People Analytics: ปลดล็อกข้อมูล “คน” เพื่อขับเคลื่อนความสำเร็จขององค์กร

---

People Analytics: ปลดล็อกข้อมูล “คน” เพื่อขับเคลื่อนความสำเร็จขององค์กร

การใช้ข้อมูลด้านบุคลากร เพื่อขับเคลื่อนองค์กรอย่างมีกลยุทธ์

ในอดีต HR จำนวนมากตัดสินใจบนฐานของ “ประสบการณ์” และ “ความรู้สึก” ซึ่งไม่ได้ผิด — แต่ในโลกที่ธุรกิจเปลี่ยนเร็ว ต้นทุนคนสูงขึ้น และการแข่งขันเรื่อง Talent รุนแรงขึ้น คำถามสำคัญคือ:

• เรารู้จริงแค่ไหนว่า “อะไร” ทำให้คนทำงานได้ดี
• อะไรทำให้คนอยู่ต่อ หรือเลือกลาออก
• นโยบาย/สวัสดิการ/การให้รางวัลที่ลงทุนไป “ได้ผลจริง” หรือแค่คิดว่าได้ผล

People Analytics จึงเป็นเครื่องมือเชิงกลยุทธ์ที่ช่วยให้องค์กร “เลิกเดา” และเริ่มตัดสินใจจากข้อมูลจริง — เพื่อเข้าใจคน เข้าใจทีม และเชื่อมโยงไปสู่ผลลัพธ์ทางธุรกิจอย่างเป็นระบบ

1. Case Study

1) Google — Data-Driven HR Strategy

วิเคราะห์บทบาทผู้จัดการ เพื่อยกระดับประสิทธิภาพทีม (Project Oxygen)

ปัญหาที่ Google เผชิญ

• องค์กรมีโครงสร้างแบบ Flat และ Dynamic
• บทบาทของผู้จัดการระดับกลางไม่ชัดเจน
• การทำงานร่วมกันของทีมยังไม่มีประสิทธิภาพ
• HR มีข้อมูลจำนวนมาก แต่ยังไม่สามารถตอบคำถามเชิงลึกได้

คำถามสำคัญ

“ผู้จัดการแบบไหน ทำให้ทีมทำงานได้ดีที่สุด?”

สิ่งที่ Google ทำ (People Analytics in Action)

Google เปิดโครงการ Project Oxygen โดย

• รวบรวมข้อมูลจากหลายแหล่ง เช่น
  - ผลงานของทีม
  - Feedback จากลูกทีม
  - ความพึงพอใจและพฤติกรรมการทำงาน
• เปรียบเทียบระหว่าง
  - ผู้จัดการที่ทีมมีผลงานโดดเด่น
  - ผู้จัดการทั่วไป
• วิเคราะห์ Pattern และพฤติกรรมที่วัดผลได้

ผลลัพธ์: The Oxygen 8 Behaviors

Google พบว่า ผู้จัดการที่มีประสิทธิภาพสูง
มี พฤติกรรมร่วมกัน 8 ประการ (ไม่ใช่บุคลิก ไม่ใช่ MBTI)

ตัวอย่างพฤติกรรมสำคัญ เช่น

• โค้ชและพัฒนาลูกทีม มากกว่าสั่งงาน
• ให้ Feedback ที่ชัดเจนและสม่ำเสมอ
• สนับสนุนการเติบโตของทีม
• สื่อสารความคาดหวังอย่างโปร่งใส

จุดสำคัญ:
Google ไม่ได้บอกว่า “ใครเก่ง”
แต่บอกว่า “พฤติกรรมแบบไหน ทำให้ทีมเก่ง”

ประโยชน์ที่ Google ได้รับ

• ประสิทธิภาพทีมเพิ่มขึ้น
• Employee Satisfaction สูงขึ้น
• อัตราการลาออกลดลง
• ผู้จัดการเข้าใจบทบาทของตนเองชัดเจน

👉 บทเรียนสำคัญ:
People Analytics ช่วยออกแบบ Leadership Model
บนพื้นฐานของข้อมูลจริง ไม่ใช่ความรู้สึก

2) Cisco — Workforce & Reward Analytics

ออกแบบระบบ HR ที่ยุติธรรม และยึดพนักงานเป็นศูนย์กลาง
ปัญหาที่ Cisco เผชิญ

HR เน้นงานเชิงปฏิบัติ (Operation-based)

• ระบบประเมินและการให้รางวัลถูกมองว่า “ไม่แฟร์”
• Employee Engagement ยังไม่สูง

แนวคิดหลักของ Cisco: Cisco ไม่เริ่มจากเครื่องมือ แต่เริ่มจาก HR Framework

Framework ที่ใช้

1. Harvard Model of HRM

• มอง HR เป็นระบบที่เชื่อมโยง
  - พนักงาน
  - ผู้บริหาร
  - องค์กร
• เน้นความสัมพันธ์ระยะยาว

2. Total Rewards Framework

• ไม่มองค่าตอบแทนเป็นแค่เงินเดือน
• ครอบคลุม
  - เงินเดือน
  - โบนัส
  - สวัสดิการ
  - การเติบโต
  - Recognition
  - Work-life balance

People Analytics ถูกใช้เพื่อ

• วิเคราะห์ว่า Reward รูปแบบใด
  ส่งผลต่อ Engagement และ Motivation จริง
• ปรับระบบ HR ให้ตอบโจทย์คุณค่าที่พนักงานรับรู้

ผลลัพธ์

• Productivity เพิ่มขึ้น
• Employee Engagement สูงขึ้น
• 89% ของพนักงานอยากทำงานกับ Cisco ต่อไป

👉 บทเรียนสำคัญ:
People Analytics ทำให้ HR
Fair, Evidence-based และมีความหมาย

3) Walmart — Operational People Analytics

จัดกะงานด้วยข้อมูล ลดต้นทุน เพิ่มความสุข

ปัญหา

• ต้นทุนแรงงานสูง
• การจัดกะงานอิงประสบการณ์
• พนักงานไม่พอใจเวลาทำงาน

สิ่งที่ Walmart ทำ

• วิเคราะห์ข้อมูลพฤติกรรมลูกค้า (Peak Time)
• เก็บข้อมูลจากพนักงานผ่าน Survey เช่น
  - เวลาที่อยากทำงาน
  - ช่วงที่ทำงานได้มีประสิทธิภาพ
• Match ความต้องการองค์กร + พนักงาน

ผลลัพธ์

• Employee Satisfaction เพิ่มขึ้น
• คุณภาพบริการดีขึ้น
• ลด OT และต้นทุนแรงงาน

👉 บทเรียนสำคัญ:
People Analytics สร้าง Win-Win
ทั้งองค์กร พนักงาน และลูกค้า

2. Journey of People Analytics

เส้นทางสู่การใช้ข้อมูลบุคลากรอย่างเป็นระบบ เพื่อขับเคลื่อนองค์กร

1) What is People Analytics?

People Analytics คือแนวทางการบริหารทรัพยากรบุคคลยุคใหม่ที่
ใช้ข้อมูล (Data) ทั้งด้าน “คน” และ “ธุรกิจ” มาวิเคราะห์ เพื่อออกแบบและตัดสินใจด้าน HR ให้สอดคล้องกับกลยุทธ์องค์กร

People Analytics จึงไม่ใช่งาน HR แบบ Routine แต่เป็น Strategic HR ที่ใช้ข้อมูลช่วยตอบโจทย์จริงขององค์กร เช่น

• ทำไมสรรหาคนไม่ได้ตามเป้า?
• ทำไมพนักงานลาออก? ออกเพราะอะไร?
• ทำไมคนรู้สึกว่า “ไม่แฟร์”?
• เพิ่มค่าตอบแทนแล้ว Turnover ลดจริงไหม? หรือควรลงทุนด้านอื่น?

สิ่งที่คนมักเข้าใจผิด หลายคนกังวลคำว่า “Analytics” เพราะคิดว่า

• ต้องใช้เทคโนโลยีซับซ้อน
• ต้องเก่งสถิติระดับสูง

แต่ในทางปฏิบัติ สิ่งสำคัญที่สุดคือ

• 80% = เข้าใจธุรกิจ + ตั้งคำถามให้ถูก (Business & Problem Framing)
• 20% = เครื่องมือ/เทคนิคการวิเคราะห์ (Analytics Tools & Methods)

ถ้าตั้งโจทย์ถูกและเข้าใจ Pain Point ขององค์กร
ถือว่า “สำเร็จไปแล้วเกือบทั้งหมด”

People Analytics ใน 1 ประโยค

A data-driven approach to managing people at work
แนวทางบริหารจัดการคนในที่ทำงานโดย “ใช้ข้อมูลเป็นตัวขับเคลื่อน”

2) Benefits of using People Analytics

ประโยชน์ของ People Analytics ต่อองค์กร

People Analytics ช่วยยกระดับงาน HR ให้ “แม่นยำ วัดผลได้ และเชื่อมกับธุรกิจ” โดยสร้างคุณค่าได้ 8 ด้านหลัก

1. ตัดสินใจแม่นขึ้น (Informed Decision Making)
   มีข้อมูลและหลักฐานรองรับ → ลดการตัดสินใจจากความรู้สึก
2. ยกระดับการสรรหา (Recruitment & Talent Acquisition)
   ปรับกระบวนการจ้างงานให้มีคุณภาพขึ้น และคาดการณ์ความเหมาะสมของผู้สมัครได้ดีขึ้น
3. เพิ่ม Engagement & ลด Turnover (Engagement & Retention)
   วิเคราะห์ปัจจัยที่ทำให้คนผูกพัน/ลาออก และวัดผลว่าโครงการที่ทำ “ได้ผลจริงไหม”
4. บริหารผลงานและพัฒนา Talent (Performance & Talent Development)
   ระบุ Top Talent และออกแบบการโค้ช/พัฒนาให้ตรงจุด
5. คาดการณ์อนาคต (Predictive Analytics)
   เช่น กลุ่มเสี่ยงลาออก, Skill ที่จะขาดแคลน, กลุ่มที่มีแนวโน้มเป็นผู้นำในอนาคต
6. ความยุติธรรมและความหลากหลาย (Diversity & Fairness / Inclusion)
   ตรวจสอบความเหลื่อมล้ำ ลด Bias ในการจ้างงานและการเลื่อนตำแหน่ง
7. ประหยัดต้นทุน (Cost Savings)
   ช่วยให้จัดสรรงบ HR อย่างคุ้มค่า เช่น เงินเดือน vs Benefit แบบไหนลด turnover ได้ดีกว่า
8. ลดความเสี่ยงและเพิ่ม Compliance (Risk & Compliance)
   ตรวจจับความเสี่ยงเชิงพฤติกรรม/การทำผิดระเบียบ และออกแบบมาตรการป้องกันล่วงหน้า

3) 6 Steps to Start with People Analytics

6 ขั้นตอนเริ่มต้นทำ People Analytics (แบบใช้งานจริง)

• STEP 1: เข้าใจบริบทและทิศทางธุรกิจ
  - กลยุทธ์องค์กรคืออะไร? องค์กรจะโตทางไหน?
  - HR ควรมีบทบาทสนับสนุนอะไร?

เริ่มจาก “Business Direction” ก่อนเสมอ

• STEP 2: ระบุปัญหาและตั้งสมมติฐาน (Hypothesis)
  - ตั้งคำถามให้ชัด เช่น “เด็กจบใหม่ลาออกมากกว่าคนมีประสบการณ์จริงหรือไม่?”
  - ทำให้เป็นสมมติฐานที่ทดสอบได้
• STEP 3: ตรวจสอบความพร้อมของข้อมูล (Data Readiness)
  - มีข้อมูลพอไหม? คุณภาพดีไหม?
  - ต้องเก็บเพิ่มหรือเชื่อมข้อมูลจากแหล่งใด?
• STEP 4: กำหนด Metric และเกณฑ์ตัดสิน
  - จะวัดผลด้วยอะไร?
  - แบบไหนถือว่า “สมมติฐานถูก/ผิด” ตั้งแต่ก่อนเริ่มวิเคราะห์
• STEP 5: วิเคราะห์และสกัด Insight
  - หา Pattern และสาเหตุ
  - ปัญหาเกิดทั้งองค์กรหรือเกิดเฉพาะบางกลุ่ม/บางฟังก์ชัน?
• STEP 6: แปลง Insight เป็น Action และติดตามผล
  - จะทำอะไรต่อ? ใครรับผิดชอบ? คาดหวังผลลัพธ์อะไร?
  - ติดตามผลด้วยตัวชี้วัดและ Feedback อย่างต่อเนื่อง

หลายองค์กรพลาดที่ “ทำ Insight ได้” แต่ไม่เปลี่ยนให้เป็น “Action”
People Analytics ที่ดีต้องนำไปสู่การตัดสินใจและการเปลี่ยนแปลงจริง

ตัวอย่างการประยุกต์ (สั้น กระชับ)

องค์กรเติบโตเร็ว รายได้เพิ่มทุกปี แต่พบว่า เด็กจบใหม่ลาออกสูง

• ตั้งสมมติฐาน → ตรวจข้อมูล → วิเคราะห์
• พบว่าเกิดเฉพาะบางฟังก์ชัน (ไม่ใช่ทุกแผนก)
• จึงออกแบบ Action แบบ “แก้เฉพาะจุด” ไม่แก้แบบเหมารวม
  นี่คือ Strategic HR ที่ขับเคลื่อนด้วยข้อมูล

People Analytics Framework and Models​

กรอบแนวคิดและโมเดลสำคัญของ People Analytics

1) People Analytics Framework

ถ้าองค์กรจะทำ People Analytics ให้ได้ผลจริง ๆ ต้องเข้าใจว่า มีองค์ประกอบหลักอยู่ 3 ส่วน

1️⃣ Data & Tools (ข้อมูลและเครื่องมือ)

จุดเริ่มต้นของ People Analytics คือคำถามพื้นฐานว่า

• เรามีข้อมูลอะไรอยู่แล้ว?
• ข้อมูลครบถ้วน ถูกต้อง และเชื่อถือได้หรือไม่?
• เข้าถึงง่ายหรือยัง?
• มีการจัดเก็บตามกฎหมาย เช่น PDPA หรือไม่?

เครื่องมือไม่จำเป็นต้องซับซ้อนเสมอไป
บางครั้งแค่ใช้ Excel เทียบข้อมูล ลากกราฟดูแนวโน้ม ก็สามารถเห็น Insight ได้แล้ว

หัวใจสำคัญไม่ใช่ “ความล้ำของเครื่องมือ”
แต่คือ “ความพร้อมของข้อมูล และความสามารถในการใช้ข้อมูลให้เกิดประโยชน์”

2️⃣ Team (ทีมงานและความสามารถ)

People Analytics ไม่ใช่เรื่องของเทคนิคเพียงอย่างเดียว
ทีมงานควรมีความสามารถทั้ง 3 มิติ

• ความเข้าใจสถิติพื้นฐาน
• ความเข้าใจระบบ HR ทั้งภาพรวม
• ความสามารถในการตีความข้อมูลว่า “มันสะท้อนอะไร”

เพราะตัวเลขเพียงอย่างเดียวไม่สามารถอธิบายความจริงทั้งหมดได้
ต้องเข้าใจบริบท เช่น

• ข้อมูลแบบนี้เกิดจากอะไร?
• จะส่งผลอะไรกับองค์กร?

3️⃣ Organization Culture (วัฒนธรรมองค์กร)

แม้องค์กรจะมีข้อมูลดี และทีมวิเคราะห์เก่ง
แต่หากวัฒนธรรมองค์กรไม่ให้คุณค่ากับข้อมูล
People Analytics จะไม่สามารถสร้าง Impact ได้

องค์กรที่ประสบความสำเร็จด้าน People Analytics มักมีลักษณะร่วมกันคือ

• ใช้ข้อมูลเป็นพื้นฐานในการตัดสินใจ (Data-Driven Decision Making)
• การนำเสนอทุกครั้งมีข้อมูลรองรับ
• ผู้บริหารสนับสนุนและเชื่อในกระบวนการวิเคราะห์

หากองค์กรยังตัดสินใจจากประสบการณ์เพียงอย่างเดียว
People Analytics จะเป็นเพียง “รายงาน” ไม่ใช่ “เครื่องมือเชิงกลยุทธ์”

2) People Analytics in Employee Journey

การใช้ People Analytics ตลอดวงจรชีวิตพนักงาน

People Analytics สามารถประยุกต์ใช้ได้ตั้งแต่ “เข้าทำงาน” จนถึง “ลาออก”

1. Recruit & Hire (การสรรหาและจ้างงาน)

คำถามสำคัญ เช่น

• ใช้เวลากี่วันในการจ้างงาน (Time to Hire)?
• ต้นทุนต่อการจ้างเท่าไร (Cost per Hire)?
• ช่องทางใดให้พนักงานที่อยู่ทนนานที่สุด?
• คุณภาพของการจ้างงาน (Quality of Hire) เป็นอย่างไร?

เป้าหมายคือเพิ่มประสิทธิภาพกระบวนการสรรหา และเลือกช่องทางที่ให้ผลลัพธ์ดีที่สุด

2. Onboard (การปฐมนิเทศพนักงานใหม่)

• พนักงานใหม่มีประสบการณ์ที่ดีหรือไม่?
• มีการเก็บ Survey เพื่อติดตามความรู้สึกหรือไม่?
• Onboarding ที่ดีช่วยลดการลาออกในช่วงแรกหรือไม่?

People Analytics ช่วยออกแบบกระบวนการ onboarding ที่มีประสิทธิภาพและประหยัดเวลา

3. Perform (การปฏิบัติงาน)

• รายได้ต่อหัว (Revenue per Employee) เป็นอย่างไร?
• จำนวนพนักงานเหมาะสมกับผลประกอบการหรือไม่?
• Performance ของพนักงานสอดคล้องกับผลลัพธ์ทางธุรกิจหรือไม่?

ช่วยให้เข้าใจแรงจูงใจ ผลผลิต และประสิทธิภาพอย่างเป็นระบบ

4. Develop (การพัฒนา)

• ทีมมี Skill อะไร และขาด Skill อะไร?
• Training ส่งผลต่อ Performance จริงหรือไม่?
• ควรออกแบบแผนพัฒนารายบุคคลอย่างไร?

People Analytics ทำให้ Learning & Development มีเป้าหมายชัดเจน และวัดผลได้

5. Progress (ความก้าวหน้า)

• ใครคือ High Potential?
• การเลื่อนตำแหน่งมีความเป็นธรรมและอิงข้อมูลหรือไม่?

ช่วยสนับสนุนการตัดสินใจเรื่อง Career Path และ Talent Recognition อย่างโปร่งใส

6. Exit (การลาออก)

• แนวโน้มการลาออกเป็นอย่างไร?
• สาเหตุหลักคืออะไร?
• มี Pattern เฉพาะกลุ่มหรือไม่?

ข้อมูลจาก Exit Analysis สามารถนำกลับไปปรับปรุงทั้งการรักษาพนักงานและกระบวนการจ้างงานในอนาคต

3) Key HR Metrics in People Analytics

6 กลุ่มตัวชี้วัด HR ที่ใช้บ่อย

1️⃣ Recruitment Metrics

วัดประสิทธิภาพการสรรหา

• Time to Hire
• Cost per Hire
• Source of Hire
• Quality of Hire

ใช้ตอบคำถามว่า “รับคนอย่างไรให้คุ้มค่าและมีคุณภาพ”

2️⃣ Productivity & Performance Metrics

วัดผลลัพธ์ของกำลังคน

• Revenue per Employee
• Performance Rating
• Headcount vs Business Result

ตอบคำถามว่า “จำนวนพนักงานเหมาะสมกับธุรกิจหรือไม่”

3️⃣ Engagement Metrics

วัดความผูกพันของพนักงาน

• Engagement Score
• Engagement Trend
• Participation Rate

ตอบคำถามว่า “พนักงานยังมีพลังและแรงจูงใจหรือไม่”

4️⃣ Retention & Turnover Metrics

วิเคราะห์การลาออก

• Turnover Rate
• Voluntary vs Involuntary
• Attrition Trend

ตอบคำถามว่า “ใครกำลังจะออก และควรแก้ตรงไหนก่อน”

5️⃣ Learning & Skill Metrics

วัดผลการพัฒนา

• Skill Gap
• Training Effectiveness
• Skill Coverage

ตอบคำถามว่า “การอบรมสร้างผลลัพธ์จริงหรือไม่”

6️⃣ Compensation & Benefits Metrics

วิเคราะห์ความคุ้มค่าของค่าตอบแทน

• Pay vs Market
• Cost of Workforce
• Performance vs Pay

ตอบคำถามว่า “จ่ายเงินแล้วได้ผลลัพธ์ทางธุรกิจจริงหรือไม่”

ตัวอย่างพลังของ People Analytics

องค์กรเชื่อว่า “คนลาออกเพราะเงินเดือนต่ำกว่าตลาด”

จึงตั้ง KPI ว่าต้องจ่ายอย่างน้อยระดับ Median (50%)

เมื่อเปรียบเทียบข้อมูลตลาดจริง พบว่าองค์กรจ่ายที่ระดับ 75%
ซึ่งสูงกว่าตลาด

ข้อสรุปคือ สาเหตุการลาออกอาจไม่ใช่เรื่องเงิน

นี่คือพลังของ People Analytics
ช่วยให้องค์กร “เลิกเดา” และตัดสินใจจากข้อมูลจริง

แหล่งข้อมูลหลัก 3 ประเภท

1. System Data: ข้อมูลจาก HRIS เช่น อายุ ตำแหน่ง เงินเดือน Skill
2. Survey / Special Data: Engagement Survey, Exit Survey หรือข้อมูลเชิงคุณภาพอื่น ๆ
3. Performance / Evaluation Data: ข้อมูลประเมินผลงาน และการประเมินทักษะ

ยิ่งข้อมูลครบหลายมิติ Insight ที่ได้ยิ่งแม่นยำ

4. Workforce Analytics​​

1) What is Workforce Analytics​?

Workforce Analytics คือ การวิเคราะห์ “องค์ประกอบกำลังคน” ทั้งปัจจุบันและอนาคต โดยเชื่อมข้อมูลพนักงาน (เช่น อายุ อายุงาน โครงสร้างงาน ทักษะ) เทียบกับตัวชี้วัดสำคัญขององค์กร เช่น

• Financial metrics (ต้นทุนคน, กำไร, งบประมาณ)
• Performance/Productivity metrics (ผลผลิต, output, quality, revenue per head)
• ตัวชี้วัดอื่น ๆ ที่ส่งผลต่อการดำเนินธุรกิจ

ผลลัพธ์ที่ได้คือ แผนกำลังคนที่มีข้อมูลรองรับ และสามารถอธิบายได้ว่า
“ทำไมต้องเพิ่ม/ลดคนตรงนี้” “ควรลงทุนกับทักษะไหน” และ “ผลกระทบต่อธุรกิจคืออะไร”

2) ความท้าทายด้าน Workforce ในทศวรรษถัดไป (Why it matters)

เหตุผลที่หลายองค์กรต้องเริ่มทำ Workforce Analytics จริงจังมากขึ้น เพราะบริบทการทำงานเปลี่ยนเร็ว และการบริหารคนซับซ้อนขึ้น โดยมีแรงกดดันหลัก ๆ เช่น

1. Higher Expectations — ความคาดหวังต่อผลงานและคุณภาพงานสูงขึ้น
2. From One-time to Real-time — จากการวางแผนเป็นรอบ ๆ ไปสู่การตัดสินใจแบบใกล้เรียลไทม์
3. More Focus on Productivity — องค์กรต้องการเห็น Productivity ที่วัดได้มากขึ้น
4. Enhanced Transparency — ต้องอธิบายได้ว่าแผนคน/งบคนมาจากข้อมูลอะไร
5. Cracks in Top-down Approach — สั่งการบนลงล่างอย่างเดียวเริ่มไม่พอ ต้องมีหลักฐานรองรับ
6. Time Recovery — ต้องบริหารเวลาให้มีประสิทธิภาพ รวมถึงเวลาการสรรหาและการ ramp-up
7. From Individuals to Collaborative Networks — งานจำนวนมากต้องอาศัยการทำงานเป็นเครือข่าย ไม่ใช่แค่คนเก่งรายบุคคล

3) Case Study: Financial Times (FT)

ใช้ Workforce Analytics เพื่อเพิ่ม “ความสุขพนักงาน” และ “Productivity”

Financial Times เป็นองค์กรข่าวธุรกิจชั้นนำระดับโลกที่ให้ความสำคัญกับความน่าเชื่อถือและความแม่นยำ

โจทย์หลักของ FT คือการหาแนวทาง เพิ่ม employee happiness และ ยกระดับ productivity

สิ่งที่ FT ทำ

• เก็บ แบบสำรวจพนักงานรายไตรมาส (Quarterly Staff Survey)
• วิเคราะห์ทั้งข้อมูลเชิงปริมาณและเชิงคุณภาพ
• สำหรับข้อความปลายเปิด: มีการตรวจทานเพิ่มเติมในกรณีที่การจัดหมวดหมู่ของ AI คลาดเคลื่อน (เช่นคำว่า “stress” ที่บางบริบทอาจหมายถึงความท้าทายเชิงบวก)

ผลลัพธ์

• นำ Insight ไปออกแบบโครงการ/มาตรการที่ตรงจุด เช่น
  เรื่องสวัสดิการ สุขภาวะ (well-being) และการจัดสรรงาน
• Engagement score ดีขึ้นต่อเนื่อง และเพิ่มขึ้น ~5% เมื่อเทียบกับ benchmark

บทเรียนสำคัญ:
Workforce Analytics ไม่ใช่การทำรายงาน แต่คือการ “ปิดวงจร” จาก Data → Insight → Action → Impact

4) วิธีทำ Workforce Analytics อย่างเป็นขั้นตอน (6 Steps)

กระบวนการทำ Workforce Analytics สามารถดำเนินการเป็น 6 ขั้นตอนหลัก

• 1) Defining the Landscape — กำหนดขอบเขตและบริบท
  ทำความเข้าใจสถานการณ์ปัจจุบันขององค์กรจากข้อมูลที่มี
  เช่น โครงสร้างกำลังคน ความหลากหลาย สัดส่วน job family สภาพแวดล้อมธุรกิจ
• 2) Identifying Critical Challenges — ระบุความท้าทายสำคัญ
  กำหนดปัญหาที่ต้องตอบให้ชัด และตั้ง “คำถามหลัก”
  ตัวอย่างโจทย์: workforce planning, skills gap, reskilling/upskilling, well-being, diversity, performance management
• 3) Data Insights Unveiled — รวบรวมข้อมูลที่เกี่ยวข้อง
  ประเภทข้อมูลที่นิยมใช้แบ่งได้ 6 กลุ่มหลัก

1. Demographics: อายุ เพศ การศึกษา อายุงาน
2. Skills & Qualifications: ทักษะ ใบรับรอง กลุ่ม job family
3. Performance: ผลงาน ผลผลิต ยอดขาย output/quality
4. Recruitment Data: เวลา/ต้นทุนการจ้าง ประเภทการจ้าง (ประจำ/สัญญา/outsourcing)
5. Costs: ต้นทุนคน ค่าตอบแทน เปรียบเทียบตลาด merit increase
6. Organization Structure: โครงสร้าง สายบังคับบัญชา core/support/front/mid/back

• 4) Deciding the Right Metrics — เลือกตัวชี้วัดที่เหมาะสม
  ตัวอย่าง metrics ที่ใช้บ่อย
  - Generation representation, tenure distribution
  - Skills gap, training completion
  - Performance rating, promotion rate
  - Cost per hire, source effectiveness
  - Span of control, responsibility distribution
• 5) Analyze & Communicate — วิเคราะห์และออกแบบการสื่อสาร
  เชื่อมโยงตัวชี้วัดเข้าหากัน และสื่อสารให้ตอบโจทย์ธุรกิจ เช่น
  - ถ้าตั้งเป้ากำไรเพิ่ม → ต้องเพิ่มคนแบบไหน/ทักษะอะไร
  - ถ้ากำไรลด → ปรับโครงสร้างกำลังคนอย่างไร
  - ถ้าขยายต่างประเทศ → ต้นทุนและกำลังคนจะเปลี่ยนอย่างไร (scenario-based)
• 6) Determine Next Actions — สรุปเป็นแผนปฏิบัติ
  เปลี่ยน Insight ให้เป็น Action ที่ทำได้จริง พร้อมติดตามผล}
  - กำหนด business issue และความเชื่อมโยงกับ workforce ให้ชัด
  - อย่าติดกับดัก “ไม่มีฐานข้อมูล” (เริ่มจากข้อมูลที่มีได้)
  - เริ่มจากการวิเคราะห์ความสัมพันธ์แบบง่าย (simple correlation) ก่อน แล้วค่อยขยาย

5) ข้อดีของการทำ Workforce Analytics (Outcomes)

เมื่อทำอย่างต่อเนื่อง องค์กรจะได้ผลลัพธ์ที่จับต้องได้ เช่น

• สร้างทีมที่มีประสิทธิภาพสูง (high-performing teams)
• ระบุปัญหาการจัดคนได้เร็วขึ้น (staffing issues)
• ลดความสูญเสียจากความไม่มีประสิทธิภาพ (work inefficiencies)
• คาดการณ์การลาออกได้แม่นขึ้น (attrition forecasting)
• ลดต้นทุนและหาโอกาสประหยัด (cost saving)
• ส่งเสริมความหลากหลายของกำลังคน (workforce diversity)

6) แนวทางเริ่มต้นแบบ Practical (เริ่มง่าย แต่ได้ผล)

การเริ่มทำ Workforce Analytics ไม่จำเป็นต้องเริ่มจากระบบใหญ่เสมอไป
เริ่มจากสิ่งที่มีอยู่แล้ว เช่น

• เปรียบเทียบค่าตอบแทนระหว่างฟังก์ชัน A vs B
• ดู headcount เทียบ productivity / output
• วิเคราะห์ turnover แยกตามทีม/ช่วงอายุงาน
  จากนั้นค่อยเพิ่มมิติข้อมูล และสร้างการวิเคราะห์เชิง scenario มากขึ้น

แก่นของ Workforce Analytics คือ “เลิกเดา”
แล้วตัดสินใจจากข้อมูลที่เชื่อมกับเป้าหมายธุรกิจ

5. Recruitment Analytics​​

1) What is Recruitment Analytics?

Recruitment Analytics คืออะไร

Recruitment Analytics คือการใช้ข้อมูลจากกระบวนการสรรหา (Recruitment Process) ทั้งในอดีตและข้อมูลปัจจุบัน เพื่อ “ปรับปรุงความสามารถขององค์กรในการดึงดูดและคัดเลือกคน” ให้มีประสิทธิภาพมากขึ้น

พูดง่าย ๆ คือ

ใช้ข้อมูลเพื่อทำให้การสรรหา “เร็วขึ้น ถูกลง ตรงขึ้น และยุติธรรมขึ้น”

2) Recruitment Challenges of the Next Decade

ความท้าทายด้านการสรรหาในทศวรรษหน้า

หลายองค์กรเริ่มหันมาใช้ Recruitment Analytics เพราะเจอ pain point คล้ายกัน เช่น

• Skill Mismatch — รับคนมาแล้วทักษะไม่ตรงงานจริง
• Time to Recruit — ใช้เวลาสรรหานานเกินไป
• Cost of Recruitment — ต้นทุนการจ้างสูง (เอเจนซี่/ประกาศงาน/กระบวนการยาว)
• Hiring Not On Time — จ้างไม่ทันเวลา กระทบแผนอัตรากำลังและงานหน้างาน
• Ineffective Channels — ใช้ช่องทางสรรหาไม่ตรงกลุ่ม ทำให้ได้ผู้สมัครไม่คุ้ม

ถ้าหาคนช้า 4–5 เดือนแทนที่จะเป็น 1–2 เดือน
ผลกระทบจะลามไปถึง workforce planning และ productivity ทันที

3) Case Study: Johnson & Johnson

ใช้ข้อมูลเพื่อปรับกลยุทธ์การจ้าง “เด็กจบใหม่” และลด Turnover

Johnson & Johnson (J&J) เป็นบริษัทดูแลสุขภาพระดับโลก ก่อตั้งตั้งแต่ปี 1886
โจทย์สำคัญของเขาคือการเพิ่ม performance และ retention

ความท้าทายหลัก:

• ในช่วงหนึ่ง J&J เน้นจ้าง “ผู้สมัครที่มีประสบการณ์” มากกว่า
  แต่สิ่งที่เกิดขึ้นคือ การจ้างเด็กจบใหม่ลดลง ~10% ซึ่งทำให้ pipeline ระยะยาวเริ่มอ่อนแรง

สิ่งที่ J&J ทำ (Analytics)

• วิเคราะห์ข้อมูลพนักงานกว่า 47,000 คน
• พบ Insight สำคัญว่า
  การจ้างเด็กจบใหม่มีแนวโน้มอยู่กับองค์กรนานกว่า เมื่อเทียบกับการจ้างผู้มีประสบการณ์บางกลุ่ม

ผลลัพธ์

• เพิ่มสัดส่วนการจ้างเด็กจบใหม่ได้ ~20%
• ลด turnover ได้ พร้อม ยังรักษามาตรฐาน performance ไว้ได้

บทเรียนสำคัญ:
Recruitment Analytics ช่วย “ท้าทายความเชื่อเดิม” และตัดสินใจจากข้อมูลจริง

4) Step-by-Step: 6 Steps to Conduct Recruitment Analytics

กระบวนการทำ Recruitment Analytics อย่างเป็นระบบ

Step 1: Defining the Landscape — ทำความเข้าใจภาพรวมระบบสรรหา

• โครงสร้างและกระบวนการสรรหาปัจจุบันเป็นอย่างไร
• Employer brand เป็นอย่างไร
• Candidate experience ในแต่ละจุดสัมผัสเป็นอย่างไร
• สถานการณ์ talent shortage / global hiring / remote recruitment เป็นอย่างไร

Step 2: Identifying Critical Challenges — ระบุปัญหาและคำถามหลัก
ตัวอย่างคำถามที่ดี เช่น

• ทำไมตำแหน่งนี้ “หาคนช้า”
• ช่องทางไหนให้คน “คุณภาพดีที่สุด”
• ทำไม offer ไม่ถูก accept
• จุดไหนใน process ที่ทำให้ candidate drop มากที่สุด

Step 3: Data Insights Unveiled — ระบุข้อมูลที่ต้องใช้ (5 กลุ่มหลัก)

1. Application Channel — ผู้สมัครมาจากไหน (job board/agency/referral)
2. Candidate Quality — คะแนนทดสอบ/การประเมินสกิล/ความเหมาะสม
3. Candidate Journey — ประสบการณ์ผู้สมัครในแต่ละ touchpoint
4. Interviewer Data — ประสิทธิภาพผู้สัมภาษณ์ (HR/Line/ผู้บริหาร)
5. Costs — ต้นทุนช่องทางและค่าโฆษณา/ค่าใช้จ่ายการสรรหา

Step 4: Deciding the Right Metrics — เลือกตัวชี้วัดที่เหมาะสม
ตัวอย่าง metrics ที่ใช้บ่อย (พื้นฐานแต่ทรงพลัง)

• Channel Quality Score — ช่องทางไหนให้ candidate คุณภาพสูง
• Candidate Skill Match % — สกิลผู้สมัครตรง JD แค่ไหน
• Offer Acceptance Rate (แยกตามคุณภาพ/แยกตามตำแหน่ง)
• Application → Interview Conversion — drop rate อยู่ตรงไหน
• Time in Stage — ติดค้างขั้นตอนไหน
• Interviewer Effectiveness / Rating — ใครสัมภาษณ์แล้วได้คนที่ใช่
• Cost per Hire — ต้นทุนต่อการจ้าง

Step 5: Analyze & Communicate — วิเคราะห์และสื่อสารให้ตอบโจทย์ธุรกิจ
หัวใจคือ “เอา metrics มาไขว้กัน” เช่น

• ช่องทาง A ค่าใช้จ่ายสูง แต่ได้คุณภาพสูงและอยู่ทน → คุ้ม
• ช่องทาง B ถูก แต่ได้ผู้สมัครเยอะคุณภาพต่ำ → ไม่คุ้ม
• ผู้สัมภาษณ์ X เหมาะกับตำแหน่งสายเทคนิค → ควรกำหนดบทบาทให้ชัด

Step 6: Determining Next Action — แปลงเป็นแผนปรับปรุง

• ทบทวนข้อมูลที่มี แล้วเริ่มจากสิ่งที่ทำได้ทันที
• ยอมรับ Trial & Error (ทดลอง–วัดผล–ปรับ)
• ปรับ channel strategy / ปรับ SLA ในแต่ละ stage / ปรับ assessment / ปรับ interviewer calibration

5) Practical Metrics Map (สรุป “วัดอะไร เพื่อทำอะไร”)

เพื่อให้นำไปใช้ได้จริง แนะนำให้จัด metrics เป็น 5 หมวดเหมือนระบบสรรหา

A) Channel (ช่องทาง) → เลือกช่องทางให้คุ้ม

• Quality score, diversity, conversion, cost by channel

B) Candidate Quality → จ้างให้ตรงคน

• Skill match %, assessment score, quality of hire proxy

C) Candidate Journey → ลด drop เพิ่มประสบการณ์ที่ดี

• Conversion rate แต่ละ stage, time in stage, candidate feedback/NPS

D) Interviewer → ทำให้การสัมภาษณ์มีมาตรฐาน

• Interviewer effectiveness, interviewer rating, calibration consistency

E) Costs → คุมงบให้เหมาะกับผลลัพธ์

• Cost per hire, cost by hire type, cost vs quality

6) Advantages of Recruitment Analytics (ผลลัพธ์ที่องค์กรได้)

เมื่อทำต่อเนื่อง องค์กรมักเห็นผลลัพธ์ชัดในมุมต่อไปนี้

• ประสบการณ์ผู้สมัครดีขึ้น (Better candidate experience)
• จ้างได้เร็วขึ้น (Faster hiring)
• ลดอัตรา turnover (Lower turnover)
• ลดต้นทุนการจ้าง (Decreased hiring cost)
• ลด bias และเพิ่มความเป็นธรรม (Diminished bias)
• คุณภาพการจ้างดีขึ้น (Enhanced quality of hire)
• ทำงานเชิงรุกด้วย productivity มากกว่า reactive (Productivity over reactivity)

6. People Analytics On-the-go

Steps to Implement People Analytics

“แนวทางปฏิบัติเพื่อการปรับใช้ People Analytics อย่างมีประสิทธิภาพ” (Guidelines for effectively implementing People Analytics) โดยมี 7 ข้อแนะนำหลักดังนี้ครับ

• Defining clear objective and outcomes การกำหนดวัตถุประสงค์และผลลัพธ์ที่ชัดเจน
• Building a robust team with analytical capabilities การสร้างทีมที่แข็งแกร่งพร้อมความสามารถเชิงวิเคราะห์
• Establishing a culture of data-driven decision-making การสร้างวัฒนธรรมการตัดสินใจที่ขับเคลื่อนด้วยข้อมูล
• Regularly reviewing and updating data security policies การตรวจสอบและอัปเดตนโยบายความปลอดภัยของข้อมูลอย่างสม่ำเสมอ
• Developing necessary infrastructure and right technology การพัฒนาโครงสร้างพื้นฐานที่จำเป็นและเทคโนโลยีที่เหมาะสม
• Applying suitable analytics models การประยุกต์ใช้โมเดลการวิเคราะห์ที่เหมาะสม
• Continuously monitoring the people analytics initiatives การติดตามผลโครงการ People Analytics อย่างต่อเนื่อง

People Analytics Tools

จากภาพ ได้จัดกลุ่มเครื่องมือ People Analytics ชั้นนำตามฟังก์ชันงาน HR ต่างๆ ไว้ดังนี้ครับ พร้อมสรุปข้อดีหรือจุดเด่นสั้นๆ ในแต่ละด้านตามมุมมองของผม:

1. Employee retention (การรักษาพนักงาน)

เครื่องมือ: Perceptyx, PI (Predictive Index)

2. Employee engagement (ความผูกพันของพนักงาน)

เครื่องมือ: Qualtrics, GLINT, Culture Amp

3. Strategic workforce planning (การวางแผนกำลังคนเชิงกลยุทธ์)

เครื่องมือ: Workday

4. Learning & development (การเรียนรู้และการพัฒนา)

เครื่องมือ: Degreed, Cornerstone

5. Interviewing (การสัมภาษณ์งาน)

เครื่องมือ: Vervoe, ConveyIQ

6. Diversity & inclusion (ความหลากหลายและการยอมรับความแตกต่าง)

เครื่องมือ: Textio, Pymetrics

7. Recruitment (การสรรหาบุคลากร)

เครื่องมือ: Tableau, UKG, SmartRecruiters

8. Performance management (การบริหารผลการปฏิบัติงาน)

เครื่องมือ: 15Five, PerformYard, Lattice, BambooHR

Key Roles in People Analytics

“บทบาทหน้าที่ทั่วไปในทีม People Analytics” (Common roles in People Analytics team) โดยแบ่งออกเป็นบทบาทหลัก (Core role) และบทบาทเฉพาะทาง (Specific role) ดังนี้ครับ

บทบาทหลัก (Core role)
1. People Analytics Manager (ผู้จัดการฝ่ายวิเคราะห์ข้อมูลบุคลากร)
Overseeing the team: กำกับดูแลและบริหารจัดการทีมงาน

Driving the strategic use of HR data and analytics across the organization: ผลักดันการใช้ข้อมูลและการวิเคราะห์ด้าน HR ในเชิงกลยุทธ์ทั่วทั้งองค์กร

Collaborating with HR leaders and senior mgmt. to align HR strategies with business goals: ร่วมมือกับผู้นำด้าน HR และผู้บริหารระดับสูง เพื่อปรับกลยุทธ์ด้านบุคลากรให้สอดคล้องกับเป้าหมายทางธุรกิจ

2. People Analyst/ Data Analyst (นักวิเคราะห์ข้อมูลบุคลากร)
Collecting, analyzing, and interpreting HR data to provide actionable insights: รวบรวม วิเคราะห์ และตีความข้อมูล HR เพื่อให้ได้ข้อมูลเชิงลึกที่นำไปปฏิบัติได้จริง

Identifying trends, patterns, and areas for improvement in areas e.g., recruitment, employee engagement, etc.: ระบุแนวโน้ม รูปแบบ และจุดที่ควรปรับปรุงในด้านต่าง ๆ เช่น การสรรหาพนักงาน, ความผูกพันของพนักงาน เป็นต้น

3. HR Data Scientist (นักวิทยาศาสตร์ข้อมูลด้าน HR)
Leveraging advanced statistical & machine learning techniques to analyze HR data: ใช้เทคนิคทางสถิติขั้นสูงและระบบการเรียนรู้ของเครื่อง (Machine Learning) เพื่อวิเคราะห์ข้อมูล HR

Building predictive models to forecast workforce trends: สร้างโมเดลการคาดการณ์เพื่อพยากรณ์แนวโน้มของกำลังคนในอนาคต

Providing HR leaders with data-driven recommendations for decision-making: ให้คำแนะนำที่ขับเคลื่อนด้วยข้อมูลแก่ผู้นำ HR เพื่อใช้ในการตัดสินใจ

บทบาทเฉพาะทาง (Specific role)
Compensation Analyst (นักวิเคราะห์ค่าตอบแทน): Optimizing employee compensation strategies to attract, retain, and motivate talent (ปรับปรุงกลยุทธ์ค่าตอบแทนพนักงานให้เหมาะสมเพื่อดึงดูด รักษา และสร้างแรงจูงใจให้คนเก่ง)

Talent Mgmt. Analyst (นักวิเคราะห์การบริหารคนเก่ง): Developing innovative solutions around candidate and employee experiences (พัฒนาแนวทางใหม่ ๆ ที่เกี่ยวข้องกับประสบการณ์ของผู้สมัครงานและพนักงาน)

Workforce Planning Analyst (นักวิเคราะห์การวางแผนกำลังคน): Focusing on long-term strategic workforce planning by analyzing current capabilities and future needs (เน้นการวางแผนกำลังคนเชิงกลยุทธ์ในระยะยาว โดยวิเคราะห์จากขีดความสามารถในปัจจุบันและความต้องการในอนาคต)

1. People Analytics Manager (ผู้จัดการฝ่ายวิเคราะห์ข้อมูลบุคลากร)
Data Analysis Expertise: ความเชี่ยวชาญในการวิเคราะห์ข้อมูล

• Leadership: ความเป็นผู้นำ
• Project Management: การบริหารจัดการโครงการ
• Stakeholder Engagement: การสร้างความร่วมมือกับผู้มีส่วนได้ส่วนเสีย

2. People Analyst/ Data Analyst (นักวิเคราะห์ข้อมูลบุคลากร)
Data Analysis: การวิเคราะห์ข้อมูล

• HR Domain Knowledge: ความรู้ความเข้าใจในเนื้องานทรัพยากรบุคคล
• Statistical & Quantitative Skills: ทักษะทางสถิติและการวิเคราะห์เชิงปริมาณ
• Problem-Solving: การแก้ไขปัญหา

3. HR Data Scientist (นักวิทยาศาสตร์ข้อมูลด้าน HR)
Advanced Data Analysis: การวิเคราะห์ข้อมูลขั้นสูง

• Programming and Data Tools: การเขียนโปรแกรมและเครื่องมือจัดการข้อมูล
• Business Acumen: ความเข้าใจลึกซึ้งในธุรกิจ
• Ethical & Compliance Awareness: ความตระหนักด้านจริยธรรมและการปฏิบัติตามกฎระเบียบ (โดยเฉพาะเรื่องความเป็นส่วนตัวของข้อมูลพนักงาน)

Key Challenges in Using People Analytics

“การวิเคราะห์ความท้าทายหลักในการใช้ People Analytics” (Breaking down key challenges in using People Analytics) โดยแบ่งออกเป็น 6 ด้านสำคัญ ดังนี้ครับ

1. Tech and tools (เทคโนโลยีและเครื่องมือ)
Readiness of infrastructure required to set up an analytics program: ความพร้อมของโครงสร้างพื้นฐานที่จำเป็นในการจัดตั้งโปรแกรมการวิเคราะห์

Difficulty in selecting appropriate technology from many factors, e.g., cost considerations, skill requirements, etc.: ความยุ่งยากในการเลือกเทคโนโลยีที่เหมาะสมจากปัจจัยต่างๆ เช่น การพิจารณาด้านต้นทุน, ทักษะที่จำเป็นต้องใช้ เป็นต้น

2. Measuring Impact and ROI (การวัดผลกระทบและผลตอบแทนจากการลงทุน)
Defining meaningful metrics to determine actual impact for continued support and investment: การกำหนดมาตรวัดที่มีความหมายเพื่อระบุผลกระทบที่แท้จริง เพื่อให้ได้รับการสนับสนุนและการลงทุนอย่างต่อเนื่อง

3. Privacy and Ethical Concerns (ความกังวลด้านความเป็นส่วนตัวและจริยธรรม)
Data privacy regulations to protect employees’ personal information: กฎระเบียบด้านความเป็นส่วนตัวของข้อมูลเพื่อปกป้องข้อมูลส่วนบุคคลของพนักงาน

4. Data Quality and Integration (คุณภาพและการบูรณาการข้อมูล)
Data governance to avoid gaps in data collection and data silos: การธรรมาภิบาลข้อมูล (Data Governance) เพื่อหลีกเลี่ยงช่องว่างในการเก็บข้อมูลและปัญหาข้อมูลถูกเก็บแยกส่วนกัน (Data Silos)

5. Talent and Skill Gaps (ช่องว่างด้านบุคลากรและทักษะ)
Shortage of talent in key People Analytics roles: การขาดแคลนบุคลากรที่มีความสามารถในบทบาทหลักด้าน People Analytics

Necessary skills, esp. analytics skills, of HR professional/function: ทักษะที่จำเป็น โดยเฉพาะทักษะการวิเคราะห์ของบุคลากรหรือสายงาน HR

6. Change Management and Adoption (การบริหารจัดการการเปลี่ยนแปลงและการนำไปใช้)
Lack of key stakeholders buy-in/ Change management strategies to ensure a smooth transition: การขาดการยอมรับจากผู้มีส่วนได้ส่วนเสียหลัก / กลยุทธ์การบริหารจัดการการเปลี่ยนแปลงเพื่อให้แน่ใจว่าการเปลี่ยนผ่านจะเป็นไปอย่างราบรื่น

Future of People Analytics

“อนาคตของ People Analytics” (Future of People Analytics) โดยมีเป้าหมายหลักคือการสร้าง “สถานที่ทำงานและความเป็นอยู่ที่ดียิ่งขึ้น” (Better Workplace & Well-being) ซึ่งประกอบด้วย 7 ทิศทางสำคัญดังนี้ครับ

• HR & Business Strategy Collaboration: ความร่วมมือระหว่างกลยุทธ์ด้านทรัพยากรบุคคลและกลยุทธ์ทางธุรกิจ
• Human Behavior: การทำความเข้าใจพฤติกรรมของมนุษย์ (ผ่านข้อมูล)
• Bridging Capability Gap: การลดช่องว่างด้านขีดความสามารถของบุคลากร
• Processes, Practices & Policies: การปรับปรุงกระบวนการ แนวทางปฏิบัติ และนโยบายต่างๆ
• Integration of Additional Technology: การบูรณาการเทคโนโลยีใหม่ๆ เพิ่มเติมเข้ามาใช้งาน
• Personalized & Tailored Dashboards: การสร้างแดชบอร์ดข้อมูลที่ปรับแต่งให้เหมาะสมกับความต้องการเฉพาะบุคคล
• Employee Experience: การมุ่งเน้นไปที่ประสบการณ์ที่ดีของพนักงาน

People Analytics ไม่ได้มีเป้าหมายเพื่อ “ทำรายงานให้สวยขึ้น”
แต่มีเป้าหมายเพื่อทำให้ HR ตอบคำถามที่ยากที่สุดขององค์กรได้ด้วยหลักฐาน

• คนลาออกเพราะอะไร “จริง ๆ”
• ทีมแบบไหนทำผลงานได้สูง “อย่างยั่งยืน”
• ลงทุนกับสวัสดิการ/การพัฒนา/ค่าตอบแทนแบบไหน “คุ้มที่สุด”
• และเราจะออกแบบการตัดสินใจที่ “ยุติธรรมและโปร่งใส” ได้อย่างไร

สุดท้าย People Analytics ที่ดีต้องปิดวงจรให้ครบ:
Data → Insight → Action → Impact
และเมื่อทำอย่างต่อเนื่อง มันจะเปลี่ยนบทบาท HR จาก “ผู้ตาม” เป็น “ผู้ขับเคลื่อนองค์กร” อย่างแท้จริง

---

Data Science Explore the world of data science with Donato_Story

Dashboard Discover the power of data visualization with Donato_Story

Donato_Journey Join me on my journey (Thai version)

Course_Review Discover the training courses with Donato_Story (Thai version)

Let’s Connect!

Your thoughts and feedback are invaluable. Feel free to share them in the comments or connect with me on

• Medium: medium.com/donato-story
• Facebook: web.facebook.com/DonatoStory
• Linkedin: linkedin.com/in/nattapong-thanngam