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 dataindsamling til konkrete initiativer er det vigtigt at stoppe op og undersøge, hvad der ligger bag jeres resultater.
Efter prioritering af datapunkterne er det i mange tilfælde en fordel at undersøge nuancerne i de udvalgte punkter, før der opstilles konkrete målsætninger. På den måde sikres det, at jeres initiativer retter sig mod den relevante udfordring og målgruppe.
At nuancere data handler om at blive klogere på, hvad der gemmer sig bag et datapunkt. Et resultat kan f.eks. være drevet af en bestemt medarbejdergruppe eller afdeling. Ved at opdele data på relevante grupper kan I derfor få et mere nuanceret billede af, hvor forskellene og udfordringerne ligger.
I denne fase viser vi, hvordan I kan nuancere jeres data ved hjælp af krydsanalyser og inddragelse af supplerende datakilder.
Hvad er en krydsanalyse?
Som det første skridt i at nuancere data, kan I med fordel foretage en krydsanalyse.
En krydsanalyse kan hjælpe jer med at undersøge et datapunkt mere detaljeret. I tager udgangspunkt i et primært datapunkt, fx sygefravær, og ser på, hvordan det fordeler sig på andre relevante forhold. Det kan bl.a. være fordelingen af sygefravær på forskellige aldersgrupper, køn eller ansættelsesformer.
Måske har I allerede systemer, der kan hjælpe jer med at analysere jeres data, såsom Power BI. Uanset hvilke værktøjer I bruger, kan en krydsanalyse være en god måde at få øje på forskelle og mønstre i jeres data.
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, som I kan tage udgangspunkt i.
Antal sygedage opdelt på aldersgrupper og køn
Formålet med krydsanalysen i dette eksempel er at vurdere, om der er et mønster i, hvilke medarbejdergrupper der har et forøget sygefravær. Det gør vi ved at se antallet af sygedage i sammenhæng med medarbejdernes alder og køn.
Eksemplet tager udgangspunkt i formatet i Excel-arket ovenfor.
En krydsanalyse kan hjælpe jer med at blive klogere på forskellige medarbejdergrupper og identificere, hvor de største udfordringer ligger. Men den 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 bl.a. være jeres arbejdspladsvurdering (APV), trivselsmålinger 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 disse data.
Nuancering af datapunkter
Nedenfor kan I læse, hvordan Virksomhed 1 og Virksomhed 2 har nuanceret deres data ved brug af krydsanalyser.
