Memberdayakan Kekuatan Data SDM yang Tidak Terstruktur dengan Analisis Teks

Memberdayakan Kekuatan Data SDM yang Tidak Terstruktur dengan Analisis Teks

Heru Wiryanto
Senior Technical Advisor at BDO, People-Data Scientist

Terlepas dari kenyataan bahwa terdapat banyak spekulasi seputar data tidak terstruktur, sebagian besar pakar industri percaya bahwa 80% hingga 90% data dunia berupa data yang tidak terstruktur, dan sekitar 90% di antaranya dibuat dalam dua tahun terakhir saja. Dari organisasi yang sangat besar ini, hanya 0,5%  data yang tidak berstruktur yang dianalisis dan digunakan saat ini.

Sesuai proyeksi dari IDC, 80% data global akan tidak terstruktur pada tahun 2025. Untuk beberapa organisasi besar, itu sudah mencapai massa kritis itu. Data tidak terstruktur menjadi tantangan unik bagi perusahaan yang ingin memanfaatkan data mereka untuk analisis.   Jika perusahaan dan organisasi tidak siap untuk mencoba menangani data tidak terstrukturnya sekarang, masalah itu akan memburuk seiring waktu dimasa depannya.

Para Profesional dan praktisi SDM biasanya memiliki akses ke banyak data karyawan yang disebut data yang “terstruktur”, atau informasi yang dapat dihitung dan dianalisis dengan cepat dengan program spreadsheet untuk membuat tabel dan laporan pivot.   Contoh data SDM terstruktur termasuk gaji karyawan dan informasi demografis serta respons survei karyawan, yang semuanya merupakan alat yang ampuh untuk menganalisis dan memprediksi keluar masuk  dan memahami pendapat karyawan.

A.  Bagaimana dengan data yang “tidak terstruktur”?

Sumber lain yang kurang dikenal, kurang mudah dianalisis, tetapi berpotensi kuat untuk dapat menggali pengetahuan yang bersifat prediktif yang disebut data SDM “tidak terstruktur” atau “mentah”.   Data tidak terstruktur adalah informasi yang jauh lebih sulit untuk dihitung dan diatur dalam spreadsheet, tetapi berpotensi menghasilkan hasil yang sangat baik jika digunakan  analisis teks. Contoh data tidak terstruktur termasuk cerita atau esai, narasi dalam evaluasi kinerja karyawan atau Rencana Pengembangan Individu, jawaban tertulis atas pertanyaan tanggapan bebas, atau ulasan karyawan terhadap agensi atau sosial media di situs tertentu.

B. Perangkat Lunak Analisis Teks

Saat ini, berbagai macam program perangkat lunak tersedia untuk menganalisis data teks tidak terstruktur. Analisis data tidak terstruktur biasanya melibatkan fokus pada kata dan frasa yang paling sering muncul, kategorisasi kata yang diamati ke dalam kelompok terkait, dan analisis konteks kata dan kata sifat yang digunakan dalam data, untuk lebih memperjelas pendapat karyawan atau “sentimen” pada topik tertentu.

C. Bagaimana analitik teks dapat digunakan dengan data terstruktur di kalangan Praktisi dan Profesional SDM?

C.1. Survei

Data Terstruktur: Survei yang menanyakan pertanyaan “ya atau tidak”, atau pertanyaan survei skala Likert yang meminta karyawan untuk memberi peringkat tanggapan dari positif ke negatif (seperti Survei Sudut Pandang/ Perspesi Karyawan), memungkinkan profesional HR untuk dengan cepat menghitung jumlah positif atau negatif tanggapan dan mengurutkan berdasarkan demografi, pekerjaan dan geografi. Namun dilain pihak, skala likert dan pertanyaan ya / tidak memiliki beberapa keterbatasan, seperti jawaban yang telah ditentukan sebelumnya untuk kategori tertentu yang tidak fleksibel.

Data Tidak Terstruktur: Pertanyaan survei yang dimulai dengan “mengapa” dan “bagaimana”, dan memungkinkan responden untuk memberikan jawaban bebas terbatas, dapat memungkinkan karyawan untuk lebih kreatif memberikan umpan balik dan membuat sumber data teks untuk mengidentifikasi sentimen positif dan negatif. Analisis pertanyaan jawaban bebas dapat mengungkapkan frasa atau konsep yang sering diulang yang mungkin tidak diketahui oleh manajemen saat survei dirancang. Analisis teks juga dapat mengidentifikasi karyawan mana yang paling mungkin mengekspresikan sentimen positif atau negatif.

C.2. Individual Development Plans (IDPs)

Sering digunakan oleh para praktisi HR yang memungkinkan karyawan membuat daftar tujuan pengembangan karir jangka pendek dan panjang serta pelatihan yang dibutuhkan terkait dengan tujuan tertentu.

Data Terstruktur: Bagian IDP yang memiliki checklist yang telah ditentukan sebelumnya, seperti data demografis karyawan termasuk nama dan kelas, serta jumlah karyawan yang memiliki IDP, dapat memberikan sumber data terstruktur. Analisis data IDP terstruktur dapat mengungkapkan bagian mana dari organisasi yang memiliki karyawan yang kemungkinan besar telah membuat IDP, dan apakah yang memiliki IDP berkorelasi dengan kesuksesan atau pergantian kariernya.

Data Tidak Terstruktur: Deskripsi naratif karyawan tentang tujuan mereka, dapat menunjukkan apakah konsep tertentu sering diulangi dalam mendeskripsikan tujuan, yang dapat membantu manajemen mengidentifikasi kebutuhan pelatihan untuk organisasi.

C.3. Evaluasi Kinerja

Data Terstruktur: Peringkat numerik keseluruhan untuk karyawan adalah sumber paling jelas dari data terstruktur dalam evaluasi kinerja karyawan.  Para Pratisi SDM mungkin berusaha untuk mengevaluasi sejauh mana karyawan berperingkat tinggi dipromosikan, atau meninggalkan perusahaan.

Data Tidak Terstruktur: Narasi yang sering dimasukkan dalam evaluasi kinerja pekerja dapat dianalisis untuk mengidentifikasi konsep, dan ditautkan ke peringkat numerik untuk menentukan apakah konsep tertentu berkorelasi dengan peringkat kinerja yang lebih tinggi.

C.4. Rekrutasi dan Seleksi

Data Terstruktur: Tanggapan atas pertanyaan pilihan ganda pada aplikasi seperti pada ATS dapat membantu menentukan apakah pelamar memenuhi syarat untuk suatu posisi.

Data Tidak Terstruktur: Teks yang ditempatkan pelamar ke dalam resume dapat dipindai dan dicocokkan dengan pengumuman pekerjaan untuk membantu mengevaluasi dan kualifikasi calon karyawan untuk suatu posisi. Perekrut juga dapat melakukan eksplorasi data dan melakukan data mining  melalui resume mencari jurusan universitas, IPK, dan spesialisasi apa yang cocok.

D. Analisis teks dapat menghemat waktu!

Kemampuan analitik teks terbukti sangat berguna bagi para profesional SDM dengan mengurangi jumlah waktu yang dibutuhkan untuk memilah-milah data karyawan yang tidak terstruktur. Di lain pihak metode  yang secara manual dapat  memilih konsep yang sering diulang dalam survei karyawan dari ribuan karyawan, perangkat lunak analitik teks dapat secara otomatis dan akurat mencantumkan konsep umum, serta menentukan apakah konsep tersebut mengungkapkan sentimen positif atau negatif. Analisis teks dapat terbukti menjadi alat yang ampuh bagi para profesional dan pratisi SDM yang ingin mendapatkan lebih banyak makna  dan “actionable insight” dari data-data  mereka yang  miliki.

Sudah memsiapkan diri anda sebagai Profesional dan Praktisi SDM untuk belajar tentang Analisa Teks dan pengolahan data yang tidak berstruktur? Ayo move on dari zona nyaman…..  roda Learn-Unlearn – relearnnya diputar hingga membuat multiple loop learning.  Enjoy the journey.