Gambaran Talent Mapping (Peta Talent) Saat ini

Didalam Talent management dikenal peta talent yang lebih sering dikenal dengan “nine boxes” seperti gambar terlampir, dimana terdapat hasil penilaian potensi dan penilaian kinerja dan di orthogonalkan sehingga dapatlah peta ini

Datanya menjadi terstruktur namun statis dalam jangka waktu tertentu, keluhan dari manajemen atas adalah dengan data ini kita bisa apa? dikaitkan dengan kepentingan perusahaan.

Peta diatas dapat dinyatakan dalam proses analisa data, belum data analytics dikarenakan belum ada unsur prediksi di dalamnya yang dikaitkan dengan kepentingan bisnis.

Talent Mapping (Peta Talent) Masa Depan berdasarkan Analytics

Saya membuat simulasi data dari sebuah perusahaan yang telah menggunakan nine box yang bisa digambarkan sebagai berikut :

##   Potency Performance Prediction
## 1      73          70        Low
## 2      73          73     Medium
## 3      69          91        Low
## 4      55          76     Medium
## 5      64          77        Low
## 6      63          93       High

Peta Talent yang diperoleh hanyalah peta siapa yang masuk kelompok “STAR” dan “Talent Risk”, dstnya.

Mari kita coba masukan unsur analytics ke dalamnya, saya memasukan unsur prediksi untuk keluar perusahaan atau (Attrition Intention) yang merupakan hasil perhitungan dihasilkan oleh algoritma “Rendah”,“Menengah”,“Tinggi”.

Untuk bagaimana Proses perhitungan Prediksi akan dibahas dalam kajian lain, prediksi ini melibatkan 15 variabel dengan tingkat akurasi 93% digunakan validasi K Folding hingga 10 iterasi dengan melibatkan 10 algoritma machine learning.

Hasil dengan memperhitungkan Attrition Intention

Kita bisa lihat bahwa seseorang jika berada di posisi “STAR” namun attrition intentionnya tinggi apakah dapat dikatakan talent, bagaimana dengan yang pada posisi “talent risk” namun prediksi meninggalkan perusahaannya pada tingkat medium atau high.

Disini dengan memasukan prediksi attrition (meninggalkan perusahaan) maka perusahaan akan lebih dapat mengambil keputusan strategik, mana yang dipertahankan sebagai talent, yang dikembangkan, dengan mempertimbangkan faktor apakah talent tersebut akan meninggalkan perusahaan dalam waktu dekat atau tidak.

Kasus II di dunia sales

Dengan data yang sama saya peroleh hasil pemetaan talent dibidang sales sebagai berikut :

##   Competency Performance_Target  Fraud
## 1         73                 70    Low
## 2         73                 73 Medium
## 3         69                 91    Low
## 4         55                 76 Medium
## 5         64                 77    Low
## 6         63                 93   High

Informasi Yang diperoleh sama dengan di atas, dimana kesimpulan yang diperoleh dari sejumlah sales berdasar kompetensi dan kinerjanya.

Mari kita masukan unsur prediksi kemungkinan melakukan fraud yang dikenal dengan Fraud analytics.

prediksi untuk Melakukan Fraud atau (Fraud Intention) yang merupakan hasil perhitungan dihasilkan oleh algoritma dan hasilnya adalah : “Rendah”,“Menengah”,“Tinggi”.

Untuk bagaimana Proses perhitungan Prediksi akan dibahas dalam kajian lain, prediksi ini melibatkan 25 variabel dengan tingkat akurasi 90% digunakan validasi K Folding hingga 100 iterasi dengan melibatkan 10 algoritma machine learning.

Hasilnya adalah sebagai berikut :

Bayangkan jika sales competencynya mendekati 80 dan kinerjanya mendekati 100% namun resiko untuk melakukan fraudnya juga tinggi, bagaimana dengan yang competency rendah dan kinerja rendah dan intensi fraudnya juga tinggi. Dalam hal ini data dari talent mapping sales akan lebih “bunyi” untuk menentukan keputusan di masa depan.

Kesimpulan :

Depok, hari Pramuka tiga hari menjelang HUT Proklamasi

Heru Wiryanto