ایک جانا پہچانا منظر۔ قیادت کے اجلاس سے ایک ہفتہ قبل، آپ مختلف ذرائع سے حاصل کردہ ڈیٹا (exports) کی بنیاد پر افرادی قوت سے متعلق پریزنٹیشن (deck) تیار کر رہے ہیں۔ ہیومن ریسورسز انفارمیشن سسٹم (HRIS) کی ملازمین کی تعداد والی فائل فنانس کے ریکارڈ سے میل نہیں کھا رہی، کچھ خطوں میں ملازمت کے درجات (job levels) کی کوڈنگ مختلف انداز میں کی گئی ہے، اور ایک اعلیٰ عہدیدار یہ جاننا چاہتا ہے کہ آیا ملازمین کے چھوڑ کر جانے (attrition) کی شرح میں اضافہ کسی مخصوص مینیجر گروپ تک محدود ہے یا یہ محض معمول کا اتار چڑھاؤ ہے۔ آپ رپورٹ تو تیار کر سکتے ہیں، لیکن جس فیصلے کے لیے آپ کو معاونت درکار ہے، اس کی رفتار دستی جانچ پڑتال اور سلائیڈز کو اپ ڈیٹ کرنے کے عمل سے کہیں زیادہ تیز ہے۔
AI کے عمل میں شامل ہونے سے پہلے، ‘پیپل اینالیٹکس’ کا ورک فلو عام طور پر مختلف مراحل میں ڈیٹا کی منتقلی (handoffs) کا ایک سلسلہ معلوم ہوتا ہے۔ ڈیٹا ریکارڈ رکھنے والے سسٹمز سے اسپریڈ شیٹس میں، وہاں سے چارٹس میں، اور پھر چارٹس سے ایک ایسے بیانیے (narrative) میں منتقل ہوتا ہے جسے ایگزیکٹوز فیصلے کی بنیاد کے طور پر استعمال کرتے ہیں۔ ناکامی کا سب سے عام مقام چارٹ کی تیاری نہیں ہوتا، بلکہ چارٹ کی عکاسی پر اعتماد کا ختم ہو جانا ہوتا ہے؛ اس کی وجہ تعریفوں (definitions) میں تبدیلی، ڈیٹا کے باہمی روابط (joins) کا ٹوٹ جانا، یا بیانیے کا ڈیٹا کی اصل گنجائش سے آگے بڑھ جانا ہو سکتا ہے۔
آگے چل کر رپورٹنگ کا ایک عام ورک فلو دکھایا گیا ہے، ساتھ ہی وہ مقامات بھی نشاندہی کیے گئے ہیں جہاں معیار کے مسائل ابتدا میں نمودار ہوتے ہیں اور پھر بعد کے مراحل میں سامنے آتے ہیں۔
اس بنیادی ورک فلو (کام کے عمل) میں، زیادہ تر کوشش تین بار بار ہونے والے کاموں پر صرف ہوتی ہے۔ مختلف ذرائع سے حاصل کردہ ڈیٹا میں مطابقت پیدا کرنا (data reconciliation) جب HRIS، پے رول، اور ٹائم کیپنگ کے ریکارڈز میں اختلاف ہو۔ اصطلاحات یا پیمانوں (metrics) کا تعین کرنا، جیسے کہ ‘قابلِ افسوس ملازمین کا اخراج’ (regrettable attrition) یا ‘اختیار کا دائرہ کار’ (span of control)، جبکہ ہر ٹیم مختلف اصول استعمال کر رہی ہو۔ اور تجزیاتی بیانیے (narrative) کی تیاری، کیونکہ ایک ہی ڈیش بورڈ سے مختلف نتائج اخذ کیے جا سکتے ہیں، جس کا انحصار اس سیاق و سباق پر ہوتا ہے جو آپ کاروبار کی طرف سے شامل کرتے ہیں۔
AI کا استعمال ‘پیپل اینالیٹکس’ (people analytics) میں تب موزوں ہوتا ہے جب آپ کے پاس کوئی واضح سوال اور مناسب حد تک تیار شدہ ڈیٹا سیٹ موجود ہو، اور آپ کو فیصلہ سازی کے عمل کے لیے جلد از جلد ایک ابتدائی تجزیاتی مسودہ درکار ہو۔ عملی طور پر، اس کا مطلب اکثر یہ ہوتا ہے کہ ڈیٹا کے ابتدائی حصول اور صفائی (cleaning) کے بعد AI کا استعمال کرتے ہوئے ایک منظم رپورٹ تیار کی جائے، مختلف حصوں (segments) کا موازنہ کیا جائے، یا مزید تحقیق کے لیے ممکنہ عوامل (drivers) کی ایک مختصر فہرست تیار کی جائے۔ اس کا فائدہ یہ ہے کہ ڈیٹا سیٹ سے فیصلہ سازی کے لیے تیار بیانیے تک کا عمل تیز ہو جاتا ہے، اور وہ مراحل نظر انداز نہیں ہوتے جو ڈیٹا سیٹ کو قابلِ فہم بناتے ہیں۔
AI کا استعمال وہاں کریں جہاں یہ کوئی ٹھوس درمیانی نتیجہ (intermediate artifact) فراہم کرے جس کا آپ جائزہ لے سکیں۔ مثال کے طور پر، ایک ایسی سمری جو ملازمت کی نوعیت (job family)، مقام، ملازمت کے دورانیے (tenure)، اور مینیجر کے دورانیے کے لحاظ سے ملازمین کے اخراج (attrition) کا موازنہ کرے۔ افرادی قوت سے متعلق ایک ایسا مسودہ جو ماہانہ آپریشنل جائزے کے لیے ملازمین کی نقل و حرکت، تعداد (headcount)، اوور ٹائم، اور غیر حاضری کو ایک مربوط کہانی کی شکل دے۔ یا پیش گوئی (forecasting) کا ایک ایسا مسودہ جو مخصوص مفروضوں کی بنیاد پر افرادی قوت کی تعداد اور درکار نئی بھرتیاں ظاہر کرے، تاکہ افرادی قوت کی منصوبہ بندی پر بات چیت کسی خالی صفحے کے بجائے ایک ماڈل سے شروع ہو سکے۔ ان تمام مراحل پر، آپ مستند تعریفوں (source-of-truth definitions) کی روشنی میں مسودے کا جائزہ لیتے ہیں، اس بات کی تصدیق کرتے ہیں کہ حساس زمروں (categories) کو درست طریقے سے سنبھالا گیا ہے، اور یہ فیصلہ کرتے ہیں کہ قیادت (leadership) کے سامنے کیا پیش کرنا مناسب ہے۔
باہمی تعلق (correlation) بمقابلہ سببیت (causation) وہ فیصلہ کن نکتہ ہے جو یہ طے کرتا ہے کہ آیا AI کی مدد سے حاصل ہونے والی بصیرت ایک قابلِ اعتماد سفارش بنتی ہے یا پُراعتماد غلطی۔ ‘باہمی تعلق’ کا مطلب ہے کہ آپ کے ڈیٹا میں دو چیزیں ایک ساتھ تبدیل ہو رہی ہیں۔ ‘سببیت’ کا مطلب ہے کہ ایک تبدیلی نے دوسری تبدیلی کو جنم دیا ہے، جس کے لیے عام طور پر مشاہداتی ورک فورس ڈیٹا کے مقابلے میں زیادہ مضبوط تجزیاتی ڈیزائن کی ضرورت ہوتی ہے۔ جب AI ملازمین کے اخراج یا کارکردگی میں فرق کے ممکنہ عوامل تجویز کرتا ہے، تو آپ انہیں مفروضوں (hypotheses) کے طور پر لیتے ہیں جنہیں مزید تجزیاتی زاویوں، آپریشنل معلومات، اور جہاں ممکن ہو، زیادہ مضبوط تجزیاتی طریقوں سے پرکھا جا سکے۔
نیچے دیے گئے ‘صلاحیتوں کے نقشے’ (capability map) کا جائزہ لیں تاکہ یہ معلوم کیا جا سکے کہ ورک فلو کے کن حصوں میں AI کی مدد لی جا سکتی ہے اور کن حصوں کے لیے واضح پیشہ ورانہ فیصلے کی ضرورت ہے۔