L'HR analytics è l'uso sistematico dei dati sulle persone di un'azienda per rispondere a domande di gestione: chi rischia di andarsene, dove il carico è squilibrato, quale formazione funziona. Per un consulente HR comincia da una domanda, non da un software.
Questa definizione toglie di mezzo l'equivoco più diffuso, cioè che l'HR analytics sia una faccenda di algoritmi predittivi e grandi piattaforme. Nelle piccole e medie imprese italiane che segui, i dati sono pochi, sparsi e imperfetti. Ed è proprio lì che un consulente HR può fare la differenza, con metodo e strumenti alla portata di uno studio di poche persone.
Che differenza c'è tra HR analytics e people analytics?
Nella pratica i due termini si usano come sinonimi. Quando si distinguono, HR analytics indica l'analisi dei processi della funzione del personale, come selezione, formazione, retribuzione e assenze, mentre people analytics allarga lo sguardo a tutto ciò che riguarda le persone e il loro modo di lavorare, comprese collaborazione, clima e percorsi di carriera.
Per un consulente la distinzione conta poco. Conta invece un'altra differenza, quella tra tre livelli di maturità:
- Descrittivo: cosa è successo. Quante persone sono uscite, in quali reparti, con quale anzianità.
- Diagnostico: perché è successo. Le uscite si concentrano dove il clima è peggiore? Dove manca la formazione?
- Predittivo: cosa succederà. Quali profili hanno caratteristiche simili a chi se n'è già andato.
La maggior parte del valore, nelle aziende di piccole e medie dimensioni, sta nei primi due livelli. Il terzo richiede volumi di dati che un'azienda con cento dipendenti spesso non ha, e va trattato con cautela.
Perché un consulente HR dovrebbe occuparsene adesso?
Per tre ragioni pratiche.
La prima: le aziende che segui hanno già dati, ma non li guardano insieme. Le presenze stanno nel gestionale delle paghe, le valutazioni in un foglio di calcolo, la formazione in un altro, il clima in un questionario dell'anno scorso. Chi li mette in fila per primo vede cose che nessuno in azienda ha mai visto.
La seconda: l'analisi dei dati trasforma una consulenza da opinione a evidenza. Dire "secondo me nel magazzino c'è un problema di gestione" è un'opinione; mostrare che lì le uscite volontarie sono il triplo della media aziendale, ed è un esempio, apre una conversazione diversa con la direzione.
La terza: gli strumenti di intelligenza artificiale hanno abbassato la barriera d'ingresso. Pulire una tabella, classificare risposte aperte, scrivere una formula o un primo commento ai risultati sono attività che oggi un consulente svolge senza competenze di programmazione. Non serve un data scientist per i primi due livelli: serve metodo.
Da dove si parte: il metodo in sei passi
1. Scegliere una domanda di business
Ogni progetto di HR analytics parte da una domanda che interessa alla direzione, formulata in modo che i dati possano rispondere. "Come stanno i nostri dipendenti?" non lo è. "Perché nell'ultimo anno abbiamo perso più tecnici del solito, e dove?" sì.
Le domande che funzionano meglio all'inizio riguardano quasi sempre uno di questi temi: turnover, assenze, carico di lavoro, efficacia della formazione, equità retributiva, tempi di inserimento dei nuovi assunti.
2. Fare l'inventario dei dati
Prima di chiedere qualsiasi cosa, mappa cosa esiste. Una tabella con quattro colonne basta: quale dato, dove si trova, chi lo gestisce, con quale aggiornamento. In una PMI tipica trovi:
- anagrafica del personale: ruolo, reparto, sede, data di assunzione, livello contrattuale;
- dati di presenza e assenza dal gestionale delle paghe;
- uscite, con data e, se registrato, motivo;
- ore e partecipanti della formazione;
- valutazioni delle prestazioni, quando esistono;
- risultati di questionari di clima o di engagement.
Spesso emerge che un dato chiave non esiste, per esempio il motivo delle uscite. È già un risultato: la prima raccomandazione sarà cominciare a raccoglierlo.
3. Chiedere i dati nel modo giusto
Il consulente HR tratta dati personali, alcuni delicati. Prima di ricevere qualsiasi file serve chiarire con l'azienda il ruolo di ciascuno nel trattamento, la base giuridica e le misure di sicurezza, coinvolgendo chi in azienda si occupa di protezione dei dati. Due regole operative valgono sempre:
- chiedi solo ciò che serve alla domanda, non l'intero archivio;
- lavora su dati pseudonimizzati: un codice al posto del nome, e la chiave che collega codici e persone resta in azienda.
Chiedi i dati con un modello già pronto, una tabella con le colonne nell'ordine che ti serve. Ridurrai di molto il tempo speso a ripulire esportazioni diverse da un cliente all'altro.
4. Pulire e collegare
È la parte meno visibile e più lunga. Reparti scritti in tre modi diversi, date in formati incompatibili, persone uscite e rientrate. Qui un assistente di intelligenza artificiale è utile: può proporti le regole di pulizia, uniformare le etichette, segnalare i valori anomali. Il controllo finale, però, resta tuo, perché un errore in questa fase si propaga a tutte le conclusioni.
5. Calcolare pochi indicatori, bene
Meglio cinque indicatori affidabili che trenta discutibili. Per cominciare, questi coprono la maggior parte delle domande:
- Tasso di turnover volontario: uscite volontarie nel periodo divise per l'organico medio, per reparto e per fascia di anzianità.
- Turnover nel primo anno: quota di nuovi assunti che lasciano entro dodici mesi. È il segnale più diretto di problemi di selezione o di inserimento.
- Tasso di assenza: ore di assenza non programmata sulle ore lavorabili, per reparto e per mese.
- Ore di formazione per persona, incrociate con ruolo e valutazione.
- Punteggi di clima per dimensione, se esiste una rilevazione: ne abbiamo parlato nella guida all'analisi del clima aziendale.
Il valore nasce dall'incrocio. Il turnover da solo descrive; il turnover messo accanto al clima per reparto comincia a spiegare.
6. Raccontare il risultato
La direzione non vuole vedere una tabella, vuole capire cosa fare. Una buona restituzione ha una struttura fissa: la domanda di partenza, tre risultati al massimo, ciascuno con un grafico semplice, e per ciascuno una proposta di intervento con un indicatore per misurarne l'effetto. Tutto il resto va in appendice.
Un esempio dichiarato: il caso dei tecnici che se ne vanno
Immagina, ed è un esempio costruito per illustrare il metodo, un'azienda meccanica con 120 dipendenti. La direttrice del personale ti chiama perché "stiamo perdendo tecnici". Ecco come lo affronteresti.
La domanda: dove e quando escono i tecnici, e cosa hanno in comune quelli che escono?
I dati: anagrafica degli ultimi tre anni, date e motivi delle uscite quando registrati, assenze mensili, ore di formazione, un questionario di clima di diciotto mesi prima.
Cosa emerge, nel nostro esempio: le uscite si concentrano tra i tecnici assunti da meno di due anni, in uno solo dei due stabilimenti. In quello stabilimento i nuovi assunti hanno ricevuto in media meno ore di formazione iniziale, e la dimensione "relazione con il responsabile diretto" del questionario di clima era la più bassa dell'azienda.
La proposta: un percorso di inserimento strutturato per i nuovi tecnici, un intervento di sviluppo per i capi turno di quello stabilimento, e un indicatore, il turnover nel primo anno, da rivedere ogni trimestre.
Nessun algoritmo predittivo: solo tre fonti di dati messe in fila e una domanda chiara. È così che si fa HR analytics in una PMI.
Che ruolo ha l'intelligenza artificiale?
Un ruolo grande, ma diverso da quello che si immagina. L'AI non sostituisce il ragionamento sulla domanda né il giudizio sulle conclusioni. Accelera molto, invece, tre passaggi:
- la pulizia dei dati, proponendo regole e segnalando incoerenze;
- la lettura delle risposte aperte di questionari e colloqui di uscita, raggruppandole per tema e per tono, un lavoro che a mano richiede giorni;
- la prima stesura dei commenti ai grafici, che il consulente poi corregge e firma.
Su un punto serve prudenza. I modelli predittivi applicati a singole persone, del tipo "questo dipendente ha un'alta probabilità di dimettersi", sollevano questioni di correttezza, di trasparenza verso i lavoratori e di conformità alle norme sulla protezione dei dati e sull'intelligenza artificiale. Per un consulente che lavora con PMI la strada più solida è analizzare gruppi, non individui.
È anche la logica della vela AI invisibile e integrata di PinWell: l'intelligenza artificiale lavora dentro i processi, come il sentiment delle risposte aperte nel cruscotto diagnostico, senza chiedere al consulente di diventare un tecnico. Trovi le quattro vele descritte nella home.
Gli errori più comuni
- Partire dallo strumento invece che dalla domanda, e finire con un cruscotto bellissimo che non risponde a nulla.
- Chiedere tutti i dati, con il risultato di rallentare il progetto e aumentare i rischi sulla privacy.
- Confondere correlazione e causa: se il turnover è alto dove la formazione è bassa, non è detto che la formazione sia la causa. Va verificato con le persone.
- Mostrare risultati su gruppi troppo piccoli, rendendo riconoscibili le persone.
- Fare un'analisi una tantum. Il valore cresce quando gli stessi indicatori si ripetono nel tempo e la direzione si abitua a guardarli.
Come trasformarlo in un servizio per il tuo studio
Il primo progetto di HR analytics richiede tempo perché costruisci tutto da zero: modello di richiesta dati, regole di pulizia, indicatori, grafici, struttura della restituzione. Dal secondo progetto in poi, se hai standardizzato questi pezzi, il lavoro si riduce in modo drastico e puoi offrirlo come servizio ricorrente: una lettura trimestrale degli indicatori per le aziende che segui.
È una delle mosse che permettono a una società di consulenza HR di crescere senza aggiungere ore di backoffice: ne abbiamo parlato in Cosa fa davvero un consulente di direzione nel 2027. E se vuoi vedere come PinWell automatizza raccolta, cruscotti e monitoraggio con il brand del tuo studio, parti dalla pagina principale.
Domande frequenti
Serve un software specifico per fare HR analytics?
No, non per cominciare. Per i livelli descrittivo e diagnostico bastano un foglio di calcolo ben strutturato, un modello standard per la richiesta dei dati e uno strumento per i grafici. Una piattaforma diventa utile quando l'analisi si ripete nel tempo e su più aziende.
Quali dati servono per iniziare un progetto di HR analytics?
Quelli necessari a rispondere alla domanda scelta. In genere bastano anagrafica del personale, uscite con data e motivo, assenze, formazione e, se disponibile, un questionario di clima. Meglio pochi dati affidabili che un archivio completo e disordinato.
L'HR analytics funziona anche nelle piccole imprese?
Sì, ai livelli descrittivo e diagnostico. Con poche decine di dipendenti i modelli predittivi non sono affidabili, ma mettere in fila turnover, assenze, formazione e clima per reparto basta spesso a individuare dove intervenire.
Come si gestisce la privacy nell'HR analytics?
Chiarendo con l'azienda ruoli e base giuridica del trattamento prima di ricevere i dati, chiedendo solo ciò che serve, lavorando su dati pseudonimizzati e non mostrando risultati per gruppi così piccoli da rendere riconoscibili le persone.
Che differenza c'è tra HR analytics e people analytics?
Spesso nessuna nell'uso comune. Quando si distinguono, l'HR analytics guarda ai processi della funzione del personale, la people analytics a tutto ciò che riguarda le persone e il modo in cui lavorano, compresi clima e collaborazione.
