एक जाना-पहचाना नज़ारा। लीडरशिप मीटिंग से ठीक पहले का हफ़्ता है, और आप कई जगहों से मिले डेटा (एक्सपोर्ट्स) से वर्कफ़ोर्स डेक (प्रेज़ेंटेशन) को फिर से तैयार कर रहे हैं। ह्यूमन रिसोर्स इन्फॉर्मेशन सिस्टम (HRIS) की हेडकाउंट फ़ाइल फ़ाइनेंस रोस्टर से मेल नहीं खाती, कुछ क्षेत्रों में जॉब लेवल को अलग तरह से कोड किया गया है, और एक लीडर यह जानना चाहता है कि क्या कर्मचारियों के छोड़ने (एट्रिशन) में हुई बढ़ोतरी किसी खास मैनेजर ग्रुप तक सीमित है या यह बस सामान्य उतार-चढ़ाव है। आप रिपोर्ट तो बना सकते हैं, लेकिन जिस फ़ैसले में आपको मदद करनी है, वह मैनुअल जाँच और स्लाइड अपडेट की रफ़्तार से कहीं तेज़ी से आगे बढ़ रहा है।
AI के आने से पहले, पीपल एनालिटिक्स वर्कफ़्लो आमतौर पर कई चरणों में डेटा के हस्तांतरण (हैंडऑफ़) जैसा दिखता है। डेटा रिकॉर्ड सिस्टम से स्प्रेडशीट में, स्प्रेडशीट से चार्ट में, और चार्ट से एक ऐसी कहानी में बदलता है जिसे एग्जीक्यूटिव फ़ैसले लेने के आधार के तौर पर इस्तेमाल करते हैं। सबसे आम विफलता चार्ट बनाने में नहीं होती। विफलता तब होती है जब चार्ट जो दिखा रहा है, उस पर भरोसा कम हो जाता है—क्योंकि परिभाषाएँ बदल जाती हैं, डेटा के बीच के संबंध (जॉइन्स) टूट जाते हैं, या कहानी उस बात से आगे निकल जाती है जिसे असल में डेटा का समर्थन प्राप्त है।
आगे जो बताया गया है, वह एक आम रिपोर्टिंग वर्कफ़्लो और उन बिंदुओं को दिखाता है जहाँ क्वालिटी से जुड़ी समस्याएँ पहले दिखती हैं और फिर बाद में सामने आती हैं।
इस बेसिक वर्कफ़्लो में, ज़्यादातर मेहनत तीन बार-बार होने वाले कामों में लगती है। डेटा का मिलान (reconciliation) करना, जब HRIS, पेरोल और टाइमकीपिंग के डेटा में अंतर हो। परिभाषाओं को मैनेज करना, जब लीडर्स ‘रिग्रेटेबल एट्रिशन’ (ज़रूरी कर्मचारियों का नौकरी छोड़ना) या ‘स्पैन ऑफ़ कंट्रोल’ जैसे मेट्रिक्स मांगते हैं और हर टीम अलग नियम इस्तेमाल करती है। नैरेटिव (विवरण) तैयार करना, जब एक ही डैशबोर्ड से कई तरह के मतलब निकाले जा सकते हों, जो इस बात पर निर्भर करता है कि आप बिज़नेस से क्या संदर्भ (context) लाते हैं।
AI ‘पीपल एनालिटिक्स’ में तब काम आता है जब आपके पास कोई तय सवाल और ठीक-ठाक तैयार किया गया डेटासेट हो, और आपको फ़ैसले लेने की प्रक्रिया के लिए जल्दी से एक शुरुआती एनालिटिकल ड्राफ़्ट चाहिए हो। असल में, इसका मतलब अक्सर यह होता है कि शुरुआती डेटा निकालने और साफ़ करने के बाद AI का इस्तेमाल करके एक स्ट्रक्चर्ड रिपोर्ट तैयार की जाए, सेगमेंट की तुलना की जाए, या आगे जांच के लिए संभावित कारणों की एक छोटी लिस्ट बनाई जाए। फ़ायदा यह होता है कि डेटासेट से फ़ैसले के लिए तैयार नैरेटिव तक तेज़ी से पहुँचा जा सकता है, बिना उन स्टेप्स को छोड़े जो डेटासेट को समझने लायक बनाते हैं।
AI का इस्तेमाल वहाँ करें जहाँ यह कोई ठोस इंटरमीडिएट आउटपुट (जैसे रिपोर्ट या चार्ट) दे जिसे आप देख सकें। जैसे, एक सेगमेंट-लेवल समरी जो जॉब फ़ैमिली, लोकेशन, नौकरी की अवधि (tenure bands) और मैनेजर के कार्यकाल के आधार पर एट्रिशन की तुलना करे। एक ड्राफ़्ट वर्कफ़ोर्स नैरेटिव जो मंथली ऑपरेटिंग रिव्यू के लिए मूवमेंट, हेडकाउंट, ओवरटाइम और अनुपस्थिति को एक कहानी में पिरोए। एक फ़ोरकास्टिंग ड्राफ़्ट जो तय अनुमानों के आधार पर हेडकाउंट और ज़रूरी हायरिंग का अनुमान लगाए, ताकि वर्कफ़ोर्स प्लानिंग पर बातचीत खाली पन्ने के बजाय किसी मॉडल से शुरू हो सके। इन सभी स्टेप्स पर, आप ‘सोर्स-ऑफ़-ट्रुथ’ परिभाषाओं के आधार पर ड्राफ़्ट की समीक्षा करते हैं, पक्का करते हैं कि संवेदनशील कैटेगरीज़ को सही ढंग से संभाला गया है, और तय करते हैं कि लीडरशिप के सामने क्या पेश करना सही रहेगा।
कोरिलेशन (सह-संबंध) बनाम कॉज़ेशन (कारण-प्रभाव संबंध) वह फ़ैसला लेने वाला बिंदु है जो तय करता है कि AI से मिली जानकारी एक भरोसेमंद सुझाव बनेगी या आत्मविश्वास के साथ की गई गलती। कोरिलेशन का मतलब है कि आपके डेटा में दो चीज़ें एक साथ बदल रही हैं। कॉज़ेशन का मतलब है कि एक बदलाव की वजह से दूसरा बदलाव हुआ; इसके लिए आमतौर पर ऐसे मज़बूत डिज़ाइन की ज़रूरत होती है जो सिर्फ़ ऑब्ज़र्वेशनल वर्कफ़ोर्स डेटा से नहीं मिल सकता। जब AI एट्रिशन या परफ़ॉर्मेंस में अंतर के संभावित कारणों का ड्राफ़्ट बनाता है, तो आप उन्हें परिकल्पनाओं (hypotheses) के तौर पर देखते हैं जिनकी जांच अतिरिक्त डेटा कट, ऑपरेशनल जानकारी और जहाँ मुमकिन हो, मज़बूत एनालिटिक तरीकों से की जा सके।
नीचे दिए गए कैपेबिलिटी मैप को देखें ताकि पता चल सके कि वर्कफ़्लो के किन हिस्सों में AI की मदद ली जा सकती है और किन हिस्सों में साफ़ तौर पर प्रोफ़ेशनल समझ (professional judgment) की ज़रूरत है।