Bagian III · Modul 3 dari 7 · Menengah
People Analytics: Metrik HR, Rumus Turnover, dan ISO 30414
Data karyawan bisa menjawab pertanyaan bisnis, asal dipakai dengan benar. Pelajari level analitik, rumus metrik HR, contoh analisis turnover, dan batas etikanya.
14 menit baca · Diperbarui · 7 referensi
Intinya
- –People analytics punya empat level: deskriptif, diagnostik, prediktif, dan preskriptif. Kuasai level dasar dulu.
- –Metrik inti seperti turnover, time to hire, dan absensi punya rumus baku; konsistensi definisi lebih penting dari kecanggihan alat.
- –ISO 30414 memberi kerangka pelaporan human capital agar angka SDM bisa dibandingkan dan dipertanggungjawabkan.
- –Data karyawan adalah data pribadi. UU PDP 27/2022 menuntut tujuan yang jelas, akses terbatas, dan keamanan data.
- –Hasil analisis baru berguna kalau disampaikan sebagai cerita yang jujur: kesimpulan di depan, batas data disebut, dan usulan tindakan jelas.
"Kayaknya banyak yang resign gara-gara gaji." Kalimat seperti ini sering terdengar di rapat. Masalahnya, "kayaknya" bukan dasar keputusan yang kuat. Bisa jadi gaji memang masalah, tapi bisa juga penyebabnya atasan tertentu, jadwal shift, atau jarak rumah. People analytics (analitik SDM) membantu HR menjawab pertanyaan seperti ini pakai data, bukan tebakan.
Modul ini membahas level analitik, metrik HR inti beserta rumusnya, contoh analisis turnover langkah demi langkah, standar pelaporan ISO 30414, dan batasan etika serta hukum saat mengolah data karyawan.
Asal-usul singkat dan kenapa ini penting buat kamu
Mengukur orang di tempat kerja bukan hal baru. Sejak awal abad ke-20, pabrik sudah mencatat waktu kerja dan output per pekerja. Bedanya, dulu data itu dipakai untuk mengawasi. Sekitar 2010-an, istilah HR analytics dan people analytics mulai populer seiring sistem HR digital (HRIS) yang menyimpan data karyawan dalam jumlah besar. Pertanyaannya bergeser dari "siapa yang malas?" menjadi "kondisi kerja seperti apa yang membuat orang bertahan dan berkinerja baik?"
Buat kamu yang baru mulai, ini kabar baik. Kemampuan mengolah data HR masih langka di banyak perusahaan Indonesia, terutama di tingkat menengah. Staf HR yang bisa merapikan spreadsheet, menghitung turnover dengan benar, dan menjelaskan artinya dalam satu slide sering jadi andalan atasannya. Kamu tidak perlu jago coding untuk mulai. Pivot table dan rasa ingin tahu sudah cukup untuk level pertama.
Empat level analitik
Analitik bisa dibayangkan seperti naik level di game. Kamu nggak bisa langsung lompat ke level terakhir tanpa menguasai level awal.
Gambar 1. Level people analytics
| Level | Pertanyaan | Contoh alat |
|---|---|---|
| Deskriptif | Berapa turnover bulan lalu per divisi? | Spreadsheet, pivot table, dasbor |
| Diagnostik | Kenapa turnover divisi A dua kali lipat divisi B? | Perbandingan kelompok, exit interview, korelasi |
| Prediktif | Siapa yang berisiko resign 6 bulan ke depan? | Regresi, model machine learning |
| Preskriptif | Intervensi apa yang paling efektif dan terjangkau? | Simulasi skenario, eksperimen kecil |
Kajian tentang adopsi workforce analytics menunjukkan bahwa banyak organisasi tersendat bukan karena kurang teknologi, tapi karena faktor organisasi: data tersebar, peran tidak jelas, dan analitik belum melekat dalam proses pengambilan keputusan [3]. Penelitian lain menemukan bahwa kemampuan analitis saja tidak cukup; kemampuan storytelling (menyampaikan cerita dari data) ikut menentukan apakah hasil analisis dipakai [2].
Istilah kunci dalam people analytics
| Istilah | Artinya | Contoh |
|---|---|---|
| HRIS | Sistem informasi HR untuk menyimpan data karyawan | Aplikasi absensi dan payroll yang dipakai perusahaan |
| Headcount | Jumlah karyawan pada satu titik waktu | Headcount 31 Desember: 740 orang |
| FTE | Full-time equivalent, setara karyawan penuh waktu | Dua karyawan paruh waktu 20 jam per minggu = 1 FTE |
| Segmentasi | Memotong data per kelompok untuk mencari pola | Turnover per toko, per shift, per masa kerja |
| Korelasi | Dua hal cenderung bergerak bersama | Toko dengan lembur tinggi juga punya turnover tinggi |
| Kausalitas | Satu hal benar-benar menyebabkan yang lain | Pendampingan membuat karyawan baru bertahan lebih lama |
| Anonimisasi | Menghapus identitas supaya individu tidak bisa dikenali | Nama diganti ID acak, tanggal lahir diganti kelompok usia |
Dua istilah yang paling sering tertukar adalah korelasi dan kausalitas. Nanti ada bagian khusus soal ini, karena kesalahan di sini bisa membuat perusahaan menghabiskan anggaran untuk solusi yang salah.
Gambar 2. Pilih pertanyaan analisis
Ketersediaan data →
Metrik HR inti dan rumusnya
Sebelum bikin model rumit, pastikan metrik dasar dihitung dengan definisi yang sama setiap bulan. Ini rumus yang paling sering dipakai:
| Metrik | Rumus | Catatan |
|---|---|---|
| Turnover rate | Jumlah karyawan keluar ÷ rata-rata jumlah karyawan × 100% | Rata-rata = (awal periode + akhir periode) ÷ 2 |
| Voluntary turnover | Karyawan resign atas kemauan sendiri ÷ rata-rata karyawan × 100% | Pisahkan dari PHK dan kontrak habis |
| Early turnover | Keluar < 90 hari ÷ jumlah rekrutan periode itu × 100% | Indikator kualitas rekrutmen dan onboarding |
| Retention rate | Karyawan yang bertahan dari awal sampai akhir periode ÷ karyawan awal × 100% | Tidak menghitung rekrutan baru |
| Time to hire | Tanggal kandidat terima tawaran − tanggal lamar | Bisa juga dihitung dari tanggal lowongan dibuka (time to fill) |
| Absenteeism rate | Hari tidak hadir tanpa rencana ÷ total hari kerja terjadwal × 100% | Cuti tahunan tidak dihitung |
| Cost per hire | Total biaya rekrutmen ÷ jumlah rekrutan | Iklan, agensi, tes, waktu interviewer |
Latihan hitung
Hitung turnover rate dengan rata-rata headcount
Angka awalnya diambil dari studi kasus startup di bagian akhir modul: rata-rata 30 engineer, 9 resign dalam setahun. Ubah angkanya, lalu perhatikan bagaimana ukuran kelompok dan jenis keluar memengaruhi cara membaca hasil.
Hasil
- Rata-rata headcount
- 30
- Voluntary turnover
- 30%
- Turnover rate
- 30%
Angka ini baru bermakna kalau dibandingkan: dengan periode lalu, dengan divisi lain, atau dengan target. Langkah berikutnya, potong per masa kerja untuk melihat di mana orang paling banyak keluar.
Contoh hitungan dan template kamus metrik
Rumus baru benar-benar nempel kalau dicoba dengan angka. Berikut contoh dari satu cabang perusahaan distribusi fiktif. Coba hitung sendiri dulu sebelum melihat hasilnya.
Latihan hitung lima metrik
- 1
Absenteeism rate
50 karyawan × 22 hari kerja = 1.100 hari terjadwal. Ada 33 hari tidak hadir tanpa rencana. Hasilnya 33 ÷ 1.100 × 100% = 3,0%.
- 2
Cost per hire
Iklan Rp6 juta + agensi Rp24 juta + tes Rp4,5 juta + waktu interviewer Rp5,5 juta = Rp40 juta untuk 16 rekrutan. Hasilnya Rp40 juta ÷ 16 = Rp2,5 juta per rekrutan.
- 3
Early turnover
Dari 16 rekrutan itu, 5 keluar sebelum 90 hari. Hasilnya 5 ÷ 16 × 100% = 31,25%, dibulatkan 31,3%.
- 4
Retention rate
Awal tahun ada 120 karyawan. Dari 120 orang itu, 18 keluar selama setahun. Yang bertahan 102 orang, jadi 102 ÷ 120 × 100% = 85%.
- 5
Time to hire
Kandidat melamar 3 Maret dan menerima tawaran 24 Maret. Time to hire = 21 hari.
Supaya semua orang menghitung dengan cara yang sama, tulis definisinya dalam kamus metrik (data dictionary). Satu baris per metrik, disepakati bersama keuangan dan manajemen, lalu dibagikan ke semua yang membuat laporan.
| Kolom | Isi |
|---|---|
| Nama metrik | Voluntary turnover rate |
| Definisi | Persentase karyawan tetap dan kontrak yang mengundurkan diri atas kemauan sendiri |
| Rumus | Jumlah resign sukarela ÷ rata-rata headcount × 100% |
| Yang tidak dihitung | PHK, kontrak habis, pensiun, meninggal dunia, peserta magang |
| Sumber data | HRIS, modul data karyawan keluar |
| Frekuensi | Bulanan, dan kumulatif 12 bulan bergulir |
| Pemilik | Tim HR operasional cabang |
Contoh analisis turnover langkah demi langkah
- 1
Rumuskan pertanyaan bisnis
"Kenapa turnover staf toko naik dari 28% ke 41% dalam setahun, dan apa yang bisa diperbaiki dalam 6 bulan?"
- 2
Kumpulkan data minimal
Tanggal masuk dan keluar, alasan keluar, toko, atasan langsung, shift, jarak rumah (kategori), gaji pokok, skor kinerja terakhir. Hanya ambil kolom yang relevan.
- 3
Bersihkan data
Samakan format tanggal, hapus duplikat, pisahkan resign sukarela dari PHK dan kontrak habis.
- 4
Potong per kelompok
Hitung turnover per toko, per atasan, per masa kerja, per shift. Cari kelompok yang menyimpang jauh dari rata-rata.
- 5
Uji dugaan
Kalau turnover tinggi di toko dengan shift malam, cek apakah toko lain dengan shift malam juga tinggi. Bedakan korelasi dan sebab.
- 6
Lengkapi dengan cerita
Wawancara singkat 8–10 karyawan yang keluar dan yang bertahan. Angka menunjukkan di mana, cerita menjelaskan kenapa.
- 7
Sampaikan rekomendasi
Satu slide: temuan, dampak rupiah, usulan, dan cara mengukur keberhasilan.
Gambar 3. Turnover per masa kerja
Studi kasus
Studi kasus: Minimarket Segar Hemat
Jaringan minimarket di Jawa Timur ini punya 62 toko dan 740 karyawan. Turnover tahunan 41%. Tim HR dua orang mengolah data 18 bulan di spreadsheet. Temuannya: 46% yang keluar masa kerjanya di bawah 3 bulan, dan 9 toko menyumbang hampir 40% total keluar. Di 9 toko itu, karyawan baru langsung ditaruh di shift malam tanpa pendamping. Wawancara memperkuat dugaan: karyawan baru merasa ditinggal sendirian. HR mengusulkan aturan sederhana: dua minggu pertama hanya shift pagi atau siang dengan pendamping. Biayanya hampir nol, hanya pengaturan jadwal. Enam bulan kemudian, early turnover di 9 toko itu turun dari 52% ke 30%. Penghematan biaya rekrutmen dan pelatihan diperkirakan Rp180 juta per tahun.
ISO 30414: standar pelaporan human capital
ISO 30414 adalah pedoman internasional untuk human capital reporting (pelaporan modal manusia), edisi pertamanya terbit 2018 [5]. Tujuannya supaya angka SDM dilaporkan dengan cara yang konsisten, baik untuk manajemen internal maupun pihak luar seperti investor. Standar ini mengelompokkan metrik ke dalam beberapa area, antara lain:
- Kepatuhan dan etika (misalnya jumlah keluhan dan pelanggaran)
- Biaya tenaga kerja dan biaya rekrutmen
- Keberagaman tenaga kerja
- Kepemimpinan dan budaya organisasi
- Kesehatan, keselamatan, dan kesejahteraan kerja
- Produktivitas, misalnya pendapatan per karyawan
- Rekrutmen, mobilitas, dan turnover
- Keterampilan, suksesi, dan ketersediaan tenaga kerja
Kamu tidak harus langsung memakai semuanya. Pilih metrik yang relevan dengan strategi, tapi ikuti definisinya supaya angka bisa dibandingkan dari tahun ke tahun. Kajian dengan sudut pandang "masyarakat audit" menyoroti bahwa analitik HR juga menciptakan akuntabilitas: begitu angka dilaporkan, orang dan unit akan dinilai berdasarkan angka itu, dengan segala konsekuensinya [4].
Cara memulai pelaporan ala ISO 30414 di perusahaan menengah
- 1
Pilih 8–10 metrik
Ambil satu atau dua metrik dari area yang paling relevan dengan strategi, misalnya turnover, biaya rekrutmen, jam pelatihan per karyawan, dan tingkat kecelakaan kerja.
- 2
Samakan definisi
Masukkan semua metrik ke kamus metrik, lalu cocokkan dengan definisi di standar sebisa mungkin.
- 3
Kumpulkan data setahun ke belakang
Supaya laporan pertama sudah punya pembanding. Catat kalau ada data yang tidak lengkap.
- 4
Laporkan internal dulu
Bawa ke direksi sebagai laporan human capital tahunan. Setelah prosesnya stabil, baru pertimbangkan pelaporan ke pihak luar.
Etika data dan UU PDP 27/2022
Data karyawan termasuk data pribadi. Sebagian bahkan masuk kategori data pribadi spesifik menurut UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi, misalnya data kesehatan. Literatur HR analytics sendiri mengakui bahwa bidang ini tumbuh sambil membawa tantangan etika yang belum selesai, dari privasi sampai keadilan [1].
Checklist etika sebelum menganalisis
- 1
Tujuan jelas
Tulis tujuan analisis. Data hanya dipakai untuk tujuan itu, bukan untuk "mencari-cari" kesalahan individu.
- 2
Data seminimal mungkin
Kalau tidak perlu nama, pakai ID. Kalau tidak perlu alamat lengkap, pakai kategori jarak.
- 3
Akses terbatas
Hanya orang yang berkepentingan yang bisa membuka file mentah. Simpan di folder terkunci, bukan grup chat.
- 4
Laporan agregat
Jangan tampilkan kelompok yang terlalu kecil (misalnya kurang dari 5 orang) supaya individu tidak bisa ditebak.
- 5
Transparan ke karyawan
Karyawan berhak tahu data apa yang dikumpulkan dan untuk apa. Cantumkan di kebijakan privasi internal.
Secara umum, UU PDP mengatur bahwa pemrosesan data pribadi harus punya dasar yang sah, dilakukan sesuai tujuan, dan dijaga keamanannya. Pengendali data juga wajib menindaklanjuti kalau terjadi kebocoran. Dalam praktik HR, artinya file gaji dan data kesehatan tidak boleh beredar lewat grup chat, laptop pribadi, atau flashdisk tanpa pengamanan. Kalau perusahaan memakai vendor HRIS atau konsultan analitik, pastikan perjanjiannya mengatur kerahasiaan dan pembatasan penggunaan data. Untuk detail kewajiban dan pengecualiannya, baca teks undang-undang dan peraturan pelaksananya bersama tim legal.
Membaca hasil dengan benar: korelasi bukan sebab
Kesalahan paling sering dalam people analytics adalah menganggap dua hal yang bergerak bersama pasti saling menyebabkan. Contoh: karyawan yang ikut pelatihan punya turnover lebih rendah. Apakah pelatihan membuat orang bertahan? Bisa jadi. Tapi bisa juga karena atasan hanya mengirim karyawan yang memang betah ke pelatihan. Sebelum menyimpulkan, ajukan tiga pertanyaan berikut.
- Ada faktor ketiga? Misalnya masa kerja, lokasi, atau atasan yang memengaruhi keduanya sekaligus.
- Arah sebabnya terbalik? Mungkin orang yang sudah mau bertahan lebih rajin ikut pelatihan, bukan sebaliknya.
- Kelompoknya cukup besar? Selisih 2 orang di tim berisi 10 orang bisa terlihat seperti lonjakan 20%.
Cara paling kuat menguji sebab adalah eksperimen kecil. Misalnya, terapkan program onboarding baru di 5 toko dan bandingkan dengan 5 toko serupa yang belum menerapkan. Tidak sempurna, tapi jauh lebih meyakinkan daripada sekadar korelasi.
Kesalahan lain yang sering muncul: membandingkan bulan yang tidak setara (Desember yang penuh cuti dengan Maret yang normal), lupa bahwa angka persentase dari kelompok kecil sangat mudah naik-turun, dan hanya melaporkan rata-rata padahal sebarannya lebar. Rata-rata lembur 10 jam bisa berarti semua orang lembur 10 jam, atau separuh tim lembur 20 jam sementara separuh lainnya nol. Selalu lihat juga sebaran datanya sebelum menyimpulkan.
Satu lagi soal alat. Untuk perusahaan dengan ratusan karyawan, spreadsheet yang rapi sudah cukup untuk level deskriptif dan diagnostik. Yang lebih menentukan adalah disiplin: data masuk tepat waktu, definisi tidak berubah-ubah, dan ada satu orang yang bertanggung jawab atas kualitas data. Software dasbor atau HRIS baru layak dipertimbangkan setelah proses dasarnya berjalan, karena alat canggih di atas data berantakan hanya menghasilkan grafik cantik yang menyesatkan. Mulailah dari pertanyaan, bukan dari alat.
Bercerita dengan data tanpa memelintir data
Analisis yang bagus bisa mati di ruang rapat kalau disampaikan dengan 15 tabel. Sebaliknya, cerita yang terlalu meyakinkan bisa menyesatkan kalau datanya dipilih-pilih. Penelitian tentang analis HR menunjukkan bahwa storytelling punya dua sisi: dipakai untuk menonjolkan temuan supaya didengar, sekaligus untuk menahan ekspektasi berlebihan dan menjelaskan batas-batas analisis [7]. Analis yang baik melakukan keduanya.
Gambar 4. Tiga unsur presentasi data
- Mulai dari kesimpulan. Judul slide adalah temuan, bukan nama grafik. "Turnover tinggi di 3 bulan pertama" lebih kuat daripada "Grafik turnover per masa kerja".
- Satu grafik, satu pesan. Pilih grafik batang untuk membandingkan kelompok, grafik garis untuk tren waktu. Hindari diagram lingkaran dengan banyak potongan.
- Sebutkan batasnya. "Data ini baru 18 bulan dan belum mencakup karyawan alih daya." Kalimat seperti ini justru menambah kepercayaan.
- Terjemahkan ke rupiah atau waktu. Manajemen mengingat "Rp180 juta per tahun" lebih lama daripada "turun 22 poin persen".
- Siapkan jawaban untuk "terus kenapa?" Setiap temuan harus disertai usulan langkah dan cara mengukur keberhasilannya.
People analytics di startup, korporasi, dan BUMN
Kematangan analitik sangat berbeda antarorganisasi. Penelitian tentang kapabilitas HR analytics mengaitkan kemampuan ini dengan kinerja organisasi, antara lain lewat kemampuan berinovasi, terutama ketika perubahan teknologi berjalan cepat [6]. Tapi kapabilitas itu dibangun bertahap, dan titik awalnya berbeda-beda.
| Aspek | Startup | Korporasi besar | BUMN dan instansi |
|---|---|---|---|
| Kondisi data | Sedikit tapi rapi di aplikasi HR modern | Banyak, tersebar di beberapa sistem | Banyak, sebagian masih manual atau arsip fisik |
| Pertanyaan khas | Kenapa engineer baru cepat keluar? | Cabang mana yang produktivitasnya tertinggal? | Bagaimana memetakan kompetensi untuk mutasi dan rotasi? |
| Hambatan utama | Jumlah karyawan kecil, mudah menebak individu | Definisi metrik beda antarunit | Prosedur akses data dan persetujuan berlapis |
| Langkah pertama | Dasbor 5 metrik dengan aturan anonimitas | Kamus metrik bersama | Digitalisasi dan pembersihan data inti |
Studi kasus
Studi kasus: Startup Pinjam Alat Tani
Startup agritech di Yogyakarta dengan 85 karyawan ini merasa "banyak engineer yang keluar". Head of people, Raka, menghitung ulang: dalam 12 bulan ada 9 engineer resign dari rata-rata 30 engineer, berarti turnover engineer 30%, sementara divisi lain 12%. Karena timnya kecil, Raka tidak melaporkan per tim, tapi per kelompok besar (engineer vs non-engineer) dan per masa kerja. Temuannya, 6 dari 9 engineer keluar di bulan ke-10 sampai ke-14, tepat setelah siklus kenaikan gaji yang hanya dilakukan setahun sekali. Wawancara keluar memperkuat dugaan bahwa mereka mendapat tawaran lebih tinggi sebelum sempat dinilai. Startup ini lalu menambah satu jendela penyesuaian gaji di bulan keenam untuk engineer berkinerja baik. Biaya tambahannya sekitar Rp150 juta setahun, jauh di bawah perkiraan biaya mengganti 6 engineer yang mencapai Rp540 juta dengan asumsi Rp90 juta per orang.
Latihan mandiri dan checklist penutup
Latihan mengambil keputusan
Turnover naik, direksi minta jawaban
Turnover staf toko naik dari 28% ke 41% dalam setahun. Direksi minta penjelasan dan usulan dalam sebulan. Kamu yang pegang analisisnya.
Peranmu: Analis HR di jaringan minimarket dengan 62 toko dan 740 karyawan
Direktur operasional meneruskan brosur vendor: software prediksi resign seharga Rp400 juta per tahun. "Kita beli ini saja?" Apa jawabanmu?
Latihan mengelompokkan
Pertanyaan ini masuk level analitik yang mana?
Empat level analitik punya jenis pertanyaan yang berbeda. Kelompokkan pertanyaan berikut ke levelnya.
- 1.
Berapa turnover staf toko bulan lalu per wilayah?
- 2.
Berapa rata-rata time to hire kuartal ini?
- 3.
Kenapa early turnover di 9 toko jauh di atas toko lain?
- 4.
Apakah gudang dengan lembur tinggi juga punya lebih banyak karyawan keluar?
- 5.
Kelompok karyawan mana yang berisiko resign dalam 6 bulan ke depan?
- 6.
Berapa kebutuhan rekrutmen tahun depan kalau pola keluar tetap seperti sekarang?
- 7.
Mana yang lebih efektif dan murah: pendampingan dua minggu atau bonus bertahan tiga bulan?
- 8.
Hasil uji coba di 5 toko dipakai untuk memutuskan intervensi yang diterapkan ke semua toko.
Setelah simulasi, coba praktikkan alurnya sendiri. Kamu bisa berlatih tanpa data perusahaan sungguhan. Buat data tiruan di spreadsheet, atau pakai data organisasi kampus yang tidak menyangkut informasi pribadi sensitif. Yang dilatih adalah alur berpikirnya.
Tugas kecil satu minggu
- 1
Bikin data tiruan
Buat 60 baris karyawan fiktif dengan kolom: ID, unit, tanggal masuk, tanggal keluar, alasan keluar, shift. Pakai ID, bukan nama.
- 2
Hitung tiga metrik
Turnover rate, voluntary turnover, dan early turnover. Tulis definisinya di kamus metrik.
- 3
Segmentasi
Buat pivot table turnover per unit dan per masa kerja. Tandai kelompok yang menyimpang dari rata-rata.
- 4
Uji dugaanmu
Tulis satu dugaan penyebab dan cek dengan tiga pertanyaan korelasi vs sebab.
- 5
Satu slide
Susun satu slide dengan judul berupa kesimpulan, satu grafik, dampak rupiah, dan satu rekomendasi.
- Saya bisa menyebutkan empat level analitik dan contoh pertanyaannya.
- Saya bisa menghitung turnover, retention, early turnover, absenteeism, dan cost per hire tanpa melihat catatan.
- Saya punya kamus metrik yang definisinya jelas dan konsisten.
- Saya bisa membedakan korelasi dan sebab, serta tahu cara mengujinya dengan eksperimen kecil.
- Saya memeriksa tujuan, minimisasi data, akses, dan agregasi sebelum mengolah data karyawan.
Cek pemahaman
Awal tahun ada 200 karyawan, akhir tahun 220 karyawan, dan 42 orang keluar selama setahun. Berapa turnover rate-nya?
Referensi
Artikel jurnal internasional bereputasi (Q1–Q2) terbitan 2022 ke atas, standar profesi, dan peraturan perundang-undangan resmi.
- 1.Edwards, M. R., Charlwood, A., Guenole, N., & Marler, J. (2022). HR analytics: An emerging field finding its place in the world alongside simmering ethical challenges. Human Resource Management Journal, 34(2), 326–336. doi.org/10.1111/1748-8583.12435Q1
- 2.McCartney, S., & Fu, N. (2023). Enacting people analytics: Exploring the direct and complementary effects of analytical and storytelling skills. Human Resource Management, 63(2), 187–205. doi.org/10.1002/hrm.22194Q1
- 3.Coolen, P., van den Heuvel, S., Van De Voorde, K., & Paauwe, J. (2023). Understanding the adoption and institutionalization of workforce analytics: A systematic literature review and research agenda. Human Resource Management Review, 33(4), 100985. doi.org/10.1016/j.hrmr.2023.100985Q1
- 4.Loscher, G. J., & Bader, V. (2023). Creating accountability through HR analytics – An audit society perspective. Human Resource Management Review, 33(4), 100974. doi.org/10.1016/j.hrmr.2023.100974Q1
- 5.International Organization for Standardization (2018). ISO 30414:2018 Human resource management — Guidelines for internal and external human capital reporting. International Organization for Standardization. www.iso.org/standard/69338.htmlStandar
- 6.Arora, M., & Mittal, A. (2024). Enhancing organizational performance through HR analytics capabilities: mediating influence of innovative capability and moderating role of technological turbulence. The International Journal of Human Resource Management, 35(19), 3271–3304. doi.org/10.1080/09585192.2024.2403541Q1
- 7.Fu, N., Keegan, A., & McCartney, S. (2022). The duality of HR analysts' storytelling: Showcasing and curbing. Human Resource Management Journal, 33(2), 261–286. doi.org/10.1111/1748-8583.12466Q1
Masih di bagian HR Strategis
14 menit bacaIII.2HR Business Partner (HRBP): Tugas, Model Ulrich, dan SkillHRBP adalah HR yang "duduk" di samping unit bisnis. Kenali model Ulrich, keseharian HRBP, dan skill membaca angka serta ngobrol dengan manajer.Menengah · 14 menitMenengah
14 menit bacaIII.4Employer Branding: Cara Menyusun EVP dan Menarik Talenta Gen ZKenapa orang mau kerja di perusahaanmu? Pelajari cara menyusun EVP yang jujur, memperbaiki pengalaman pelamar, dan mengukur apakah employer branding berhasil.Menengah · 14 menitMenengah
14 menit baca