikai elemzésekből cselekvés

Miután megértetted a miért kérdését, célzott beavatkozásokat tudsz kezdeményezni:

• Rövid távú lépések: írjátok elő, hogy a vezetők tartsanak heti 1:1 találkozókat az új belépőkkel az első 90 napban.

• Középtávú beavatkozások: indítsatok pilot programot mentori/buddy támogatással, kiegészítve vezetői tréninggel a korai beilleszkedés támogatására.

• Értékelés: 3–6 hónap múlva vizsgáljátok meg újra az új belépők fluktuációját, elköteleződését és vezetői elégedettségét.

Ez a struktúrált ciklus – adatból hipotézis, akció és újraértékelés – átalakítja a HR-t stratégiai architektussá, nem pedig reakciós egységgé.

Kerülendő hibák

Diagnosztikai kapacitás bővítése

Ha már kialakult a megbízhatóság és a támogatás az eredményekhez, automatizálni és fejleszteni lehet a diagnosztikai folyamatokat:

• Riasztások és küszöbértékek beállítása: Dashboard figyelmeztetés, ha mutatók eltérnek a normától (pl. fluktuáció +3%).

• Felmérések összehangolása: Összegyűjtés és automatikus elemzés: elköteleződés, onboarding, kilépés → mintázatok felismerése.

• Anomália detektálás: BI-eszközök (pl. Looker, Power BI) képesek jelölni szokatlan eltéréseket automatikus vizsgálatra.

Ez az érettségi fejlődés lehetővé teszi, hogy a HR a rendszeres jelentések helyett proaktív megfigyelő és beavatkozó funkcióvá váljon.

Összegzés és főbb tanulságok

• A leíró analitika megmutatja mi történt, míg a diagnosztikai analitika feltárja, miért történt.

• Az egyszerű módszerek – drill-down, korreláció, hipotézis-próba, ok-okozati elemzés – még fejlett eszközök nélkül is megfelelő eredményt adnak.

• Az Ügyfélszolgálat példája szemlélteti, hogyan vezet néhány diagnosztikai lépés célzott akciókhoz és potenciális fluktuációcsökkenéshez.

• A diagnosztikai megközelítés hitelességet épít, és megnyitja az utat prediktív és preskriptív gyakorlatok felé.

A valódi tudás születése: hogyan lépj túl a számokon és értsd meg az okokat

Miért fontos mindez?

• Transzparencia: Minden következtetés megalapozott — nem találgatás, hanem adat és statisztika támasztja alá.

• Világosság: A stakeholderek látják mi történt és miért, majd nyilvánvaló lépések felé haladnak.

• Skálázhatóság: A leíró → drill‑down → korreláció → teszt folyamat újrahasznosítható bármely HR‑kérdéshez, legyen az elégedettség csökkenése vagy képzések hatékonysága.

Következik: Következő cikkünkben a prediktív elemzést fogjuk megvizsgálni – ahol a HR a múltbeli események megértésétől a jövőbeli trendek és a személyzeti igények előrejelzéséig jut el.

Olvastad már a többi cikkünket? Irány a Tudástér

Kérdésed vagy megjegyzésed van? Lépj velünk kapcsolatba