Nuancering af datapunkter
Et datapunkt skal sjældent forstås isoleret. I denne fase undersøges de prioriterede datapunkter yderligere, så nuancerne kan komme frem.
I processen fra indsamling af data til iværksættelse af initiativer er det centralt at stoppe op undervejs og sikre, at alle nuancer i data er med.
Efter prioritering af datapunkterne er det i mange tilfælde en fordel af undersøge nuancerne i de udvalgte punkter, før der opstilles konkrete målsætninger. På den måde sikres det, at jeres initiativ rammer den rigtige udfordring og målgruppe.
At nuancere data handler om at blive klogere på, hvad der gemmer sig bag datapunkterne – det kan være, at et af jeres resultater er drevet af en enkelt medarbejdergruppe eller afdeling. Derfor er det værdifuldt at opdele data på relevante grupper for at forstå nuancerne.
I kan nuancere jeres datapunkter på flere måder. I denne fase viser vi, hvordan man kan opdage nuancer ved at lave krydsanalyser og inddrage supplerende datakilder.
Hvad er en krydsanalyse?
Som det første skridt i at nuancere data, kan I med fordel foretage en krydsanalyse. Når I krydsanalyserer, tager I jeres primære datapunkt (f.eks. sygefravær) og ser på fordelingen i forhold til et eller flere andre datapunkter. Det kan f.eks. være aldersgrupper, køn, ansættelsesform eller andet, der virker relevant.
Måske har I allerede IT-systemer, der kan hjælpe jer med at nuancere data om jeres organisation - fx PowerBI. Uanset hvad kan en krydsanalyse af jeres datapunkter være et første skridt i at få overblik over jeres organisation.
Nedenfor viser vi et eksempel på, hvordan en krydsanalyse foretages, trin for trin. Guiden kan også downloades her.
Fremgangsmåde til krydsanalyse
Ligeledes kan I benytte jer af dette ark til at lave en pivottabel til krydsanalyse i Excel. Arket indeholder også et eksempel.
Antal sygedage opdelt på aldersgrupper og køn
Formålet med krydsanalysen i dette eksempel er at vurdere, om der er et mønster i, hvilke grupper der har et forøget sygefravær. Det gøres ved at krydse antallet af sygedage med medarbejdernes køn og alder.
Eksemplet beror på formatet i Excel-arket, der er linket ovenfor.
En krydsanalyse kan hjælpe jer til at blive klogere på forskellige medarbejdergrupper og identificere, hvor de største udfordringer ligger. Men de siger sjældent noget om årsagen.
Her kan det være en fordel at bruge supplerende datakilder til at blive skarpere på de bagvedliggende årsager. Supplerende datakilder kan være jeres arbejdspladsvurdering (APV) eller indsamling af input fra medarbejdere.
Med data fra jeres APV kan I se på, om der er en sammenhæng mellem faktorer som f.eks. medarbejdernes køn og alder og deres evalueringer af arbejdspladsen i APV’en.
I kan benytte data fra jeres APV til at lave en krydsanalyse, som vist i de foregående eksempler, hvor I kan bryde nogle af svarene fra jeres APV ned på mindre medarbejdergrupper. Her kan i f.eks. se på, om der er tendenser i svar fra medarbejderne i de grupper, som tidligere er identificeret som de grupper med størst fravær.
I denne værktøjskasse guider vi ikke til, hvordan I konkret kan arbejde med supplerende data, men I kan evt. lade jer inspirere af fremgangsmåden til at krydsanalysere med pivottabeller, når I arbejder med det disse data.
Nuancering af datapunkter
Nedenfor kan I læse, hvordan Virksomhed 1 og Virksomhed 2 har nuanceret deres data ved brug af krydsanalyser.
